← 返回列表
基于集成学习的二氧化氮精细化空间分布方法
申请人信息
- 申请人:南京信息工程大学
- 申请人地址:210044 江苏省南京市江北新区宁六路219号
- 发明人: 南京信息工程大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 基于集成学习的二氧化氮精细化空间分布方法 |
| 专利类型 | 发明申请 |
| 申请号 | CN202410051354.2 |
| 申请日 | 2024/1/15 |
| 公告号 | CN117574329A |
| 公开日 | 2024/2/20 |
| IPC主分类号 | G06F18/27 |
| 权利人 | 南京信息工程大学 |
| 发明人 | 赖菁程; 王勇 |
| 地址 | 江苏省南京市江北新区宁六路219号 |
摘要文本
本发明公开了基于集成学习的二氧化氮精细化空间分布方法，收集目标区域对二氧化氮浓度产生影响因素的原始数据，将原始数据进行预处理；将预处理之后的原始数据分别与二氧化氮浓度进行相关性分析，将相关性高的原始数据作为预测变量；构建Stacking模型作为集成学习模型，利用原始数据训练Stacking模型；将训练之后的Stacking模型作为二氧化氮浓度预测模型，利用该浓度预测模型对待测区域进行二氧化氮浓度预测。本发明采用集成学习方法，融合多个机器学习模型，包括6个基模型和1个元模型，提高二氧化氮浓度的精细化空间分布预测准确度；同时减少对异常点和噪声数据的过拟合，提高模型的稳定性和泛化能力。。数据由马 克 团 队整理
专利主权项内容
1.基于集成学习的二氧化氮精细化空间分布方法，其特征在于，包括以下步骤：步骤1，收集目标区域对二氧化氮浓度产生影响因素的原始数据，将原始数据进行预处理；步骤2，将预处理之后的原始数据分别与二氧化氮浓度进行相关性分析，将相关性高的原始数据作为预测变量；步骤3，构建Stacking模型作为集成学习模型，利用原始数据训练Stacking模型；其中Stacking模型包括6个基模型和1个元模型，将预测变量作为Stacking模型的输入项，二氧化氮浓度预测值作为Stacking模型的输出项，6个基模型分别为ETR、GBM、SVR、MLP、BR和KNN模型，元模型为LR模型；步骤4，将训练之后的Stacking模型作为二氧化氮浓度预测模型，利用该浓度预测模型对待测区域进行二氧化氮浓度预测。