基于时间序列分析的北京地区PM2.5浓度研究

基于中国环境监测总站公布的实时空气质量监测数据, 利用时间序列模型对PM2.5指标的数据进行了平稳性、纯随机性检验, 同时进行了模型阶数、未知参数估计以及模型显著性检验与优化. 最终在此基础上建立了指标预测的数学模型, 并对未来三天的PM2.5浓度值进行预测. 进一步地, 基于向量自回归(VAR)模型, 对北京市万寿西宫站PM2.5数据进行相关性分析, 研究空气中污染物O_{2}、NO_{2}、CO、O_{3}、PM10与PM2.5的动态影响关系. 研究发现当天的PM2.5浓度会受到前几天PM2.5、PM10、O_{3}、SO_{2}等污染物浓度的影响,其中PM10对PM2.5的影响最为明显且持续时间最长, O_{3}、SO_{2}对PM2.5浓度的影响在二、三期最为明显.     

基于主成分回归的杭州市PM2.5含量的综合分析

为探究杭州市PM2.5含量与其他指标之间的关系,搜集杭州市2019年的AQI指数和AQI 6项指标进行分析.首先通过相关分析揭示PM2.5与其余5项指标的相关性,发现各指标与PM2.5均呈线性关系,又因为其余5项指标之间存在显著的线性相关性,故自变量之间存在多重共线性.为了消除多重共线性的影响,对这5项指标提取主成分,再基于主成分分析做回归分析.最后对模型进行统计诊断,按照一定标准筛选出原始数据中的强影响点,删除强影响点后得到最终模型.     

上海市PM_(2.5)相关因素的研究

空气质量问题始终是政府、环境保护部门和全国人民关注的热点问题.选取2014年01月-05月的上海市空气质量(AQI)日报,分析了上海市空气质量的现状,并对首要污染物出现的频率做出统计分析,发现PM2.5是上海市现阶段空气中的首要污染物.通过Pearson相关系数、Spearman相关系数和Kendallτ相关系数,计算PM2.5与AQI其他监测指标的相关性,从而有利于更科学的监测空气质量.研究表明,PM2.5与PM10和CO都具有较强的相关性,PM2.5与O3的相关性很弱.最后分别对PM2.5与PM10、PM2.5与CO的相关性进行线性拟合,得出初略的线性方程.对其对比分析可知,在同等情况下,应该优先通过控制空气中PM10的含量,来达到控制空气中PM2.5含量的目的,从而对改善生存环境起到重要的作用.     

保定市PM2.5的因素分析

保定市的PM2.5微粒来源广泛,成因复杂.通过整理和分析该市2012年1月到12月每日PM2.5值、每日平均气温、风力以及SO_2、NO、NO_2浓度等数据,从数据统计的角度分析了这些因素与PM2.5的成因和变化趋势间的联系,进而探讨和建立了多元线性回归模型.为保定市空气治理工作提供一定的参考.     

淮安市PM2.5的分布特征与灰色预测模型

研究对象是淮安市主要大气污染物中PM2.5在2013-2016年间的观测数据,从两个方面对PM2.5的浓度进行了研究.一方面,利用非参数假设检验中的卡方拟合检验与W检验等方法研究了PM2.5浓度的分布特征.研究发现,污染物PM2.5的日均浓度服从对数正态分布、月均浓度服从正态分布.另一方面,建立了PM2.5年均浓度的精度为一级可用于长期预测的GM(1,1)预测模型,利用预测模型对未来五年中PM2.5的浓度水平进行了预测.     

北京市PM2.5的相关因素研究

选取2016年北京市空气质量指数数据,简述了北京市空气的现状,并根据频率得出PM2.5已经成为北京市空气中的首要污染物的结论.通过计算PM2.5与AQI所监测的其余指标之间的相关程度,进行PM2.5与PM10,CO和NO2的多元回归分析,得到线性回归方程.同时对模型给予改进,建立基于2个主成分的、更为精准的多元回归模型.得出PM10是空气中PM2.5的最主要成因的结论,CO和NO2对PM2.5的影响也不容忽视的结论,对北京市雾霾天气预防提供参考意见.     

上海市PM2.5浓度的分析与预测

针对上海市PM2.5的浓度进行动态分析及预测.通过使用Page检验分析了上海市PM2.5浓度近几年的变化趋势;然后建立时间序列ARIMA模型对PM2.5浓度日数据进行拟合分析与预测.在此基础上通过引入影响PM2.5浓度的其他因素建立带时间序列误差的回归模型以及引入波动率因素建立带波动率方程的模型改进原时间序列ARIMA模型;通过比较样本外预测的效果,结果表明改进后的两个模型其结果均优于已知文献中的ARIMA模型.     

基于时间序列的长沙市PM2.5的统计分析

通过对长沙市2015年AQI检测指标数值PM2.5与SO_2,NO_2,PM10,CO,O_3间相关性进行分析,得到PM2.5与SO_2,NO_2,PM10,CO间存在正相关关系,与O_3间为负相关关系.后建立自回归移动平均模型(ARMA)对长沙市2015年的PM2.5进行短期预测,得到最优模型为ARMA(3,2).最后对长沙治理PM2.5提出相关建议.     

空气中PM2.5的动态扩散及宏观预测

以PM2.5扩散、衰减模式为研究对象,分析探究了PM2.5的扩散规律、危机治理及其后5年的治理问题.首先通过主成分分析法,建立了PM2.5与其它污染物之间的多元非线性对数模型.同时引入相对湿度的影响因素对模型进行再度优化,提高了模型的拟合优度.运用统计学原理,得出采集点之间的PM2.5具有较高的协同性.另外分析了静态下PM2.5污染物颗粒的受力和漂移模式和从点源、面源两方面分析了PM2.5动态扩散模式,建立了PM2.5的扩散偏微分方程模型.根据建立的扩散模型,对突变的污染物浓度确定安全区域的范围.最后建立综合费用和专项费用的多目标优化模型,利用贝叶斯支持向量机方法对PM2.5进行宏观预测,并运用系统动力学理论对目标值进一步优化,并对不同治理模式进行对比分析.     

空气中PM2.5问题的建模研究

是针对空气中PM2.5的相关因素分析、分布与演变及应急处理和空气质量控制管理的问题.首先,运用数理统计与分析的相关知识,建立PM2.5含量与5项指标间的相关性分析模型和多元线性回归方程模型,并采用SPSS软件和最小二乘法对其求解;然后,通过建立Shepard二维插值模型、多元线性回归方程模型以及偏微分方程模型研究了PM2.5时空分布、演变及预测评估的一般性规律;最后,引入效用函数建立了以满意度最大为目标的非线性规划模型和以投入总费用最少及PM2.5减排计划实施满意度最大为目标的多目标非线性规划模型,并结合LINGO软件求得最优解,给出了空气质量控制管理的治理计划.     

基于Pulic智力资本模型的上市公司财务危机预警研究

智力资本在知识经济时代对企业的发展至关重要.本文考察Pulic智力资本评测模型是否能够用于企业财务危机预警.首先基于2003年至2007年中国A股市场新增ST公司样本及配对样本的前三年数据对Pulic模型综合指标进行单变量分析证实了该模型的预警可行性,然后根据三项因素驱动指标分别运用多元判别、逻辑回归、神经网络和最小二乘支持向量机方法建立预警模型进行回判和外推.结果表明,Pulic模型在ST前两年具有较高的判断准确性,可以通过对智力资本的考察而预知企业未来的财务状况.     

哈尔滨市冬季PM_(2.5)与影响要素的相关分析

运用相关性分析方法,研究哈尔滨市PM_(2.5)质量浓度与主要空气污染物及气象因素之间的相关关系.建立PM_(2.5)与影响其质量浓度变化的因素的单因变量的偏最小二乘回归分析(PLS1)模型,模型拟合良好,由模型知CO是导致PM_(2.5)质量浓度升高的主要因素.运用通径分析方法,研究解释变量对因变量的直接影响、通过其他解释变量对因变量的间接影响以及各解释变量的对因变量的协同作用.结果表明,各解释变量对PM_(2.5)质量浓度变化的总作用从大到小依次为:CO、PM_(10)、NO_2、风速、湿度、SO_2.     

京津冀地区PM2.5污染特征的研究————-基于函数型数据分析的视角

近年来京津冀地区的雾霾重度污染事件频发, 引起国家和社会的普遍关注. 以京津冀地区68个监测站的数据为基础, 研究了京津冀地区PM2.5小时间隔的年度数据主要变异模式、时空变化类型等污染特征. 还研究了二氧化硫、氮氧化物年度累计排放量对PM2.5浓度变化的影响. 结果表明, 氮氧化物的排放对PM2.5浓度的贡献更显著, 削减氮氧化物等污染物的排放可有效降低PM2.5浓度, 改善空气质量. 采用函数型数据分析方法, 相对于传统的统计均值方法, 能够更有效的使用所采集到的不同的数据类型, 进行更细致的分析, 从而得到更可靠的结论.     

Deep partial least squares for instrumental variable regression

In this paper, we propose deep partial least squares for the estimation of high-dimensional nonlinear instrumental variable regression. As a precursor to a flexible deep neural network architecture, our methodology uses partial least squares for dimension reduction and feature selection from the set of instruments and covariates. A central theoretical result, due to Brillinger (2012) Selected Works of Daving Brillinger. 589-606, shows that the feature selection provided by partial least squares is consistent and the weights are estimated up to a proportionality constant. We illustrate our methodology with synthetic datasets with a sparse and correlated network structure and draw applications to the effect of childbearing on the mother's labor supply based on classic data of Chernozhukov et al. Ann Rev Econ. (2015b):649–688. The results on synthetic data as well as applications show that the deep partial least squares method significantly outperforms other related methods. Finally, we conclude with directions for future research.     

Application of RBF neural network improved by peak density function in intelligent color matching of wood dyeing

According to the characteristics of wood dyeing, we propose a predictive model of pigment formula for wood dyeing based on Radial Basis Function (RBF) neural network. In practical application, however, it is found that the number of neurons in the hidden layer of RBF neural network is difficult to determine. In general, we need to test several times according to experience and prior knowledge, which is lack of a strict design procedure on theoretical basis. And we also don’t know whether the RBF neural network is convergent. This paper proposes a peak density function to determine the number of neurons in the hidden layer. In contrast to existing approaches, the centers and the widths of the radial basis function are initialized by extracting the features of samples. So the uncertainty caused by random number when initializing the training parameters and the topology of RBF neural network is eliminated. The average relative error of the original RBF neural network is 1.55% in 158 epochs. However, the average relative error of the RBF neural network which is improved by peak density function is only 0.62% in 50 epochs. Therefore, the convergence rate and approximation precision of the RBF neural network are improved significantly.     

Fuzzy polynomial regression with fuzzy neural networks

Recently, fuzzy linear regression is considered by Mosleh et al. [1]. In this paper, a novel hybrid method based on fuzzy neural network for approximate fuzzy coefficients (parameters) of fuzzy polynomial regression models with fuzzy output and crisp inputs, is presented. Here a neural network is considered as a part of a large field called neural computing or soft computing. Moreover, in order to find the approximate parameters, a simple algorithm from the cost function of the fuzzy neural network is proposed. Finally, we illustrate our approach by some numerical examples.     

PM2.5成因的逐步回归分析及治理方案研究

应用逐步回归分析方法获得了PM2.5与3个既与综合治理又与专项治理有关的因素SO_2、NO_2、PM10的最优二次回归方程,在将治理基准年与五年后目标的PM2.5浓度折算为对应的AQI指标之后,结合数据分析计算出了基准年的PM2.5、SO_2、NO_2、PM10这4个基准指标值.然后结合PM2.5综合治理与专项治理的费用经验公式,按照五年治理投入总经费最小的原则建立了一个标准的非线性规划模型,并求解出了最少的五年总投入经费及每年经费投入.对于指导PM2.5的治理工作有一定实际意义.     

正交回归和一般最小二乘回归的几何误差分析

线性回归分析中,一般最小二乘回归的目标函数只考虑一个方向的扰动,采用基于几何距离的正交回归能克服固定单方向最优带来的拟合稳定性差的弊端。本文分析和比较了正交回归和一般最小二乘回归的误差,并定量地给出了两者的几何误差与原始数据的方差、相关系数之间的关系,指出正交回归的几何误差小于一般最小二乘回归,并且正交回归具有旋转不变性。最后,以平面直线拟合为例验证了这个结论。