南宁市PM2.5浓度与气象因素的关系研究

摘 要 空气污染主要与污染源的排放、气象条件、地形地貌三方面因素有关。对南宁市空气质量指数与气象因素的关系进行研究,进一步探究空气污染的主要污染源PM2.5与气象因素之间的关系,分析了促进空气污染发生的气象条件。并在此基础上建立多元线性模型对空气污染物PM2.5的浓度值进行预测。结果表明预测模型拟合度R2值最大达到了0.747,说明了该模型预测效果良好并能够适用于南宁市空气污染物PM2.5的监测和预报。     

基于多元线性回归的PM2.5 含量的影响因素研究

针对PM2.5含量的影响因素,利用搜集到的2015年1月1日至7月31日蚌埠地区每日的AQI指数和AQI六项基本监测指标数据,建立了多元线性回归模型,对PM2.5含量与其它5项分指标及其对应污染物含量之间的关系进行定量研究,并通过拟合优度检验、F检验、t检验等方法对模型进行检验,最后得到了准确可靠的多元线性回归模型,此模型具有拟合程度高、简易、直观等优势,为多元线性回归模型在PM2.5含量分析中的应用提供了有力参考。     

模糊时序与支持向量机建模相结合的PM2.5质量浓度预测

为解决进行PM2.5质量浓度预测中多因素回归模型的不稳定、神经网络模型的过拟合及局部最小等问题,提出应用支持向量机和模糊粒化时间序列相结合的方法,对PM2.5质量浓度未来变化趋势和范围进行预测.根据PM2.5不同季节的日变化周期模式,确定以24 h为周期的粒化窗宽,利用三角型隶属函数对数据样本进行特征提取作为支持向量机的输入,并在k重交叉验证法下采用网格划分寻找出模型的最佳参数.以2013年3月—2014年2月北京市海淀区万柳监测点四个季节PM2.5的1 h质量浓度监测值为样本数据,应用该方法建立PM2.5质量浓度的时间序列预测模型,并在MATLAB平台下应用LIBSVM工具实现计算过程.结果表明,基于模糊粒化时间序列的预测模型,能较好解决PM2.5机理性建模方式下由于影响因素考虑不全而造成的预测结果不稳定,对模糊粒子拟合效果较好.     

基于BP人工神经网络的大气颗粒物PM10质量浓度预测

根据2008年长沙市火车站监测点全年大气PM10及气象参数的小时平均数据,建立BP人工神经网络预测模型,预测PM10小时平均浓度。为证明人工神经网络模型用于预测PM10质量浓度的准确性,研究中考虑2种预测模型:多元线性回归模型与人工神经网络模型。研究结果表明:与传统的多元线性回归模型相比,人工神经网络模型能够捕捉污染物浓度与气象因素间的非线性影响规律,能更好地预测PM10质量浓度,拟合优度R2有较大提高;所选取气象参数及污染源强变量能较准确地描述大气PM10质量浓度的实时变化,用于PM10质量浓度的预测准确度较高,整体R2可达0.62;人工神经网络预测模型不仅适用于一般污染浓度情况,对于高污染时期PM10质量浓度的预测也较为准确。     

基于Pearson相关指标的BP神经网络PM2.5预测模型

为了降低PM2.5设备预测成本,同时分析大气因素与污染物的相关性,选取O3、CO、PM10、SO2、NO2污染物指标预测PM2.5,之后加入温度、湿度、风力等大气指标,建立综合气象的指标体系,采用pearson算法对指标进行合并,用pearson相关指标的BP神经网络的方法再次对PM2.5做预测。对比实验证明,基于pearson相关指标的BP神经网络PM2.5预测模型在提高了预测准确率的同时降低了预测的时间复杂度,起到了降低PM2.5预测成本的目的。     

基于ARMAX的PM_(2.5)小时浓度跟踪预测模型

针对目前缺乏小时尺度上PM_(2.5)浓度统计预测模型以及已有模型预测精度对训练数据的依赖问题,利用天津市环保物联网监测到的污染物及气象数据,建立了PM_(2.5)小时浓度预测的多元时间序列模型(ARMAX),并提出一种模型在线自适应改进方法:设定模型评价指标并实时监测,当模型预测精度超标时对模型进行在线更新.将改进后的模型应用于天津市的9个监测站点,用2013—2014年的监测数据对模型进行验证.结果表明:模型均方根误差RMSE20,μg,平均绝对误差MAE20,μg,拟合优度R20.9,能够在小时尺度下有效地预测PM_(2.5)浓度,可以为突发性PM_(2.5)污染事件的应急处理提供决策支持.     

PM2.5浓度预测模型的应用

空气中PM2.5浓度问题越来越受到各界的关注。根据PM2.5浓度数据的特征,首先选择ARIMA预测模型进行浓度预测;考虑到BP神经网络易陷入局部最小,而遗传算法具有全局搜索的能力,给出了遗传算法优化的BP神经网络预测模型;为了进一步提高预测精度,引入IOWGA算子,将ARIMA预测模型与遗传算法优化的BP神经网络预测模型相组合,给出了基于IOWGA算子的组合预测模型;最后经过实例仿真分析验证了模型的可行性和有效性,为PM2.5浓度预测提供基础资料。     

芜湖市PM_(2.5)的影响因素分析与预测

本文针对芜湖市PM_(2.5)的影响因素分析与预测研究,分别建立了多元线性回归和ARMA预测等模型,使用EVIEWS、EXCEL等软件编程求解,研究得出:PM10和CO对PM_(2.5)浓度的变化影响较大,符合芜湖市PM_(2.5)浓度变化的ARMA(1,2)模型.最后为政府和环境部门有针对性地治理PM_(2.5)污染问题提供较为科学的建议.     

PCA-BP模型下皖北城市群PM2.5浓度分析

为探究皖北城市群大气污染物在不同地域、不同时间下的分布规律以及影响空气中PM2.5浓度的相关变量,结合2018-2021年安徽省生态环境厅统计数据及相关地域资料,采用主成分分析(PCA)法按时间段长短及季节性变化分别选取月度数据与年度数据对空气质量的影响因子做相关性分析,对比分析不同季节下空气污染物PM2.5、PM10的浓度及其它空气污染物的变化,构建基于PCA算法的反向传播神经网络 (BP),建立PCA-BP模型并采用交叉-验证法提高模型精度,对大气中的污染物PM2.5浓度做短期预测。实验结果表明:PM2.5浓度的主要影响因子为PM10、CO、NO2、SO2;皖北地区PM2.5含量整体在冬季偏高;预测模型的精度在夏季与秋季较高,冬季较低,四季的预测精度R2分别达到0.924、0.958、0.935、0.794。     

基于Bass模型的中国移动通讯产品扩散研究

本文基于Bass模型进行扩展,并以手机扩散为例实证,通过对模型预测能力的评价,验证Bass模型对中国移动通讯产品扩散研究的适用性。运用多元统计分析和多变量分析方法对模型的拟合度和早期数据波动影响进行分析,结果表明Bass模型适用于中国移动通讯产品扩散研究,但模型预测效果会受到扩散初期数据波动的影响。     

基于多元时间序列的PM2.5预测方法

针对利用多元线性回归和时间序列模型预测PM2. 5时,存在信息利用不全面和预测精度不高的问题,提出了基于多元时间序列(ARMAX)的PM2. 5预测方法;方法在回归项中引入了PM2. 5影响因子在时间序列上的滞后性阶数,并对残差序列进行信息提取,建立了PM2. 5浓度预测模型;首先通过"天气后报网"采集了合肥市2017年和2018年污染物数据;完成了数据的预处理及相关性分析;分别建立了PM2. 5浓度预测的多元线性回归模型、时间序列模型和ARMAX模型;最后通过RMSE、MAE和Theil不相等系数3个评价指标,将3个模型预测精度进行比较;结果表明:ARMAX模型的预测精度显著高于单一的时间序列模型或多元线性回归模型。     

深圳PM2.5浓度变化趋势及其月尺度预测方法

基于深圳市环境监测站的PM2.5浓度数据以及深圳市国家气候观象台发布的月度气象监测公报,研究了2012年至2019年深圳市PM2.5浓度的变化规律,分析了PM2.5浓度与月尺度气候要素的关系,并利用多元线性回归分析法建立了PM2.5月均浓度的预测模型。结果表明：2012年至2019年深圳PM2.5浓度呈明显下降趋势,PM2.5浓度有季节性特征,干季(1~3月及10~12月)PM2.5浓度比较高,也是PM2.5污染防控的重要时段。月降水日数、月降水量以及月平均温度与PM2.5浓度的负相关较明显,偏北风频率与PM2.5浓度呈显著正相关,可一定程度上帮助预判月均PM2.5浓度。与前人研究结果相反,月平均相对湿度与PM2.5浓度呈显著负相关。包含气象因素项以及PM2.5浓度项的月平均PM2.5浓度预报模型拟合度较高,偏北风频率、月平均相对湿度是对月平均PM2.5浓度影响最大的气象因素。利用深圳市2020年数据对模型进行检验,结果证明方程对于月平均PM2.5浓度的预报有一定适用性,可较好预报PM2.5浓度月增量。     

空气中PM2.5演变规律的研究——以合肥市为例

针对空气中PM2.5的演变规律问题,运用SPSS定量分析PM2.5浓度和气温、风力、湿度等气象因素与季节因素的相关系数,定性分析PM2.5浓度在气温、风力、湿度等气象因素与季节因素影响下的变化特征,结合传统的大气点源高斯扩散及其法定推荐修正模型,逐步改进,建立多因素影响下的多元高斯扩散模型,并通过残差检验模型的合理性.     

基于盘口数据的足球赛事结果预测

首先通过Python工具爬取了英格兰足球甲级联赛部分比赛的赔率数据,接着对数据进行了预处理、相关分析和主成分分析,并根据数据特征,选用了logistics回归模型进行建模,得到足球赛事结果的预测模型,最后对模型预测的准确率进行了验证,方法可用于足球比赛结果的预测中。     

基于二向注意力循环神经网络的PM2.5浓度预测

针对PM2.5浓度预测模型效果不稳定、泛化能力差的问题,以循环神经网络和注意力机制为基础,提出了二向注意力循环神经网络（TDA RNN）。首先,TDA-RNN模型通过注意力机制获取输入数据的时序注意力和类别注意力,并将其进行融合;然后通过特征编码器对融合后的数据进行编码,获得中间特征;最后将中间特征与PM2.5浓度的历史信息融合,并通过特征解码器获取预测值。对北京地区的PM2.5浓度进行了预测。结果表明,相比前向型神经网络、长短期记忆神经网络、门控循环单元模型和滑动平均模型,TDA-RNN模型预测精度更高;在抗干扰测试中,当输入数据存在无关因素时,TDA RNN模型的预测精度出现轻微下降,但仍高于其他模型。该二向注意力循环神经网络特征提取能力强,预测精度高,同时可适用于其他场景的多变量时间序列预测。     

基于滑动窗口和LSTM的PM2.5浓度预测模型

随着环境空气质量日趋重要,PM2.5浓度也逐渐受到重视.以北亡市某空气质量监测站2010.1.1～2014.12.31的PM2.5浓度的小时数据以及对应的气象数据作为样本进行实验.首先对数据进行预处理,考虑到PM2.5前后关联性很强这一特点,将数据进行基二时间的滑动窗口处理以利用数据的时序性,然后对各气象因子进行皮尔逊相关分析,构建了5层长短期记忆(LSTM)网络模型,引入了学习率指数衰减方法,来预测1 h后的PM2.5浓度,并将其与Lasso回归、支持向量回归(SVR)模型、XGBoost模型对比,发现构建的LSTM模型预测效果最好.     

基于Vague集及隐马尔科夫的大学生心理危机预测

现有关于大学生心理问题的研究主要停留在心理健康教育层面,对心理问题的发现缺乏有效手段,难以准确预知大学生心理危机.针对这一问题,应用隐马尔科夫模型对大学生心理危机进行预测,分析影响大学生心理健康的因素,并利用Vague集理论构造核心因素集;确立隐马尔科夫模型各个要素的初始值,建立预测大学生心理危机的模型,运用Baum-Welch算法对模型参数进行训练,并结合Viterbi算法进行预测.根据某大学学生心理健康评估原始记录进行实例分析,验证了模型的正确性.研究结果表明,采用核心因素集能够提高预测的准确性,为预知大学生心理问题提供有效的途径.     

北京某地铁车站细颗粒物分布特性研究

为了解地铁环境细颗粒物(PM2.5)污染状况,本文对北京地铁车站PM2.5的浓度进行测试,对北京地铁车站PM2.5分布规律及其浓度的影响因素进行研究。选择复杂的换乘车站—宋家庄车站,针对地铁的公共区(站厅、站台)采用多测点连续测试的方式进行测试。分析结果表明,在室外环境PM2.5污染程度低于重度污染的情况下,地铁车站PM2.5浓度高于室外;列车的频率(活塞风)会造成车站公共区的PM2.5浓度呈现周期性变化。相关性分析表明,地铁站内外细颗粒物之间的相关性显著,颗粒物(PM2.5与PM10)之间的相关性显著。对地铁站内细颗粒物影响颗粒物浓度的相关因素进行分析,明确了客流量、车站温湿度对地铁内PM2.5浓度的影响不显著。     

建立变系数部分线性固定效应模型分析PM2.5与其他空气污染物的相关关系

以陕西省西安市13个空气观测地点的污染物观测资料为依据，运用统计学分析方法，建立了研究大气污染物PM2.5的浓度与包括当天和前一天SO2、NO2、PM10、CO、O3在内的11个观测指标在空气中浓度相关关系的模型。首先通过做散点图和计算相关系数来确定PM2.5和所选解释变量间相关关系，继而根据结果建立变系数部分线性固定效应模型，同时估计模型中各参数，并对模型中线性部分做变量选择，从而近一步优化所建立的模型。最后，将改进后模型的计算结果与实际情形对比分析，证实本文所得结论与实际情形相符合，表明所建模型良好。     

河南省供暖期大气污染特征及预测分析——以郑州市为例

近年来河南省大气污染问题引起社会的广泛关注,但有关供暖期间大气污染方面的研究相对较少.以郑州市为例,分析郑州市供暖期间大气颗粒物的浓度变化并进行预测,对提高当地空气质量具有重要意义.基于2014-2016年郑州市空气质量监测数据和同期气象数据,利用SPSS相关分析和BP神经网络模型,分析郑州市供暖期间PM2.5、PM10的超标情况、日变化特征,探究气象要素对PM2.5和PM10的影响,最后预测AQI指数的变化.结果表明:2014年供暖期郑州市空气质量相对较差,PM2.5和PM10平均质量浓度超标率最高;2015年供暖期郑州市空气质量相对较好,PM2.5和PM10平均浓度变化幅度较大;2014-2016年供暖期间郑州市PM2.5和PM10浓度具有明显的日变化特征,呈现双峰型变化;2014-2016年供暖期郑州市PM2.5、PM10与日均气温相关性不显著,与日均风速呈显著负相关,与日均相对湿度呈显著正相关;当供暖期郑州市主导风向为正西风时,污染天气出现频率较低;利用BP神经网络预测2016年AQI的精度较高,预测值与实测值相关系数为0.85.