[发明专利]基于粒子群参数优化和随机森林的PM2.5浓度预测方法

权利要求书

1.一种基于粒子群参数优化和随机森林的PM2.5浓度预测方法，其特征在于，包括如下步骤：

步骤1、获取需要进行预测分析的空气质量数据，并且划分为训练数据集与验证数据集；

步骤2、对获取的数据进行预处理，其中包括缺失值填补、平衡采样；对获取的数据进行缺失值填补时，当一条记录只缺少PM2.5浓度值，使用PM10浓度值代替PM2.5值；

步骤3、初始化粒子群算法的各参数，设置参数如下：群体规模m，每个粒子的位置和速度的取值范围，迭代次数k，设置适应度函数；

步骤4、输入训练集数据和粒子的位置，把粒子的位置设置为二维向量X_i＝(x₁,x₂)，令x1＝t、x2＝f，t和f分别为子树的个数和特征数，用随机森林算法训练预测模型；

步骤5、以验证集数据在训练模型的均方根误差为适应度值，通过粒子群不断优化随机森林的子树的个数t和特征数f，使模型的均方根误差为适应度值最小，得到最终的最优预测模型；修改后的位置和速度的更新公式如下：

x_id(k+1)＝[x_id(k)+V_id(k+1)-0.5]

其中，惯性权重ω＝0.75；学习因子c₁＝c₂＝1.5；r₁和r₂是区间[0,1]上的随机数，维度d＝1，2；粒子数i＝1,2,…,m；k为当前迭代次数；gbest表示粒子群的全局最优位置；Pbest表示粒子群的局部最优位置；

由于随机森林的两个参数子树的个数和所用特征数建模的过程中必须是整数，所以用取整函数使粒子的位置和速度为整数，这样也使模型的最优解为整数。