基于改进集成学习算法的在线空气质量预测

摘要：

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.

关键词：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

所属期刊栏目：42

分类号：TP18;X831(自动化基础理论)

资助基金：国家自然科学基金资助项目61273225,61702381

在线出版日期：2019-02-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：61-67