大气环境数据分析预测方法对比研究

以西安市2006年9月27日至2008年5月3日每日的SO2平均浓度时间序列为例,应用时间序列分析对前555个数据进行拟合,得到合适的时间序列模型ARIMA(1,1,2);利用神经网络中的BP神经网络和RBF神经网络对同样的样本进行训练,用这三种方法对2008年4月4日至2008年5月3日的SO2日均浓度值进行了预测,并用同样的方法分析预测了同期PM10日均浓度值,最后比较了它们的预测效果。结果表明,利用这三种方法进行浓度预测都是可行的,其中RBF神经网络法的预测误差最小,效果最好。

非参数局部多项式法在大气环境数据分析中的应用

以西安市2006年9月27日至2008年5月3日每日的SO2浓度时间序列为例,应用非参数回归中的局部多项式法对SO2浓度时间序列的变化进行分析,得到SO2的变化趋势和突变特征。对局部多项式估计法进行处理,得到预测模型,应用该模型对2008年4月4日至2008年5月3日的SO2浓度值进行了预测,并与时间序列分析法、BP神经网络模型所得结果进行对比。最后利用局部多项式估计方法对SO2浓度一元线性模型的残差进行分析。研究结果表明,用非参数局部多项式法在3种方法中预测效果最好,用此方法进行大气污染物的数据分析是可行的。