| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 研究意义 | 第11-12页 |
| 1.4 本文的组织结构 | 第12-13页 |
| 第二章 研究方法介绍 | 第13-32页 |
| 2.1 数据挖掘 | 第13-16页 |
| 2.1.1 数据挖掘产生的背景 | 第13页 |
| 2.1.2 数据挖掘的定义 | 第13-14页 |
| 2.1.3 数据挖掘的任务和对象 | 第14-15页 |
| 2.1.4 数据挖掘的步骤 | 第15-16页 |
| 2.2 马尔科夫链 | 第16-18页 |
| 2.3 随机森林 | 第18-21页 |
| 2.3.1 随机森林理论介绍 | 第18-20页 |
| 2.3.2 随机森林的优点 | 第20-21页 |
| 2.4 神经网络 | 第21-24页 |
| 2.4.1 神经网络的基本原理 | 第21-22页 |
| 2.4.2 BP神经网络特点 | 第22页 |
| 2.4.3 小波神经网络 | 第22-24页 |
| 2.5 离群点检测 | 第24-31页 |
| 2.5.1 离群点的定义 | 第24页 |
| 2.5.2 离群点的成因 | 第24-26页 |
| 2.5.3 异常点的分类 | 第26-27页 |
| 2.5.4 离群点检测方法分类 | 第27页 |
| 2.5.5 离群点检测方法概述 | 第27-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 PM_(2.5) 预测研究 | 第32-43页 |
| 3.1 数据说明 | 第32页 |
| 3.1.1 PM_(2.5) 及其它空气质量数据来源 | 第32页 |
| 3.1.2 数据的完整性 | 第32页 |
| 3.2 泰州市PM_(2.5) 的时间序列变化分析 | 第32-39页 |
| 3.2.1 泰州市PM_(2.5) 的变化特征 | 第32-34页 |
| 3.2.2 PM_(2.5) 与前几小时PM_(2.5) 的散点图 | 第34-36页 |
| 3.2.3 PM_(2.5) 与前几个小时PM_(2.5) 的相关性 | 第36-39页 |
| 3.3 基于随机森林的预测模型 | 第39-43页 |
| 3.3.1 模型的建立 | 第39-40页 |
| 3.3.2 模型的检验 | 第40-41页 |
| 3.3.3 PM_(2.5) 预测及结果分析 | 第41-43页 |
| 第四章 污染物浓度预测及异常分析 | 第43-49页 |
| 4.1 数据说明 | 第43页 |
| 4.1.1 污染物浓度值数据来源 | 第43页 |
| 4.1.2 数据的完整性 | 第43页 |
| 4.2 污染物浓度值预测 | 第43-47页 |
| 4.2.1 小波神经网络训练过程 | 第44页 |
| 4.2.2 小波神经网络预测模型建立 | 第44-45页 |
| 4.2.3 预测结果分析 | 第45-47页 |
| 4.3 污染源排放浓度数值异常分析 | 第47-49页 |
| 第五章 污染物浓度空间分布预测 | 第49-58页 |
| 5.1 GIS内插方法的原理与分类 | 第49-50页 |
| 5.1.1 GIS内插法基本的原理 | 第49-50页 |
| 5.1.2 GIS内插的分类情况 | 第50页 |
| 5.2 GIS空间内插算法介绍 | 第50-56页 |
| 5.2.1 最近邻点算法 | 第50-51页 |
| 5.2.2 反距离权重算法(IDW) | 第51-52页 |
| 5.2.3 趋势面算法 | 第52页 |
| 5.2.4 克里金法 | 第52-54页 |
| 5.2.5 线性内插算法 | 第54-56页 |
| 5.3 泰州市污染物空间分布预测 | 第56-58页 |
| 第六章 系统的设计与实现 | 第58-68页 |
| 6.1 开发环境 | 第58-62页 |
| 6.1.1.NET Framework介绍 | 第58-60页 |
| 6.1.2 C | 第60-61页 |
| 6.1.3 ArcGIS平台 | 第61-62页 |
| 6.2 系统框架 | 第62-65页 |
| 6.2.1 系统总体框架 | 第62-63页 |
| 6.2.2 各个模块的介绍 | 第63-65页 |
| 6.3 系统的使用 | 第65-68页 |
| 第七章 总结与展望 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第72-73页 |
| 附录2 攻读硕士学位期间参加的项目 | 第73-74页 |
| 致谢 | 第74页 |
