小波分析及支持向量机应用于大气污染预测

针对大气污染物浓度时间序列有一定的年变化趋势,提出了大气污染物浓度的小波分析及支持向量机时间序列预测模型。应用小波分解和重构对大气污染物浓度进行年变化趋势分析,在此基础上将大气污染物浓度序列划分为若干时段。各时段分别独立应用支持向量机进行大气污染物浓度预测,各时段均使用ν-支持向量回归机(ν-SVR)算法和径向基函数。预测结果表明,所提出的预测方法应用于大气污染物浓度时间序列预测有较高的预测精度和良好的推广能力,而且明显优于一般的支持向量机模型。     

高原地区高速路-森林接触带光化学臭氧形成机制研究

基于大气氮氧化物(NO和NO_2)和总挥发性有机化合物(TVOCs)在太阳辐射条件下生成大气臭氧(O_3)这一反应原理,选取云贵高原地区高速路-森林接触带生态系统开展大气臭氧污染特征及生成机制研究,并以昆明城区大气臭氧污染特征为对照,采集大气臭氧、氮氧化物及挥发性有机物样品,分析高速路-森林接触带大气污染物浓度时空分布特征及受气象条件的影响.结果表明,在夏季高速路-森林接触带存在强烈的大气光化学反应,臭氧质量浓度为91.83μg/m~3,高于其他季节,气温及太阳紫外指数与其浓度变化显著正相关;高速路-森林接触带大气O_3生成对周边NO_2浓度变化最为敏感,说明减少机动车尾气中NO_x排放将有利于此区域臭氧污染的控制.     

基于网格划分的空间关联区域VOCs浓度预测研究

为了提高VOCs浓度预测的准确性,实现污染物的精细化定位管理及提高环境治理效率,首先运用点云网格算法对研究区域进行划分,由克里金插值法预估出未设置监测点的网格数据,收集网格监测数据和预估数据.然后建立基于随机森林算法的VOCs预测模型,采用Bootstrap法选取训练样本子集,通过构建样本子集的决策树,得到VOCs污染...     

基于改进粒子群优化BP_Adaboost神经网络的PM2.5浓度预测

为了提高大气污染物浓度预测精度,采用灰色关联分析选取影响大气中PM_(2.5)浓度的主要因子,并以此作为神经网络输入变量,建立一种基于BP_Adaboost神经网络的PM_(2.5)浓度预测模型.用改进粒子群算法来选择BP_Adaboost神经网络权重和阈值,可以有效避免神经网络在训练时陷入局部最优解.根据北京市海淀区万柳监测站和朝阳区北京工业大学监测点每小时监测的大气污染物浓度和气象条件,分别选择2014-11-01~2014-11-25和2017-07-07~2017-08-06数据作为实验研究对象.仿真结果表明,在PM_(2.5)浓度预测中,相比于BP_Adaboost、BP和广义回归神经网络3种预测模型,改进粒子群优化BP_Adaboost神经网络预测性能更优.     

开放性尘源粉尘运动轨迹的数值计算

在对粉尘颗粒在大气中受力状况进行分析的基础上 ,采用颗粒随机轨道模型对尘源表面的粉尘在大气中的运动轨迹进行了数值计算 ,再现了野外现场观测的现象 ,从而证明了数值计算的可靠性 .利用ParticleSourceinCell算法 ,计算了由开放性粉尘造成的大气含尘质量分数 ,为定量预测露天矿粉堆料对环境造成的污染提供了依据 .     

基于矩阵分解与随机森林的多准则推荐算法

现今的推荐算法大多忽略用户偏好和项目属性中的多个特征,而是在单一推荐准则的基础上训练模型进行推荐. 基于多准则的推荐算法通过考虑用户偏好的多个方面,可以为用户行为提供更加准确的预测. 酒店是旅游行业中重要的环节,为了提高旅客体验,实现酒店评分预测,提出了基于矩阵分解与随机森林的多准则推荐算法. 该算法分两步实现,通过矩阵分解训练得出用户对物品在各个准则上的评分特征,然后随机森林学习评分特征预测最终评分. 实验结果显示,相较传统算法,基于矩阵分解与随机森林的多准则推荐算法的准确性和实用价值更高.     

基于PCA-RF模型的冲击地压预测

为了提高冲击地压危害预测的准确性,基于主成分分析法和随机森林算法,构建了由主成分分析方法优化的随机森林模型,分析静态冲击地压数据并处理异常值,通过数据标准化处理、计算相关系数矩阵及累计方差贡献率,提取出5个主要特征.利用优化的随机森林模型训练冲击地压数据集,使模型参数不断得到优化.以混淆矩阵中的准确率作为评估指标,将优化的随机森林模型与单一随机森林模型进行比较分析.实验结果表明,优化的随机森林模型比单一随机森林模型具备更好的效果,其准确率达到了88.9%,高于单一的随机森林模型,进而得出结论,即优化的随机森林模型能有效地对冲击地压危害进行预测,通过随机森林优化模型,一定程度上有效缩减冲击地压危害预测的时间.     

基于贝叶斯模型组合的随机森林预测方法

为了能够精准可靠地估计太阳能辐照度,本文提出一种基于贝叶斯模型组合的随机森林算法用于太阳能辐照度预测.首先,引入K-means聚类和K折交叉验证将气象数据训练集生成多个训练子集,以增加训练子集的多样性并保证均匀采样.其次,将随机森林作为基学习器建立集成学习预测模型,导入训练子集并训练各个随机森林.之后,依据各个随机森林在验证集上的预测性能,采用贝叶斯模型组合算法制定组合策略.个体随机森林在测试集上的预测值经过模型组合策略得到最终输出.最后,基于气象实测数据建立仿真实验,并引入其他四种预测方法进行对比仿真研究,通过实验结果验证了文中所提出预测方法在太阳能辐照度预测问题中的准确性和可靠性.     

基于随机森林算法的混凝土早期抗裂性预测研究

将随机森林(Random Forest)回归算法应用于混凝土早期抗裂性研究.以松通项目混凝土为例,基于大量文献和工程经验选取了7个主要影响因素的混凝土早期抗裂性指标体系.以原始数据建立训练样本集和测试集,通过计算基于Bootstrap自助重抽样得到的袋外数据(OOB)的模型误判率,确定随机森林预测模型的最优参数,并对影响因素进行重要性排序,利用Pearson相关性图分析各影响因素相关度,然后建立RF训练模型,输出模型训练集和预测集的预测拟合结果.通过RMSE和R~2值分析模型的预测精度,并将预测结果与BP神经网络和小波神经网络模型对比.结果显示,随机森林预测模型误差最小,精度最高,验证了模型的准确性和可靠性.提出的随机森林预测模型为实现混凝土早期抗裂性预测提供了一种有效的方法.     

基于自编码网络的空气污染物浓度预测

深度学习为城市空气污染物浓度预测提供了更为强大的数据拟合能力,为空气污染预测提供全新的智能计算方法.为此,提出了一个基于自编码神经网络的污染物浓度预测模型AEPP(auto-encoder-based pollutant prediction).该模型包括编码器和解码器两个部分.其中,编码器用于提取出时间序列污染物浓度数据分布特征,即语境向量;解码器利用提取的特征预测未知时间内污染物浓度数据.模型中编码器和解码器采用多层LSTM(long short-term memory)模型结构,实现长时间依赖预测目标.实验表明,提出的模型可以提高对污染物浓度的预测水平.     

基于MultiPatch 模型的大气污染三维扩散模拟

 垂直尺度上的污染浓度分布状况越来越受到关注,因此三维大气污染模拟具有非常重要的应用价值.结合三维GIS,采用多面模型与高斯烟羽数学模型集成的方式,通过边界值计算、三角条带构建、多面内插与渲染等技术方法,构建了基于三维的高斯污染扩散系统,探讨了污染物迁移规律和三维模型生成算法,并对某工厂含SO₂有害气体连续排放过程进行了二维与三维模拟,分析了大气污染物质量浓度空间分布特征,并计算得到该污染源大气污染最大落地点距离为206 m.实践表明,采用多面模型表达三维污染物空间分布具有快速、直观的优势,也利于剖面与三维空间分析运算.     

大气污染物长期平均浓度预测程序的编制及应用

运用FORTRAN语言编制了大气污染物的长期平均浓度预测程序，并在研究分析某市历年长期风向频率、风速和大气稳定度及不同风向、风速、稳定度联合频率等气象资料和调查污染源的基础上，运用该程序对某公司排放的主要大气污染物TSP、SO2、NOx的长期平均浓度进行了预测，结果表明本程序能够很好的对大气污染物的长期平均浓度进行预测，而且预测结果也是合理的。     

二维随机水质模型在模拟污染带中的应用

利用二维随机水质模型计算了排入河流中的污染物浓度分布,建立了多个不确定因素影响时河流污染带长度及水环境容量的概率分布计算模型.研究结果表明:利用该计算模型对湘江水质进行预测,预测结果与实测数据相吻合,实测值与计算均值相对误差为0.99%～9.12%;该计算模型的概率分布解能够反映任一点的污染物浓度变化,以及在不确定因素影响下污染带的范围和水环境容量随机变化情况.     

基于RF-EMD-LSTM对PM2.5浓度预测研究

实现PM_2.5浓度的精准预测对空气污染防治具有重要的指导作用.鉴于多数研究中PM_2.5浓度预测算法和特征都较为单一,不能精确实现PM_2.5浓度的短时预测,提出了一种新颖的混合预测框架(RF-EMD-LSTM),通过过去24 h数据实现下一小时PM_2.5浓度预测.首先利用随机森林算法(random forests, RF)对污染物数据特征进行重要性评估,实现特征选择;然后再将特征数据与通过经验模态分解(empirical mode decomposition, EMD)的PM_2.5特征分解后的序列联合作为长短期记忆网络(long short term memory network, LSTM)的输入数据,进行模型训练,训练结果相加获得最终PM_2.5浓度预测值.实验结果表明,提出的混合模型与其他单一模型相比,预测精度明显最佳.     

灰色系统在大气质量预测中的应用

把大气环境看作一个灰色系统,联系重庆市大气环境的实际情况,利用灰色关联分析判断出重庆市2000-2005年间大气污染物中主要污染因子为PM10和SO2,同时建立灰色模型对其进行质量预测.短期预测结果表明大气PM10和SO2浓度呈下降趋势,其浓度分别到2009年和2012年可达国家二级标准.     

基于Lightgbm和XGBoost的优化深度森林算法

教育规模不断扩大，高校在校生人数持续上升，导致学生的能力参差不齐.为了提升教育水平，教师需掌握学生在校期间的学习状态，预测学生期末成绩是教师掌握学生学习状态的重要途径之一.目前的研究工作主要采用传统的机器学习算法进行成绩预测，如随机森林、贝叶斯、深度森林等，但精度不高；也有利用深度学习算法进行预测，但模型缺少可解释性. Lightgbm(Light Gradient Boosting Machine)算法内存消耗低，时间复杂度低，而XGBoost(eXtreme Gradient Boosting)算法精度高.因此，基于提高精度与降低模型内存消耗的策略，将深度森林中的随机森林与极限随机森林模块分别替换为Lightgbm和XGbBoost，提出一种基于Lightgbm和XGBoost算法的优化深度森林算法LIGHT-XDF.在八个数据集上与其他模型进行对比实验，结果表明，LIGHT-XDF算法的综合性能最好.     

随机森林算法研究综述

随机森林算法是一种基于决策树的集成学习算法,具有很高的预测准确率,对异常值和噪声具有很好的容忍度,而且不容易出现过拟合,在医学等领域具有广泛的应用。首先介绍了随机森林算法的原理和性质,然后综述了近几年来随机森林算法的改进研究及应用领域,最后对随机森林算法研究做出了总结。     

基于机器学习算法的盾构掘进地表沉降预测方法

针对有限元、地层损失率等方法难以考虑多参数耦合作用情况下的地表沉降预测的问题,基于BP神经网络(BPNN)和随机森林算法(RF)两种机器学习算法的多参数、非线性拟合能力,提出了预测盾构掘进过程中地表最大沉降以及纵向沉降曲线的预测方法.通过粒子群算法(PSO)确定机器学习算法的最优超参数,通过k折交叉验证方法提高预测方法的鲁棒性.结果表明BP神经网络的预测结果误差较大,难以预测到较大的地表沉降,随机森林算法能够准确预测地表最大沉降和纵向沉降曲线.     

矿用胶带火灾燃烧特性预测模型

胶带火灾热释放率是矿井胶带火灾危险性大小的重要参数之一,准确预测其大小对胶带火灾预防具有重要意义.采用锥形量热仪测试空白胶带和运煤胶带,得到热释放率、CO_2浓度、CO浓度及产烟率等燃烧参数,并分析了胶带的燃烧性能.结合实验数据,建立基于随机森林模型(RF)的胶带火灾热释放率的预测方法.为了验证随机森林方法的准确性和可靠性,计算平均绝对误差(MAE)、平均绝对百分误差(MAPE)、根均方误差(RMSE)和确定系数(R~2).实验结果表明:从胶带燃烧测试实验可以看出空白胶带的点燃时间远小于运煤胶带的点燃时间,且根据胶带的热释放率、残余物质量和生成的CO_2浓度来看,相比空白胶带,运煤胶带并不利于燃烧.预测结果表明:随机森林模型的预测结果为MAE0.260 9 kW/m~2,MAPE0.007%,RMSE0.493 3,R~2=0.999 8,表明该模型具有较高的预测精度、较强的泛化能力和良好的鲁棒性,能准确地预测胶带的热释放率,在预测性能指标都达到了较好的效果.     

基于改进果蝇优化算法的随机森林回归模型及其在风速预测中的应用

针对随机森林(RF)算法在风速预测中存在参数选择困难及预测精度低的问题,提出了基于改进果蝇优化算法(IFOA)的随机森林回归(RFR)模型.在果蝇优化算法(FOA)中引入指数函数和三角函数实现搜索步长的自适应更新,增强全局寻优和局部探索的能力.结合RFR算法对噪声和异常值具有良好容忍度的优点,利用IFOA优化RFR主要参数,将优化后的模型应用于风速预测.实验结果表明,IFOA-RFR组合模型相比于其他模型具有更高的预测精度,验证了该方法在风速预测中的可行性.