首页|基于改进集成学习算法的在线空气质量预测

基于改进集成学习算法的在线空气质量预测

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
为了实现空气质量的在线预测,提出了一种基于XGBoost算法的改进集成学习算法OPGBoost.首先对PI(plant information)实时数据库系统进行二次开发,构成大数据挖掘与分析平台,运用数据融合工具对原始数据进行预处理,并采用Boruta算法进行特征选择,从而构造出包含更多属性特征量的有效数据集.然后对XGBoost算法中的一阶和二阶导数进行优化,并通过时间滑动窗口和衰减函数机制获取训练数据以及训练模型的权重,最后采用Bagging集成学习策略构成OPGBoost组合模型.实验结果表明,针对基于PM2.5浓度和AQI表征的空气质量预测,本文方法与4种已有算法相比在准确性和实用性方面具有明显的优势,能够较精确地预测未来1、12、24 h的空气污染情况.
Online air quality prediction based on improved ensemble learning algorithm

夏润、张晓龙

展开 >

武汉科技大学计算机科学与技术学院,湖北 武汉,430065

武汉科技大学智能信息处理与实时工业系统湖北省重点实验室,湖北 武汉,430065

空气质量预测 XGBoost算法 衰减函数 Bagging 集成学习 特征选择 PM2.5 AQI

国家自然科学基金资助项目国家自然科学基金资助项目

6127322561702381

2019

武汉科技大学学报(自然科学版)
武汉科技大学

武汉科技大学学报(自然科学版)

CSTPCD北大核心
影响因子：0.38
ISSN：1674-3644
年,卷(期)：2019.42(1)
  • 11
  • 3