《表3 模型评价结果:基于MRMR-HK-SVM模型的PM_(2.5)浓度预测》
提示:宽带有限、当前游客访问压缩模式
本系列图表出处文件名:随高清版一同展现
《基于MRMR-HK-SVM模型的PM_(2.5)浓度预测》
在MRMR-HK-SVM模型中,输入向量依然是MRMR算法选出的最优子集,但是为了改进MRMR-SVM模型的不足,提升模型的泛化能力,通过式(7)构造混合核函数(HK),并将其作为改进模型的核函数.相较于文献[27]单纯采用径向基核函数对PM2.5浓度进行预测,本文采用的混合核函数更适合描述PM2.5的复杂变化特征.混合核函数的权重系数通过寻优算法去确定,寻优的结果权重系数u为0.487,在一定程度上这个寻优结果也表明混合核函数更适合PM2.5浓度的预测,若是单一核函数更适合,寻优结果将会出现0或1.从图3的预测结果来看,模型预测结果与实测值很接近,在一些波动较大的时刻模型也能够捕捉到.而从表3的模型评价结果来看,MRMR-HK-SVM模型的预测精度评价指标都较小,MAE只有11.149ug/m3,表明模型预测的精度很高,能够适应于短期的PM2.5浓度预测,这也进一步表明混合核函数能够提升模型的泛化能力.
图表编号 | XD0098202800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.20 |
作者 | 李建新、刘小生、刘静、黄俊 |
绘制单位 | 江西理工大学建筑与测绘工程学院、江西理工大学建筑与测绘工程学院、江西理工大学建筑与测绘工程学院、江西理工大学建筑与测绘工程学院 |
更多格式 | 高清、无水印(增值服务) |