基于集成学习的O3浓度逐小时预测模型研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第13-21页 |
| 1.1 研究背景与研究意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 O_3来源及影响因素研究进展 | 第15-17页 |
| 1.2.2 O_3预报模型研究进展 | 第17-19页 |
| 1.3 研究内容与创新点 | 第19-20页 |
| 1.3.1 研究内容 | 第19页 |
| 1.3.2 创新点 | 第19-20页 |
| 1.4 论文结构 | 第20-21页 |
| 2 研究方法 | 第21-35页 |
| 2.1 机器学习 | 第21-22页 |
| 2.2 集成学习 | 第22-26页 |
| 2.2.1 Bagging | 第23-24页 |
| 2.2.2 Boosting | 第24-25页 |
| 2.2.3 Stacking | 第25-26页 |
| 2.3 随机森林 | 第26-29页 |
| 2.3.1 随机森林原理 | 第26-28页 |
| 2.3.2 特征重要性评估 | 第28页 |
| 2.3.3 分类回归树原理 | 第28-29页 |
| 2.4 GBDT | 第29-31页 |
| 2.4.1 GBDT原理 | 第30-31页 |
| 2.4.2 特征重要性评估 | 第31页 |
| 2.5 XGBoost | 第31-34页 |
| 2.6 回归模型评估方法 | 第34页 |
| 2.7 本章小结 | 第34-35页 |
| 3 研究区域与数据 | 第35-43页 |
| 3.1 研究区域 | 第35-36页 |
| 3.2 数据来源 | 第36-37页 |
| 3.3 数据预处理 | 第37-42页 |
| 3.3.1 异常值处理 | 第37页 |
| 3.3.2 缺失值处理 | 第37-42页 |
| 3.4 本章小结 | 第42-43页 |
| 4 O_3浓度相关分析及时间特征 | 第43-51页 |
| 4.1 相关性分析 | 第43-46页 |
| 4.1.1 Pearson相关系数 | 第43-44页 |
| 4.1.2 指标相关分析 | 第44-45页 |
| 4.1.3 延时O_3相关分析 | 第45-46页 |
| 4.2 O_3浓度时间变化特征 | 第46-50页 |
| 4.2.1 O_3浓度月变化特征 | 第47-48页 |
| 4.2.2 O_3浓度周变化特征 | 第48-49页 |
| 4.2.3 O_3浓度小时变化特征 | 第49-50页 |
| 4.3 本章小结 | 第50-51页 |
| 5 逐小时预测模型实现与评估 | 第51-69页 |
| 5.1 逐小时预测模型框架 | 第51-55页 |
| 5.1.1 数据准备 | 第51-52页 |
| 5.1.2 模型构建 | 第52-55页 |
| 5.2 模型实现 | 第55-64页 |
| 5.2.1 随机森林预测模型 | 第55-56页 |
| 5.2.2 GBDT预测模型 | 第56页 |
| 5.2.3 XGBoost预测模型 | 第56-57页 |
| 5.2.4 预测结果与分析 | 第57-64页 |
| 5.3 多模型融合 | 第64-68页 |
| 5.3.1 Stacking预测模型 | 第64-65页 |
| 5.3.2 预测结果与分析 | 第65-68页 |
| 5.4 本章小结 | 第68-69页 |
| 6 结论与展望 | 第69-71页 |
| 6.1 研究成果 | 第69-70页 |
| 6.2 不足与展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75页 |
