本文旨在運用機器學(xué)習(xí)相關(guān)算法,構(gòu)建融合多源數(shù)據(jù)的霧霾預(yù)測模型。首先,本文對影響霧霾形成及演化的相關(guān)因子進行探討,逐一分析各影響因子對霧霾的作用機制,并按照作用機制的不同,將其劃分為環(huán)境空氣質(zhì)量和氣象條件兩類影響因素。前者主要為NOx、CO、SO₂、O₃等常見的大氣污染物;后者主要為溫度、氣壓、相對濕度、對流層延遲(ZTD)等氣象參數(shù);其次,在霧霾影響因子分析的基礎(chǔ)上,采用機器學(xué)習(xí)相關(guān)算法,主要包括基于單一學(xué)習(xí)器的BP神經(jīng)網(wǎng)絡(luò)算法和基于多學(xué)習(xí)器集成的集成學(xué)習(xí)算法(GBDT及其增強版本:XGBoost、Light GBM),分別構(gòu)建多時效性的霧霾預(yù)測模型,并以北京房山良鄉(xiāng)區(qū)域2018-2019年的數(shù)據(jù)作為樣本進行訓(xùn)練及預(yù)測。相關(guān)的研究結(jié)論及創(chuàng)新點如下:1)本文依據(jù)霧霾形成過程中的化學(xué)組分特性及物理變化機制,綜合考慮了影響大氣PM_2.5形成及變化的各類因素,并加入反應(yīng)PM_2.5自身變化規(guī)律的PM_2.5時序數(shù)據(jù),得到一個融合多源數(shù)據(jù)的霧霾預(yù)測模型。相較于單一因素的預(yù)測模型,融合模型有利...

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1大氣分層結(jié)構(gòu)

基于機器學(xué)習(xí)的多源數(shù)據(jù)霧霾預(yù)測模型研究92.2.4GNSS對流層延遲目前，人類所處的大氣空間，即大氣層（Atmosphere），自下而上可分為對流層、平流層、中間層、暖層和散逸層，其分層結(jié)構(gòu)如圖1所示。其中，對流層（Troposphere）位于大氣層的最底層，其厚度在0~10km....

圖210h內(nèi)PM2.5序列之間熱力相關(guān)圖

基于機器學(xué)習(xí)的多源數(shù)據(jù)霧霾預(yù)測模型研究112.3PM2.5時間序列除外界因素對霧霾的影響外，其自身變化具有一定的規(guī)律，既相鄰時段的霧霾變化具有時間連續(xù)性。收集北京市2018-2019年城市空氣質(zhì)量監(jiān)測站（房山良鄉(xiāng)站，位于北京房山區(qū)）的PM2.5歷史數(shù)據(jù)，統(tǒng)計10小時內(nèi)PM2.5序....

圖3三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

基于機器學(xué)習(xí)的多源數(shù)據(jù)霧霾預(yù)測模型研究13BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)通常由三個層次構(gòu)成：輸入層、隱含層及輸出層，圖（3）為一個三層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)模型：圖3三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖圖3中，每一層的一個節(jié)點表示一個感知器（Perceptron），或稱神經(jīng)元，神經(jīng)元是BP神經(jīng)網(wǎng)絡(luò)中最....

圖4決策樹結(jié)構(gòu)

基于機器學(xué)習(xí)的多源數(shù)據(jù)霧霾預(yù)測模型研究17表示某一類別或標(biāo)簽（Label）。如圖4所示，決策樹算法采用“分而治之”的思想，通過一系列“if-then”規(guī)則構(gòu)建由根結(jié)點到葉結(jié)點的決策路徑集合，每一條決策路徑表示一類實例，實例之間互斥且完備。圖4決策樹結(jié)構(gòu)按決策樹的具體應(yīng)用分類，可劃....

本文編號：3956115