基于Apriori算法的大气污染物关联性分析研究.pdf

第26卷第9期2023年9月软件工程 S O F T W A R E E N G I N E E R I N GVol.26 No.9Sep.2023文章编号:2096-1472(2023)09-0008-04DOI:10.19644/ki.issn2096-1472.2023.009.002收稿日期:2 0 2 3-0 2-1 5基金项目:山西省软科学研究计划(2 0 1 9 0 4 1 0 2 3-5)基于A p r i o r i算法的大气污染物关联性分析研究郭艳萍,高 云,景 雯(山西大同大学计算机与网络工程学院,山西 大同 037009);摘 要:常用的空气质量等级分析方法由于没有考虑大气污染物之间的关联性,导致在治理空气质量时可能存在单一性和片面性。文章提出了基于A p r i o r i算法(关联规则算法)对各项大气污染物之间的关联性进行分析研究。该方法对获取的原始样本集进行了属性规约、数据离散化等预处理,将处理后的样本数据集输入模型,设置并调整了模型的最小支持度和最小置信度,直至输出符合现实意义的关联规则集合。根据实验得出的关联规则,证明空气污染问题通常是多种污染物共同作用的结果。关键词:A p r i o r i;大气污染物;支持度;置信度中图分类号:T P 1 8 1 文献标志码:AR e s e a r c h o n C o r r e l a t i o n A n a l y s i s o f A i r P o l l u t a n t s B a s e d o n A p r i o r i A l g o r i t h mGUO Yanping,GAO Yun,JING Wen(School of Computer and Network Engineering,Shanxi Datong University,Datong 037009,China);A b s t r a c t:Commonly used air quality grade analysis methods do not take into account the correlation between atmospheric pollutants,resulting in a potentially one-dimensional and one-sided approach to air quality control.The paper proposes to analyze and study the correlation analysis between various air pollutants based on Apriori algorithm(association rules algorithm).With the proposed method,the obtained original sample set is preprocessed by attribute specification and data discretization,and then,the processed sample data set is input into the model.The minimum support degree and minimum confidence degree of the model are set and adjusted until the output conforms to the association rule set of practical significance.The association rules obtained from experiments prove that air pollution problems are usually the result of a combination of pollutants.K e y w o r d s:Apriori;air pollutants;support degree;confidence degree 0引言(I n t r o d u c t i o n)在我国工业快速发展的背景下,随之而来的环境污染问题日益严重。根据产生环境污染原因的不同,引起的污染问题也不同,可分为水源污染、土壤污染、大气污染等。因此,在对待污染问题时不能一概而论,要针对不同类型的污染采用不同的治理措施。此外,由于各地出现的环境污染问题的污染物特点不尽相同,所以通过对污染物进行分类和按照污染物不同的特点,采取不同的措施治理环境污染问题已经成为当今环保工作者重点研究的问题。山西省大同市属于能源产出城市,大气污染是引起该市环境污染的主要原因之一1。目前,我国治理空气污染的主要指标依据是空气质量指数(A i r Q u a l i t y I n d e x,A Q I),A Q I值为空气质量分指数(I n d i v i d u a l A i r Q u a l i t y I n d e x,I A Q I)的最大值,I A Q I值最大的污染物即为首要大气污染物1-4。第 26卷第 9期郭艳萍等:基于 Apriori 算法的大气污染物关联性分析研究A p r i o r i算法通过对频繁项集进行挖掘,在大数据集上实现了提取关联规则,其主要思想为通过连接的方式生成候选项,计算其支持度,根据支持度进行剪枝,实现频繁项集的生成。空气质量虽然是由I A Q I值最高的污染物决定其等级,但是多数情况下并不是由单一的污染物作用的。本文使用A p r i o r i算法分析引起空气质量变化的多种大气污染物之间的关联性,为针对性地治理大气污染提出了新的思路。1A p r i o r i算法(A p r i o r i a l g o r i t h m)A p r i o r i算法主要是找出事务集中存在的最大频繁k-项集,并获得最大频繁k-项集,将其与最小置信度比较后生成强关联规则,即所求关联关系5。1.1支持度与置信度关联规则的相对支持度的公式:S u p p o r t(AB)=P(AB)(1)即,事务A和事务B同时发生在事务集中的概率。置信度公式:C o n f i d e n c e(AB)=P(A|B)(2)其中,条件概率P(A|B)=P(A B)P(A),即,如果事务A发生,则一定发生事务B的概率。放在事务集中进行研究,事务集中包含事务A的个数为事务A的支持度计数,也称为事务的计数或频率,从支持度计数推出规则AB的支持度公式:S u p p o r t(AB)=A,B同时发生的事务个数所有事务个数=S u p p o r t_c o u n t(AB)T o t a l_c o u n t(A)(3)从支持度计数推出置信度公式:C o n f i d e n c e(AB)=P(A|B)=S u p p o r t(AB)S u p p o r t(A)=S u p p o r t_c o u n t(AB)S u p p o r t_c o u n t(A)(4)1.2关联规则A p r i o r i算法分两个步骤实现。1.2.1步骤一:寻找最大频繁k-项集(1)对所有事务进行扫描,扫描得到的每一项组成候选1-项集C1,并计算每项成员的支持度。(2)C1中各项集的支持度与最小支持度进行比较,将小于等于该阈值的项集剔除后得到频繁1-项集,记为L1。(3)L1与L1连接得到候选2-项集C2,进行剪枝,保留C2中满足约束条件的项集得到频繁2-项集,记为L2。(4)L2与L1连接得到候选3-项集C3,并计算每一项的支持度,进行剪枝,保留C2中满足约束条件的项集得到频繁3-项集,记为L3。(5)循环以上步骤,得到频繁k-项集Lk。1.2.2步骤二:由频繁集产生关联规则步骤一中已经剔除了最小支持度小于等于预设阈值的项集,如果剩下的最小置信度满足预设阈值的规则,那么这些规则就是挖掘到的强关联规则。2大气污染物关联模型构建过程(C o n s t r u c t i o n p r o c e s s o f a i r p o l l u t a n t s c o r r e l a t i o n m o d e l)大气污染物关联性分析模型构建过程如图1所示。图1 大气污染物关联性分析模型构建过程F i g.1 C o n s t r u c t i o n p r o c e s s o f a i r p o l l u t a n t s c o r r e l a t i o n a n a l y s i s m o d e l大气污染物关联性分析主要包括以下步骤。(1)从相关站点获得大气污染物浓度日报表数据,并将其整理成原始数据。(2)对大气污染物浓度数据集进行数据预处理,包括数据清洗、属性规约和数据变换等操作。(3)经过“步骤(2)”形成建模数据,采用A p r i o r i算法,设置模型输入参数,获取各大气污染物与空气质量等级之间的关系。(4)结合实际空气质量划分结果,对模型关联规则结果进行分析,并且将模型挖掘结果应用到实际大气污染物研究中,最后输出获得的关联规则结果。3实验过程(E x p e r i m e n t a t i o n)3.1实验数据准备本次实验使用的数据集为山西省大同市2 0 1 7年、2 0 1 8年和2 0 2 1年三年的空气中各污染物浓度日均值报表数据,共计1 0 9 5条记录,每条记录包括P M2.5、P M1 0、N O2、S O2、C O、O3-8 h共6种污染物的浓度及其对应的A Q I和空气质量等级,部分原始数据集及格式如表1所示。表 1 部分原始数据集及格式表Tab.1 Part of the original data set and format table日期A Q I质量等级 P M2.5P M1 0N O2S O2C OO3-8 h2 0 2 1-0 1-0 11 1 1轻度污染1 0 4 1 1 1.0 7 8.7 5 6 7.0 1 0 0.082 0 2 1-0 1-0 21 2 0轻度污染1 1 9 1 2 0.0 8 7.5 0 6 4.0 1 0 0.092 0 2 1-0 1-0 31 1 6轻度污染1 1 3 1 1 6.0 8 7.5 0 6 6.5 9 0.092 0 2 1-0 1-0 4 9 2良9 29 0.0 8 3.7 5 5 1.0 7 0.02 32 0 2 1-0 1-0 51 1 4轻度污染1 1 4 1 1 1.0 8 3.7 5 5 2.5 9 0.01 02 0 2 1-0 1-0 6 6 2良6 25 9.0 4 5.0 0 2 7.0 3 5.03 72 0 2 1-0 1-0 7 3 4优2 83 4.0 3 3.7 5 2 1.0 3 0.03 12 0 2 1-0 1-0 8 9 5良9 58 5.0 7 2.5 0 5 7.0 8 2.51 92 0 2 1-0 1-0 91 2 2轻度污染1 2 29 7.5 8 6.2 5 5 8.0 8 2.51 72 0 2 1-0 1-1 01 0 0良1 0 08 1.5 7 2.5 0 5 0.5 5 5.02 1 注:P M2.5、P M1 0、N O2、S O2、O3-8 h的浓度单位为g/m3,C O的浓度单位为m g/m3。3.2数据预处理本实验中数据预处理过程包括数据清洗、属性规约和数据变换。数据来源于站点数据(在观测站点实测到的数据),针对原始大气污染物浓度数据集,经过数据预处理,形成建模数据集。9软件工程2023年9月3.2.1数据清洗在站点收集的数据中,存在无效的数据,即数据集中存在某一项或某几项大气污染物浓度为0的记录,如表2所示。表 2 无效的数据示例表Tab.2 Invalid data sample table日期A Q I质量等级 P M2.5P M1 0N O2S O2C OO3-8 h2 0 1 8-0 3-1 6 1 6 5中度污染005 11 4 03.45 62 0 1 8-0 3-1 7 6 4良003 98 61.87 92 0 1 8-0 3-1 8 9 2良6 81 1 34 81 3 23.54 72 0 1 8-0 3-2 6 1 2 2轻度污染002 96 01.59 72 0 1 8-0 3-2 7 7 0良003 59 81.56 12 0 1 8-0 3-2 8 4 9 6严重污染004 82 3 63.27 3 注:P M2.5、P M1 0、N O2、S O2、O3-8 h的浓度单位为g/m3,C O的浓度单位为m g/m3。大同市的实际空气质量情况是大气污染物浓度长期可能较低,但基本不存在污染物浓度都为0的情况,为了提高模型分析的准确性,需要对其进行处理,在原始数据集中将大气污染物浓度为0的记录直接删除,获得有效数据集。本次实验的原始数据集包含1 0 9 5条记录,删除3 1条无效数据后,有效数据集包含1 0 6 4条记录,数据有效率约为9 7%。由此可见,原始数据集的数据可靠性较高。3.2.2属性规约从表 1 可知,原始样本集数据共有9个属性,为了更有效地分析大气污染物之间的关联性,将其中与实验任务无关的属性剔除。经过分析可得,属性“日期”与“A Q I”与本次关联分析无关,因此选取其余7个属性值构成数据集进行分析,属性规约后的数据集如表3所示。表 3 属性规约后的部分数据Tab.3 Partial data after attribute specification质量等级P M2.5P M1 0N O2S O2C OO3-8 h7 81 7 26 38 44.01 69 01 9 07 07 84.01 78 51 8 27 08 33.61 76 81 3 06 75 22.84 68 61 7 26 75 53.62 04 46 83 62 71.47 31 93 42 72 11.26 17 11 2 05 86 43.33 79 21 4 56 96 63.33 47 01 2 74 55 83.13 8 注:P M2.5、P M1 0、N O2、S O2、O3-8 h的浓度单位为g/m3,C O的浓度单位为m g/m3。3.2.3数据变换本实验主要采用属性构造和数据离散化两种方法进行数据变换。首先进行属性构造,获得各项大气污染物的I A Q I值,然后离散化处理数据集,得到建模数据,该操作使用聚类算法完成。(1)属性构造。原始样本集中的各种大气污染物的属性值描述的是污染物浓度,但是每种污染物浓度的量纲不同,所以只看污染物浓度值是没有意义的,空气质量等级依赖每种污染物的I A Q I值,因此需要将污染物浓度转换为其对应的I A Q I值。计算污染物项目P的I A Q I值公式如下:I A Q IP=I A Q IH I-I A Q IL OB PH I-B PL O(CP-B PL O)+I A Q IL O(5)其中,I A Q IP为污染物项目P的I A Q I值;CP为污染物项目P的浓度值;B PH I与B PL O分别为污染物项目P与CP相近的污染物浓度高位限值与低位限值;I A Q IH I与I A Q IL O分别为污染物项目P与B PH I、B PL O对应的高位值与低位值。针对表1中各污染物浓度进行属性构造转化为I A Q I值后的数据集如表4所示。表 4 属性构造后的数据集Tab.4 Data set after attribute construction质量等级P M2.5P M1 0N O2S O2C OO3-8 h5 81 3 25 87 73.51 17 01 5 06 57 13.51 26 51 4 26 57 63.11 24 89 06 24 52.34 16 61 3 26 24 83.11 52 42 83 12 00.96 81 01 62 21 40.75 65 18 05 35 72.83 27 21 0 56 45 92.82 95 81 3 25 87 73.51 1-(2)数据离散化。由于A p r i o r i算法只适用于离散数据,无法对连续数值进行处理,即处理数据为A、B、C的类别值,而不是数字,因此为了将I A Q I数据值转换为适合A p r i o r i建模的格式,需要将数据进行离散化。本实验采用聚类算法对各污染物的I A Q I值进行离散化处理,空气质量根据受污染程度分为6个等级,因此将每个属性聚成6类,并将每两类中心的均值作为其边界点。聚类中心第一列的值设为0,使用边界值及聚类的个数得到结果如表5所示。表 5 边界值及聚类个数表Tab.5 Table of boundary values and number of clusters类别等级123456A02 7.5 7 7 4 8 4 6.9 1 7 6 8 7 0.5 1 4 1 51 0 1.5 6 5 4 01 6 3.1 4 1 5 0A n3 0 03 6 72 5 59 64 15B03 1.0 9 3 2 6 4 8.2 8 8 0 4 6 6.7 3 8 9 9 9 0.9 4 8 5 4 2 6 2.1 3 7 9 0B n1 2 22 2 83 9 12 6 45 81C02 0.5 1 1 4 9 2 9.6 0 0 0 4 3 9.3 0 3 1 6 5 0.5 3 9 8 3 6 5.8 7 5 8 0C n1 7 72 4 62 6 81 9 71 3 73 9D01 8.4 1 6 6 8 2 9.6 2 2 3 7 4 3.2 3 6 2 7 5 7.6 9 5 4 5 7 6.3 3 2 3 9D n3 6 32 8 31 9 81 2 37 42 3E02 1.0 8 5 2 2 3 1.3 6 3 9 4 4 4.2 3 0 0 8 6 0.8 2 6 1 3 7 9.8 7 5 6 7E n3 0 82 9 22 2 91 4 35 33 9F02 5.1 2 0 2 5 4 0.4 4 0 0 3 5 6.8 9 3 3 1 7 8.7 2 6 9 3 1 0 5.9 1 2 7 0F n1 3 73 1 12 4 82 0 01 2 24 6 将6类边界值求出后,即可将I A Q I属性值离散成为6种类别号,离散后的部分结果如表6所示。表 6 离散化后数据表Tab.6 Data sheet after discretization质量等级P M2.5P M1 0N O2S O2C OO3-8 hA 5B 5C 6D 5E 6F 1A 5B 5C 6D 5E 6F 1A 5B 5C 6D 5E 6F 101第 26卷第 9期郭艳萍等:基于 Apriori 算法的大气污染物关联性分析研究续表 质量等级P M2.5P M1 0N O2S O2C OO3-8 hA 4B 4C 6D 4E 5F 1A 5B 5C 6D 4E 6F 1A 3B 3C 4D 2E 3F 2A 2B 2C 3D 2E 2F 2A 4B 4C 6D 4E 6F 1A 5B 5C 6D 5E 6F 1A 4B 4C 6D 4E 4F 13.3模型构建本实验的目标是探索大气污染物浓度之间以及各污染物与空气质量等级之间的关联关系,因此采用A p r i o r i算法寻找上述关联关系。关联规则模型的主要用途是在数据集中挖掘其中数据项相互之间是否具有关联关系。A p r i o r i算法基于数据项的统计规律,寻找数据项之间隐藏着的未知关系,并分析其关联规则。根据分析得到的关联性,可以根据已知属性的信息对其他属性的信息进行推断6。当置信度满足阈值需求时,则认定为该规则成立。3.3.1大气污染物关联规则模型大气污染物关联规则模型流程图如图2所示。图2 大气污染物关联规则模型F i g.2 A i r p o l l u t a n t s a s s o c i a t i o n r u l e m o d e l从图2可以看出,模型主要由输入、算法处理、输出部分组成;输入部分包括建模参数的输入和建模样本数据的输入;算法处理采用A p r i o r i算法;输出结果为关联规则的结果。模型建立具体步骤如下7-8。(1)设置建模初始最小支持度和初始最小置信度。(2)模型样本数据集的输入。(3)以设置的模型参数和现实分析目标作为条件,使用A p r i o r i算法分析建模数据集,根据得到关联规则执行“步骤(4)”或“步骤(5)”。(4)如果所有挖掘到的规则都不满足条件,则对模型参数进行调整,返回“步骤(3)”执行。(5)挖掘到的规则满足条件且符合现实意义,输出关联规则结果集。实际应用中,对于最小支持度与最小置信度的设置并不是固定值,其中大部分应用都是根据实际需求和历史经验设置初始值,然后经过多次调整,获取与实际应用情况相符的关联规则结果。本实验设置模型的初始输入参数为最小支持度=0.0 5、最小置信度=0.6,得出关联规则数目较多且规则不明显。经过多次调整并结合实际业务分析,最终获得的实验结果是在最小支持度=0.0 6、最小置信度=0.7 5的条件下得出的。3.3.2模型结果分析根据上述模型运行结果,得出了8 9条关联规则,去除4 8条无意义的规则,有效规则为4 1条,部分有效规则如表7所示。表 7 模型运行部分结果表Tab.7 Partial results tale of the model operation有效规则支持度置信度A 2-F 4-0.0 7 9 4 5 2 0 5 51B 3-F 4-0.0 6 9 4 0 6 3 9 31B 2-F 4-0.0 6 3 9 2 6 9 4 11A 3-C 5-0.0 6 4 8 4 0 1 8 30.9 8 6 1 1 1 1 1 1C 2-F 4-0.0 6 3 0 1 3 6 9 90.9 8 5 7 1 4 2 8 6E 2-F 4-0.0 7 1 2 3 2 8 7 70.9 7 5 0 0 0 0 0 0A 1-F 4-0.0 6 5 7 5 3 4 2 50.9 7 2 9 7 2 9 7 3E 1-F 4-0.0 6 4 8 4 0 1 8 30.9 7 2 6 0 2 7 4 0D 1-F 4-0.0 9 1 3 2 4 2 0 10.9 6 1 5 3 8 4 6 2B 2-F 2-0.0 6 2 1 0 0 4 5 70.9 5 7 7 4 6 4 7 9 分析模型运行结果总结如下。(1)大同市空气质量近几年较好,空气质量等级分布如图3 所示。图3 空气质量等级分布图F i g.3 D i s t r i b u t i o n c h a r t o f a i r q u a l i t y l e v e l从图3可以看出,数据集中(1 0 9 5条数据)记录的空气质量等级基本集中在级和级,级占1 1%,级以下占比为1%。因此,使用A p r i o r i算法获得的规则也主要为级和级的规则,其中在4 1个有效规则中,3 9个为级,2个为级,规则分布符合实际情况。(2)以表7第一个规则为例,A 2-F 4-的支持度约为0.0 7 9 5,置信度为1,说明P M2.5的I A Q I值处于(2 5.5 7 7 4 8,4 6.9 1 7 6 8范围内,O3-8 h的I A Q I值处于(5 6.8 9 3 3 1,7 8.7 2 6 9 3 范围内,空气质量等级为级的可能性为1 0 0%,而发生这种情况的可能性约为7.9 5%。分析4 1个有效规则可知,大气污染物的占比分布如图4所示。(下转第3 2页)11软件工程2023年9月r e c o g n i t i o n o f t h e f r o n t v e h i c l eJ.J o u r n a l o f A d v a n c e d T r a n s p o r t a t i o n,2 0 2 0,2 0 2 0:1-1 5.2 F U Y C,L I C L,L U A N T H,e t a l.G r a d e d w a r n i n g f o r r e a r-e n d c o l l i s i o n:a n a r t i f i c i a l i n t e l l i g e n c e-a i d e d a l g o r i t h mJ.I E E E T r a n s a c t i o n s o n I n t e l l i g e n t T r a n s p o r t a t i o n S y s t e m s,2 0 2 0,2 1(2):5 6 5-5 7 9.3 B I A N Y G,D I N G J Y,HU M J,e t a l.A n a d v a n c e d l a n e-k e e p i n g a s s i s t a n c e s y s t e m w i t h s w i t c h a b l e a s s i s t a n c e m o d e sJ.I E E E T r a n s a c t i o n s o n I n t e l l i g e n t T r a n s p o r t a-t i o n S y s t e m s,2 0 2 0,2 1(1):3 8 5-3 9 6.4 D O O L E Y D,M C G I N L E Y B,HU G H E S C,e t a l.A b l i n d-z o n e d e t e c t i o n m e t h o d u s i n g a r e a r-m o u n t e d f i s h e y e c a m-e r a w i t h c o m b i n a t i o n o f v e h i c l e d e t e c t i o n m e t h o d sJ.I E E E T r a n s a c t i o n s o n I n t e l l i g e n t T r a n s p o r t a t i o n S y s t e m s,2 0 1 6,1 7(1):2 6 4-2 7 8.5 L I N Y C,N G U Y E N H L T.A d a p t i v e n e u r o-f u z z y p r e d i c-t o r-b a s e d c o n t r o l f o r c o o p e r a t i v e a d a p t i v e c r u i s e c o n t r o l s y s t e mJ.I E E E T r a n s a c t i o n s o n I n t e l l i g e n t T r a n s p o r t a-t i o n S y s t e m s,2 0 2 0,2 1(3):1 0 5 4-1 0 6 3.6 X I A O L Y,G A O F.A c o m p r e h e n s i v e r e v i e w o f t h e d e v e l-o p m e n t o f a d a p t i v e c r u i s e c o n t r o l s y s t e m sJ.V e h i c l e S y s t e m D y n a m i c s,2 0 1 0,4 8(1 0):1 1 6 7-1 1 9 2.7 R A J AMA N I R.V e h i c l e d y n a m i c s a n d c o n t r o lM.N e w Y o r k:S p r i n g e r S c i e n c e,2 0 0 6:1 5-9 3.8 蔡志鑫,古永鹏,董浩,等.基于M P C的无人驾驶汽车轨迹控制研究J.汽车实用技术,2 0 2 2,4 7(1):2 4-2 7.9 鲁雅阁,张志豪.基于M P C的智能汽车自抗扰控制J.内燃机与配件,2 0 2 3(1):2 0-2 3.1 0 谷磊.基于改进M P C算法的汽车稳定性控制研究J.机械设计与制造工程,2 0 2 2,5 1(9):5 9-6 4.1 1 石振新,冯剑波,王衍学.基于M P C和模糊控制的智能汽车路径追踪研究J.车辆与动力技术,2 0 2 2(2):7-1 1.1 2 W A N G H Y,L I U B,P I N G X Y,e t a l.P a t h t r a c k i n g c o n t r o l f o r a u t o n o m o u s v e h i c l e s b a s e d o n a n i m p r o v e d M P CJ.I E E E A c c e s s,2 0 1 9,7:1 6 1 0 6 4-1 6 1 0 7 3.作者简介:邢海涛(1 9 9 7-),男,硕士生。研究领域:自动驾驶算法,汽车应用软件开发,声表面波的应用。梁 威(1 9 8 5-),女,博士,副教授。研究领域:声表面波传感器与激发器的检测和控制。(上接第1 1页)图4 有效规则中大气污染物占比分布图F i g.4 D i s t r i b u t i o n c h a r t o f t h e p r o p o r t i o n o f a i r p o l l u t a n t s i n e f f e c t i v e r u l e s 综合以上分析,污染物主要来源为P M2.5和P M1 0,并且污染物之间确实具有一定的关联性。4结论(C o n c l u s i o n)本文基于A p r i o r i算法,分析大气污染物之间的关联规则,设置并调整了模型的最小支持度以及最小置信度,得出了符合现实意义的关联规则集合,并获得了具有现实意义的污染物关联性结论,实验结论表明,模型得出的关联规则是正确的。通过该结论给今后的空气治理方法提出了新的理论依据,也为今后大气污染物及空气质量研究提供了新的思路。参考文献(R e f e r e n c e s)1 高云,郭艳萍,张叶娥,等.基于K-m e a n s算法的空气质量分析的改进研究J.新型工业化,2 0 2 0,1 0(8):1 2 4-1 2 8.2 黄伟建,李丹阳,黄远.面向空气质量的时空混合预测模型J.计算机应用,2 0 2 0,4 0(1 1):3 3 8 5-3 3 9 2.3 L I H,X U X L,D A I D W,e t a l.A i r p o l l u t i o n a n d t e m p e r a-t u r e a r e a s s o c i a t e d w i t h i n c r e a s e d C O V I D-1 9 i n c i d e n c e:a t i m e s e r i e s s t u d yJ.I n t e r n a t i o n a l J o u r n a l o f I n f e c t i o u s D i s e a s e s,2 0 2 0,9 7:2 7 8-2 8 2.4 张戈一,苟家满.基于气象要素对于空气质量影响的探究J.山西建筑,2 0 2 0,4 6(1 5):1 4 8-1 4 9.5 张良均,王路,谭立云,等.P y t h o n数据分析与挖掘实战M.北京:机械工业出版社,2 0 1 6.6 郭阳秦.基于数据挖掘的银行业务集中耗时分析J.金融电子化,2 0 2 0(1 0):9 5-9 6.7 HU A N G Z Y,L I N S,L O N G L L,e t a l.P r e d i c t i n g t h e m o r b i d i t y o f c h r o n i c o b s t r u c t i v e p u l m o n a r y d i s e a s e b a s e d o n m u l t i p l e l o c a l l y w e i g h t e d l i n e a r r e g r e s s i o n m o d e l w i t h K-m e a n s c l u s t e r i n gJ.I n t e r n a t i o n a l J o u r n a l o f M e d i c a l I n f o r m a t i c s,2 0 2 0,1 3 9:1 0 4 1 4 1.8 B A I L,L I A N G J Y,C A O F Y.A m u l t i p l e k-m e a n s c l u s t e r i n g e n s e m b l e a l g o r i t h m t o f i n d n o n l i n e a r l y s e p a r a b l e c l u s t e r sJ.I n f o r m a t i o n F u s i o n,2 0 2 0,6 1:3 6-4 7.作者简介:郭艳萍(1 9 7 6-),女,硕士,讲师。研究领域:人工智能,深度学习。高 云(1 9 7 6-),女,硕士,讲师。研究领域:人工神经网络,深度学习。景 雯(1 9 7 9-),女,硕士,讲师。研究领域:计算机教育应用,网络安全,物联网。23