公开(公告)号：CN117574329A

公开(公告)日：2024-02-20

申请号：CN202410051354.2

申请日：2024-01-15

Applicant: 南京信息工程大学

Inventor： 赖菁程 ,  王勇

IPC: G06F18/27 ,  G06F18/214 ,  G06Q50/26

Abstract: 本发明公开了基于集成学习的二氧化氮精细化空间分布方法，收集目标区域对二氧化氮浓度产生影响因素的原始数据，将原始数据进行预处理；将预处理之后的原始数据分别与二氧化氮浓度进行相关性分析，将相关性高的原始数据作为预测变量；构建Stacking模型作为集成学习模型，利用原始数据训练Stacking模型；将训练之后的Stacking模型作为二氧化氮浓度预测模型，利用该浓度预测模型对待测区域进行二氧化氮浓度预测。本发明采用集成学习方法，融合多个机器学习模型，包括6个基模型和1个元模型，提高二氧化氮浓度的精细化空间分布预测准确度；同时减少对异常点和噪声数据的过拟合，提高模型的稳定性和泛化能力。

公开(公告)号：CN117574329B

公开(公告)日：2024-04-30

申请号：CN202410051354.2

申请日：2024-01-15

Applicant: 南京信息工程大学

Inventor： 赖菁程 ,  王勇

IPC: G06F18/27 ,  G06F18/214 ,  G06Q50/26

Abstract: 本发明公开了基于集成学习的二氧化氮精细化空间分布方法，收集目标区域对二氧化氮浓度产生影响因素的原始数据，将原始数据进行预处理；将预处理之后的原始数据分别与二氧化氮浓度进行相关性分析，将相关性高的原始数据作为预测变量；构建Stacking模型作为集成学习模型，利用原始数据训练Stacking模型；将训练之后的Stacking模型作为二氧化氮浓度预测模型，利用该浓度预测模型对待测区域进行二氧化氮浓度预测。本发明采用集成学习方法，融合多个机器学习模型，包括6个基模型和1个元模型，提高二氧化氮浓度的精细化空间分布预测准确度；同时减少对异常点和噪声数据的过拟合，提高模型的稳定性和泛化能力。