基于BP神经网络和随机森林的空气污染物浓度预测研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-13页 |
| 1.1 课题背景及研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文研究内容 | 第12页 |
| 1.4 论文结构 | 第12-13页 |
| 第2章 相关理论与技术知识 | 第13-23页 |
| 2.1 人工神经网络 | 第13-15页 |
| 2.1.1 人工神经元模型 | 第13页 |
| 2.1.2 BP神经网络模型结构 | 第13-14页 |
| 2.1.3 BP神经网络学习方式 | 第14-15页 |
| 2.2 随机森林理论 | 第15-18页 |
| 2.2.1 决策树算法 | 第15-17页 |
| 2.2.2 随机森林算法 | 第17页 |
| 2.2.3 随机森林泛化误差 | 第17-18页 |
| 2.3 分布式计算框架 | 第18-22页 |
| 2.3.1 HDFS分布式文件系统 | 第18-21页 |
| 2.3.2 Spark架构 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 数据分析及预处理 | 第23-39页 |
| 3.1 特征提取 | 第23-26页 |
| 3.1.1 兴趣点特征 | 第23-24页 |
| 3.1.2 路网相关特征 | 第24-25页 |
| 3.1.3 气象特征 | 第25-26页 |
| 3.2 大气污染物的时空分析 | 第26-33页 |
| 3.2.1 时间分布及变化规律 | 第28-29页 |
| 3.2.2 空间分布及变化规律 | 第29-32页 |
| 3.2.3 主要气体污染物之间的关系 | 第32-33页 |
| 3.3 数据准备与预处理 | 第33-37页 |
| 3.3.1 缺失值处理 | 第34-35页 |
| 3.3.2 数据集成 | 第35页 |
| 3.3.3 数据归一化 | 第35-37页 |
| 3.4 数据格式转化 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于时空分布的污染物浓度预测模型研究 | 第39-56页 |
| 4.1 预测模型框架 | 第39-41页 |
| 4.2 基于BP神经网络的空间预测模型 | 第41-49页 |
| 4.2.1 空间预测模型的建立 | 第41-43页 |
| 4.2.2 BP神经网络的优化 | 第43-44页 |
| 4.2.3 网络权值初始值域的选择 | 第44-45页 |
| 4.2.4 隐含层单元数目的确定 | 第45-46页 |
| 4.2.5 神经网络的并行化 | 第46-49页 |
| 4.3 基于随机森林的时间预测模型 | 第49-54页 |
| 4.3.1 时间预测模型的建立 | 第49-50页 |
| 4.3.2 随机森林参数的选择 | 第50-52页 |
| 4.3.3 随机森林的并行化 | 第52-54页 |
| 4.4 协同训练模型的建立 | 第54页 |
| 4.5 本章小结 | 第54-56页 |
| 第5章 实验结果及分析 | 第56-69页 |
| 5.1 实验数据集 | 第56页 |
| 5.2 实验环境搭建与部署 | 第56-60页 |
| 5.2.1 实验环境 | 第57页 |
| 5.2.2 Hadoop集群部署 | 第57-58页 |
| 5.2.3 Spark集群部署 | 第58-59页 |
| 5.2.4 定时任务的执行 | 第59-60页 |
| 5.3 评估指标 | 第60页 |
| 5.4 实验结果分析 | 第60-68页 |
| 5.4.1 空间模型的预测结果分析 | 第61-64页 |
| 5.4.2 时间模型的预测结果分析 | 第64-65页 |
| 5.4.3 协同模型的预测结果分析 | 第65-67页 |
| 5.4.4 空气质量分指数分析 | 第67-68页 |
| 5.5 本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75页 |
