Investigación sobre la Predicción del Índice de Calidad del Aire Basado en el Modelo CC-SSBLS
Autores: Wang, Lin; Wang, Yibing; Chen, Jian; Zhang, Shuangqing; Zhang, Lanhong
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Investigación sobre la Predicción del Índice de Calidad del Aire Basado en el Modelo CC-SSBLS
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Modelos de predicción confiables
Calidad del aire
Valores atípicos
Datos faltantes
Entropía de correlación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 8
Citaciones: Sin citaciones
Establecer modelos de predicción fiables y efectivos es una prioridad de investigación importante para el monitoreo y la predicción de parámetros de calidad del aire y se utiliza extensamente en numerosos campos. El conjunto de datos de muestra de métricas de calidad del aire a menudo tiene datos faltantes y valores atípicos debido a ciertas causas incontrolables. Se construye un sistema de aprendizaje amplio basado en un mecanismo semi-supervisado para abordar algunos de los problemas de datos faltantes del conjunto de datos, reduciendo así el error de predicción del modelo de calidad del aire. Se descubrió que varios conjuntos de datos de muestra de parámetros de aire en el experimento tenían problemas de valores atípicos, y los datos anómalos impactan directamente en la estabilidad y precisión del modelo de predicción. Además, los criterios de entropía de correlación funcionan mejor al manejar los valores atípicos de los datos de muestra. Por lo tanto, el modelo de predicción en este documento consiste en un sistema de aprendizaje amplio semi-supervisado basado en el criterio de entropía de correlación (CC-SSBLS). Esta técnica resuelve efectivamente el problema de resultados de predicción inestables e inexactos debido a anomalías en los datos al sustituir el criterio de entropía de correlación por el criterio de error cuadrático medio en el algoritmo BLS. Se realizaron experimentos sobre el algoritmo CC-SSBLS y estudios comparativos con modelos como Random Forest (RF), Regresión de Vectores de Soporte (V-SVR), BLS, SSBLS y Sistema de Aprendizaje Amplio Basado en Árboles Categóricos y de Regresión (CART-BLS) utilizando conjuntos de datos de muestra de parámetros de aire en varias regiones. En este documento, se utilizan el error cuadrático medio (RMSE) y el error porcentual absoluto medio (MAPE) para juzgar las ventajas y desventajas del modelo propuesto. A través del análisis experimental, el RMSE y el MAPE alcanzaron 8.68 g·m y 0.24% en el conjunto de datos de Nanjing. Es posible concluir que el algoritmo CC-SSBLS tiene una estabilidad y precisión de predicción superiores basadas en los resultados experimentales.
Descripción
Establecer modelos de predicción fiables y efectivos es una prioridad de investigación importante para el monitoreo y la predicción de parámetros de calidad del aire y se utiliza extensamente en numerosos campos. El conjunto de datos de muestra de métricas de calidad del aire a menudo tiene datos faltantes y valores atípicos debido a ciertas causas incontrolables. Se construye un sistema de aprendizaje amplio basado en un mecanismo semi-supervisado para abordar algunos de los problemas de datos faltantes del conjunto de datos, reduciendo así el error de predicción del modelo de calidad del aire. Se descubrió que varios conjuntos de datos de muestra de parámetros de aire en el experimento tenían problemas de valores atípicos, y los datos anómalos impactan directamente en la estabilidad y precisión del modelo de predicción. Además, los criterios de entropía de correlación funcionan mejor al manejar los valores atípicos de los datos de muestra. Por lo tanto, el modelo de predicción en este documento consiste en un sistema de aprendizaje amplio semi-supervisado basado en el criterio de entropía de correlación (CC-SSBLS). Esta técnica resuelve efectivamente el problema de resultados de predicción inestables e inexactos debido a anomalías en los datos al sustituir el criterio de entropía de correlación por el criterio de error cuadrático medio en el algoritmo BLS. Se realizaron experimentos sobre el algoritmo CC-SSBLS y estudios comparativos con modelos como Random Forest (RF), Regresión de Vectores de Soporte (V-SVR), BLS, SSBLS y Sistema de Aprendizaje Amplio Basado en Árboles Categóricos y de Regresión (CART-BLS) utilizando conjuntos de datos de muestra de parámetros de aire en varias regiones. En este documento, se utilizan el error cuadrático medio (RMSE) y el error porcentual absoluto medio (MAPE) para juzgar las ventajas y desventajas del modelo propuesto. A través del análisis experimental, el RMSE y el MAPE alcanzaron 8.68 g·m y 0.24% en el conjunto de datos de Nanjing. Es posible concluir que el algoritmo CC-SSBLS tiene una estabilidad y precisión de predicción superiores basadas en los resultados experimentales.