基于LPWAN和AQI指数预测的空气质量监测系统

针对传统空气质量监测系统抗干扰能力差、稳定性不高以及AQI指数预测精度不足等问题,设计了一种集低功耗广域物联网LPWAN、One-NET云平台和循环神经网络GRU于一体的空气质量监测系统。系统利用LoRa技术采集环境参数,集合云平台技术、SSA-VMD-GRU模型实现远程监控和预测AQI指数。通过通信测试,结果表明通信距离1000米内,通信率在96%以上,丢包率不超过4%。将采集到的特征参数用传统的GRU模型、VMD-GRU模型和本文提出的SSA-VMD-GRU模型进行训练、测试仿真和对比,结果表明SSA-VMD-GRU模型相较于传统的GRU模型和VMD-GRU模型对AQI指数有更好的预测效果,均方根误差RMSE和平均绝对误差MAE均有降低,预测误差率在3%以内。该系统能够实现对空气质量的实时监控和AQI指数的精准预测,为准确发布空气质量预警提供借鉴。     

熵在空气质量指数(AQI)预测中的应用

为了更准确地找出影响空气质量指数的气象因子与提高其预测精度,提出了基于熵、BP神经网络和时间序列模型的组合预测模型。该方法利用增加了特征变量的转移熵方法,得到影响AQI的气象因子及其影响度,将得到的气象因子与AQI实测值作为BP神经网络的输入因子和时间序列分析模型的特征因子,影响度作为BP神经网络输入因子的初始权重,构建BP神经网络预测模型和时间序列分析预测模型,最后用熵值法组合各个预测模型的预测结果。实验表明利用该方法对空气质量指数进行预测可提高其预测精度。     

基于SVR-BP算法的江苏省空气质量指数预测

针对江苏省空气质量指数(air quality index, AQI)的预测问题,提出一个将反向(back-propagation, BP)神经网络与ε-支持向量回归机(ε-support vector regression,ε-SVR)算法相结合的SVR-BP回归算法。对训练集采用ε-SVR进行样本筛选组成新的样本集,再采用BP神经网络进行预测。样本集选取的时间跨度为2 a,样本数据为江苏省共98个监测点空气中各成分的含量。分别采用SVR-BP算法、BP神经网络和ε-SVR算法在数据更新频度不同的3个模型下对未来72 h的AQI进行预测。实验结果表明:本研究提出的SVR-BP算法的平均绝对百分误差较ε-SVR算法提升了4%～19%;训练时间比BP神经网络少0.1～2.5 s。SVR-BP算法预测AQI更为高效,在实时训练及样本筛选方面有更广阔的研究前景。     

基于AQI指数的中国城市空气质量时空分布特征

基于2014-2016年中国环境保护部公布的城市空气质量指数(air quality index,AQI)日报数据,综合运用空间插值法、空间自相关模型、核密度估计模型等空间数据统计模型探究中国城市空气质量时空分布及动态演进特征。结果显示:(1)2014-2016年中国城市的AQI呈下降的趋势,空气污染城市数量减少,表明城市空气质量有所改善;中国城市AQI季节均值为:冬季春季秋季夏季,夏、秋两季空气质量空间分异格局不显著,春、冬两季的空间分异格局显著,呈北高南低、内陆高沿海低的季节性空间分布格局。(2)中国城市AQI空间分布呈现出持续增强的空间集聚态势,形成以冀鲁豫三省交界处为核心并蔓延至湖北省中北部的中度污染区和以乌鲁木齐和阿图什市为核心的中度污染区,以珠三角城市群为核心的华南地区是稳定的空气质量优良区。(3)从核密度估计图可以发现中国城市空气质量空间分布格局表现为6个显著核心密度区和3个次级核心密度区,2014-2016年内该基本格局在局部区域发生较明显变化。本文通过不同的时间尺度全面分析了中国城市空气质量的空间分布特征,旨在为中国各个城市制定相关的空气质量防治政策提供科学依据。     

基于海洋捕食者算法和ELM的空气质量指数预测

针对极限学习机(Extreme Learning Machine,ELM)模型参数选取敏感问题,文章提出一种改进的海洋捕食者算法(Improved Marine Predator Algorithm,IMPA)优化极限学习机的权重和偏置。首先,针对海洋捕食者算法初始种群的多样性不足,运用准反射学习策略生成高质量的初始猎物种群。其次,引入柯西变异策略更新种群,增强算法的全局寻优能力。然后,运用纵横交叉策略对猎物种群进行修正,进一步提高算法搜索精度。最后,将改进后的海洋捕食者算法优化极限学习机的权重和偏置,构建了一种IMPA-ELM预测模型用于空气质量指数预测。实验结果表明,IMPA-ELM预测模型在空气质量指数预测精度上有所提高。     

基于AQI的九江市空气质量统计预报方法

利用九江市2014—2017年气象观测站常规观测的气象资料和九江市环境监测站污染物日平均浓度资料、AQI日均值和首要污染物等观测要素,通过统计学方法对不同季节内地面气象要素和AQI做相关性分析,并选取相关性好的因子分别做回归分析并建立预报方程,结果表明:1)相对于全年回归预报方程,不同季节的气象要素与AQI的相关程度不同,不同季节的回归方程对AQI指数的预报准确率高; 2)由于污染物的累积特征,前一天的AQI与当天AQI相关系数高达0.66,在回归的过程中,前一天的AQI值做为最重要的一项参数; 3)春季、夏季由于降水比较明显,且由O_3造成的污染日数相对较多,而高温和日照对O_3有显著的相关,所以AQI的预报能力较强;秋冬季由于外来输送污染严重和PM_(2.5)首污的日数增加,气象要素的相关性较低,预报能力也随之降低。     

基于空气质量指数AQI的空间自相关特征分析——以福建省为例

以福建省9个地级市为研究对象，运用时间序列模型、全局空间自相关分析、K-medoids聚类及相关分析等研究方法，探索福建省各地级市空气质量指数的空间自相关特征。研究结果显示，相比秋冬两季，各地级市春夏两季的空气质量相关性较低，具体表现为，春夏两季各地级市莫兰指数（Moran's I）显著较低 。以空气质量指数AQI的6个空气质量分指标作为聚类标准进行研究，发现福建省地级市的空气相关性区分为两大类。进一步对AQI进行相关性分析，发现AQI与PM10、PM2.5、NO2分指标高度相关，由此说明，空气微粒与NO2是福建空气污染的主要来源。空气质量季节上的分布差异，可以为政府准确地制定治理方案提供有力证据。     

基于改进麻雀搜索算法的空气质量指数预测

为更准确地预测空气质量指数(Air Quality Index, AQI),提出一种基于改进麻雀搜索算法(Improved Sparrow Search Algorithm, ISSA)的AQI预测模型(ISSA-BP)。利用麻雀搜索算法(Sparrow Search Algorithm, SSA)的全局搜索性能对BP神经网络的权值和阈值进行优化,解决传统BP神经网络在预测AQI过程中出现的收敛速度慢、易陷入局部最优等问题。同时,针对SSA在优化过程中的缺陷,引入立方映射和优化策略增强算法的全局搜索及收敛能力,进一步提高预测性能。应用ISSA-BP模型预测杭州市AQI,实验结果表明,与其他模型相比,该模型的预测精度有显著提升。本研究为大气污染防治提供了新的预测方法。     

基于分解与集成的空气质量指数预测

为了能够准确地预测空气质量指数（AQI）,建立了基于集合经验模态分解（EEMD）-样本熵（SE）的极限学习机（ELM）和门控循环单元（GRU）组合的AQI预测模型。首先利用EEMD算法对AQI数据进行分解,得到一组不同尺度的本征模态函数分量和残余分量;其次计算各分量SE值,根据各分量SE值将各分量重新组合成新的序列,并将新序列按其复杂程度经过GRU模型或ELM模型进行预测;最后将所有结果叠加得到AQI预测值。实验结果表明,与反向传播（Back Propagation,BP）神经网络模型、长短期记忆网络（Long Short-term Memory,LSTM）模型、ELM模型、GRU模型、EEMD-SE-ELM模型、EEMD-SE-GRU模型和EMD（经验模态分解）-SE-ELM-GRU模型相比,基于EEMD-SE-ELM-GRU的组合预测模型其预测误差最小,预测精度最高。     

基于人工智能的动态马尔科夫模型预测空气质量指数

采用人工智能算法对北京市空气质量指数199个数据序列进行拟合得到拟合值序列和预测值,结合数据的动态变化特点,再与马尔科夫链结合进行动态预测,预测精度优于基于灰色理论的GM(1,1)模型和基于BP算法的神经网络模型。     

利用Excel软件中VBA批量计算环境空气质量指数（AQI）

本文根据国家新发布的《环境空气质量指数（AQI）技术规定》（试行）中空气质量指数的分级方案、计算方法和环境空气质量级别与分类,利用Excel软件中VBA编程批量计算环境空气质量指数,以降低数据分析人员的工作量,提高数据准确度.     

季节指数修正GM（1，1）模型在空气质量预测中的应用

在GM（1,1）模型基础上建立季节指数修正GM（1,1）模型,并应用到郑州市空气质量预测中,应用实例表明,该模型对含有季节变动因素的时间序列的预测,具有较好的效果．     

基于改进集成学习算法的在线空气质量预测

为了实现空气质量的在线预测,提出了一种基于XGBoost算法的改进集成学习算法OPGBoost。首先对PI(plant information)实时数据库系统进行二次开发,构成大数据挖掘与分析平台,运用数据融合工具对原始数据进行预处理,并采用Boruta算法进行特征选择,从而构造出包含更多属性特征量的有效数据集。然后对XGBoost算法中的一阶和二阶导数进行优化,并通过时间滑动窗口和衰减函数机制获取训练数据以及训练模型的权重,最后采用Bagging集成学习策略构成OPGBoost组合模型。实验结果表明,针对基于PM2.5浓度和AQI表征的空气质量预测,本文方法与4种已有算法相比在准确性和实用性方面具有明显的优势,能够较精确地预测未来1、12、24h的空气污染情况。     

基于初始划分的标签传播社区发现算法

采用标签传播算法进行社区发现时间效率高,无需人工参数,但容易产生精度限制的问题.研究了启发式的标签传播算法,快速地进行社区的初始划分,大量减少了初始标签的个数,进行标签迭代传播来修正初始划分得到最终的社区.理论分析和实验证明这种方法在不增加时间复杂度的情况下,提高了准确率,并有效消除了精度限制的现象.     

基于相似度投票的社区划分改进算法

为快速、 准确地对日益复杂的大规模社会网络进行社区划分, 提出一种基于相似度投票的改进算法替代Louvain算法的底层划分, 解决了Louvain算法在底层划分收敛速度较慢, 并出现大量重复计算的缺点, 使社区划分更迅速. 由真实社会网络数据实验结果可见, 与Louvain算法相比, 改进算法在保持模块度基本不变的情况下, 效率显著提高, 划分的社区数更少、 社区结构更紧凑.     

基于机器学习在空气质量指数中的应用

利用机器学习和多元线性回归模型对西安市近一年的空气质量指数进行了研究,首先利用随机森林思想对数据进行了补齐,然后运用交叉验证对神经网络模型选取最优的隐层节点数和训练周期数,最后,通过比较两种模型的拟合效果发现,神经网络模型在对空气质量指数的预测效果明显好于多元线性回归模型。     

多维AR（p）与指数平滑组合预测算法的研究及应用

介绍了时间序列多维AR(p)模型和指数平滑模型的理论和方法，将这两种模型结合起来构成新的组合预测模型，并用于预测测井曲线．应用实例证明，多维AR(p)与指数平滑组合预测模型比单独用多维AR(p)预测模型有更高的预测精度．表明该组合预测模型是一种非常有效的预测新方法．