| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-20页 |
| 1.1 课题来源及研究目的与意义 | 第9-13页 |
| 1.1.1 基于廉价PM2.5 传感器的校正的研究 | 第12页 |
| 1.1.2 基于高密度部署的PM2.5 传感器时空数据的挖掘研究 | 第12-13页 |
| 1.2 PM_2.5监测推断国内外研究现状 | 第13-17页 |
| 1.2.1 硬件监测方法 | 第13-15页 |
| 1.2.2 软件监测推断 | 第15-16页 |
| 1.2.3 基于PM2.5 监测数据的挖掘研究 | 第16-17页 |
| 1.3 本文研究内容及技术难点 | 第17-18页 |
| 1.3.1 基于PM2.5 监测数据的多源数据校正研究 | 第17页 |
| 1.3.2 基于PM2.5 监测数据的挖掘及可视化研究 | 第17-18页 |
| 1.4 本文的组织结构 | 第18-20页 |
| 第2章 系统架构及数据源 | 第20-28页 |
| 2.1 系统架构 | 第20-22页 |
| 2.1.1 数据源 | 第20-21页 |
| 2.1.2 数据格式及存储系统 | 第21页 |
| 2.1.3 数据校准框架 | 第21页 |
| 2.1.4 API及数据挖掘分析 | 第21-22页 |
| 2.2 前端硬件设计 | 第22-24页 |
| 2.3 数据存储系统 | 第24-27页 |
| 2.3.1 sMAP介绍 | 第24-25页 |
| 2.3.2 项目具体技术实现 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 云端数据校正框架 | 第28-51页 |
| 3.1 预备知识 | 第28-30页 |
| 3.2 校正算法框架 | 第30-31页 |
| 3.3 数据预处理 | 第31-33页 |
| 3.4 神经网络单点校正处理 | 第33-35页 |
| 3.5 高斯过程多点联合校正 | 第35-39页 |
| 3.5.1 高斯过程 | 第36-37页 |
| 3.5.2 高斯回归模型 | 第37-39页 |
| 3.6 实验结果 | 第39-49页 |
| 3.6.1 实验设置和数据说明 | 第39-41页 |
| 3.6.2 PM2.5等级定义说明 | 第41页 |
| 3.6.3 信息重构模块的验证 | 第41-43页 |
| 3.6.4 神经网络单点校正模型的验证 | 第43页 |
| 3.6.5 在线校正推断模型验证 | 第43-47页 |
| 3.6.6 空间推断常用方法对比 | 第47-49页 |
| 3.6.7 空间推断的热图可视化展示 | 第49页 |
| 3.7 本章小结 | 第49-51页 |
| 第4章 大密度PM_2.5监测数据挖掘分析 | 第51-60页 |
| 4.1 部署情况 | 第51-52页 |
| 4.2 统计分析结果 | 第52-58页 |
| 4.2.1 整体变化趋势分析 | 第52-54页 |
| 4.2.2 不同POI下的变化分析 | 第54-55页 |
| 4.2.3 不同地理位置下的变化分析 | 第55-56页 |
| 4.2.4 不同气象条件下的变化分析 | 第56-58页 |
| 4.3 异常点位/污染地理源发现问题 | 第58-59页 |
| 4.4 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第65-67页 |
| 致谢 | 第67页 |
