基于Pearson相关指标的BP神经网络PM2.5预测模型

为了降低PM2.5设备预测成本,同时分析大气因素与污染物的相关性,选取O3、CO、PM10、SO2、NO2污染物指标预测PM2.5,之后加入温度、湿度、风力等大气指标,建立综合气象的指标体系,采用pearson算法对指标进行合并,用pearson相关指标的BP神经网络的方法再次对PM2.5做预测。对比实验证明,基于pearson相关指标的BP神经网络PM2.5预测模型在提高了预测准确率的同时降低了预测的时间复杂度,起到了降低PM2.5预测成本的目的。

基于多元统计的PM2.5分析与预测——以合肥地区为例

为验证多元统计方法在PM2.5分析及预测方面的适用性,以合肥地区为例,收集了2015全年的PM2.5数据,借助于统计分析软件R进行了相关实验。通过PM2.5与各个影响因素之间的散点图,发现部分影响因素和PM2.5存在着较强的线性关系,据此建立关于PM2.5的多元线性回归模型。在保证各个变量不相关、独立条件下,对模型进行了验证。根据验证结果,选用了逐步回归分析方法得到了一个新模型。根据调整R2最大的原则确定了最终模型。最后选用了RMSE、MAE和Theil不相等系数对模型的预测效果进行了检验,模型整体预测效果较好。

基于季节性时间序列模型的合肥地区空气质量分析及预测

收集了合肥市2014年至2016年的空气质量指数(AQI)数据。借助于统计分析软件SPSS和EVIEWS,对数据进行了统计分析与建模。首先,对合肥市这三年的AQI数据进行了年度、季节、月份的分布特征及趋势分析,得出AQI分布具有周期性的特征,其中,夏季空气质量情况最好,冬季空气质量情况最差。并且,根据统计分析的结果,得出AQI数据具有季节性的特点。然后,结合本课题数据的特点及研究需要,选用了HoltWinters加法模型进行了建模,得到预测模型公式,预测了2016年4月至9月的月度AQI数据,将预测值与真实值进行了比较,模型整体预测情况良好。

合肥地区PM2.5及污染物季节相关性分析

PM2.5多次成为空气质量评价标准中的首要污染物,对PM2.5及其它5种污染物之间的相关性做定量相关性分析。由于污染物受地域和季节影响较大,对全年数据进行统计,无法正确地分析污染物之间的相关性。针对以上问题,选择合肥市2015年全年的PM2.5和PM10、O_3、CO、SO_2、NO_2的6项因素,并且将数据划分为春、夏、秋、冬四季,按季节对PM2.5及PM10、O_3、CO、SO_2、NO_2因素进行相关性分析讨论。结果表明,随着季节的变化,与PM2.5相关的首要污染物因素也在发生相应变化,相关性随季节变化特征明显。

合肥地区PM2.5季节特征及气象影响因素分析

气象因素能够对PM2.5浓度产生显著影响,气象因素的改变会减轻或加剧PM2.5浓度值。气象因素和PM2.5浓度值随着季节的变化而变化,并且具有明显的区域性特征,所以对全年的PM2.5和气象相关因素进行分析,不能准确反映PM2.5和气象因素之间的相关性。选择合肥市2015年全年的PM2.5和气象影响因素,并对全年数据按春、夏、秋、冬四季进行划分,按季节对PM2.5特征及气象影响因素进行相关性分析讨论。结果表明,春、夏、秋3个季节的气象首要影响因素为风速,且负相关,说明风有利于PM2.5的扩散;在PM2.5污染严重的冬季,气象首要影响因素为温度,且呈正相关,说明气温较低的冬季逆温层较厚,不利于PM2.5的扩散;降水量和相对湿度对PM2.5的影响随季节呈正负相关变化,说明由于不同季节降水量的不同,对PM2.5的影响随季节变化特征显著;气压、风向对PM2.5影响较小,相关系数随季节变化特征显著。