数据挖掘机器学习[七]---2021研究生数学建模B题空气质量预报二次建模求解过程：基于Stacking机器学习混合模型的空气质量预测｛含码源+pdf文章｝
2022-04-23 22:05:22
3.31MB
数据挖掘机器学习[七]---2021研究生数学建模B题空气质量预报二次建模求解过程：基于Stacking机器学习混合模型的空气质量预测｛含码源+pdf文章｝
2022-04-23 22:05:21
9.76MB
智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab代码模型及运行结果
2022-04-21 21:32:01
574KB
1
空气质量预监测已成为一种迫切需求，而这是一个复杂的系统工程。从基于大数据的智能决策角度研究智能空气指数预测，引入流行的分类算法，挖掘历史数据隐含的信息，实现空气质量预测；构建了基于物联网的空气质量监测系统，利用分类算法实现实时采集数据的智能处理。针对空气指数历史数据和实时采集数据规模较大的问题，为提高数据处理速度、增强空气质量预测的实时性，引入云计算技术加速数据处理；为使用户随时随地了解空气指数，还设计了基于Android平台开发空气指数预报客户端。
2021-10-31 18:47:45
2.38MB
1
随着我国环境监测技术的不断发展, 环境空气质量的网格化监测体系越来越受到相关工作人员的青睐, 为应对空气污染的网格化监测体系中的小型、微型监测站的空气质量预测问题, 本文提出了一种基于GCN和LSTM的空气质量预测模型. 首先利用GCN网络提取网格化监测体系中的小微型监测站之间的空间特征, 然后再使用LSTM提取时间特征, 最后使用线性回归层来综合时空特征并产生空气质量的预测结果. 为了验证本文提出的预测模型的性能, 我们使用了沈阳市浑南区的14个小微型监测站的空气质量监测数据进行实验. 实验结果显示, 基于GCN-LSTM的空气质量预测模型在空间关联较强的网格化监测中的小微型监测站上的预测结果的精度要优于单一的LSTM预测模型.
2021-10-22 20:16:15
1.11MB
1
针对目前空气质量预报多采用传统的数值模型现状，例如空气污染指数法，本次研究通过决策树算法以及大规模的训练数据集建立空气质量预测模型。传统的评估模型是在各种污染参数的污染分指数都计算出以后，取最大者为该区域或城市的空气污染指数固定数值区间的划分来评估空气质量。而基于决策树算法的空气质量评估模型通过采用自顶向下的递归方式对数据进行处理，把一个无序、无规则的实例集合归纳成一组树形结构表示的分类规则，得到了将所有污染参数作为评估空气质量因素的评估模型，可以有效的避免传统的空气质量预报模型的不灵活、边界值不准确的特点。同时可以根据季节和地区等外部因素构建不同的空气质量预测模型以应对外部因素的变化，从而可以构建完整，精确，现代化的空气质量智能预测系统。
2021-10-16 14:21:33
1.35MB
1