| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 1. 绪论 | 第8-15页 |
| 1.1 选题背景 | 第8-10页 |
| 1.2 研究意义 | 第10-12页 |
| 1.3 研究思路与主要研究内容 | 第12页 |
| 1.4 创新与不足 | 第12-13页 |
| 1.5 本文的主要工作和章节安排 | 第13-14页 |
| 1.6 本章小结 | 第14-15页 |
| 2. 污染物浓度预测模型的研究现状 | 第15-24页 |
| 2.1 基于物理模型的污染物浓度预测的研究现状 | 第15-16页 |
| 2.2 基于空气质量指数的污染物浓度预测的研究现状 | 第16-17页 |
| 2.3 基于统计模型的污染物浓度预测的研究现状 | 第17-18页 |
| 2.4 基于机器学习模型的污染物浓度预测的研究现状 | 第18-19页 |
| 2.5 基于评价模型的污染物浓度预测的研究现状 | 第19-20页 |
| 2.6 基于混合模型的污染物浓度预测的研究现状 | 第20-21页 |
| 2.7 现有污染物浓度预测模型的优缺点 | 第21-23页 |
| 2.8 本章小结 | 第23-24页 |
| 3. 污染物浓度预测模型的建立 | 第24-36页 |
| 3.1 污染物指标筛选——粗糙集相关理论 | 第24-27页 |
| 3.1.1 传统的粗糙集理论 | 第24-25页 |
| 3.1.2 模糊粗糙集理论 | 第25-26页 |
| 3.1.3 模糊偏好粗糙集理论 | 第26-27页 |
| 3.2 污染物浓度数据预处理——去噪方法 | 第27-30页 |
| 3.2.1 经验模态分解(EMD) | 第27-28页 |
| 3.2.2 集合经验模态分解(EEMD) | 第28-29页 |
| 3.2.3 互补集合经验模态分解(CEEMD) | 第29页 |
| 3.2.4 自适应噪声的互补集合经验模态分解(CEEMDAN) | 第29-30页 |
| 3.2.5 改进的自适应噪声的互补集合经验模态分解(ICEEMDAN) | 第30页 |
| 3.3 污染物浓度预测——极限学习机理论(ELM) | 第30-31页 |
| 3.4 预测模型的参数优化——帝国竞争算法(ICA) | 第31-34页 |
| 3.5 模型效果检验—DM检验 | 第34页 |
| 3.6 本章小结 | 第34-36页 |
| 4. 污染物浓度预测模型的实验设计 | 第36-44页 |
| 4.1 实验数据选取与简述 | 第36-37页 |
| 4.2 误差衡量标准选取 | 第37-41页 |
| 4.2.1 预测模型误差衡量指标的研究现状 | 第37-38页 |
| 4.2.2 本文误差衡量指标的选取 | 第38-41页 |
| 4.3 实验设计思路 | 第41-42页 |
| 4.4 污染物浓度预测模型的具体步骤 | 第42页 |
| 4.5 本章小结 | 第42-44页 |
| 5. 污染物浓度预测模型的实验仿真与结果分析 | 第44-59页 |
| 5.1 实验一:指标筛选 | 第44-48页 |
| 5.2 实验二:基于小数据集的确定性预测 | 第48-50页 |
| 5.2.1 不同单一模型的比较 | 第48-49页 |
| 5.2.2 不同优化算法的比较 | 第49页 |
| 5.2.3 不同去噪方法的比较 | 第49-50页 |
| 5.3 实验三:基于大数据集的确定性预测 | 第50-53页 |
| 5.4 实验四:DM检验 | 第53页 |
| 5.5 实验五:不确定性预测 | 第53-59页 |
| 6. 本文的实际应用和局限性 | 第59-61页 |
| 6.1 所提出预测模型的实际应用 | 第59页 |
| 6.2 所提出预测模型的局限性 | 第59-61页 |
| 7. 结论 | 第61-63页 |
| 附录 | 第63-70页 |
| 在学期间发表的科研成果 | 第70-71页 |
| 参考文献 | 第71-79页 |
| 后记 | 第79-80页 |
