基于GAMLSS模型的PM2.5浓度预测研究

基于2013年3月1日至2017年2月28日北京奥体中心空气质量监测站点的逐时数据,分别建立了随机森林回归模型、广义可加模型(Generalized additive model,GAM)和基于位置、尺度、形状的广义可加模型(Generalized Additive models for location,scale and shape,GAMLSS).结果显示:随机森林回归模型的拟合效果与预测效果相差较大,说明模型的稳定性较差,而GAM与GAMLSS模型的拟合效果与预测效果都较好.然而,在实际应用中GAMLSS模型要比GAM更加灵活,能更充分地利用分布本身的特性和规律挖掘出更多蕴含的信息,有利于提高预测的精度.因此,基于GAMLSS模型探讨了北京市的各种污染物和天气条件对PM2.5浓度的影响,并对PM2.5日均浓度进行了预测,这为降低空气污染物浓度提供了理论基础,为相关部门开展预警工作提供了决策依据.     

SA-AGA-ELM的PM2.5浓度预测模型研究

为提高PM_2.5浓度的预测精度,以南昌市2019年的空气质量数据和气象数据为原始样本数据,通过相关性分析确定输入PM_2.5浓度预测模型的特征值,同时在自适应遗传算法(AGA)的基础上融合模拟退火算法(SA),用于优化极限学习机(ELM)的网络参数,有效避免在优化过程中参数陷入局部极值,最终建立一种基于SA-AGA-ELM的PM_2.5浓度预测模型.实验结果表明,ELM模型预测PM_2.5浓度的平均绝对误差(MAE)、均方误差(MSE)、决定系数(R²)分别为13.644、263.935、.879,而SA-AGA-ELM模型预测结果的MAE、MSE、R²分别为3.966、28.630、.952.因此,SA-AGA-ELM模型的拟合效果更好,能够更为准确的预测PM_2.5浓度的变化情况.     

基于多源数据特征驱动和多尺度分析的PM2.5混合预测研究

精准把握PM_2.5污染的动态演变规律对政府和企业的大气污染防治决策至关重要.因此,文章提出了基于多源数据特征驱动及多尺度分析的混合预测建模框架,以提高PM_2.5预测精度.预测建模框架分为:1)多源数据分析,有效融合与PM_2.5污染相关的气象、污染、舆情等多源数据;2)多尺度分析,通过多元经验模态分解技术(MEMD)将多源数据分解成不同模态下的预测特征;3)混合预测分析,有序结合计量和机器学习模型,集成各模态预测值为最终结果.文章以北京市PM_2.5为研究案例结果表明:1)文章提出的混合模型的预测精度优于所有的基准模型;2)微博个数和情感能够叠加提升PM_2.5预测精度,且优于单因素预测结果;3)引入MEMD分解的模型精度显著高于基准模型.     

基于时序分解和神经网络的PM2.5浓度预测研究——以沈阳市为例

可吸入细颗粒物PM2.5,其形成与扩散既受人类生产活动影响也受季节气候条件影响,PM2.5浓度变化具有规律与随机交互的非线性特征,传统预测方法遇到较大困难.文章提出了一种基于小波分解的深度学习预测模型WD-LSTM,针对小波分解不具有自适应等局限性提出基于经验模态分解的深度学习预测改进方法EMD-LSTM,对PM2.5...     

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.     

PM2.5扩散模型及预测研究

以武汉为例,以高斯扩散模型为基础研究PM2.5的扩散与衰减规律,充分考虑影响PM2.5扩散的因素,分析地面与建筑物边界反射、干沉积、雨洗湿沉积及湿度的影响,逐步改进高斯扩散模型,并引入时间t,计算当点源持续污染情况下,污染源上风和下风L公里处的浓度.通过数值仿真,得到距污染源下风向距离一定条件下污染扩散浓度的分布规律,预估突发情形下PM2.5的扩散距离及安全区域,结合三维图及平面图分析危险区及安全区.最后,结合小波理论及神经网络理论,提出小波神经网络的结构及算法,并通过Matlab实现了对PM2.5值的预测,并取得较高的预测拟合度.     

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.     

北京市PM2.5浓度与工业污染关系分析——基于误差修正模型和混频误差修正模型

使用DP-DNN估算2008-2019年北京市PM2.5浓度数据,纳入工业领域变量建立误差修正模型和混频数据误差修正模型,分析雾霾成因,倒逼经济发展方式转变与产业结构优化.结果 表明:①原煤产量、火电发电量的增长加重了空气环境污染;②混频模型下,原煤产量、火电发电量具有更强污染效应,同时汽车制造过程也是空气污染的主要原...     

半变系数固定效应面板数据模型研究PM2.5与气候因素之间的动态关系(英文)

本文提出了一个半变系数固定效应面板数据模型来探索五个城市—–北京、成都、广州、上海和沈阳的PM_2.5与五个气候因素:累积风速、气压、露点、温度和每小时降雨量之间的动态关系,其中, PM_2.5是决定能见度的关键因素,对公众健康构成严重威胁.随后,我们将多元局部线性拟合、转换方法与剖面似然相结合,建立了参数向量和变系数函数向量的半参数固定效应估计.最后,展示了这五个城市2015年的估计动态关系.所提出的方法也可推广到经济和金融等其他领域的面板数据分析.     

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的扩散衰减与预测分析

以西安市2013年1月1日-9月19日的空气污染监测数据为例,采用非稳态的二维多箱模型,综合考虑了风向、季节等因素的影响,对西安市PM2.5的面源污染扩散和衰减规律进行模拟预测,计算模型相对误差;再选用高斯模型对某一天西安市突发情况下PM2.5浓度扩散情况进行点源污染扩散预测,并评价模型的有效性.     

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.     

基于覆盖模型的pm2.5监测站点布局优化方法研究

科学的监测站点选址与布局优化是pm2.5等空气污染监测面临的重要问题.针对pm2.5重点监测城市哈尔滨,分析了影响pm2.5浓度及分布的主要因素,构建了以区域地理邻接关系及覆盖水平为基础的监测设施覆盖模型.模型综合了人口、地域面积以pm2.5关注度等因素,实现了重点监测区域覆盖指数及总体覆盖水平最大化目标.实证分析说明了模型的有效性和实用性,为相关环境监测网点选址和优化问题提供了科学的依据和参考.     

不确定环境下具有减排配额的PM2.5治理博弈与税收决策

由于雾霾治理遵循浓度控制原则,且跨界传输因子存在异质性,因此,要使各地区在追求减排成本最小化时又达到减排指标,中央政府仅实施税收政策并不能满足其收支平衡条件。基于此,本文将税收与减排配额相结合,以期实现中央政府收支平衡与优化各地区治理成本的双重目标。同时,本文以京津冀地区雾霾治理为实证分析对象,验证了具有减排配额的税收决策具有可实施性。     

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.     

回归分析与基于MIV的RBF神经网络在PM2.5的相关因素分析中的应用

PM2.5作为大气首要污染物,严重影响着人们的身体健康.为了研究影响PM2.5的相关指标,以武汉市的空气数据为研究对象,通过多元线性回归、偏最小二乘回归、基于MIV的RBF神经网络回归等方法对AQI中6个基本监测指标的PM2.5(含量)与其它5项分指标及其对应污染物(含量)之间的相关性进行分析;通过比较,基于MIV的RBF神经网络回归模型拟合度达到0.9302,效果最好,而且也优于BP人工神经网络回归算法,因此得出了精确可靠的影响PM2.5的指标权重大小,为减排PM2.5提供了可靠的理论依据.     

基于改进灰色模型的新疆国内生产总值实证分析与预测

在灰色模型的基础上,利用拉格朗日插值与改进的拉格朗日插值函数分别对灰色模型进行了背景值的重构,以消除传统拉格朗日插值带来的龙格现象;利用该模型对新疆近十年的国内生产总值水平进行了预测分析,结果表明,模型具有较高的预测精度和的实效性.     

基于逆模糊数的模糊时间序列模型的农机总动力预测方法

提出一种改进的基于逆模糊数的新模糊时间序列预测模型.应用模型研究辽宁省农机总动力预测问题,比一元线性回归模型,二次移动平均模型,指数曲线模型,灰色理论GM(1,1)模型等4种模型和它们的组合模型的平均预测误差率AFER都有较大改善,是值得推荐的一种时间序列预测方法.