基于GA-SVM的太原市空气质量指数预测

针对大气环境的复杂多变性和不确定性,采用太原市2014年至2016年的空气污染物监测数据,分别将改进的粒子群算法(IPSO)和遗传算法(GA)与支持向量机(SVM)相结合,通过参数寻优构建新模型完成对空气质量指数(AQI)的预测.实验结果表明,GA-SVM在预测精度、误差率和可靠性方面均优于IPSO-SVM与SVM.因此GA-SVM模型更适用于AQI的预测,为大气污染防治提供了科学合理的理论依据和新的预测方法.     

空气质量的模糊综合评价与曲线拟合预测模型

公众的健康在很大程度上受空气质量制约,对空气质量进行预测与评价具有十分重要的意义.首先针对空气质量评价问题,将模糊综合评价方法和层析分析方法相结合,建立了空气质量的模糊综合评价模型.其次针对空气质量预测问题,根据最小二乘理论,建立了不同污染物浓度值的滑动窗口预测模型.最后选择安阳市空气污染物浓度年度均值进行了模型验证.实验结果表明,评价与预测模型具有精确度较高,误差率小的优点,具有较高的实用性.     

基于PSOGSA-LSTM模型的长江经济带空气质量指数预测研究

本文以长江经济带100个地级及以上城市的空气质量指数(AQI)为研究对象,选取了六大污染物和11个影响空气质量指数的气象因子作为影响因素。针对空气质量相关数据的特性,将粒子群算法和万有引力算法结合的混合算法(PSOGSA)与长短期记忆(LSTM)神经网络进行组合,建立PSOGSA-LSTM组合预测模型,对模型的预测精度进行了三个方面的检验,并与传统的LSTM模型的预测结果进行比较,最后将其应用于长江经济带100个城市未来7天的空气质量指数预测。研究结果表明,PSOGSA-LSTM模型相比传统的LSTM模型具有更高的预测精度和较强的稳定性。     

基于MGWO-SVR的空气质量预测

空气质量指数预测可以为企业和社会工作提供指导.灰狼优化算法具有简单高效的特点,但是在后期迭代中容易陷入局部最优.针对灰狼优化算法的缺点,对其全局优化能力进行了改进,并用改进的算法对支持向量机回归算法(SVR)的参数进行寻优,建立了MGWO-SVR预测模型.最后以中国环境监测总站中太原市的数据为研究对象,分别用MGWO-SVR模型和SVR模型对太原市的空气质量指数进行了预测拟合实验.实验结果表明,MGWO-SVR模型可以有效预测空气质量指数,并比SVR模型有更高的预测精度.     

国内主要城市空气质量统计分析

我国目前评价城市空气质量所用的空气污染指数法中仅以首要污染指数来反映空气质量状况,而忽视了次要污染物对空气质量的影响,这将会使评价结果的准确性产生偏差.本文在空气污染指数模型的基础上引入次要污染物,建立了新的空气质量评价模型,再利用该模型对我国近三年主要城市空气质量状况进行了评价及分析.     

基于Keras的LSTM模型在空气质量指数预测的应用

为了高精度预测空气质量指数(AQI),针对大气环境复杂多变性、不确定性,以2014年至2017年的太原市空气污染物监测数据为基础,首先采用python3.5.2中的相关性分析函数对污染物与AQI指数进行了相关性分析,然后建立基于深度学习库Keras(一种高层神经网络API)的长短期记忆循环神经网络(LSTM)模型,对太原市空气质量指数(AQI)进行仿真预测.实验结果表明:模型的均方根误差为4.875,具有预测精度高、范围广等优点,为大气污染防治工作提供了科学合理的理论依据和新的预测方法.     

武汉空气质量预测及受周边城市污染影响分析

利用武汉及其周边城市长沙、南昌、合肥、襄阳、孝感等城市空气质量指数(AQI)及相关污染物数据,探索了武汉市空气质量指数的统计分布规律及空气污染治理效果的评价问题,给出了能较好预测空气质量指数等级的推理规则.用统计模型分析武汉及周边大中城市的SO2等空气污染物之间的传播及相互影响.     

基于改进灰色SGM(1,1)模型的广州市空气质量变化趋势分析

为了研究广州市空气质量变化趋势问题,提出了一种通过引入季节因子构建灰色SGM(1,1)模型,再用Markov模型修正的方法,经检验可知,修正SGM(1,1)模型的平均相对误差仅为3.17%,均方差比值和小误差概率均达到一级精度;利用改进模型对广州市未来四年空气污染物浓度进行预测,结果显示:1) N02和03的浓度逐年缓慢增长,其他污染物则逐年缓慢下降;2)除PM_(10)和SO_2之外的其他污染物浓度均未达到二级标准值,需要有关部门持续监测和治理.     

ABC-PSO算法优化混合核SVM参数及应用

针对混合核支持向量机(SVM)中的可调参数一般是根据经验或人工随机调试得到,不能确保参数最优的局限性,提出用粒子群和人工蜂群的并行混合优化(ABC-PSO)算法来优化混合核SVM参数,找出满足条件的最优参数组合.将该SVM模型应用到语音识别中,通过对三个不同语种的语音数据库的实验仿真,验证了混合算法优化SVM参数所得的优化SVM模型比PSO算法优化SVM所得的模型,具有良好的泛化能力和语音识别能力.     

基于粗糙集和支持向量机的电子商务信用风险分类

准确识别电子商务信用风险,有利于提高企业风险防范能力,减少损失.建立了基于粗糙集(RS)、遗传算法(GA)和支持向量机(SVM)的电子商务信用风险分类模型(RS-GA-SVM).首先,利用RS对分类指标进行约简,选择出电子商务信用风险关键影响因素.其次,采用GA算法优化SVM模型参数,并应于电子商务信用风险分类.最后,实证表明,RS-GA-SVM模型具有高的分类精度和分类效率.