山东大学学报(工学版)

作者：彭岩,冯婷婷,王洁

单位：首都师范大学管理学院，北京 100048

关键词：北京市,臭氧,特征选择,自组织映射神经网络,Elman神经网络,

基金：全国教育科学规划-教育部重点课题资助项目(DLA190426)

为准确预测O3的质量浓度及其发展趋势，分析其诱发因素，提出一种基于集成学习的O3的质量浓度预测模型。以北京市2015—2016年O3污染物的质量浓度及气象因素数据为基础，提出并建立面向O3污染物的质量浓度预测的特征选择-集成学习多层预测模型，在对数据进行缺失值填补及异常值分析的基础上，利用Pearson相关分析和Lasso回归分析同时对清理后的气象资料数据进行特征选择，以消除数据冗余，提高预测精度;提出基于自组织映射神经网络self-organizing featuremap, SOFM和Elman神经网络Elman neural network, ENN的集成学习算法，利用SOFM对样本数据进行聚类以实现样本的合理分布后，使用ENN进行仿真训练来预测O3的质量浓度。试验结果表明：采用Pearson-Lasso特征选择和SOFM样本聚类对数据做前期处理后，ENN的预测精度由74.6%提高到82.1%，能够改善基于ENN的O3污染物的质量浓度的预测准确率。

来源：2020年第4期

《山东大学学报(工学版)》期刊编辑部

查看山东大学学报(工学版)杂志2020年第4期