[发明专利]基于多种机器学习算法融合的污染物浓度反演方法

权利要求书

1.基于多种机器学习算法融合的污染物浓度反演方法，其特征在于，包括以下步骤：

步骤1、获取空气微站测得的空气污染物数据，以此构建数据集，并对所述数据集进行预处理；

步骤2、构建卷积神经网络，并调整卷积神经网络直至卷积神经网络的参数为最优参数；

步骤3、将步骤1预处理后的数据集中的数据输入至步骤2调整后的卷积神经网络中，由卷积神经网络提取数据的抽象特征；

步骤4、构建XGBoost模型，将步骤3得到的所述抽象特征输入至XGBoost模型，并对XGBoost模型进行训练，训练过程中计算XGBoost模型的结点损失以选择增益损失最大的叶子结点，由此通过训练得到XGBoost模型的最优参数，并通过最优参数时的XGBoost模型输出浓度反演结果；

步骤5、构建SVM模型，将步骤3得到的所述抽象特征输入至SVM模型，并对SVM模型进行训练，训练过程中利用网格搜索法得到SVM模型的最佳惩罚系数C及松弛变量，由此通过训练得到SVM模型的的最优参数，并通过最优参数时的SVM模型输出浓度反演结果；

步骤6、将步骤3中XGBoost模型、步骤4中SVM模型输出的浓度反演结果通过模糊逻辑算法进行权重分配，得到污染物浓度最终反演结果。

2.根据权利要求1所述的基于多种机器学习算法融合的污染物浓度反演方法，其特征在于，步骤1中采用线性插值法对数据集中的数据进行预处理，以将数据集中数据的缺失值补齐。

3.根据权利要求1所述的基于多种机器学习算法融合的污染物浓度反演方法，其特征在于，步骤2中构建的卷积神经网络中的卷积层采用局部连接方式，使用同一个卷积核对目标进行卷积操作。

4.根据权利要求1所述的基于多种机器学习算法融合的污染物浓度反演方法，其特征在于，步骤2中构建的卷积神经网络的全连接层中，每个神经元分别与前一层的神经元逐个相连。

5.根据权利要求1所述的基于多种机器学习算法融合的污染物浓度反演方法，其特征在于，步骤3中，将步骤1预处理后的数据集中的数据，按时间滑动窗口构造连续特征图后，再输入至步骤2调整后的卷积神经网络中。

6.根据权利要求1所述的基于多种机器学习算法融合的污染物浓度反演方法，其特征在于，步骤4中，XGBoost模型中采用的树模型为CART回归树模型，所述XGBoost模型的公式为：

其中：n为树的数目；f_t()为函数空间F中的一个函数；为反演结果，x_i为输入的第i个抽象特征，i为大于或等于1的自然数，F为所有可能的CART集合；

XGBoost模型的迭代采用加法训练的方式以进一步最小化目标函数，迭代过程为：

其中：为t＝0时刻的反演结果，为t＝1时刻的反演结果，f_t(x_i)为输入第i个数据时函数值，的定义为t时刻的反演结果，的定义为t-1时刻的反演结果，i为大于或等于1的自然数，x_i为输入的第i个抽象特征；

XGBoost模型目标函数如下所示：

其中：l()是损失函数，用来表示反演结果和真实值的差值，是正则化项，T为叶子结点的个数；ω_j为叶子节点的分数；γ的用途为控制叶子结点的个数；λ保证叶子节点的分数不至于太大；

为了找到能够最小化目标函数的f_t()，将目标函数近似为：

其中：h_i为损失函数的二阶导数，的定义为t-1时刻的反演结果，Ω(f_t)是正则化项，x_i为输入的第i个抽象特征，f_t(x_i)为输入第i个数据时函数值，y_i为当前时刻的真实值。