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.     

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。     

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.     

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。     

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.     

基于神经网络的PM2.5预测模型

目前PM2.5的计算主要采用物理方法,其成本较高.为此,通过采集空气中O3,CO,PM10,SO2,NO2的浓度数据,选择神经网络方法建立PM2.5预测模型.实验结果表明,该模型对PM2.5的预测准确率较高.     

空气中PM2.5浓度的灰色预测与关联因素分析

2013年1月开始,国内持续的大范围雾霾天气,将PM2.5问题推向了舆论热潮的顶峰.结合武汉市监测点的数据建立灰色预测GM(1,1)模型,并编写VB程序建立GM(1,1)系统,对未来短期PM2.5浓度变化进行预测,弥补了监测过程中缺失的数据.此外,根据武汉市空气质量监测数据和京津冀、上海、广东及全国其他地区的工业废气、粉尘排放量数据进行灰色关联度分析,得出CO,O3,NH3和NH4NO3与PM2.5浓度的相关性较强,从而为进一步研究PM2.5提供科学依据.     

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。     

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。     

西安地区PM2.5扩散预测评估简

选取西安为研究对象,通过建立能够刻画该地区PM2.5发生和演变（扩散与衰减等）规律的数学模型,完成对该地区污染扩散预测评估.通过采用PCA方法确定西安地区PM2.5的扩散中心,并构建线性抛物型方程对一般情况下的扩散进行刻画,针对突发情形,即当PM2.5浓度最高点处增至2倍时,采用高斯模型对数据进行扩散的预测和评估,计算出PM2.5的污染扩散范围.最后通过比较完成对该地区的污染预测评估.?更多还原     

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。     

空气中PM2.5问题的研究

利用曲线拟合的方法建立了空气中PM2.5浓度以及质量的预测和评价的高斯扩散模型。模型考虑了数据相对于风力、湿度、时间的变化情况、数据之间存在着相互联系,对未来西安市PM2.5的情况进行了合理的预测。通过曲线拟合和非线性回归并利用统计软件SPSS,数学软件MATLAB、1stOpt 1.5以及绘图软件Sufer进行编程计算,给出了问题的解答:西安地区PM2.5的浓度从一月到四月逐渐降低。对西安市13个监测点四个月的PM2.5的浓度分区进行了初步污染评估:小寨和临潼区属于中度污染区;高压开关厂、兴庆小区和纺织城等9个监测点属于重度污染区;高新西区和草滩属于严重污染区。     

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。     

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.     

长沙市PM2.5浓度时空分布特征及影响因子分析

为分析长沙市PM2.5浓度时间变化特征、空间分布特征及其影响因子,利用数据统计分析、克里金空间插值技术、地理探测器等方法与Arc GIS平台表达,选取长沙市中心城区10个监测点2013—2019年PM2.5日变化数据.结果显示:在PM2.5浓度时间变化特征方面,不同季节中,PM2.5浓度表现出冬季>秋季>春季>夏季的季节特征,不同时段中,各季节PM2.5浓度日均小时变化曲线均大致呈双峰形态;在PM2.5浓度空间变化特征方面,PM2.5浓度的高值区主要分布在中部芙蓉区,整体呈城区向郊区逐渐递减的变化规律.根据地理探测器研究结果发现,2017年长沙主城区PM2.5浓度主要受气温、降雨和风速因子影响,其次是道路、相对湿度、气压和人口密度,高程、植被和餐饮因子影响较小;且任意两个影响因子共同作用均会对PM2.5浓度影响增强.     

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。