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。     

基于地理加权回归张力样条函数的广西PM2.5浓度插值

针对广西地区PM2.5污染情况,利用广西气象站数据通过反距离加权插值得到广西地区空气质量监测站的气象数据,然后结合空气质量监测站数据及其气象数据插值结果建立地理加权回归张力样条函数(geographically weighted regression-tension splinefunction,GWR-TSF)插值模型,并用该模型进行广西PM2.5浓度插值分析.研究结果表明,GWR-TSF模型的PM2.5浓度插值效果较好,其均方根误差为2.34μg/m3,较普通克里金(ordinary Kriging,OK)模型和地理加权回归(GWR)模型分别提高了20.68％和25.71％;而平均绝对误差为2.13 μg/m3,较OK模型和GWR模型分别提高了20.22％和11.62％,对区域PM2.5监测预警具有一定的参考价值.     

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。     

保山市隆阳区PM10浓度与气象因子的相关性研究

根据保山市隆阳区2009年1—12月的PM10质量浓度资料以及同期的气象资料,对PM10平均质量浓度数据在不同时间和空间上进行分析,并采用逐步回归方法建立了空气污染物PM10与气象因子的回归模型。模型结果表明,PM10预测值与实测值比较吻合,变化趋势一致。结合该课题得到的结论和PM10产生的根源,提出了PM10污染防治措施。     

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.     

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.     

广州市住宅室内PM2.5排放源的定量计算

对广州市部分采样住宅室内、室外PM2.5的浓度进行了15 min平均的实时监测.室内浓度系列与室外浓度系列相比,出现多个明显的浓度峰,定性判断住宅室内存在一定的排放源.结合物质平衡模型、线性回归模型及室内外实时监测浓度线性拟合情况,定量计算住宅室内PM2.5排放源源强,结果表明3个采样住宅的PM2.5室内排放源的平均排放强度为6 417-9 779μg.h-1.     

PM2.5的时间分布与演变扩散研究

最初利用时间序列——指数平滑法来分析PM2.5的时间分布情况.考虑到在分析过程中不确定PM2.5与时间之间存在怎样的关系,所以分别建立了一次、二次及三次指数平滑模型,通过对比分析最终确定PM2.5与时间的具体关系.为了更好的控制和治理PM2.5污染物,则需要对其扩散规律进行分析,基于此,本文建立了基于高斯扩散模型的PM2.5污染物扩散模型,建模过程中,首先建立了大气稳定状态下的基本模型,然后在此基础上又进一步建立了能够反映风速、温度以及湿度对PM2.5扩散产生影响的基本模型,具有一定的适用性.     

基于多元统计的PM2.5分析与预测——以合肥地区为例

为验证多元统计方法在PM2.5分析及预测方面的适用性,以合肥地区为例,收集了2015全年的PM2.5数据,借助于统计分析软件R进行了相关实验。通过PM2.5与各个影响因素之间的散点图,发现部分影响因素和PM2.5存在着较强的线性关系,据此建立关于PM2.5的多元线性回归模型。在保证各个变量不相关、独立条件下,对模型进行了验证。根据验证结果,选用了逐步回归分析方法得到了一个新模型。根据调整R2最大的原则确定了最终模型。最后选用了RMSE、MAE和Theil不相等系数对模型的预测效果进行了检验,模型整体预测效果较好。     

基于深度学习的PM2.5短期预测模型

为了提高PM2.5浓度短期预报的准确率,解决现有PM2.5浓度短期预报准确率不高的问题,提出了一种基于卷积神经网络和长短时记忆的深度学习预报测型.首先,综合考虑气温、相对湿度、降水量、风力、能见度等多种气象要素,综合分析气象要素与PM2.5浓度相关性.其次,利用PM2.5浓度数据、气象站点观测数据和气象要素网格实况分析数据进行融合处理,生成用于训练和测试的时空序列数据,并使用卷积神经网络和长短时记忆网络获取时空特征.通过大量实验确定模型中关键参数,然后利用最优参数建立预测模型.最后,使用模型对PM2.5未来24 h浓度进行预测,并与支持向量机、业务中的预报模型进行对比.实验结果表明,相比其他机器学习方法和预报方法,卷积神经网络和长短时记忆相结合的预测方法能有效提高PM2.5浓度未来24 h预测精度,并具有较高的泛化能力.     

长春市PM_(10)污染特征及与气象因素的相关分析

为了研究长春市PM10污染特征以及影响PM10浓度的因素,利用长春市PM10的实时监测资料,分析长春市PM10浓度的季节变化特征和污染程度.并利用同期的气象资料,建立PM10浓度和气象因素之间的多元线性回归模型,来进行两者之间的相关分析.采用逐步回归法,建立了"最优"回归方程,分析不同季节对污染物浓度有显著影响的气象因素,从而为长春市大气污染防治和雾霾天气预测提供科学依据.结果表明,长春市PM10浓度冬季偏高、夏季偏低、春季和秋季居中,2013年全年中1、4、10月份出现了不同程度的高污染现象,日平均浓度最高值达到591μg/m3.研究发现对长春市PM10有显著影响的气象因素主要有当日平均风速和最高最低气温温差.     

PM2.5影响因素的主成分回归分析与预测

应用主成分分析和多元回归分析法对空气质量指数(AQI)进行分析,首先对数据进行Alpha可靠性分析、主成分分析得到两个主成分变量,进而对它们和PM2.5浓度进行多元回归分析,并且进行显著性检验,发现PM2.5与这两个主成分变量具有线性回归关系,最终得到一个1-α的置信区间,从而结合实际提出一些降低PM2.5浓度的对策。     

基于遗传算法寻优的SVR雾霾预测模型

针对雾霾天气愈发严重及难以预测的问题,提出一种以GA(遗传算法)优化支持向量回归机(SVR)参数的预测模型.首先利用因子分析对气象因子降维,然后再通过GA对SVR的参数寻优,并把最优参数带入SVR模型,对保定PM2.5浓度进行预测.对比参数模型的预测结果,为雾霾预测选出一种新的模型.     

乌鲁木齐市PM2.5质量浓度增速的动态分析

采用基于长期约束下的结构向量自回归(SVAR)方法,以SO_2排放来刻画乌鲁木齐PM2.5质量浓度增长.GDP冲击、城市化人口水平冲击表现为近似反向的现象,使得SO_2冲击总是比GDP、城市化人口冲击滞后一期,大约在第10期对SO_2排放增速的影响为0.在讨论PM2.5质量浓度增速的影响因素中,归因于经济增长的比重约为11.2%.通过回归模型得到,经济增速对PM2.5质量浓度增速的边际效应为2.280,人口增长对PM2.5质量浓度增速的边际效应为12.293.最后,通过稳定性检验得到模型相关参数的稳定性.     

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PM模型的改进SIRT图像重建算法

在实际的扫描过程中,投影数据不可避免地受到各种噪声的干扰,影响重建图像的精度,从而给后续的图像处理带来许多困难.为提高图像重建的质量,提出了一种新的图像重建算法.首先,分析PM模型的优缺点,并在此基础上对该模型进行改进,然后利用改进的PM模型来处理SIRT算法迭代后的结果,使得SIRT重建算法与PM模型去噪可以循环交替...     

基于遗传算法优化支持向量回归机的网格负载预测模型

提出一种基于遗传算法优化支持向量回归机的模型进行网格负载预测,使用遗传算法和交叉验证技术解决了支持向量回归机参数难以确定的问题.标准数据集仿真实验结果表明,该模型与试验法定参的支持向量回归机和BP神经网络相比具有更优的预测性能.     

基于主曲线的空气悬浮颗粒物质PM10的预测

对空气中有害物质(例如PM10)的浓度进行预测具有重要的现实意义,但绝大多数情况下,这类数据具有不均衡、在线贯序到达的特点,利用传统监督学习方法较难以实现快速、有效的预测。为解决该问题,提出了一种基于主曲线的PM10预测方法,建立在2010年到2012年PM10的模型,拟合得到相应的参数,最终得到主曲线预测模型,并通过大量实验分别设定不同浓度PM10相应的阈值。研究表明,基于主曲线的PM10预测模型预测速度快、误差低,同时网络结构更加紧凑。     

基于非参数核回归的福州市PM2.5实证研究

采用非参数核回归方法,研究福州市PM2. 5质量浓度与气象变量、其他污染物之间的关系.核回归拟合结果表明在控制其他变量取中位数时,PM2. 5质量浓度与温度、风速呈现负相关,与PM10、CO质量浓度整体上呈现正相关,小范围内波动剧烈. PM2. 5与NO2的关系表现出周期性,随着NO2质量浓度的不断增大,PM2. 5质量浓度表现为先减小后增大再减小的趋势. PM2. 5与SO2呈正相关.不同风向影响差异较大,其中当风向是东北风时PM2. 5质量浓度较高.非参数核回归的拟合优度和均方误差均比逐步回归效果更优.     

佛山市禅城区空气中PM_(10)变化特征及其防治对策

通过选择佛山市禅城区具有代表性的6个监测点.对空气中可吸入颗粒物(PM10质量浓度进行监测.在收集大量监测数据的基础上.分析PM10的时间与空间变化特征.并提出防治对策和建议以控制PM10的污染.