| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 缺失数据填充方法的国内外研究现状 | 第10-13页 |
| 1.2.2 PM2.5 相关污染物预测方法的国内外研究现状 | 第13-15页 |
| 1.3 本文主要工作 | 第15页 |
| 1.4 本文结构 | 第15-16页 |
| 第2章 相关基础理论 | 第16-22页 |
| 2.1 数据填充方法简介 | 第16-17页 |
| 2.1.1 反距离加权法 | 第16页 |
| 2.1.2 简单指数平滑法 | 第16页 |
| 2.1.3 误差反向传播神经网络模型 | 第16-17页 |
| 2.2 随机森林理论 | 第17-19页 |
| 2.2.1 决策树算法 | 第17-18页 |
| 2.2.2 随机森林训练过程 | 第18-19页 |
| 2.3 遗传算法优化BP神经网络 | 第19-21页 |
| 2.3.1 遗传算法原理 | 第19-20页 |
| 2.3.2 遗传算法优化BP神经网络 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 数据分析及预处理 | 第22-35页 |
| 3.1 引言 | 第22页 |
| 3.2 数据分析 | 第22-27页 |
| 3.2.1 数据来源 | 第22-24页 |
| 3.2.2 数据特征分析 | 第24-25页 |
| 3.2.3 PM2.5 数据浓度变化规律分析 | 第25-26页 |
| 3.2.4 数据填充分析 | 第26-27页 |
| 3.3 数据填充 | 第27-34页 |
| 3.3.1 填充数据流程图 | 第27-29页 |
| 3.3.2 基于内部因素的填充算法 | 第29-30页 |
| 3.3.3 基于BP神经网络的填充方法 | 第30-31页 |
| 3.3.4 时空数据缺失值填充过程 | 第31-34页 |
| 3.4 数据处理 | 第34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 基于时空预测PM2.5 浓度模型的研究 | 第35-45页 |
| 4.1 引言 | 第35-36页 |
| 4.2 预测模型框架 | 第36-37页 |
| 4.3 基于随机森林的时间预测模型 | 第37-39页 |
| 4.3.1 时间预测模型的建立 | 第37-38页 |
| 4.3.2 随机森林参数的选择 | 第38-39页 |
| 4.4 基于BP神经网络的空间预测模型 | 第39-43页 |
| 4.4.1 空间预测模型的建立 | 第39-41页 |
| 4.4.2 遗传算法优化BP神经网络 | 第41-43页 |
| 4.4.3 空间预测模型算法设计 | 第43页 |
| 4.5 基于多元线性核函数的集成模型 | 第43-44页 |
| 4.6 本章小结 | 第44-45页 |
| 第5章 实验过程及结论分析 | 第45-58页 |
| 5.1 实验数据集 | 第45-46页 |
| 5.1.1 缺失数据填充方法的数据 | 第45页 |
| 5.1.2 预测方法的数据 | 第45-46页 |
| 5.2 评估指标 | 第46页 |
| 5.2.1 缺失数据填充方法的评估指标 | 第46页 |
| 5.2.2 预测模型的评估指标 | 第46页 |
| 5.3 实验结果分析 | 第46-56页 |
| 5.3.1 缺失数据填充方法的结果分析 | 第46-48页 |
| 5.3.2 时间预测模型的结果分析 | 第48-50页 |
| 5.3.3 空间预测模型的结果分析 | 第50-53页 |
| 5.3.4 时空混合预测模型的结果分析 | 第53-56页 |
| 5.4 本章小结 | 第56-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-63页 |