基于数据分析的PM2.5浓度预测模型研究

基于数据分析的PM2.5浓度预测模型研究

论文摘要

当今,伴随着我国经济迅猛发展,工业、交通、服务业等诸多方面为人们生活带来了极大物质需求。同时,人口密集、工业聚集和交通过载等因素,导致许多城市空气污染极为糟糕。其中,雾霾天气在多地集中爆发,严重危害人们生活与环境,而PM2.5已经成为空气污染主要因素之一。因此,了解PM2.5浓度变化规律、污染等级及影响因素,建立PM2.5浓度预测模型,能够为人们生活和环境管理部门提供参考依据。本文以北京工业大学监测站采集数据为实验样本,运用统计方法对不同季节、逐时PM2.5浓度变化规律以及相关影响因素进行研究,为选取合适模型输入变量奠定理论基础,同时采用机器学习方法建立预测模型,对大气中PM2.5浓度进行预测。本文主要研究内容如下:1.根据搜集历史数据,分析PM2.5浓度不同季节和逐时变化规律。研究结果表明,秋、冬两季PM2.5浓度较高,并且表现为夜间明显高于白天趋势。同时,为了寻找可靠模型输入变量,从污染物和气象因子角度出发,对大气中PM2.5浓度相关影响因素进行相关性研究。研究结果表明,PM2.5与PM10、NO2、SO2以及温度呈强正相关性,而与相对湿度呈强负相关性。因此,在建立PM2.5浓度预测模型过程中,应该充分考虑PM10、NO2、SO2以及温度、相对湿度对大气中PM2.5浓度影响。2.提出基于BPAdaboost神经网络的PM2.5浓度预测模型。首先,运用灰色关联分析方法移除冗余变量;然后,运用粒子群算法(Particle Swarm Optimization,PSO)对BPAdaboost神经网络权值阈值进行寻优;最后,通过仿真实验分析,该模型预测性能要优于其它几种预测模型。然而,通过对原始PM2.5浓度和仿真结果进行研究后发现,PM2.5浓度有着高度不确定和非平稳特点,PM2.5浓度在某些时刻可能会存在突变,单模型预测性能不够理想,导致预测误差较大,因此单一预测模型精度亟需改善。3.提出基于互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)和多模型的PM2.5浓度预测模型。首先,针对PM2.5浓度具有较强非线性和非平稳性特征,采用CEEMD方法对其进行分解;其次,分别建立四种单变量和多变量PM2.5浓度预测模型;然后,通过自适应权值调整策略,得到最终PM2.5浓度预测结果;最后,进行仿真实验分析,该模型预测精度明显优于各单一预测模型。然而,所提出模型需要分别对各IMF(Intrinsic Mode Function,IMF)进行单独预测,具有一定计算复杂度,并且PM2.5浓度存在较强随机性,期望包含更多不确定性信息。因此,针对上述所存在问题,本文将继续研究PM2.5浓度区间预测模型。4.提出基于Elman神经网络(Elman Neural Network,ENN)的PM2.5浓度区间预测模型。首先,针对上述建模过程中存在计算复杂度较高问题,利用样本熵(Sample Entropy,SE)对其进行优化,从而减小在建模过程中复杂度;其次,对区间预测模型质量评价指标做出阐述,并提出一种新颖的优化准则PSO算法,对Elman神经网络权值β和阈值b进行寻优;然后,建立基于多输入双输出Elman神经网络的PM2.5浓度预测模型,实现PM2.5浓度区间预测;最后,仿真结果表明,与ENN和CEEMD-SE-ENN相比,CEEMD-SE-PSO-ENN能够显著地提高预测结果可靠性和有效性。

论文目录

  • 摘要
  • Abstract
  • 第1章 绪论
  •   1.1 课题背景及研究意义
  •     1.1.1 课题背景
  •     1.1.2 研究意义
  • 2.5 浓度研究现状'>  1.2 PM2.5浓度研究现状
  • 2.5 浓度相关影响因素研究现状'>    1.2.1 PM2.5浓度相关影响因素研究现状
  • 2.5 浓度预测模型研究现状'>    1.2.2 PM2.5浓度预测模型研究现状
  •   1.3 论文研究内容
  •   1.4 论文结构安排
  • 第2章 数据准备及分析
  •   2.1 研究站点与数据基础
  •   2.2 数据预处理
  • 2.5 浓度变化特征'>  2.3 PM2.5浓度变化特征
  • 2.5 浓度相关影响因素'>  2.4 PM2.5浓度相关影响因素
  • 2.5 浓度与气象因子关系'>    2.4.1 PM2.5浓度与气象因子关系
  • 2.5 浓度与其它污染物浓度关系'>    2.4.2 PM2.5浓度与其它污染物浓度关系
  •   2.5 本章小结
  • Adaboost神经网络的PM2.5 浓度预测模型'>第3章 基于BPAdaboost神经网络的PM2.5浓度预测模型
  •   3.1 灰色关联分析
  • Adaboost神经网络'>  3.2 BPAdaboost神经网络
  •     3.2.1 核心思想
  •     3.2.2 算法流程与步骤
  •   3.3 粒子群算法
  •   3.4 预测模型设计与实验分析
  •     3.4.1 实验数据与环境
  •     3.4.2 模型评价指标
  • Adaboost神经网络的PM2.5 浓度预测模型'>    3.4.3 建立BPAdaboost神经网络的PM2.5浓度预测模型
  • 2.5 浓度预测结果及分析'>    3.4.4 PM2.5浓度预测结果及分析
  •   3.5 本章小结
  • 2.5 浓度预测模型'>第4章 基于CEEMD和多模型的PM2.5浓度预测模型
  •   4.1 互补集合经验模态分解
  •     4.1.1 经验模态分解
  •     4.1.2 集合经验模态分解
  •     4.1.3 互补集合经验模态分解
  •   4.2 最小二乘支持向量机
  •     4.2.1 统计学习理论
  •     4.2.2 支持向量机
  •     4.2.3 最小二乘支持向量机
  •   4.3 Elman神经网络
  •     4.3.1 Elman神经网络结构
  •     4.3.2 Elman神经网络学习算法
  • 2.5 浓度预测模型设计'>  4.4 CEEMD和多模型的PM2.5浓度预测模型设计
  •   4.5 仿真实验分析
  •     4.5.1 实验数据处理
  •     4.5.2 实验设计与结果分析
  •   4.6 本章小结
  • 2.5 浓度区间预测模型'>第5章 基于Elman神经网络的PM2.5浓度区间预测模型
  •   5.1 样本熵
  •     5.1.1 熵的起源与发展
  •     5.1.2 样本熵
  • 2.5 浓度区间预测模型设计'>  5.2 基于Elman神经网络的PM2.5浓度区间预测模型设计
  •     5.2.1 Elman神经网络区间预测模型
  •     5.2.2 评价指标与优化准则
  • 2.5 浓度区间预测模型具体步骤'>    5.2.3 PM2.5浓度区间预测模型具体步骤
  •   5.3 仿真实验分析
  •     5.3.1 实验数据处理
  •     5.3.2 实验设计与结果分析
  •   5.4 本章小结
  • 结论与展望
  • 参考文献
  • 攻读硕士学位期间所发表学术论文
  • 致谢
  • 文章来源

    类型: 硕士论文

    作者: 梅建想

    导师: 李晓理

    关键词: 浓度预测,粒子群算法,互补集合经验模态分解,最小二乘支持向量机,神经网络

    来源: 北京工业大学

    年度: 2019

    分类: 基础科学,工程科技Ⅰ辑

    专业: 数学,环境科学与资源利用

    单位: 北京工业大学

    分类号: X513;O212

    DOI: 10.26935/d.cnki.gbjgu.2019.000605

    总页数: 72

    文件大小: 2043K

    下载量: 99

    相关论文文献

    • [1].天津市PM_(2.5)污染特征与来源解析[J]. 环境工程 2019(11)
    • [2].“2+26”城市大气重污染下PM_(2.5)来源解析[J]. 中国环境科学 2020(01)
    • [3].PM_(2.5)中水溶性离子的采样与测定综述[J]. 昆明学院学报 2019(06)
    • [4].道路降尘PM_(2.5)水溶性离子特征研究[J]. 环境科学与管理 2019(12)
    • [5].安阳市大气PM_(2.5)中水溶性离子季节特征及来源解析[J]. 环境科学 2020(01)
    • [6].天津市PM_(2.5)浓度时空分布特征及重污染过程来源模拟分析[J]. 环境科学研究 2020(01)
    • [7].2016年青岛市部分公共场所室内环境烟草烟雾PM_(2.5)和尼古丁监测分析[J]. 中国健康教育 2019(12)
    • [8].公园林带对PM_(2.5)含碳组分和水溶性离子浓度的影响[J]. 江苏农业科学 2019(24)
    • [9].PM_(10)监测仪检测用国家一级标准物质的研制[J]. 中国计量 2020(02)
    • [10].长春市供暖季办公建筑室内PM_(2.5)中金属元素的污染特征及风险评估[J]. 环境污染与防治 2020(02)
    • [11].盘锦市秋季PM_(2.5)水溶性离子特征及来源分析[J]. 环境科学学报 2020(02)
    • [12].洞庭湖PM_(2.5)重污染期水溶性离子污染特征和来源[J]. 农业现代化研究 2020(01)
    • [13].基于2015~2018年实时监测数据对关中平原城市群PM_(2.5)时空变化规律的研究[J]. 地球与环境 2020(02)
    • [14].北京典型城区冬季PM_(2.5)水溶性离子特征[J]. 矿业科学学报 2020(02)
    • [15].太原市森林公园林带对空气PM_(2.5)的净化效率[J]. 西北林学院学报 2020(02)
    • [16].南通市冬季PM_(2.5)中水溶性离子污染特征[J]. 环境监控与预警 2020(02)
    • [17].泰安市夏季PM_(2.5)中正构烷烃和糖类化合物的化学组成及其来源[J]. 环境科学 2020(03)
    • [18].森林覆盖率及其他空气污染物和气象要素对PM_(2.5)的影响——以黑龙江省13个市(区)冬季为例[J]. 东北林业大学学报 2020(04)
    • [19].间接蒸发冷却新风机组净化室内PM_(2.5)特性[J]. 安全与环境学报 2020(01)
    • [20].长沙市MODIS气溶胶光学厚度与PM_(2.5)浓度的相关性研究[J]. 科技资讯 2020(04)
    • [21].中美大气污染的空间交互影响——来自国家和城市层面PM_(2.5)的经验证据[J]. 中国人口·资源与环境 2020(03)
    • [22].天津市高校夏季道路扬尘PM_(2.5)中水溶性离子污染特征及来源[J]. 环境科学学报 2020(05)
    • [23].锦州经济技术开发区PM_(2.5)超标原因分析及治理对策[J]. 环境保护与循环经济 2020(02)
    • [24].西安PM_(2.5)与城市绿地植被覆盖度关系的研究[J]. 城市建筑 2020(03)
    • [25].菏泽市秋冬季PM_(2.5)水溶性离子化学特征分析[J]. 环境科学研究 2020(04)
    • [26].不同PM_(2.5)污染地区的住宅室内空气净化器配置选型[J]. 建筑科学 2020(04)
    • [27].国内空气PM_(2.5)的污染现状与优化途径分析[J]. 环境与发展 2020(04)
    • [28].基于气态污染物的京津冀PM_(2.5)浓度模型研究[J]. 环境科学与管理 2020(02)
    • [29].石家庄市大气PM_(2.5)中重金属污染特征及健康风险评价[J]. 环境与健康杂志 2019(07)
    • [30].基于集总参数模型的室内PM_(2.5)浓度预测[J]. 中国环境科学 2020(02)

    标签:;  ;  ;  ;  ;  

    基于数据分析的PM2.5浓度预测模型研究
    下载Doc文档

    猜你喜欢