[发明专利]一种基于CART模型和优化RVFLNN模型预测PM2.5浓度的方法

权利要求书

1.一种基于CART模型和优化RVFLNN模型预测PM2.5浓度的方法，其特征在于，包括如下步骤：

S1、构建数据集，包括空气污染数据和气象数据；

S2、采用CART模型构造一棵浅层回归树，将整个数据集按层次方式划分为多个具有不同属性的子集；

S3、将划分好后数据集训练优化后的RVFLNN网络的全局模型和局部模型；

S4、从全局模型和局部模型中选择最优的模型作为最终的预测模型。

2.根据权利要求1所述的一种基于CART模型和优化RVFLNN模型预测PM2.5浓度的方法，其特征在于：在步骤S1中，空气污染数据包括CO、SO₂、NO₂、O₃、PM10、PM2.5；气象数据包括温度、露点温度、气压、风向和风速。

3.根据权利要求1所述的一种基于CART模型和优化RVFLNN模型预测PM2.5浓度的方法，其特征在于：在步骤S1中，对数据集中的所有数据进行预处理，具体包括：

对数据集中单个时间点的缺失值，用该因子其相邻时间节点的上下值的平均值作为该时间点的补充数据；

对数据集中某段时间的数据缺失，采用多变量插补的方法去填充缺失的数据信息；

对数据集中量级和单位不统一数据，选取最大-最小标准化对数据进行规范化处理，处理之后的数据被映射到[0,1]之间，规范化处理公式为：其中，X为原始数据，X_min、X_max分别为原始数据中的最大最小值。

4.根据权利要求3所述的一种基于CART模型和优化RVFLNN模型预测PM2.5浓度的方法，其特征在于：在步骤S2中，将预处理后的数据集的80％作为训练集，20％最为测试集，并以PM2.5作为输入特征，通过训练CART模型，得出PM2.5的划分结果。

5.根据权利要求4所述的一种基于CART模型和优化RVFLNN模型预测PM2.5浓度的方法，其特征在于：在步骤S3中，训练具体为：

以根节点数据作为训练集，叶子节点数据作为验证集训练全局模型；

以中间节点数据为训练集，以该节点为根节点的叶子节点，并作为验证集训练局部模型；

仅在叶子节点上时，将该节点数据集80％作为训练集，20％作为验证集训练局部模型。

6.根据权利要求5所述的一种基于CART模型和优化RVFLNN模型预测PM2.5浓度的方法，其特征在于：在步骤S3中，优化后的RVFLNN网络包括特征映射部分和增强节点部分，其中，在训练过程中，选择最小的验证误差，并且读取此验证误差对应的迭代窗口数。

7.根据权利要求1所述的一种基于CART模型和优化RVFLNN模型预测PM2.5浓度的方法，其特征在于：在步骤S4中，比较各个模型的训练结果，并采用均方根误差作为评判标准，其中，均方根误差越小表示训练效果越好，均方根误差公式为：其中，为预测值。