[发明专利]基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法

权利要求书

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A_k，k∈[1,m]；

(3)采用ReliefF特征选择算法处理数据集A_k，得到第k类数据集A_k特征重要程度的排名R_k；

所述步骤3的具体包括：

(31)定义第k类数据集A_k的第f个特征，f∈[1,7×t]，f的初始值为1；

(32)定义数据集A_k为ReliefF算法的类别F_k1，其余类别为ReliefF算法的类别F_k2，k的初始值为1；

(33)定义P_k为类别F_k1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F_k1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H_k，H_k＝{h₁,h₂,…,h_r,…,h_q}，从类别F_k2中选取与该样本距离最近的q个最近邻M_k，M_k＝{m₁,m₂,…,m_r,…,m_q}；

(36)令特征权重W(f)＝0；表示为：

(37)f＝f+1；

(38)如果f7×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A_k的特征排名R_k；

(310)k＝k+1；

(311)如果km，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,…,R_k,…,R_m}；

(4)通过特征重要程度排名R_k，删去第k类数据集A_k排名后c个特征，得到第k类经过特征选择后的数据集F_k；

(5)通过NAR神经网络，用数据集F_k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net_k；

(6)根据数据集A中随即数据x所在类的特征排名R_z选取特征，用模型net_z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，d_min为d_xk的最小值；

(63)计算A_k类的中心a_k，即A_k中所有数据的平均值；

(64)计算x与a_k的距离d_xk，d_xk＝||x-d_xk||；

(65)如果d_mind_xk，跳转到步骤(66)，否则跳转到步骤(68)；

(66)d_min＝d_xk；z＝k；

(67)k＝k+1；

(68)如果km，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R_z中的特征排名；

(611)如果f在特征排名R_z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net_z的输入，得到预测结果y。