为解决目前以雾霾为代表的空气质量预测普遍存在指标单一、特征不足、拟合效果差等问题,提出一种基于XGBoost的雾霾特征选择提取及预测方法。对可能影响雾霾的因素进行全面分析总结,采用mRMR (minimum redundancy maximum relevance)方...为解决目前以雾霾为代表的空气质量预测普遍存在指标单一、特征不足、拟合效果差等问题,提出一种基于XGBoost的雾霾特征选择提取及预测方法。对可能影响雾霾的因素进行全面分析总结,采用mRMR (minimum redundancy maximum relevance)方法进行特征选择,选择影响因素较大且冗余度较小的特征作为影响雾霾的显著特征,构建XGBoost模型对其进行训练与预测。实验结果表明,该方法在准确度以及时间损耗都表现较好,能够较准确地实现雾霾短时预测。展开更多
文摘为解决目前以雾霾为代表的空气质量预测普遍存在指标单一、特征不足、拟合效果差等问题,提出一种基于XGBoost的雾霾特征选择提取及预测方法。对可能影响雾霾的因素进行全面分析总结,采用mRMR (minimum redundancy maximum relevance)方法进行特征选择,选择影响因素较大且冗余度较小的特征作为影响雾霾的显著特征,构建XGBoost模型对其进行训练与预测。实验结果表明,该方法在准确度以及时间损耗都表现较好,能够较准确地实现雾霾短时预测。
