CN110569883B - 基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法 - Google Patents

基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法 Download PDF

Info

Publication number
CN110569883B
CN110569883B CN201910756927.0A CN201910756927A CN110569883B CN 110569883 B CN110569883 B CN 110569883B CN 201910756927 A CN201910756927 A CN 201910756927A CN 110569883 B CN110569883 B CN 110569883B
Authority
CN
China
Prior art keywords
jumping
data set
air
feature
characteristic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910756927.0A
Other languages
English (en)
Other versions
CN110569883A (zh
Inventor
陈伯伦
朱国畅
朱全银
袁燕
于永涛
马甲林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Jiuzhou Longteng Scientific And Technological Achievement Transformation Co ltd
Original Assignee
Huaiyin Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN201910756927.0A priority Critical patent/CN110569883B/zh
Publication of CN110569883A publication Critical patent/CN110569883A/zh
Application granted granted Critical
Publication of CN110569883B publication Critical patent/CN110569883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Environmental Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法，包括：(1)对空气数据集进行预处理，得到处理后的空气数据集；(2)采用Kohonen网络聚类得到第k类数据集；(3)采用ReliefF特征选择算法处理数据集，得到第k类数据集特征重要程度的排名；(4)通过特征重要程度排名，得到第k类经过特征选择后的数据集；(5)通过NAR神经网络得到第k类NAR神经网络训练模型；(6)根据数据x所在类的特征排名选取特征，得到预测结果。本发明利用Kohonen网络聚类对空气数据进行聚类，获得在相同时间段内变化规律相似的类别，发掘更为准确的预测模型，提高预测精度；利用ReliefF特征选择算法获得特征排名，去除对预测帮助较小的特征，从而提高运行效率。

Description

基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预 测方法
技术领域
本发明涉及无监督聚类和预测技术领域，具体涉及一种基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法。
背景技术
空气质量指数是用来评价空气质量的重要指标，通过对一氧化碳浓度、二氧化氮浓度、臭氧浓度、PM10浓度、PM2.5浓度、二氧化硫浓度进行计算，从而得出空气质量指数。空气质量指数越高，空气污染越严重，反之，空气质量越好。与天气具有阴晴等不同模式一样，空气在相同时间段内也具有不同的模式。
在面向空气质量指数预测问题时，浙江工商大学王效灵等人提出了一种基于PSODE-BP神经网络的空气质量预测方法(中国专利公开号：CN 109063938 A，2018.12.21)，用CPSODE算法来优化BP神经网络的连接权值和阈值，这种方法并未充分挖掘空气之间的关系，即在相同时间段内空气存在不同的模式，只运用一个统一模型进行预测，没有对不同的空气模式进行处理；
上海电力学院的张挺提出了一种基于聚类算法的空气质量预测方法(中国专利公开号：CN 108564110 A，2018.09.21)，通过计算待预测的数据与聚类后子类平均向量的距离，选取该子类中距离最近的向量作为待预测值，大量的特征导致运行效率降低，同时泛化性能差。
发明内容
发明目的：为了克服现有技术的不足，本发明提供一种基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法，该方法解决了预测时特征量过多且未曾考虑空气具有不同的模式导致的预测效率差的问题。
技术方案：本发明所述的基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法，包括：
(1)对原始空气数据集Air进行预处理，得到处理后的空气数据集A；
(2)采用Kohonen网络聚类，将数据集A分为m类，得到第k类数据集Ak，k∈ [1,m]；
(3)采用ReliefF特征选择算法处理数据集Ak，得到第k类数据集Ak特征重要程度的排名Rk；
(4)通过特征重要程度排名Rk，删去第k类数据集Ak排名后c个特征，得到第k 类经过特征选择后的数据集Fk；
(5)通过NAR神经网络，用数据集Fk前t天的数据预测t+1天的空气质量指数，得到第k类NAR神经网络训练模型netk。
(6)随机选取数据集A中一条数据x，根据x所在类的特征排名Rz选取特征，用模型netz得到预测结果y。
进一步地，包括：
所述步骤1的具体方法为：
(11)数据集Air定义为：COu，
Figure BDA0002169069590000021
PM10u,PM2.5u,/>
Figure BDA0002169069590000022
AQIu分别为第u天的一氧化碳浓度、二氧化氮浓度、臭氧浓度、PM10浓度、PM2.5浓度、二氧化硫浓度和空气质量指数，共n条数据，其中，Air＝[air1,air2,…,airu,…,airn-1,airn]T，
Figure BDA0002169069590000023
(12)对每个特征进行归一化处理；
(13)从第一条数据开始，将t天内的数据及第t+1天的空气质量指数按照时间顺序整理为一条数据，得到有n-t条数据、7×t+1个特征的数据集A，A＝[a1,…,au,…,an-t-1,an-t]T，au＝[COu，...，AQIu，COu+1，...，AQIu+t-1，AQIu+t]。
进一步地，包括：
所述步骤2的具体方法为：
(21)定义Kohonen网络的输入为Ii，定义数据集I为数据集A的前7×t个特征， I＝{I1,I2,…,Ii,…,In-t}，i∈[1,n-t]；
(22)定义Kohonen网络的输出为J，J＝{J1,J2,…,Jj,…,J7×t}，j∈[1,7×t]；
(23)定义输入层与输出层之间的权重为Wij，Wij的初始值随机确定；
(24)定义Kohonen网络的学习率为δ(s)，领域宽度为
Figure BDA0002169069590000024
当前迭代次数为s，最大迭代次数为T，s∈[0,T]；
(25)令i＝1，s＝0，j＝1；
(26)计算Ii中Iij与J中Jj之间的距离dij，dij＝||Iij-Wij||；
(27)j＝j+1；
(28)如果j>7×t，跳转到步骤(29)，否则，跳转到步骤(26)
(29)对于输入样本Ii，从输出层中找到最佳匹配特性的节点ji，即min dij所在的节点；
(210)计算领域宽度函数值并调整权值：
Wij(s+1)＝Wij(s)+n(s)δ(s)(Iij-Wij(s))；
(211)s＝s+1；
(212)如果s>T，跳转到步骤(213)，否则跳转到步骤(26)；
(213)计算其余样本Ip在此网络中与权重之间的距离Di，Di＝{d1,d2,…,dp,…,dn-t-1},
Figure BDA0002169069590000031
(214)对于输入样本Ii，从Di中选取距离最小的样本归属为一类；
(215)i＝i+1；
(216)如果i>n-t，跳转到步骤(217)，否则跳转到步骤(25)；
(217)所有样本聚类完成，分为m类，得到第k类数据集Ak，k∈[1,m]。
进一步地，包括：
所述步骤3的具体包括：
(31)定义第k类数据集Ak的第f个特征，f∈[1,7×t]，f的初始值为1；
(32)定义数据集Ak为ReliefF算法的类别Fk1，其余类别为ReliefF算法的类别Fk2，k的初始值为1；
(33)定义Pk为类别Fk1在数据集A中所占的比例；
(34)定义diff(f,x,y)表示样本x与样本y在特征f上的差，如果x(f)＝y(f)，则diff(f, x,y)＝0，否则diff(f,x,y)＝1；
(35)从类别Fk1中随机选取一个样本x，选取与该样本距离最近的q个最近邻Hk， Hk＝{h1,h2,…,hr,…,hq}，从类别Fk2中选取与该样本距离最近的q个最近邻Mk，Mk＝{m1,m2,…,mr,…,mq}；
(36)令特征权重W(f)＝0；表示为：
Figure BDA0002169069590000032
(37)f＝f+1；
(38)如果f>7×t，跳转到步骤(39)，否则跳转到步骤(35)；
(39)对特征权重W(f)进行排序，得到第k类数据集Ak的特征排名Rk；
(310)k＝k+1；
(311)如果k>m，跳转到步骤(312)，否则，跳转到步骤(34)；
(312)得到所有类别的特征排名R，R＝{R1,R2,…,Rk,…,Rm}。
进一步地，包括：
所述步骤4具体包括：
(41)令f＝7×t；
(42)查询特征f在Rk中的特征排名；
(43)如果f在特征排名Rk后c个，c∈[1,7×t-1]，则跳转到步骤(44)，否则跳转到步骤(46)；
(44)如果f不是空气质量指数，则跳转到步骤(45)，否则跳转到步骤(46)；
(45)删除f所在特征；
(46)f＝f-1；
(47)如果f＝0，则跳转到步骤(48)，否则跳转到步骤(42)；
(48)遍历结束，得到第k类经过特征选择后的数据集Fk。
进一步地，包括：
所述步骤5具体包括：
(51)定义第k类经过特征选择后的数据集Fk的部分数据集作为训练集Pk，其余部分作为测试集Tk；
(52)定义训练集Pk除最后一个特征的其余特征，即前t天经过特征选择后的空气数据为训练输入Pk-in，最后一个特征，即第t+1天的空气质量指数为训练输出Pk-out；
(53)定义训练集Tk除最后一个特征的其余特征，即前t天经过特征选择后的空气数据为训练输入Tk-in，最后一个特征，即第t+1天的空气质量指数为训练输出Tk-out；
(54)定义h为单隐层NAR神经网络隐藏神经元的个数，定义MSE为均方误差；
(55)令MSEmin＝1；
(56)Pk-in作为输入，Pk-out作为输出，通过具有h个隐藏神经元的单隐层NAR神经网络进行训练，得到第k类具有h个神经元的NAR神经网络训练模型netkh；
(57)Tk-in作为输入，通过NAR神经网络训练模型netkh，得到输出结果Yk-out，计算Tk-out与Yk-out的MSE；
(58)如果MSEmin>MSE，则跳转到步骤(59)，否则跳转到步骤(510)；
(59)MSEmin＝MSE，netk＝netkh，hbest＝h；
(510)h＝h+1
(511)如果hbest+5>h，则跳转到步骤(56)，否则跳转到步骤(514)；
(512)输出第k类NAR神经网络训练模型netk。
进一步地，包括：
所述步骤6具体包括：
(61)定义z为x所在的第z类，z∈[1,m]；
(62)令k＝1，dmin为dxk的最小值；
(63)计算Ak类的中心ak，即Ak中所有数据的平均值；
(64)计算x与ak的距离dxk，dxk＝||x-dxk||；
(65)如果dmin>dxk，跳转到步骤(66)，否则跳转到步骤(68)；
(66)dmin＝dxk；z＝k；
(67)k＝k+1；
(68)如果k>m，跳转到步骤(69)，否则跳转到步骤(63)；
(69)令f＝7×t；
(610)查询特征f在Rz中的特征排名；
(611)如果f在特征排名Rz后c个，c∈[1,7×t-1]，则跳转到步骤(612)，否则跳转到步骤(614)；
(612)如果f不是空气质量指数，则跳转到步骤(613)，否则跳转到步骤(614)；
(613)删除f所在特征；
(614)f＝f-1；
(615)如果f＝0，则跳转到步骤(616)，否则跳转到步骤(610)；
(616)遍历结束，得到经过特征选择后的x’；
(617)将x’作为所在类的NAR神经网络训练模型netz的输入，得到预测结果y。
有益效果：本发明利用Kohonen网络聚类对空气数据进行聚类，从而获得在相同时间段内变化规律相似的类别，有助于发掘更为准确的预测模型，提高预测精度；利用ReliefF特征选择算法获得特征排名，并去除对预测帮助较小的特征，从而提高运行效率。
附图说明
图1为本发明所述的基于k-means和ReliefF的空气质量指数预测方法流程图；
图2为本发明所述的Kohonen网络聚类流程图；
图3为本发明所述的ReliefF特征选择流程图；
图4为本发明所述的特征去除流程图；
图5为本发明所述的NAR神经网络训练流程图；
图6为本发明所述的预测流程图。
具体实施方式
下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
Kohonen网络是自组织竞争型神经网络的一种，该网络为无监督学习，能够识别特征并自动聚类。相对于其他聚类方法，Kohonen网络聚类算法实施简单，适用范围广，运行效率高，能够满足本发明的聚类要求。本发明通过Kohonen网络聚类算法得到不同的空气模式，有助于提高预测精度。
ReliefF算法是对Relief算法的改进，适用于多个样本的特征权重计算。空气数据的特征较多，且部分特征对于预测无帮助，若选择所有特征进行预测，则会大大降低运行效率。因此在不损失预测精度的前提下，选择对预测有帮助的特征，对提高运行效率具有重大意义。本发明通过ReliefF算法得到不同空气模式的特征排名，选取排名靠前的特征，即选择对预测有帮助的特征进行预测，从而提高运行效率。
本发明所述的基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法，参阅图1所示，包括：
步骤1：对原始空气数据集Air进行预处理，得到处理过后的空气数据集A，具体方法为：
步骤101：定义Air为初始空气数据集，数据集Air的根据城市和时间有序划分，定义CO、NO2、O3、PM10、PM2.5、SO2、AQI分别为单条空气数据的一氧化碳浓度特征、二氧化氮浓度特征、臭氧浓度特征、PM10浓度特征、PM2.5浓度特征、二氧化硫浓度特征和空气质量指数特征，Air＝{CO,NO2,O3,PM10,PM2.5,SO2,AQI}，共有n条数据；
步骤102：对每个特征进行归一化处理，使每个特征的值在[0,1]内；
步骤103：从第一条数据开始，将t天内的数据及第t+1天的空气质量指数按照时间顺序整理为一条数据，得到有n-t条数据、7×t+1个特征的数据集A。
步骤2：通过Kohonen网络聚类，将数据集A分为m类，得到第k类数据集Ak，k ∈[1,m]，具体方法，参阅图2所示，为：
步骤201：定义Kohonen网络的输入为Ii，定义数据集I为数据集A的前7×t个特征，I＝{I1,I2,…,Ii,…,In-t}，i∈[1,n-t]；
步骤202：定义Kohonen网络的输出为J，J＝{J1,J2,…,Jj,…,J7×t}，j∈[1,7×t]；
步骤203：定义输入层与输出层之间的权重为Wij，Wij的初始值随机确定；
步骤204：定义Kohonen网络的学习率为
Figure BDA0002169069590000071
领域宽度为
Figure BDA0002169069590000072
当前迭代次数为s，最大迭代次数为T，s∈[0,T]；
步骤205：i＝1；
步骤206：s＝0，j＝1；
步骤207：计算Ii中Iij与J中Jj之间的距离dij，dij＝||Iij-Wij||；
步骤208：j＝j+1；
步骤209：如果j>7×t，跳转到步骤210，否则跳转到步骤207
步骤210：对于输入样本Ii，从输出层中找到最佳匹配特性的节点ji，即min dij所在的节点；
步骤211：计算领域宽度函数值并调整权值， Wij(s+1)＝Wij(s)+n(s)δ(s)(Iij-Wij(s))；
步骤212：s＝s+1；
步骤213：如果s>T，跳转到步骤214，否则跳转到步骤207；
步骤214：计算其余样本Ip在此网络中与权重之间的距离Di，Di＝{d1,d2,…,dp,…,dn-t-1},
Figure BDA0002169069590000073
步骤215：对于输入样本Ii，从Di中选取距离最小的样本归属为一类；
步骤216：i＝i+1；
步骤217：如果i>n-t，跳转到步骤218，否则跳转到步骤206；
步骤218：所有样本聚类完成，分为m类，得到第k类数据集Ak，k∈[1,m]。
步骤3：通过ReliefF算法处理数据集Ak，得出第k类数据集Ak特征重要程度的排名Rk，具体方法参阅图3所示，为：
步骤301：定义f为第k类数据集Ak的特征序号，即第k类数据集Ak的第f个特征， f∈[1,7×t]，f的初始值为1；
步骤302：定义数据集Ak为ReliefF算法的类别Fk1，其余类别为ReliefF算法的类别Fk2，k的初始值为1；
步骤303：定义Pk为类别Fk1在数据集A中所占的比例；
步骤304：定义diff(f,x,y)表示样本x与样本y在特征f上的差，如果x(f)＝y(f)，则 diff(f,x,y)＝0，否则diff(f,x,y)＝1；
步骤305：从类别Fk1中随机选取一个样本x，选取与该样本距离最近的q个最近邻Hk，Hk＝{h1,h2,…,hr,…,hq}，从类别Fk2中选取与该样本距离最近的q个最近邻Mk， Mk＝{m1,m2,…,mr,…,mq}；
步骤306：令特征权重W(f)＝0；
步骤307：
Figure BDA0002169069590000081
步骤308：f＝f+1；
步骤309：如果f>7×t，跳转到步骤310，否则跳转到步骤306；
步骤310：对特征权重W(f)进行排序，得到第k类数据集Ak的特征排名Rk；
步骤311：k＝k+1；
步骤312：如果k>m，跳转到步骤313，否则跳转到步骤305；
步骤313：得到所有类别的特征排名R，R＝{R1,R2,…,Rk,…,Rm}。
步骤4：通过特征重要程度排名Rk，删去第k类数据集Ak排名后c个特征，得到第 k类经过特征选择后的数据集Fk，具体方法，参阅图4所示，为：
步骤401：令f＝7×t；
步骤402：查询特征f在Rk中的特征排名；
步骤403：如果f在特征排名Rk后c个，c∈[1,7×t-1]，则跳转到步骤404，否则跳转到步骤406；
步骤404：如果f不是空气质量指数，则跳转到步骤405，否则跳转到步骤406；
步骤405：删除f所在特征；
步骤406：f＝f-1；
步骤407：如果f＝0，则跳转到步骤408，否则跳转到步骤402；
步骤408：遍历结束，得到第k类经过特征选择后的数据集Fk。
步骤5：通过NAR神经网络，用数据集Fk前t天的数据预测t+1天的空气质量指数，得到第k类NAR神经网络训练模型netk，具体方法参阅图5所示，为：
步骤501：定义第k类经过特征选择后的数据集Fk的前70％为训练集Pk，后30％为测试集Tk；
步骤502：定义训练集Pk除最后一个特征的其余特征，即前t天经过特征选择后的空气数据为训练输入Pk-in，最后一个特征，即第t+1天的空气质量指数为训练输出Pk-out；
步骤503：定义训练集Tk除最后一个特征的其余特征，即前t天经过特征选择后的空气数据为训练输入Tk-in，最后一个特征，即第t+1天的空气质量指数为训练输出Tk-out；
步骤504：定义h为单隐层NAR神经网络隐藏神经元的个数，定义MSE为均方误差；
步骤505：h＝5，MSEmin＝1；
步骤506：Pk-in作为输入，Pk-out作为输出，通过具有h个隐藏神经元的单隐层NAR 神经网络进行训练，得到第k类具有h个神经元的NAR神经网络训练模型netkh；
步骤507：Tk-in作为输入，通过NAR神经网络训练模型netkh，得到输出结果Yk-out，计算Tk-out与Yk-out的MSE；
步骤508：如果MSEmin>MSE，则跳转到步骤509，否则跳转到步骤510；
步骤509：MSEmin＝MSE，netk＝netkh，hbest＝h；
步骤510：h＝h+1；
步骤511：如果hbest+5>h，则跳转到步骤506，否则跳转到步骤514；
步骤512：输出第k类NAR神经网络训练模型netk。
步骤6：随机选取数据集A中一条数据x，确定所属类Az，根据Rz选取特征，用模型netz得到预测结果y，具体方法参阅图6所示，为：
步骤601：随机选取数据集A中一条数据的前42个特征值记为x；
步骤602：定义z为x所在的第z类，z∈[1,36]；
步骤603：k＝1，dmin＝100；
步骤604：计算Ak类中心ak，即Ak中所有数据的平均值；
步骤605：计算x与ak的距离dxk，dxk＝||x-dxk||；
步骤606：如果dmin>dxk，跳转到步骤607，否则跳转到步骤609；
步骤607：dmin＝dxk；
步骤608：z＝k；
步骤609：k＝k+1；
步骤610：如果k>m，跳转到步骤611，否则跳转到步骤604；
步骤611：令f＝42；
步骤612：查询特征f在Rz中的特征排名；
步骤613：如果f在特征排名Rz后21个，则跳转到步骤614，否则跳转到步骤616；
步骤614：如果f不是空气质量指数，则跳转到步骤615，否则跳转到步骤616；
步骤615：删除f所在特征；
步骤616：f＝f-1；
步骤617：如果f＝0，则跳转到步骤618，否则跳转到步骤612；
步骤618：遍历结束，得到经过特征选择后的x’；
步骤619：将x’作为所在类的NAR神经网络训练模型netz的输入，得到预测结果y。本发明涉及多个变量，下表1是变量说明表：
表1变量说明表
Figure 2
/>
Figure 1
/>
Figure BDA0002169069590000121
/>
Figure BDA0002169069590000131
为了更好地说明本方法的有效性，通过对532902条空气数据处理，利用Kohonen网络聚类得到聚类数据集，用ReliefF进行特征提取，最后通过NAR神经网络训练，得到预测模型。改进的空气质量指数预测算法，与传统的预测算法相比，提高了预测精度；与未经过特征提取的算法相比，在保证了预测精度的前提下，提高了运行效率。
步骤1：对原始空气数据集Air进行预处理，得到处理过后的空气数据集A，具体方法为：
步骤1.1：定义Air为初始空气数据集，数据集Air的根据城市和时间有序划分，定义CO、NO2、O3、PM10、PM2.5、SO2、AQI分别为单条空气数据的一氧化碳浓度特征、二氧化氮浓度特征、臭氧浓度特征、PM10浓度特征、PM2.5浓度特征、二氧化硫浓度特征和空气质量指数特征，Air＝{CO,NO2,O3,PM10,PM2.5,SO2,AQI}，共有532902条数据；
步骤1.2：对每个特征进行归一化处理，使每个特征的值在[0,1]内；
步骤1.3：从第一条数据开始，将6天内的数据及第7天的空气质量指数按照时间顺序整理为一条数据，得到有532896条数据、43个特征的数据集A。
步骤2：通过Kohonen网络聚类，将数据集A分为36类，得到第k类数据集Ak，k ∈[1,36]，具体方法为：
步骤2.1：定义Kohonen网络的输入为Ii，定义数据集I为数据集A的前42个特征， I＝{I1,I2,…,Ii,…,I532896}，i∈[1,532896]；
步骤2.2：定义Kohonen网络的输出为J，J＝{J1,J2,…,Jj,…,J42}，j∈[1,42]；
步骤2.3：定义输入层与输出层之间的权重为Wij，Wij的初始值随机确定；
步骤2.4：定义Kohonen网络的学习率为
Figure BDA0002169069590000141
领域宽度为
Figure BDA0002169069590000142
当前迭代次数为s，最大迭代次数为10000，s∈[0,10000]；
步骤2.5：i＝1；
步骤2.6：s＝0，j＝1；
步骤2.7：计算Ii中Iij与J中Jj之间的距离dij，dij＝||Iij-Wij||；
步骤2.8：j＝j+1；
步骤2.9：如果j>42，跳转到步骤2.10，否则跳转到步骤2.7
步骤2.10：对于输入样本Ii，从输出层中找到最佳匹配特性的节点ji，即min dij所在的节点；
步骤2.11：计算领域宽度函数值并调整权值， Wij(s+1)＝Wij(s)+n(s)δ(s)(Iij-Wij(s))；
步骤2.12：s＝s+1；
步骤2.13：如果s>10000，跳转到步骤2.14，否则跳转到步骤2.7；
步骤2.14：计算其余样本Ip在此网络中与权重之间的距离Di，Di＝{d1,d2,…,dp,…, d532895},
Figure BDA0002169069590000143
步骤2.15：对于输入样本Ii，从Di中选取距离最小的样本归属为一类；
步骤2.16：i＝i+1；
步骤2.17：如果i>532896，跳转到步骤2.18，否则跳转到步骤2.6；
步骤2.18：所有样本聚类完成，分为36类，得到第k类数据集Ak，k∈[1,36]。
步骤3：通过ReliefF算法处理数据集Ak，得出第k类数据集Ak特征重要程度的排名Rk，具体方法为：
步骤3.1：定义f为第k类数据集Ak的特征序号，即第k类数据集Ak的第f个特征， f∈[1,42]，f的初始值为1；
步骤3.2：定义数据集Ak为ReliefF算法的类别Fk1，其余类别为ReliefF算法的类别Fk2，k的初始值为1；
步骤3.3：定义Pk为类别Fk1在数据集A中所占的比例；
步骤3.4：定义diff(f,x,y)表示样本x与样本y在特征f上的差，如果x(f)＝y(f)，则 diff(f,x,y)＝0，否则diff(f,x,y)＝1；
步骤3.5：从类别Fk1中随机选取一个样本x，选取与该样本距离最近的10个最近邻Hk，Hk＝{h1,h2,…,hr,…,h10}，从类别Fk2中选取与该样本距离最近的10个最近邻 Mk，Mk＝{m1,m2,…,mr,…,m10}；
步骤3.6：令特征权重W(f)＝0；
步骤3.7：
Figure BDA0002169069590000151
步骤3.8：f＝f+1；
步骤3.9：如果f>7×t，跳转到步骤3.10，否则跳转到步骤3.6；
步骤3.10：对特征权重W(f)进行排序，得到第k类数据集Ak的特征排名Rk；
步骤3.11：k＝k+1；
步骤3.12：如果k>36，跳转到步骤3.13，否则跳转到步骤3.5；
步骤3.13：得到所有类别的特征排名R，R＝{R1,R2,…,Rk,…,Rm}。
步骤4：通过特征重要程度排名Rk，删去第k类数据集Ak排名后c个特征，得到第 k类经过特征选择后的数据集Fk，具体方法为：
步骤4.1：令f＝42；
步骤4.2：查询特征f在Rk中的特征排名；
步骤4.3：如果f在特征排名Rk后21个，则跳转到步骤4.4，否则跳转到步骤4.6；
步骤4.4：如果f不是空气质量指数，则跳转到步骤4.5，否则跳转到步骤4.6；
步骤4.5：删除f所在特征；
步骤4.6：f＝f-1；
步骤4.7：如果f＝0，则跳转到步骤4.8，否则跳转到步骤4.2；
步骤4.8：遍历结束，得到第k类经过特征选择后的数据集Fk。
步骤5：通过NAR神经网络，用数据集Fk前6天的数据预测7天的空气质量指数，得到第k类NAR神经网络训练模型netk，具体方法为：
步骤5.1：定义第k类经过特征选择后的数据集Fk的前70％为训练集Pk，后30％为测试集Tk；
步骤5.2：定义训练集Pk除最后一个特征的其余特征，即前6天经过特征选择后的空气数据为训练输入Pk-in，最后一个特征，即第7天的空气质量指数为训练输出Pk-out；
步骤5.3：定义训练集Tk除最后一个特征的其余特征，即前6天经过特征选择后的空气数据为训练输入Tk-in，最后一个特征，即第7天的空气质量指数为训练输出Tk-out；
步骤5.1：定义第k类经过特征选择后的数据集Fk的前70％为训练集Pk，后30％为测试集Tk；
步骤5.2：定义训练集Pk除最后一个特征的其余特征，即前t天经过特征选择后的空气数据为训练输入Pk-in，最后一个特征，即第t+1天的空气质量指数为训练输出Pk-out；
步骤5.3：定义训练集Tk除最后一个特征的其余特征，即前t天经过特征选择后的空气数据为训练输入Tk-in，最后一个特征，即第t+1天的空气质量指数为训练输出Tk-out；
步骤5.4：定义h为单隐层NAR神经网络隐藏神经元的个数，定义MSE为均方误差；
步骤5.5：h＝5，MSEmin＝1；
步骤5.6：Pk-in作为输入，Pk-out作为输出，通过具有h个隐藏神经元的单隐层NAR 神经网络进行训练，得到第k类具有h个神经元的NAR神经网络训练模型netkh；
步骤5.7：Tk-in作为输入，通过NAR神经网络训练模型netkh，得到输出结果Yk-out，计算Tk-out与Yk-out的MSE；
步骤5.8：如果MSEmin>MSE，则跳转到步骤5.9，否则跳转到步骤5.10；
步骤5.9：MSEmin＝MSE，netk＝netkh，hbest＝h；
步骤5.10：h＝h+1
步骤5.11：如果hbest+5>h，则跳转到步骤5.6，否则跳转到步骤5.14；
步骤5.12：输出第k类NAR神经网络训练模型netk。
步骤6：随机选取数据集A中一条数据x，确定所属类Az，根据Rz选取特征，用模型netz得到预测结果y，具体方法为：
步骤6.1：随机选取数据集A中一条数据的前42个特征值记为x；
步骤6.2：定义z为x所在的第z类，z∈[1,36]；
步骤6.3：k＝1，dmin＝100；
步骤6.4：计算Ak类中心ak，即Ak中所有数据的平均值；
步骤6.5：计算x与ak的距离dxk，dxk＝||x-dxk||；
步骤6.6：如果dmin>dxk，跳转到步骤6.7，否则跳转到步骤6.9；
步骤6.7：dmin＝dxk；
步骤6.8：z＝k；
步骤6.9：k＝k+1；
步骤6.10：如果k>36，跳转到步骤6.11，否则跳转到步骤6.4；
步骤6.11：令f＝42；
步骤6.12：查询特征f在Rz中的特征排名；
步骤6.13：如果f在特征排名Rz后21个，则跳转到步骤6.14，否则跳转到步骤6.16；
步骤6.14：如果f不是空气质量指数，则跳转到步骤6.15，否则跳转到步骤6.16；
步骤6.15：删除f所在特征；
步骤6.16：f＝f-1；
步骤6.17：如果f＝0，则跳转到步骤6.18，否则跳转到步骤6.12；
步骤6.18：遍历结束，得到经过特征选择后的x’；
步骤6.19：将x’作为所在类的NAR神经网络训练模型netz的输入，得到预测结果y。
本发明创造性地提出了一种将空气类比于天气，具有不同的模式，相同模式的空气数据变化规律相似，通过Kohonen网络聚类，得到同一模式的空气数据，再ReliefF特征选择算法，去除不影响空气质量指数预测的特征，最终用NAR神经网络对不同模式的空气数据进行预测的方法。
本发明下载环境部数据中心的532902条空气数据，并分别与算法BP，ELM，小波神经网络进行对比试验后，本发明采用的方法预测准确率提高了8.7％～17.6％；时间上，用ReliefF的nar网络时间减少了两倍左右。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (5)

1.一种基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法，其特征在于，包括：
(1)对原始空气数据集Air进行预处理，得到处理后的空气数据集A；
(2)采用Kohonen网络聚类，将数据集A分为m类，得到第k类数据集Ak，k∈[1,m]；
(3)采用ReliefF特征选择算法处理数据集Ak，得到第k类数据集Ak特征重要程度的排名Rk；
所述步骤3的具体包括：
(31)定义第k类数据集Ak的第f个特征，f∈[1,7×t]，f的初始值为1；
(32)定义数据集Ak为ReliefF算法的类别Fk1，其余类别为ReliefF算法的类别Fk2，k的初始值为1；
(33)定义Pk为类别Fk1在数据集A中所占的比例；
(34)定义diff(f,x,y)表示样本x与样本y在特征f上的差，如果x(f)＝y(f)，则diff(f,x,y)＝0，否则diff(f,x,y)＝1；
(35)从类别Fk1中随机选取一个样本x，选取与该样本距离最近的q个最近邻Hk，Hk＝{h1,h2,…,hr,…,hq}，从类别Fk2中选取与该样本距离最近的q个最近邻Mk，Mk＝{m1,m2,…,mr,…,mq}；
(36)令特征权重W(f)＝0；表示为：
Figure FDA0003938283200000011
(37)f＝f+1；
(38)如果f>7×t，跳转到步骤(39)，否则跳转到步骤(35)；
(39)对特征权重W(f)进行排序，得到第k类数据集Ak的特征排名Rk；
(310)k＝k+1；
(311)如果k>m，跳转到步骤(312)，否则，跳转到步骤(34)；
(312)得到所有类别的特征排名R，R＝{R1,R2,…,Rk,…,Rm}；
(4)通过特征重要程度排名Rk，删去第k类数据集Ak排名后c个特征，得到第k类经过特征选择后的数据集Fk；
(5)通过NAR神经网络，用数据集Fk前t天的数据预测t+1天的空气质量指数，得到第k类NAR神经网络训练模型netk；
(6)根据数据集A中随即数据x所在类的特征排名Rz选取特征，用模型netz得到预测结果y；
所述步骤6具体包括：
(61)定义z为x所在的第z类，z∈[1,m]；
(62)令k＝1，dmin为dxk的最小值；
(63)计算Ak类的中心ak，即Ak中所有数据的平均值；
(64)计算x与ak的距离dxk，dxk＝||x-dxk||；
(65)如果dmin>dxk，跳转到步骤(66)，否则跳转到步骤(68)；
(66)dmin＝dxk；z＝k；
(67)k＝k+1；
(68)如果k>m，跳转到步骤(69)，否则跳转到步骤(63)；
(69)令f＝7×t；
(610)查询特征f在Rz中的特征排名；
(611)如果f在特征排名Rz后c个，c∈[1,7×t-1]，则跳转到步骤(612)，否则跳转到步骤(614)；
(612)如果f不是空气质量指数，则跳转到步骤(613)，否则跳转到步骤(614)；
(613)删除f所在特征；
(614)f＝f-1；
(615)如果f＝0，则跳转到步骤(616)，否则跳转到步骤(610)；
(616)遍历结束，得到经过特征选择后的x’；
(617)将x’作为所在类的NAR神经网络训练模型netz的输入，得到预测结果y。
2.根据权利要求1所述的基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法，其特征在于，所述步骤1的具体方法为：
(11)数据集Air定义为：COu，
Figure FDA0003938283200000021
PM10u，PM2.5u，/>
Figure FDA0003938283200000022
AQIu分别为第u天的一氧化碳浓度、二氧化氮浓度、臭氧浓度、PM10浓度、PM2.5浓度、二氧化硫浓度和空气质量指数，共n条数据，其中，Air＝[air1,air2,…,airu,…,airn-1,airn]T，/>
Figure FDA0003938283200000023
u∈[1,n]
(12)对每个特征进行归一化处理；
(13)从第一条数据开始，将t天内的数据及第t+1天的空气质量指数按照时间顺序整理为一条数据，得到有n-t条数据、7×t+1个特征的数据集A，A＝[a1,…,au,…,an-t-1,an-t]T，au＝[COu，...，AQIu，COu+1，...，AQIu+t-1，AQIu+t]。
3.根据权利要求2所述的基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法，其特征在于，所述步骤2的具体方法为：
(21)定义Kohonen网络的输入为Ii，定义数据集I为数据集A的前7×t个特征，I＝{I1,I2,…,Ii,…,In-t}，i∈[1,n-t]；
(22)定义Kohonen网络的输出为J，J＝{J1,J2,…,Jj,…,J7×t}，j∈[1,7×t]；
(23)定义输入层与输出层之间的权重为Wij，Wij的初始值随机确定；
(24)定义Kohonen网络的学习率为δ(s)，领域宽度为
Figure FDA0003938283200000031
当前迭代次数为s，最大迭代次数为T，s∈[0,T]；
(25)令i＝1，s＝0，j＝1；
(26)计算Ii中Iij与J中Jj之间的距离dij，dij＝||Iij-Wij||；
(27)j＝j+1；
(28)如果j>7×t，跳转到步骤(29)，否则，跳转到步骤(26)
(29)对于输入样本Ii，从输出层中找到最佳匹配特性的节点ji，即min dij所在的节点；
(210)计算领域宽度函数值并调整权值：
Wij(s+1)＝Wij(s)+n(s)δ(s)(Iij-Wij(s))；
(211)s＝s+1；
(212)如果s>T，跳转到步骤(213)，否则跳转到步骤(26)；
(213)计算其余样本Ip在此网络中与权重之间的距离Di，Di＝{d1,d2,…,dp,…,dn-t-1},
Figure FDA0003938283200000032
(214)对于输入样本Ii，从Di中选取距离最小的样本归属为一类；
(215)i＝i+1；
(216)如果i>n-t，跳转到步骤(217)，否则跳转到步骤(25)；
(217)所有样本聚类完成，分为m类，得到第k类数据集Ak，k∈[1,m]。
4.根据权利要求1所述的基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法，其特征在于，所述步骤4具体包括：
(41)令f＝7×t；
(42)查询特征f在Rk中的特征排名；
(43)如果f在特征排名Rk后c个，c∈[1,7×t-1]，则跳转到步骤(44)，否则跳转到步骤(46)；
(44)如果f不是空气质量指数，则跳转到步骤(45)，否则跳转到步骤(46)；
(45)删除f所在特征；
(46)f＝f-1；
(47)如果f＝0，则跳转到步骤(48)，否则跳转到步骤(42)；
(48)遍历结束，得到第k类经过特征选择后的数据集Fk。
5.根据权利要求1所述的基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法，其特征在于，所述步骤5具体包括：
(51)定义第k类经过特征选择后的数据集Fk的部分数据集作为训练集Pk，其余部分作为测试集Tk；
(52)定义训练集Pk除最后一个特征的其余特征，即前t天经过特征选择后的空气数据为训练输入Pk-in，最后一个特征，即第t+1天的空气质量指数为训练输出Pk-out；
(53)定义训练集Tk除最后一个特征的其余特征，即前t天经过特征选择后的空气数据为训练输入Tk-in，最后一个特征，即第t+1天的空气质量指数为训练输出Tk-out；
(54)定义h为单隐层NAR神经网络隐藏神经元的个数，定义MSE为均方误差；
(55)令MSEmin＝1；
(56)Pk-in作为输入，Pk-out作为输出，通过具有h个隐藏神经元的单隐层NAR神经网络进行训练，得到第k类具有h个神经元的NAR神经网络训练模型netkh；
(57)Tk-in作为输入，通过NAR神经网络训练模型netkh，得到输出结果Yk-out，计算Tk-out与Yk-out的MSE；
(58)如果MSEmin>MSE，则跳转到步骤(59)，否则跳转到步骤(510)；
(59)MSEmin＝MSE，netk＝netkh，hbest＝h；
(510)h＝h+1
(511)如果hbest+5>h，则跳转到步骤(56)，否则跳转到步骤(514)；
(512)输出第k类NAR神经网络训练模型netk。
CN201910756927.0A 2019-08-16 2019-08-16 基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法 Active CN110569883B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910756927.0A CN110569883B (zh) 2019-08-16 2019-08-16 基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910756927.0A CN110569883B (zh) 2019-08-16 2019-08-16 基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法

Publications (2)

Publication Number Publication Date
CN110569883A CN110569883A (zh) 2019-12-13
CN110569883B true CN110569883B (zh) 2023-03-31

Family

ID=68775503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910756927.0A Active CN110569883B (zh) 2019-08-16 2019-08-16 基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法

Country Status (1)

Country Link
CN (1) CN110569883B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111240915B (zh) * 2020-01-09 2020-12-18 北京大学 一种面向硬盘故障预测的特征选择方法及硬盘故障预测方法
CN111426344B (zh) * 2020-03-20 2021-10-12 淮阴工学院 一种建筑物能耗智能检测系统
CN114911279B (zh) * 2021-02-08 2024-05-28 中国石油化工股份有限公司 存储器、蒸馏装置塔顶pH值调控方法、装置及设备
CN113707317B (zh) * 2021-08-23 2023-04-07 电子科技大学 一种基于混合模型的疾病危险因素重要性分析方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105550744A (zh) * 2015-12-06 2016-05-04 北京工业大学 一种基于迭代的神经网络聚类方法
CN106650825B (zh) * 2016-12-31 2020-05-12 中国科学技术大学 一种机动车尾气排放数据融合系统

Also Published As

Publication number Publication date
CN110569883A (zh) 2019-12-13

Similar Documents

Publication Publication Date Title
CN110569883B (zh) 基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法
CN107392919B (zh) 基于自适应遗传算法的灰度阈值获取方法、图像分割方法
CN109886464B (zh) 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法
CN110020712B (zh) 一种基于聚类的优化粒子群bp网络预测方法和系统
Li et al. Linear time complexity time series classification with bag-of-pattern-features
CN111583031A (zh) 一种基于集成学习的申请评分卡模型建立方法
CN115641177B (zh) 一种基于机器学习的防秒杀预判系统
CN111738477A (zh) 基于深层特征组合的电网新能源消纳能力预测方法
CN113139570A (zh) 一种基于最优混合估值的大坝安全监测数据补全方法
CN111860624A (zh) 一种基于决策树的电网故障信息分类方法
CN115470862A (zh) 动态自适应负荷预测模型组合方法
CN116340746A (zh) 一种基于随机森林改进的特征选择方法
CN116245019A (zh) 一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质
CN109460872B (zh) 一种面向移动通信用户流失不平衡数据预测方法
CN111209939A (zh) 一种具有智能参数优化模块的svm分类预测方法
CN114743133A (zh) 一种轻量化的小样本视频分类识别方法及系统
CN112817954A (zh) 一种基于多种方法集成学习的缺失值插补方法
CN112749211B (zh) 一种基于电力大数据的茶叶产量预测新方法
CN112131569B (zh) 一种基于图网络随机游走的风险用户预测方法
CN114077924A (zh) 考虑极端大风天气的风电功率预测大风数据增强方法
CN113837266A (zh) 一种基于特征提取和Stacking集成学习的软件缺陷预测方法
CN112738724A (zh) 一种区域目标人群的精准识别方法、装置、设备和介质
CN113592085A (zh) 一种基于高秩卷积图的核剪枝方法、装置、设备及介质
CN111488903A (zh) 基于特征权重的决策树特征选择方法
CN113127464A (zh) 农业大数据环境特征处理方法、装置及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240411

Address after: 230000 Room 203, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Hefei Jiuzhou Longteng scientific and technological achievement transformation Co.,Ltd.

Country or region after: China

Address before: 223005 a12-2, high tech Industrial Park, No.3, Dongqi street, Hongze District, Huai'an City, Jiangsu Province

Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY

Country or region before: China

TR01 Transfer of patent right