基于位置数据的空气质量分类预测混合模型研究

摘要

随着我国雾霾问题的日益严重，人们越来越关注空气质量，预测未来时间和未知区域的空气质量可以给人们生活提供建议，而城市中的普通人往往关注空气质量等级而不是某一个污染物的指数，所以预测空气质量等级有一定的现实意义。一般的气象学方法例如大气预测模型、污染扩散模型，往往结构复杂，计算量高。传统的机器学习方法能避免这些问题，但是数据源和模型结构都较为单一。如何利用城市里高速发展的互联网产生的大量数据，深入理解分析空气质量预测课题，提取特征构造模型，从而提高空气质量预测的效果是一个值得探索的问题。
　　本研究主要内容包括：⑴研究空气质量和气象特征，时间特征，POI(Point of Interest)特征，以及位置数据之间的相关性。⑵对于未来时间的空气质量等级预测，在时间上用SVM算法分类，在空间上对周边区域通过分割整合处理特征，使用ANN算法进行分类，再将两个预测结果通过决策树整合。⑶对于未知空间的空气质量等级预测，在时间上用CRF算法分类，在空间上用KNN选择若干个相似的已知区域，计算两两之间的相关系数作为特征，使用GBDT算法进行分类，用决策树整合。⑷通过一系列实验，研究位置人流数据，即位置数据的使用粒度对预测效果的影响，比较本文中使用位置数据的混合分类模型与回归模型、单一模型、以及其他传统模型的性能，结果显示本文的模型有一定的改进。

目录

声明

摘要

图目录

表目录

第1章 绪论

1．1 研究背景与意义

1．2 本文主要研究内容

1．3 本文组织结构

第2章 相关工作介绍

2．1 雾霾的产生和传播

2．2 预测未来时间空气质量相关技术

2．2．1 大气预测模型

2．2．2 统计学习模型

2．3 预测未知区域空气质量相关技术

2．4 本章小结

第3章 空气质量与位置数据分析

3．1 空气质量分布概述

3．2 空气质量多维度相关性分析

3．2．1 空气质量与气象的关系

3．2．2 空气质量与时间的关系

3．2．3 空气质量与POI的关系

3．2．4 空气质量与位置数据的关系

3．3 本章小结

第4章 基于位置数据的未来时间空气质量分类预测

4．1 概述

4．2 模型框架

4．3 基于SVM的时间预测模型

4．4 基于ANN的空间预测模型

4．5 基于决策树的聚合模型

4．6 实验及结果分析

4．6．1 实验环境

4．6．2 数据获取

4．6．3 数据集

4．6．4 数据处理

4．6．5 评价标准

4．6．6 对比方法

4．6．7 实验结果分析

4．7 本章小结

第5章 基于位置数据的未知区域空气质量分类预测

5．1 概述

5．2 基于CRF的时间预测模型

5．3 基于GBDT的空间预测模型

5．4 基于决策树的聚合模型

5．5 实验及结果分析

5．5．1 实验准备

5．5．2 对比方法

5．5．3 实验结果分析

5．6 本章小结

第6章 总结及展望

6．1 工作总结

6．2 工作展望

参考文献

致谢