基于粒子群优化和支持向量机的花粉浓度预测模型

为了提高花粉浓度预报的准确率,解决现有花粉浓度预报准确率不高的问题,提出了一种基于粒子群优化(PSO)算法和支持向量机(SVM)的花粉浓度预报模型。首先,综合考虑气温、气温日较差、相对湿度、降水量、风力、日照时数等多种气象要素,选择与花粉浓度相关性较强的气象要素构成特征向量;其次,利用特征向量与花粉浓度数据建立SVM预测模型,并使用PSO算法找出最优参数;然后利用最优参数优化花粉浓度预测模型;最后,使用优化后的模型对花粉未来24 h浓度进行预测,并与未优化的SVM、多元线性回归法(MLR)、反向神经网络(BPNN)作对比。此外使用优化后的模型对某市南郊观象台和密云两个站点进行逐日花粉浓度预测。实验结果表明,相比其他预报方法,所提方法能有效提高花粉浓度未来24 h预测精度,并具有较高的泛化能力。

气传花粉监测数据研究进展

综述了基于气传花粉监测数据的研究进展,结果发现,利用花粉观测数据可获取某地的花粉概况,进而绘制具有临床价值的花粉日历。但因其不包含病例信息,故需结合过敏人群特征修正影响浓度阈值。此外,通过分析暴露于不同环境下的患病风险,证实了防治花粉症十分依赖于洁净的空气。局地观测环境及采样器的安放位置对监测结果有极大影响,但整体而言,北半球大多数区域花粉季延长、花粉浓度增加,并可归因于气候变暖所致。为预测花粉关键要素在未来的变化,4大类模型被广泛应用,并取得较好的预测结果。但对于预测效果较差的部分(花粉浓度极值、复杂地形等),最优解决方法则是结合高分辨率的花粉监测数据进行订正。但是,由于缺乏低成本的自动监测设备,当前花粉监测数据的分辨率仍然较低,由此带来了一系列的数据和技术壁垒。建议该领域应将开发低成本的自动监测设备作为近期发展的重点,并以此建立标准化的观测体系。