基于集成学习的O₃的质量浓度预测模型

彭岩(),冯婷婷,王洁*()

首都师范大学管理学院，北京 100048

收稿日期:2019-07-25出版日期:2020-08-20发布日期:2020-08-13
通讯作者:王洁E-mail:pengyan@cnu.edu.cn;wangjie@cnu.edu.cn
作者简介:彭岩(1967—)，女，重庆人，教授，博士，主要研究方向为大数据分析与数据挖掘.E-mail:pengyan@cnu.edu.cn
基金资助:全国教育科学规划-教育部重点课题资助项目(DLA190426)

An integrated learning approach for O₃ mass concentration prediction model

Yan PENG(),Tingting FENG,Jie WANG*()

School of Management, Captial Normal University, Beijing 100048, China

Received:2019-07-25Online:2020-08-20Published:2020-08-13
Contact:Jie WANG E-mail:pengyan@cnu.edu.cn;wangjie@cnu.edu.cn

摘要/Abstract

摘要： 为准确预测O₃的质量浓度及其发展趋势，分析其诱发因素，提出一种基于集成学习的O₃的质量浓度预测模型。以北京市2015—2016年O₃污染物的质量浓度及气象因素数据为基础，提出并建立面向O₃污染物的质量浓度预测的特征选择-集成学习多层预测模型，在对数据进行缺失值填补及异常值分析的基础上，利用Pearson相关分析和Lasso回归分析同时对清理后的气象资料数据进行特征选择，以消除数据冗余，提高预测精度;提出基于自组织映射神经网络self-organizing featuremap, SOFM和Elman神经网络Elman neural network, ENN的集成学习算法，利用SOFM对样本数据进行聚类以实现样本的合理分布后，使用ENN进行仿真训练来预测O₃的质量浓度。试验结果表明：采用Pearson-Lasso特征选择和SOFM样本聚类对数据做前期处理后，ENN的预测精度由74.6%提高到82.1%，能够改善基于ENN的O₃污染物的质量浓度的预测准确率。


PDF全文下载地址:

http://gxbwk.njournal.sdu.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=1949