| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题研究的背景与意义 | 第9-10页 |
| 1.1.1 空气质量指数 | 第9页 |
| 1.1.2 课题研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11页 |
| 1.3 研究内容与关键技术 | 第11-12页 |
| 1.4 章节安排 | 第12-13页 |
| 第二章 空气质量预测相关技术 | 第13-18页 |
| 2.1 预测方法概述 | 第13-14页 |
| 2.2 机器学习 | 第14-16页 |
| 2.2.1 数据挖掘概述 | 第14-15页 |
| 2.2.2 机器学习方式 | 第15-16页 |
| 2.2.3 Python机器学习 | 第16页 |
| 2.3 集成学习方法 | 第16-17页 |
| 2.3.1 集成学习概述 | 第16-17页 |
| 2.3.2 集成学习器的构造 | 第17页 |
| 2.4 本章小结 | 第17-18页 |
| 第三章 空气质量预测算法研究 | 第18-39页 |
| 3.1 多元线性回归算法 | 第18-22页 |
| 3.1.1 算法原理 | 第18-19页 |
| 3.1.2 算法实践 | 第19-22页 |
| 3.2 决策树算法 | 第22-25页 |
| 3.2.1 算法原理 | 第22-23页 |
| 3.2.2 算法实践 | 第23-25页 |
| 3.3 Bagging算法 | 第25-28页 |
| 3.3.1 算法原理 | 第25-26页 |
| 3.3.2 算法实践 | 第26-28页 |
| 3.4 随机森林算法 | 第28-35页 |
| 3.4.1 算法原理 | 第28-31页 |
| 3.4.2 算法实践 | 第31-32页 |
| 3.4.3 随机森林算法改进 | 第32-35页 |
| 3.5 GBDT算法 | 第35-38页 |
| 3.5.1 算法原理 | 第35-37页 |
| 3.5.2 算法实践 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章 空气质量预测模型的设计与实现 | 第39-58页 |
| 4.1 环境搭建 | 第39-40页 |
| 4.2 空气质量数据预处理 | 第40-49页 |
| 4.2.1 原始数据采集 | 第40-42页 |
| 4.2.2 数据预处理 | 第42-46页 |
| 4.2.3 数据集变量关系可视化 | 第46-49页 |
| 4.3 空气质量预测模型的设计 | 第49-51页 |
| 4.3.1 空气质量预测的工作流程 | 第49页 |
| 4.3.2 空气质量预测模型建立 | 第49-50页 |
| 4.3.3 基学习器的选择 | 第50-51页 |
| 4.4 空气质量预测模型的实现 | 第51-57页 |
| 4.4.1 Bagging构建空气质量回归预测模型的实现 | 第51-52页 |
| 4.4.2 随机森林构建空气质量回归预测模型的实现 | 第52-55页 |
| 4.4.3 GBDT构建空气质量回归预测模型的实现 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 预测分析与评估 | 第58-67页 |
| 5.1 预测模型评估标准 | 第58页 |
| 5.2 预测结果分析及评估 | 第58-66页 |
| 5.3 本章小结 | 第66-67页 |
| 总结与展望 | 第67-69页 |
| 总结 | 第67页 |
| 展望 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 攻读学位期间取得的研究成果 | 第72-73页 |
| 致谢 | 第73页 |
