隨著經(jīng)濟(jì)的飛速發(fā)展和城市規(guī)模的不斷壯大,交通運(yùn)輸產(chǎn)生的尾氣排放已經(jīng)成為大氣污染的重要來(lái)源。為了采取有效的路網(wǎng)機(jī)動(dòng)車.排放控制策略,減少交通尾氣對(duì)環(huán)境造成的污染,構(gòu)筑綠色交通體系,需要根據(jù)車輛排放因子來(lái)對(duì)機(jī)動(dòng)車排放情況進(jìn)行科學(xué)量化評(píng)估。然而,排放因子計(jì)算方案的相關(guān)研究絕大多數(shù)集中在交通領(lǐng)域,使用計(jì)算機(jī)領(lǐng)域相關(guān)技術(shù)來(lái)計(jì)算排放因子的研究卻是一片空白。本文從計(jì)算機(jī)領(lǐng)域相關(guān)技術(shù)出發(fā),對(duì)機(jī)器學(xué)習(xí)算法在解決交通領(lǐng)域中的機(jī)動(dòng)車排放因子的計(jì)算及預(yù)測(cè)問(wèn)題上的可行性進(jìn)行了研究。通過(guò)使用數(shù)據(jù)挖掘中比較成熟的機(jī)器學(xué)習(xí)算法,對(duì)采集到的機(jī)動(dòng)車排放數(shù)據(jù)分析建模,最終取得了較好的預(yù)測(cè)效果。本文的主要工作內(nèi)容及創(chuàng)新點(diǎn)如下:(1)本文通過(guò)對(duì)采集到的機(jī)動(dòng)車排放數(shù)據(jù)分析建模,最終實(shí)現(xiàn)了 7個(gè)預(yù)測(cè)模型來(lái)對(duì)機(jī)動(dòng)車排放因子進(jìn)行預(yù)測(cè),并給出了具體的實(shí)現(xiàn)過(guò)程與各個(gè)模型的效果評(píng)估。通過(guò)與MOVES模型效果的對(duì)比,證明了機(jī)器學(xué)習(xí)算法在解決機(jī)動(dòng)車排放因子的計(jì)算及預(yù)測(cè)問(wèn)題上的可行性,為交通領(lǐng)域中機(jī)動(dòng)車排放因子的計(jì)算及預(yù)測(cè)方法提供了新思路。(2)本文通過(guò)對(duì)實(shí)現(xiàn)的7個(gè)預(yù)測(cè)模型的效果進(jìn)行評(píng)估,最終發(fā)現(xiàn)隨機(jī)森林回歸模型在解決機(jī)動(dòng)車排放因子的計(jì)算及預(yù)測(cè)問(wèn)...

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 引言
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文的研究?jī)?nèi)容與框架
    1.4 本章小結(jié)
2 相關(guān)理論研究
    2.1 交通排放模型
        2.1.1 MOVES模型
        2.1.2 COPERT模型
        2.1.3 IVE模型
    2.2 機(jī)器學(xué)習(xí)模型
        2.2.1 多元線性回歸模型
        2.2.2 多項(xiàng)式回歸模型
        2.2.3 CART決策樹模型
        2.2.4 隨機(jī)森林模型
        2.2.5 梯度提升決策樹模型
        2.2.6 極端梯度提升模型
    2.3 模型評(píng)估方法
        2.3.1 平均絕對(duì)誤差
        2.3.2 均方誤差
        2.3.3 決定系數(shù)
        2.3.4 校正決定系數(shù)
        2.3.5 交叉驗(yàn)證
    2.4 相關(guān)工具簡(jiǎn)介
        2.4.1 python簡(jiǎn)介
        2.4.2 scikit-learn簡(jiǎn)介
    2.5 本章小結(jié)
3 數(shù)據(jù)采集與預(yù)處理
    3.1 數(shù)據(jù)采集
    3.2 數(shù)據(jù)預(yù)處理
        3.2.1 數(shù)據(jù)清洗
        3.2.2 數(shù)據(jù)變換
        3.2.3 特征選擇
    3.3 實(shí)驗(yàn)環(huán)境
    3.4 本章小結(jié)
4 典型車輛排放因子預(yù)測(cè)研究
    4.1 MOVES模型預(yù)測(cè)
        4.1.1 預(yù)測(cè)模型構(gòu)建
        4.1.2 模型效果評(píng)估
    4.2 多元線性回歸模型預(yù)測(cè)
        4.2.1 預(yù)測(cè)模型構(gòu)建
        4.2.2 模型效果評(píng)估
    4.3 多項(xiàng)式回歸模型預(yù)測(cè)
        4.3.1 預(yù)測(cè)模型構(gòu)建
        4.3.2 模型效果評(píng)估
    4.4 CART回歸樹模型預(yù)測(cè)
        4.4.1 預(yù)測(cè)模型構(gòu)建
        4.4.2 模型效果評(píng)估
    4.5 隨機(jī)森林模型預(yù)測(cè)
        4.5.1 預(yù)測(cè)模型構(gòu)建
        4.5.2 模型效果評(píng)估
    4.6 梯度提升決策樹模型預(yù)測(cè)
        4.6.1 預(yù)測(cè)模型構(gòu)建
        4.6.2 模型效果評(píng)估
    4.7 極端梯度提升模型預(yù)測(cè)
        4.7.1 預(yù)測(cè)模型構(gòu)建
        4.7.2 模型效果評(píng)估
    4.8 實(shí)驗(yàn)結(jié)果分析
        4.8.1 結(jié)果比較
        4.8.2 結(jié)果總結(jié)
    4.9 本章小結(jié)
5 總結(jié)與展望
    5.1 研究總結(jié)
    5.2 研究展望
參考文獻(xiàn)
作者簡(jiǎn)歷及攻讀碩士學(xué)位期間取得的研究成果
學(xué)位論文數(shù)據(jù)集



本文編號(hào)：3841564