摘要: 空气质量监测是指人类在某一特定区域内对空气质量状况进行监测，而空气质量状况既能体现出空气污染物的浓度状况，还能为空气质量指数预测提供依据。随着国家经济的快速发展和人民生活水平的逐渐提高，空气污染已经成为国民重点关注的问题。杭州市作... 展开 空气质量监测是指人类在某一特定区域内对空气质量状况进行监测，而空气质量状况既能体现出空气污染物的浓度状况，还能为空气质量指数预测提供依据。随着国家经济的快速发展和人民生活水平的逐渐提高，空气污染已经成为国民重点关注的问题。杭州市作为国家生态文明建设的试点城市，空气污染状况备受关注，因此准确有效的空气质量指数不仅可以使人们合理安排出行时间、提前准备口罩等相关防具、在保护自身健康的同时还可以为规划城市建设与防治城市污染的相关管理人员提供参考依据。 在数据爆发式增长的时代，人工智能的快速发展已经逐渐适应了时代发展形势，机器学习作为人工智能发展的产物，逐步成为解决疑难问题的处理手段。本论文以杭州市2016年至2018年的空气质量污染物的监测数据作为研究对象，采用群智能优化算法与最小二乘支持向量机算法作为研究方法对空气质量指数进行预测，研究内容如下：（1）对杭州市空气质量相关原始数据进行数据预处理操作，划分训练集与测试集，最后确定预测结果的相关评价指标。（2）针对鲸群算法（Whale Optimization Algorithm，WOA）本身的不足之处，提出了对数惯性权重策略与高斯差分变异策略构造出改进鲸群算法，然后对改进鲸群算法从两个方面进行实验测试，实验结果表明改进鲸群算法收敛精度、收敛速度以及鲁棒性方面与其他群智能优化算法相比更具优势。（3）分别将粒子群算法（Particle Swarm Optimization，PSO）、鲸群算法和改进后的鲸群算法（IGWOA）对最小二乘支持向量机算法（Least Squares Support Vector Machine，LSSVM）中的参数进行优化，建立PSO-LSSVM、WOA-LSSVM和IGWOA-LSSVM的空气质量指数预测算法，将IGWOA-LSSVM预测算法与其他预测算法性能进行比较分析。（4）为了进一步提高预测算法的性能并缩短算法运行时间，在IGWOA-LSSVM预测算法中引入自适应Lasso方法（Adapting Lasso，AL），构造出AL-IGWOA-LSSVM预测算法，实验结果表明该算法的预测准确度有效提高，同时算法运行时间得以降低。 本文构造出的最优预测算法：AL-IGWOA-LSSVM，以最小二乘支持向量机作为基础预测算法，同时将改进后的鲸群算法作为参数寻优的辅助算法，最后引入自适应Lasso方法来进一步增强算法性能，结果证实该算法为空气质量指数的预测与评价提供了新的研究手段，为相关管理人员提供新的理论依据。 收起