排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
2.
为提高空气质量预报的准确率,建立了融合气象和环境观测资料、结合机器学习和数值天气预报,且预测时效较长、预测精度较高的机器学习模型库。以湖南6个城市(长沙、株洲、湘潭、益阳、常德、岳阳)的空气质量预报为例,将数据预处理、特征工程方法运用到模型之中,得出以下几点结论:①数据预处理工作包括样本收集、数据清洗、缺失值处理、异常值剔除等,对提高模型预测稳定性帮助很大。②点、线、面的特征组合有助于完整地描述污染物的生消过程。引入传输指数后,株洲市模型对传输型污染过程的预测性能得到明显提高,对轻度、中度、重度污染的分类准确度分别提升了23.6%、16.6%、30.0%。引入静稳指数后,长沙市模型PM2.5浓度测试的相关系数由0.938提升至0.959,均方根误差由10.33下降至8.46,且模型对中度以上污染天气的极值预报结果更接近实况;益阳市模型在高浓度样本预测中存在的系统性偏低现象得到改善,对轻度以上污染天气的预报结果得到较大矫正。③随机森林的特征重要性排序功能可以大幅度减少特征的数量,使得模型的可解释性和稳定性增强。 相似文献
3.
云南省近500年旱涝灾害时间序列的分形研究 总被引:5,自引:1,他引:4
根据云南省近500年的旱涝灾害时间分布序列,应用R/S分析,预测了未来旱涝灾害的发生时间,但预测时间尺度不同,结果也不同,因此仅从旱涝灾害发生的时间序列本身来预测,需确定其能够预测的时间范围;应用Smalley算法分别对云南省干旱和洪涝灾害的时间序列特征进行分析,干旱年发生时间序列的分形维数为0.5498,洪涝年发生时间序列的分形维数为0.4923,具有明显的分形特征,均小于Cantor集合的0.6309,可见云南省旱涝灾害发生的自组织程度可能会提高。分形研究的结果反映的仅是云南省近500年旱涝灾害时间序列的平均状况,由于旱涝灾害的分布具有空间差异,因此需分别研究不同程度灾害区旱涝时间序列的分形及多重分形特征。 相似文献
1