公开(公告)号：CN114611706A

公开(公告)日：2022-06-10

申请号：CN202210155739.4

申请日：2022-02-21

Applicant: 河南大学

Inventor： 蔡坤 ,  张旭升 ,  葛强 ,  左宪禹 ,  杨宣 ,  祁永凯

IPC: G06N20/00 ,  G01N15/06 ,  G01N33/00

Abstract: 本发明提供一种基于Stacking多模型融合设计的空气污染物缺失值补充方法。该方法包括：获取各个国控站点监测的空气污染物数据和地理数据；针对每个国控站点，遍历其上的所有空气污染物数据，找到缺失值，并将缺失值所在位置处的数值补充为0；再次遍历其上的所有空气污染物数据，将数值非0的数据加入至训练集中，将数值为0的数据加入预测集中；将所有国控站点的训练集和预测集分别组合在一起，记作数据集Air‑data；使用Hyperopt分别对ET、RF、GBDT、XGBOOST和LGBM进行参数优化；将上述优化后的五种模型分别作为五个基学习器，将岭回归模型作为元学习器，基于数据集Air‑data对基学习器和元学习器进行融合得到Stacking集成模型；采用Stacking集成模型实现对空气污染物数据中的缺失值的估算。

公开(公告)号：CN114611706B

公开(公告)日：2023-04-25

申请号：CN202210155739.4

申请日：2022-02-21

Applicant: 河南大学

Inventor： 蔡坤 ,  张旭升 ,  葛强 ,  左宪禹 ,  杨宣 ,  祁永凯

IPC: G06N20/00 ,  G01N15/06 ,  G01N33/00

Abstract: 本发明提供一种基于Stacking多模型融合设计的空气污染物缺失值补充方法。该方法包括：获取各个国控站点监测的空气污染物数据和地理数据；针对每个国控站点，遍历其上的所有空气污染物数据，找到缺失值，并将缺失值所在位置处的数值补充为0；再次遍历其上的所有空气污染物数据，将数值非0的数据加入至训练集中，将数值为0的数据加入预测集中；将所有国控站点的训练集和预测集分别组合在一起，记作数据集Air‑data；使用Hyperopt分别对ET、RF、GBDT、XGBOOST和LGBM进行参数优化；将上述优化后的五种模型分别作为五个基学习器，将岭回归模型作为元学习器，基于数据集Air‑data对基学习器和元学习器进行融合得到Stacking集成模型；采用Stacking集成模型实现对空气污染物数据中的缺失值的估算。