基于多元方法和时间序列的PM2.5浓度分析与预测

基于多元方法和时间序列的PM2.5浓度分析与预测

论文摘要

雾霾已经成为中国空气污染的一个突出问题。PM2.5是雾霾的主要构成成分,其原因复杂,来源广泛,危害严重。为了预测和控制PM2.5浓度,必须对PM2.5进行深入的检测和研究。首先,本文对长沙市PM2.5污染的影响因素进行分析,通过将PM2.5浓度数据与空气质量指数其余五项指标进行散点图和相关关系分析,以及对PM2.5浓度数据与气象因素五个指标进行同步变化折线图和相关关系分析,发现PM2.5与PM10具有很强的正相关关系,PM2.5与CO、2以及2具有较强正相关关系,PM2.5与3之间相关关系为负但不显著。PM2.5与气压呈中等程度正相关关系,与温度、相对湿度、降水量、风速呈负相关依次减弱。进一步根据分析构建主成分分析模型和逐步回归模型,通过模型拟合和预测效果对比选出相对更优影响因素分析模型为逐步回归模型。其次,通过对PM2.5历史数据进行时间序列分析,构建ARIMA模型,预测出2017年12月28日至12月31日这四天的PM2.5浓度值。预测平均相对误差为12.35%,短期预测效果较好。最后,本文通过构建BP神经网络对长沙市PM2.5污染进行分析与预测,将2015年和2016年的PM2.5相关数据作为训练样本,2017年的相关数据作为测试样本,构建的神经网络预测空气质量等级准确预测以及可信预测天数之和为358天,百分比高达98.08%。空气质量指数预测值与实际值平均相对误差为18.21%,PM2.5浓度预测值与实际值平均相对误差为22.34%,验证了将BP神经网络运用于长沙市PM2.5较长期预测的可能性。本文对长沙市PM2.5浓度时间序列数据建立主成分回归模型、逐步回归模型、ARIMA模型和BP神经网络模型,来对长沙市PM2.5浓度进行分析与预测,为长沙市的PM2.5防治提供了相关建议。

论文目录

  • 中文摘要
  • 英文摘要
  • 第一章 绪论
  •   1.1 研究背景及意义
  •     1.1.1 研究背景
  •     1.1.2 研究意义
  •   1.2 国内外研究现状
  •     1.2.1 国外研究现状
  •     1.2.2 国内研究现状
  •   1.3 本文的结构安排与创新
  •     1.3.1 本文的结构安排
  •     1.3.2 创新点
  • 第二章 数据的收集及预处理
  •   2.1 数据来源
  •   2.2 数据的预处理
  • 第三章 长沙市PM2.5污染的背景与概况
  •   3.1 长沙的地理和气象背景
  •   3.2 长沙的空气污染概况
  • 第四章 长沙市PM2.5污染的影响因素分析
  •   4.1 大气中PM2.5污染影响因素分析
  •   4.2 PM2.5与空气质量指数其余5个指标间的相关分析
  •   4.3 PM2.5浓度与气象因素的相关性分析
  •     4.3.1 PM2.5浓度与气温的关系
  •     4.3.2 PM2.5浓度与风速的关系
  •     4.3.3 PM2.5浓度与相对湿度的关系
  •     4.3.4 PM2.5浓度与气压的关系
  •     4.3.5 PM2.5浓度与降水量的关系
  •   4.4 基于主成分分析的影响因素分析模型
  •   4.5 基于逐步回归分析的影响因素分析模型
  •   4.6 模型比较
  • 第五章 长沙市PM2.5的时间序列预测
  •   5.1 时间序列分析方法概述
  •     5.1.1 基本概念
  •     5.1.2 ARMA模型及其性质
  •     5.1.3 ARMA模型的建模步骤
  •     5.1.4 ARIMA模型及其性质
  •     5.1.5 ARIMA模型的建模步骤
  •   5.2 基于时间序列分析的PM2.5 浓度预测
  •     5.2.1 原始数据平稳性检验
  •     5.2.2 模型识别与参数估计
  •     5.2.3 模型的检验
  •     5.2.4 模型的预测
  • 第六章 长沙市PM2.5污染的BP神经网络预测
  •   6.1 神经网络概述
  •     6.1.1 神经网络概念
  •     6.1.2 神经元结构模型
  •   6.2 BP神经网络
  •     6.2.1 BP神经网络预测流程
  •     6.2.2 BP算法的改进
  •   6.3 基于Matlab的 BP神经网络对PM2.5进行预测
  •     6.3.1 输入数据预处理
  •     6.3.2 网络结构及网络训练
  • 第七章 总结与展望
  •   7.1 本文总结
  •     7.1.1 研究结论
  •     7.1.2 相关建议
  •   7.2 展望
  • 参考文献
  • 致谢
  • 文章来源

    类型: 硕士论文

    作者: 王赛兰

    导师: 夏学文

    关键词: 主成分回归,逐步回归,时间序列分析,神经网络

    来源: 湖南师范大学

    年度: 2019

    分类: 基础科学,工程科技Ⅰ辑,经济与管理科学

    专业: 数学,环境科学与资源利用,宏观经济管理与可持续发展

    单位: 湖南师范大学

    分类号: F224;X513

    总页数: 61

    文件大小: 2061K

    下载量: 432

    相关论文文献

    • [1].基于非稳态时间序列的生理控制模型研究[J]. 系统工程理论与实践 2020(02)
    • [2].基于多样化top-k shapelets转换的时间序列分类方法[J]. 计算机应用 2017(02)
    • [3].时间序列趋势预测[J]. 现代计算机(专业版) 2017(02)
    • [4].基于分型转折点的证券时间序列分段表示法[J]. 商 2016(31)
    • [5].基于ARMA模型的股价预测及实证研究[J]. 智富时代 2017(02)
    • [6].《漫长的告别》(年度资助摄影图书)[J]. 中国摄影 2017(04)
    • [7].王嵬作品[J]. 当代油画 2017(07)
    • [8].基于模糊时间序列的计算机信息粒构建研究[J]. 粘接 2020(10)
    • [9].基于时间序列挖掘的合成旅装备维修保障能力预测[J]. 系统工程与电子技术 2020(04)
    • [10].风速时间序列混沌判定方法比较研究[J]. 热能动力工程 2018(07)
    • [11].土壤退化时间序列的构建及其在我国土壤退化研究中的意义[J]. 土壤 2015(06)
    • [12].基于信息颗粒和模糊聚类的时间序列分割[J]. 模糊系统与数学 2015(01)
    • [13].不确定时间序列的降维及相似性匹配[J]. 计算机科学与探索 2015(04)
    • [14].时间序列的异常点诊断方法[J]. 中国卫生统计 2011(04)
    • [15].基于独立成分分析的时间序列谱聚类方法[J]. 系统工程理论与实践 2011(10)
    • [16].面向不确定时间序列的分类方法[J]. 计算机研究与发展 2011(S3)
    • [17].一种基于频繁模式的时间序列分类框架[J]. 电子与信息学报 2010(02)
    • [18].超启发式组合时间序列预报模型[J]. 福建电脑 2020(08)
    • [19].基于深度学习的时间序列算法综述[J]. 信息技术与信息化 2019(01)
    • [20].基于时间序列符号化模式表征的有向加权复杂网络[J]. 物理学报 2017(21)
    • [21].基于互相关的二阶段时间序列聚类方法[J]. 计算机工程与应用 2016(19)
    • [22].基于期货市场行为的时间序列切分及表示方法研究[J]. 中国管理信息化 2015(19)
    • [23].基于形态特征的时间序列符号聚合近似方法[J]. 模式识别与人工智能 2011(05)
    • [24].基于模糊时间序列对我国对外贸易中的进口水平的预测[J]. 统计与决策 2010(23)
    • [25].模糊变量时间序列及其应用[J]. 辽宁工程技术大学学报(自然科学版) 2010(06)
    • [26].时间序列流的分层段模型[J]. 小型微型计算机系统 2009(04)
    • [27].发动机转速时间序列分形特征分析[J]. 机械科学与技术 2008(11)
    • [28].基于HDAD的异构航空数据异常检测的研究[J]. 计算机仿真 2020(03)
    • [29].重庆藕塘滑坡地下水位时间序列混沌性判别与预测[J]. 人民长江 2020(S1)
    • [30].基于能量过滤的不确定时间序列数据清洗方法[J]. 智能计算机与应用 2019(04)

    标签:;  ;  ;  ;  

    基于多元方法和时间序列的PM2.5浓度分析与预测
    下载Doc文档

    猜你喜欢