本文關(guān)鍵詞：基于機器學習的北京PM2.5預測算法　出處：《天津工業(yè)大學》2017年碩士論文　論文類型：學位論文

  更多相關(guān)文章： 機器學習 精細粒子(PM2.5) Naive Bayes Multinomial LogisticRegression Sequential Minimal Optimization k-Nearest Neighbor(k-NN) Random Subspace Logistic Model Tree(LMT)

【摘要】：隨著細顆粒物(PM2.5)和其他空氣污染物在空氣的增加,空氣污染的問題仍然是中國,特別是污染嚴重的東北地區(qū)的一個很大的問題。本論文基于2015年收集的PM2.5濃度數(shù)據(jù)和氣象數(shù)據(jù),使用機器學習方法預測北京市PM2.5的濃度水平。本論文使用了機器學習方法中五種分類算法:Naive Bayes,Multinomial Logistic Regression,Sequential Minimal Optimization,k-Nearest Neighbor(k-NN)和 Random Subspace。為了構(gòu)建PM2.5預測模型,我們通過WEKA對上述分類算法進行實現(xiàn)。預處理和可視化的工作,我們使用工具R Studio完成。通過研究,我們發(fā)現(xiàn)使用Logistic Model Tree(LMT)作為Random Subspace算法的基樹分類算法有最好的結(jié)果:預測精度為70.92%。同時,我們也發(fā)現(xiàn)濕度是影響PM2.5濃度的最大因素。這項研究通過實現(xiàn)對PM2.5的預測,可以及時地告知公眾并使其采取適當措施,以保護他們的健康。
[Abstract]:With the increase of fine particulate matter (PM2.5) and other air pollutants in the air, the problem of air pollution is still China. This paper is based on the PM2.5 concentration data and meteorological data collected in 2015. The concentration of PM2.5 in Beijing is predicted by using machine learning method. In this paper, we use five classification algorithms:: naive Bayes. Multinomial Logistic Regression,Sequential Minimal Optimization. K-nearest neighbor k-NN) and Random subspace. to build a PM2.5 prediction model. We implement the above classification algorithm through WEKA. Preprocessing and visualization work, we use the tool R Studio to complete. Through the research. We found that using Logistic Model Tree LMT). The base tree classification algorithm as Random Subspace algorithm has the best result: the prediction accuracy is 70.922. at the same time. We also found that humidity is the biggest factor affecting the concentration of PM2.5. By realizing the prediction of PM2.5, the study can inform the public and take appropriate measures to protect their health in a timely manner.
【學位授予單位】：天津工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：X513;TP181

【相似文獻】

相關(guān)期刊論文 前10條

1 張曉龍,楊艷霞;機器學習在生物信息學中的應(yīng)用[J];武漢科技大學學報(自然科學版);2005年02期

2 仇計清;李曉華;蘇連青;;機器學習與知識發(fā)現(xiàn)在高校公共突發(fā)事件智能預警系統(tǒng)中的應(yīng)用[J];河北科技大學學報;2012年02期

3 李剛;郭崇慧;林鴻飛;楊志豪;唐煥文;;基于詞典法和機器學習法相結(jié)合的蛋白質(zhì)名識別[J];計算機與應(yīng)用化學;2006年05期

4 趙曉燕;金濤;;基于機器學習的異常監(jiān)測[J];包頭鋼鐵學院學報;2005年04期

5 陳彬;饒含兵;何樺;楊國兵;李澤榮;;機器學習方法用于激素敏感脂肪酶抑制劑活性預測[J];化學研究與應(yīng)用;2011年12期

6 陳曉梅;饒含兵;黃文麗;李澤榮;;機器學習方法用于二氫葉酸還原酶抑制劑的活性預測[J];高等學校化學學報;2007年11期

7 劉白林;范俊燕;姜超;;機器學習在電梯安全管理評價中的應(yīng)用研究[J];西安工業(yè)大學學報;2010年06期

8 王德鵬;李凡長;;Agent普適機器學習模型設(shè)計研究[J];蘇州大學學報(工科版);2008年02期

9 吳宗堯,白寶鋼,王輝;知識獲取與機器學習[J];新疆石油學院學報;2000年03期

10 宓云，

本文編號：1386030