基于虚拟多任务二元粒子群算法和分形维数的雾霾天气预测方法

雾霾天气已对人类日常生活产生严重影响,有效预测雾霾天气,帮助城市居民规划出行安排具有十分重要的现实意义.因雾霾天气影响因素众多,冗余因素的存在一方面浪费计算机存储空间,另一方面干扰预测结果准确性.文章首先充分挖掘二元粒子群算法(binary particle swarm optimization,BPSO)的"隐并行性",构造虚拟多任务环境,主任务和辅助任务中粒子分别执行不同的位置更新策略,且相互传递有效信息,从而保持种群动态多样性,提出虚拟多任务二元粒子群算法(virtual multitasking binary particle swarm optimization,VMBPSO),然后结合分形维数(fractal dimension,FD)剔除雾霾天气中的噪声属性,得出雾霾天气关键影响因素,最后采用SVM算法利用前一天雾霾天气关键影响因素预测后一天是否有雾霾.仿真实验通过对即将举办亚运会的杭州和湖州两大城市进行分析预测,结果表明文章算法具有较高的预测准确率,稳定性和可靠性较高.     

基于分形流形学习的支持向量机空气污染指数预测模型北大核心CSCD

针对目前北京、上海和广州地区较严重空气污染问题,建立了基于分形流形学习的支持向量机空气污染指数预测模型.首先采用分形理论计算出空气污染数据集分形维数;其次根据分形维数,采用流形学习将高维空气污染数据集通过非线性映射嵌入到低维空间中,对空气污染数据集进行降维;最后建立基于高斯核的支持向量机预测模型对三地区空气污染指数进行预测.北京、上海和广州三地空气污染指数预测结果表明,该模型较传统预测模型,预测性能更优,具有良好的稳定性和有效性.     

融合基于MapReduce并行改进二元蚁群算法与分形维数的属性选择方法

属性选择是数据挖掘领域用于降低数据特征维度的预处理方法.针对大数据环境下高维数据的属性约简问题,提出了融合基于MapReduce并行改进二元蚁群算法与分形维数的属性选择方法.首先,引入了参数控制的位置更新策略、对蚂蚁个体与种群进行交叉变异、重新定义阻塞机制的信息素更新,提出了并行改进的二元蚁群算法MRIBACO.其次,以并行二元蚁群算法作为离散解空间的搜索策略,结合分形维数提出了属性选择模型.在6个UCI数据集上的实验结果表明,较其他方法计算效率更优,同时表明了其有效性与稳定性.