首页> 正文

PM2.5浓度变化规律及预测模型研究

2020-12-08阅读(854)

PM2.5浓度变化规律及预测模型研究

论文摘要

近年来,中国的空气污染问题非常严重,特别是在京津冀地区,经常出现长期、持续的雾霾天气。PM2.5作为加重雾霾的主要因素之一,不仅影响人们的日常生活,而且对人们的健康构成严重威胁。因此,掌握PM2.5浓度的变化规律和影响因素,探索有效的PM2.5浓度预测模型,具有十分重要的科学意义。本文首先研究了PM2.5浓度的变化规律和相关影响因素,然后分别根据不同的样本集建立了两种不同的预测模型,对PM2.5浓度进行了小时预测。本文的主要研究内容如下:1、通过整理北京市城六区12个监测站点2013年12月2018年11月的PM2.5浓度数据,研究了近5年北京市城区PM2.5浓度的年际变化规律。结果表明,近5年北京市城六区的PM2.5浓度变化规律相似,有明显的季节变化特性,在整体上呈现出逐年降低的趋势。同时,选取其中城六区2014年12月2015年11月的PM2.5浓度数据,对其季节性变化和日变化特性进行了研究。结果表明,PM2.5在秋冬季节的污染更为严重;同时在春夏季节,白天的污染程度高于夜间;在秋季一天内的不同时刻污染水平相近;在冬季,PM2.5在夜间的污染水平高于白天。2、选取北京市朝阳农展馆监测站点2014年12月2015年11月的其它污染物浓度数据(PM10、SO2、NO2、CO和O3浓度)以及气象数据（温度、气压、相对湿度和风速）,研究了PM2.5浓度与它们之间的相关性。研究结果表明,PM2.5浓度与PM10、SO2、NO2、CO浓度在四个季节均呈现了较明显的正相关性,与O3浓度在夏季呈现了不明显的正相关性,而在另外三个季节呈现了负相关性。同时,PM2.5浓度与相对湿度呈现明显的正相关性,与温度、气压和风速的相关性不显著。3、以最小二乘支持向量机（Least Square Support Vector Machine,LSSVM）为基础模型,本文通过改进的萤火虫算法（New Dynamic Firefly Algorithm,NDFA）对其超参数进行寻优,建立了NDFA-LSSVM预测模型。选取北京市朝阳农展馆2014年12月和2015年3月的监测数据为研究对象,实现了对未来2小时的PM2.5浓度预测。同时,将NDFA-LSSVM模型的预测结果和网格搜索（Grid Search,GS）-LSSVM模型、遗传算法（Genetic Algorithm,GA）-LSSVM模型、萤火虫算法（Firefly Algorithm,FA）-LSSVM的预测结果进行了对比,对比结果表明,NDFA-LSSVM模型的预测精度优于其它几种模型。鉴于PM2.5浓度时间序列存在的非线性和非平稳性,本文引入了互补集合经验模态分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD）法对原始的PM2.5浓度时间序列进行分解,进而建立了CEEMD-NDFA-LSSVM预测模型,将其预测结果和NDFA-LSSVM模型的预测结果进行对比,对比结果表明,CEEMD-NDFA-LSSVM模型的预测效果更好。4、考虑到最小二乘支持向量机在处理大数据样本集时的局限性,本文根据北京市朝阳农展馆监测站点2014年4月3日0点2018年11月30日23点的数据建立了CEEMD-长短时记忆网络（Long Short-Term Memory,LSTM）模型,同时将CEEMD-LSTM模型的预测结果和LSTM、经验模态分解（Empirical Mode Decomposition,EMD）-LSTM模型、集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）-LSTM模型的预测结果进行对比,对比结果表明,对PM2.5浓度的时间序列进行分解,能够有效地提高LSTM模型对PM2.5浓度预测的效果,同时三种分解方法中,CEEMD方法对PM2.5浓度时间序列的分解效果更好。最后将CEEMD-LSTM模型和CEEMD-NDFA-LSSVM模型在三个样本集上进行对比实验,实验结果表明,CEEMD-LSTM在大数据样本集上取得了相对较好的预测效果,而CEEMD-NDFA-LSSVM模型在小数据样本集上的预测效果更好一些。

论文目录

  • 摘要
  • Abstract
  • 第1章 绪论
  •   1.1 课题研究背景和意义
  •   1.2 国内外研究现状
  • 2.5浓度变化规律的研究现状'>    1.2.1 PM2.5浓度变化规律的研究现状
  • 2.5相关影响因素的研究现状'>    1.2.2 PM2.5相关影响因素的研究现状
  •     1.2.3 空气污染物浓度预测模型的研究现状
  •   1.3 论文的主要研究内容及结构安排
  • 2.5浓度变化规律及相关影响因素分析'>第2章 PM2.5浓度变化规律及相关影响因素分析
  •   2.1 引言
  •   2.2 数据准备
  •     2.2.1 研究区域及数据选择
  •     2.2.2 数据预处理
  • 2.5浓度变化规律'>  2.3 PM2.5浓度变化规律
  • 2.5浓度的年际变化规律'>    2.3.1 PM2.5浓度的年际变化规律
  • 2.5浓度的季节性变化规律'>    2.3.2 PM2.5浓度的季节性变化规律
  • 2.5浓度的日变化规律'>    2.3.3 PM2.5浓度的日变化规律
  • 2.5与其他相关影响因素的关系'>  2.4 PM2.5与其他相关影响因素的关系
  • 2.5浓度与其他污染物浓度之间的关系'>    2.4.1 PM2.5浓度与其他污染物浓度之间的关系
  • 2.5浓度与各气象因素之间的关系'>    2.4.2 PM2.5浓度与各气象因素之间的关系
  •   2.5 本章小结
  • 2.5浓度预测方法介绍'>第3章 PM2.5浓度预测方法介绍
  •   3.1 引言
  •   3.2 支持向量机理论
  •     3.2.1 支持向量机
  •     3.2.2 最小二乘支持向量机
  •   3.3 萤火虫算法
  •     3.3.1 标准萤火虫算法
  •     3.3.2 改进的萤火虫算法
  •   3.4 长短期记忆网络
  •     3.4.1 循环神经网络
  •     3.4.2 长短期记忆网络
  •   3.5 互补集合经验模态分解法
  •   3.6 本章小结
  • 2.5浓度预测模型'>第4章 基于LSSVM的 PM2.5浓度预测模型
  •   4.1 引言
  •   4.2 实验数据的选取
  •   4.3 模型的评价指标
  •   4.4 NDFA-LSSVM模型的建立及结果分析
  •     4.4.1 建立NDFA-LSSVM模型
  •     4.4.2 NDFA-LSSVM模型输入变量的确定
  • 2.5浓度预测结果及分析'>    4.4.3 PM2.5浓度预测结果及分析
  •   4.5 CEEMD-NDFA-LSSVM模型的建立及结果分析
  •     4.5.1 建立CEEMD-NDFA-LSSVM模型
  • 2.5浓度的时间序列分解'>    4.5.2 PM2.5浓度的时间序列分解
  • 2.5浓度预测结果及分析'>    4.5.3 PM2.5浓度预测结果及分析
  •   4.6 本章小结
  • 2.5浓度预测模型'>第5章 基于LSTM的 PM2.5浓度预测模型
  •   5.1 引言
  •   5.2 实验数据的选取
  •   5.3 CEEMD-LSTM预测模型的建立
  •     5.3.1 建立CEEMD-LSTM模型
  • 2.5浓度的时间序列分解'>    5.3.2 PM2.5浓度的时间序列分解
  •     5.3.3 LSTM网络超参数的选取
  •     5.3.4 LSTM模型输入变量的确定
  • 2.5浓度预测结果及分析'>  5.4 PM2.5浓度预测结果及分析
  •   5.5 两种模型的比较
  •   5.6 本章小结
  • 总结与展望
  • 参考文献
  • 攻读硕士学位期间取得的研究成果
  • 致谢

    • 文章来源

    类型: 硕士论文

    作者: 沈佳宁

    导师: 李建更

    关键词: 浓度预测,最小二乘支持向量机,改进的萤火虫算法,长短期记忆网络,互补集合经验模态分解

    来源: 北京工业大学

    年度: 2019

    分类: 基础科学,工程科技Ⅰ辑,信息科技

    专业: 数学,环境科学与资源利用,自动化技术

    单位: 北京工业大学

    分类号: TP18;O212;X513

    DOI: 10.26935/d.cnki.gbjgu.2019.000056

    总页数: 78

    文件大小: 4528K

    下载量: 115

    相关论文文献

    • [1].夏季城市臭氧浓度变化规律研究[J]. 科技经济导刊 2020(29)
    • [2].齐40块蒸汽驱硫化氢浓度变化规律研究[J]. 内蒙古石油化工 2011(06)
    • [3].南昌市大气污染因子浓度变化规律研究[J]. 绿色科技 2012(09)
    • [4].西安市温室气体浓度变化规律研究[J]. 陕西气象 2017(03)
    • [5].盐城市区夏季环境空气中臭氧浓度变化规律及其影响因素分析[J]. 黑龙江环境通报 2015(03)
    • [6].基于马尔科夫模型的污染物质量浓度变化规律[J]. 水资源保护 2014(03)
    • [7].空气供气循环紧闭麻醉环路氧浓度变化规律研究[J]. 中国医学创新 2010(02)
    • [8].不同水肥条件下水稻全生育期稻田氮素浓度变化规律[J]. 节水灌溉 2009(09)
    • [9].细水雾作用下烟气组分浓度变化规律的模拟研究[J]. 中国工程科学 2014(08)
    • [10].浅析安宁市大气主要污染物浓度变化规律[J]. 民营科技 2015(09)
    • [11].细水雾作用下烟气组分浓度变化规律的模拟研究[J]. 中国安全生产科学技术 2012(S1)
    • [12].分宜空气负离子浓度变化规律及其与气象要素的关系[J]. 安徽农业科学 2015(07)
    • [13].密闭蛋鸡舍内NH_3浓度变化规律及其影响因子分析[J]. 农业资源与环境学报 2019(02)
    • [14].基于瓦斯浓度变化规律的埋管抽采技术[J]. 中州煤炭 2013(06)
    • [15].南昌市环境空气中臭氧污染特征及其影响因素分析[J]. 江西化工 2016(06)
    • [16].深圳夏季3种生境城市森林内臭氧浓度变化规律[J]. 中国环境科学 2017(06)
    • [17].DKDP晶体生长溶液中多磷酸根浓度变化规律研究[J]. 人工晶体学报 2010(S1)
    • [18].CZDM膜制氮机组降氧工艺与氧气浓度变化规律研究[J]. 粮食储藏 2009(01)
    • [19].清华大学校园内不同绿地类型空气PM10浓度变化规律[J]. 林业科学 2009(05)
    • [20].齐齐哈尔市城市森林空气负离子浓度变化规律[J]. 东北林业大学学报 2020(04)
    • [21].洛阳市冬季典型大风过境天气对环境空气污染物的影响[J]. 农业灾害研究 2015(09)
    • [22].甘氨酸对Asn/Glc反应体系中丙烯酰胺及其相关底物和产物变化规律的影响[J]. 中国食品学报 2013(04)
    • [23].合流污水固形物自然沉降性能研究[J]. 生态科学 2015(03)
    • [24].北仑区域不同粒径颗粒物的变化规律研究[J]. 黑龙江环境通报 2015(01)
    • [25].秦皇岛市环境空气质量现状及主要污染物浓度变化规律[J]. 中国环境管理干部学院学报 2015(04)
    • [26].宝鸡市区大气臭氧浓度变化规律[J]. 环境与生活 2014(22)
    • [27].灌排调控的稻田排水中氮素浓度变化规律[J]. 农业工程学报 2009(09)
    • [28].输液瓶的吸附作用对胰岛素输注过程中浓度变化的影响[J]. 河北大学学报(自然科学版) 2009(05)
    • [29].甜樱桃果实果肉Ca~(2+)质量浓度变化规律及其与裂果的关系[J]. 果树学报 2008(05)
    • [30].传统黄酒发酵过程中精氨酸、瓜氨酸、鸟氨酸浓度变化规律的研究[J]. 酿酒 2013(01)

    标签：;  ;  ;  ;  ;  

    PM2.5浓度变化规律及预测模型研究
    下载Doc文档

    猜你喜欢

    © 2024 神降笔 版权所有 鄂ICP备12018319号-6