隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展,工業(yè)化程度越來越高,城市人口數(shù)量迅速增加,空氣污染日益嚴(yán)重。如何加強(qiáng)空氣污染防治,及時(shí)有效的防止嚴(yán)重污染事件發(fā)生,是我們?cè)絹碓疥P(guān)心的問題。為防止城市空氣污染事件的發(fā)生,保證城市空氣質(zhì)量,我們必須對(duì)空氣質(zhì)量進(jìn)行準(zhǔn)確合理的評(píng)估。并對(duì)于突發(fā)事件及時(shí)提出有效的防治措施,盡可能的給居民保障一個(gè)健康的生活環(huán)境�？茖W(xué)有效的空氣質(zhì)量評(píng)價(jià)方法在確保城市空氣質(zhì)量方面發(fā)揮著非常重要的作用。然而,我國的空氣質(zhì)量評(píng)價(jià)方法目前使用較多的還是傳統(tǒng)的空氣質(zhì)量評(píng)價(jià)方法,而傳統(tǒng)的空氣質(zhì)量評(píng)價(jià)方法一般是從單個(gè)污染因子進(jìn)行考慮,運(yùn)用固定的公式計(jì)算得到的,并且摻和了很多主觀因素。而隨著大數(shù)據(jù)和人工智能方法的進(jìn)步,面對(duì)海量的數(shù)據(jù),傳統(tǒng)方法已經(jīng)很難滿足數(shù)據(jù)處理效率的。機(jī)器學(xué)習(xí)是一種實(shí)現(xiàn)人工智能的方法,如何更好的利用大數(shù)據(jù)和人工智能來進(jìn)行空氣質(zhì)量評(píng)價(jià),已經(jīng)成為目前學(xué)者專家們的研究熱點(diǎn)。隨機(jī)森林算法是目前一種較好的機(jī)器學(xué)習(xí)評(píng)價(jià)算法,具有預(yù)測準(zhǔn)確率高、處理效率快,泛化能力強(qiáng),不容易過擬合等優(yōu)點(diǎn)使其在被很多學(xué)者專家們運(yùn)用在很多領(lǐng)域,包括圖像分類、故障診斷、交通流預(yù)測等領(lǐng)域。本文建立以城市空氣質(zhì)量為背景的空氣質(zhì)量評(píng)價(jià)模型,先是對(duì)評(píng)價(jià)因子進(jìn)行選擇,對(duì)評(píng)價(jià)標(biāo)準(zhǔn)和現(xiàn)有的空氣質(zhì)量評(píng)價(jià)方法進(jìn)行大量的研究。其次,從隨機(jī)森林算法的的原理和理論知識(shí)入手,介紹了算法構(gòu)建過程并對(duì)其優(yōu)化方法進(jìn)行了研究,為之后的空氣質(zhì)量評(píng)價(jià)模型的建立做好鋪墊。接下來,選取2014-2016年中我國113個(gè)重點(diǎn)環(huán)保城市的空氣質(zhì)量數(shù)據(jù)作為原始數(shù)據(jù),通過數(shù)據(jù)的預(yù)處理與數(shù)據(jù)集劃分后,建立基于隨機(jī)森林的空氣質(zhì)量評(píng)價(jià)模型,同時(shí)通過對(duì)模型建立過程中的不平衡數(shù)據(jù)處理和參數(shù)調(diào)整兩個(gè)方面進(jìn)一步優(yōu)化模型,并使用準(zhǔn)確率和AUC值來評(píng)估模型的模型效果;最后,將隨機(jī)森林算法與人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)進(jìn)行比較,分別計(jì)算它們的準(zhǔn)確率和AUC值。實(shí)驗(yàn)結(jié)果表明隨機(jī)森林算法的評(píng)價(jià)效果最好,可以準(zhǔn)確有效的對(duì)城市的空氣質(zhì)量進(jìn)行評(píng)價(jià),同時(shí)通過袋外數(shù)據(jù)對(duì)空氣質(zhì)量評(píng)價(jià)因子的重要性進(jìn)行排序,為今后的大氣污染防治提供建議。
【學(xué)位單位】：上海第二工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：X823
【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與研究意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 論文創(chuàng)新點(diǎn)
    1.3 研究內(nèi)容與結(jié)構(gòu)
第二章 城市空氣質(zhì)量評(píng)價(jià)及評(píng)價(jià)方法
    2.1 評(píng)價(jià)因子的選擇
        2.1.1 臭氧
        2.1.2 一氧化碳
        2.1.3 氮氧化物
        2.1.4 硫氧化物
        2.1.5 可吸入顆粒物
        2.1.6 細(xì)顆粒物
    2.2 空氣質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)
    2.3 空氣質(zhì)量評(píng)價(jià)方法
        2.3.1 傳統(tǒng)模式評(píng)價(jià)方法
        2.3.2 機(jī)器學(xué)習(xí)算法評(píng)價(jià)方法
    2.4 評(píng)價(jià)方法的發(fā)展趨勢
第三章 隨機(jī)森林分類算法
    3.1 決策樹..隨機(jī)森林基分類器
        3.1.1 ID3 算法
        3.1.2 C4.5 算法
        3.1.3 CART算法
    3.2 Bagging算法簡介
    3.3 隨機(jī)森林算法的構(gòu)建過程及其評(píng)價(jià)指標(biāo)
        3.3.1 隨機(jī)森林算法的構(gòu)建過程
        3.3.2 隨機(jī)森林的性能評(píng)價(jià)指標(biāo)
    3.4 隨機(jī)森林的優(yōu)點(diǎn)及其應(yīng)用
        3.4.1 隨機(jī)森林的優(yōu)點(diǎn)
        3.4.2 隨機(jī)森林的應(yīng)用
第四章 基于隨機(jī)森林的空氣質(zhì)量評(píng)價(jià)模型
    4.1 隨機(jī)森林的原理及步驟
        4.1.1 隨機(jī)森林的原理
        4.1.2 隨機(jī)森林的步驟
    4.2 隨機(jī)森林優(yōu)化方法的比較
        4.2.1 不平衡數(shù)據(jù)的優(yōu)化
        4.2.2 構(gòu)建過程的優(yōu)化
        4.2.3 新算法引入的優(yōu)化
    4.3 模型優(yōu)化
        4.3.1 不平衡數(shù)據(jù)處理
        4.3.2 參數(shù)優(yōu)化
        4.3.3 優(yōu)化后的算法流程
    4.4 基于隨機(jī)森林算法的空氣質(zhì)量評(píng)價(jià)模型
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備
        4.4.2 模型構(gòu)建
        4.4.3 模型效果評(píng)價(jià)
第五章 空氣質(zhì)量評(píng)價(jià)模型的對(duì)比分析
    5.1 人工神經(jīng)網(wǎng)絡(luò)在空氣質(zhì)量評(píng)價(jià)中的應(yīng)用
        5.1.1 人工神經(jīng)網(wǎng)絡(luò)的概述
        5.1.2 基于人工神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量評(píng)價(jià)模型
    5.2 支持向量機(jī)在空氣質(zhì)量評(píng)價(jià)中的應(yīng)用
        5.2.1 支持向量機(jī)的概述
        5.2.2 基于支持向量機(jī)的空氣質(zhì)量評(píng)價(jià)模型
    5.3 模型訓(xùn)練結(jié)果的對(duì)比
    5.4 特征變量重要性排序
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其它成果
致謝

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙華杰;;基于數(shù)學(xué)建模的空氣質(zhì)量評(píng)價(jià)方法[J];無線互聯(lián)科技;2019年08期

2 張敏;鄧琴;;瀏陽市城區(qū)2015年環(huán)境空氣質(zhì)量評(píng)價(jià)及變化特征[J];綠色科技;2016年22期

3 周世營;;基于層次分析的福州市環(huán)境空氣質(zhì)量評(píng)價(jià)[J];低碳世界;2017年09期

4 周小進(jìn);朱小云;;乘用車內(nèi)空氣質(zhì)量評(píng)價(jià)[J];紡織檢測與標(biāo)準(zhǔn);2016年01期

5 封寧;付保川;;室內(nèi)空氣質(zhì)量評(píng)價(jià)方法及其數(shù)學(xué)模型[J];蘇州科技學(xué)院學(xué)報(bào)(自然科學(xué)版);2015年04期

6 ;2015年度車內(nèi)空氣質(zhì)量評(píng)價(jià)工作新聞發(fā)布會(huì)舉辦[J];汽車知識(shí);2016年01期

7 ;首個(gè)車內(nèi)空氣質(zhì)量評(píng)價(jià)項(xiàng)目結(jié)果將于10月份發(fā)布[J];中國汽車市場;2014年25期

8 ;我國首個(gè)車內(nèi)空氣質(zhì)量評(píng)價(jià)項(xiàng)目正式啟動(dòng)[J];汽車知識(shí);2014年10期

9 吉祝美;;新《環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)》下的環(huán)境空氣質(zhì)量評(píng)價(jià)方法探討[J];污染防治技術(shù);2014年03期

10 陳微;俞麗麗;;環(huán)境空氣質(zhì)量評(píng)價(jià)方法研究[J];科技資訊;2014年21期

相關(guān)碩士學(xué)位論文 前10條

1 杭琦;隨機(jī)森林算法在城市空氣質(zhì)量評(píng)價(jià)中的應(yīng)用研究[D];上海第二工業(yè)大學(xué);2019年

2 張星燦;修正Logistic-RBF組合模型的構(gòu)建及其在空氣質(zhì)量評(píng)價(jià)中的應(yīng)用[D];江西財(cái)經(jīng)大學(xué);2019年

3 彭琛玲;湖南省環(huán)境空氣質(zhì)量評(píng)價(jià)及其影響因素分析[D];中南林業(yè)科技大學(xué);2019年

4 楊雯雯;基于卷積神經(jīng)網(wǎng)絡(luò)的圖像空氣質(zhì)量評(píng)價(jià)算法研究[D];西北大學(xué);2019年

5 王雪;陜西省空氣質(zhì)量評(píng)價(jià)及影響因素研究[D];西安理工大學(xué);2019年

6 李婷;蘭州市空氣質(zhì)量評(píng)價(jià)及主要大氣污染物變化特征分析[D];蘭州財(cái)經(jīng)大學(xué);2019年

7 裘閱;基于多種模型下的安徽省環(huán)境空氣質(zhì)量綜合評(píng)價(jià)[D];合肥工業(yè)大學(xué);2018年

8 李玉霞;基于改進(jìn)狼群算法的支持向量機(jī)在空氣質(zhì)量評(píng)價(jià)中的應(yīng)用[D];西華大學(xué);2018年

9 丁鵬;基于灰色理論的城市空氣質(zhì)量評(píng)價(jià)及污染物濃度預(yù)測研究[D];江西理工大學(xué);2018年

10 劉勝榮;空氣質(zhì)量評(píng)價(jià)智能信息處理技術(shù)研究[D];西安建筑科技大學(xué);2007年

本文編號(hào)：2871608