上海市城郊臭氧浓度变化分析及模拟预报

利用上海市普陀、南汇、淀山湖3个臭氧观测站2005年的臭氧小时观测资料,首先对市区和郊区的大气臭氧浓度的污染特征和变化情况进行了分析,结果表明,上海市郊区的臭氧浓度和污染水平高于市区,且臭氧浓度日变化在市区呈现明显的双峰现象,而郊区则是单峰型变化规律。然后运用基于统计学理论的最小二乘支持向量机（LSSVM）方法对3个站的日（24h）平均和白日（12h）平均以及日最大值臭氧浓度进行预测,得到较好的预报效果。     

基于多核LS-SVM的河涌水质预测模型

研究了多变量非线性河涌水质预测问题,提出了多核最小二乘支持向量机河涌水质预测模型。模型采用协同结构的非线性函数将水质时序样本映射到高维特征空间,进行多元线性回归。然后将该回归问题转化成半无限线性规划问题,运用交换集法求解。文章利用东江流域河涌水质数据进行了拟合预测实验,结果表明,与单核最小二乘支持向量机河涌水质预测模型相比,多核模型的预测误差减小了23%以上,它较单核模型具有更高的预测精度和更好的泛化推广性能。     

基于D-S证据理论的飞行事故预测模型

为提高飞行事故的预测精度,提出一种基于D-S证据理论的组合预测模型.该模型分别采用时间序列、BP神经网络和最小二乘支持向量机对飞行事故率进行预测,通过对待测年份之前的飞行事故的预测误差分析,计算出相应的基本信任分配函数,并借助D-S证据理论对三种预测模型进行融合,将融合结果作为飞行事故率预测模型的权重,从而得出待测年份的飞行事故预测结果.以美国空军A类飞行事故数据对该组合模型进行验证,结果表明组合预测模型能够较准确地预测飞行事故率,且模型精度优于任何单一预测模型.     

海口市臭氧浓度统计预报模型的构建与效果评估

主要利用2015～2020年海口市臭氧(O₃)浓度资料和ERA5再分析资料,基于污染物浓度控制方程挑选出海口市O₃-8h浓度(日最大8 h滑动平均)的15个关键预报因子,构建了多元线性回归模型(MLR)、支持向量机模型(SVM)和BP神经网络模型(BPNN),并对2021年海口市O₃-8h浓度进行预测和效果检验.结果表明,O₃-8h浓度与关键预报因子的相关系数绝对值主要分布在0.2～0.507之间,其中1 000 hPa的相对湿度(RH1000)和风向(WD1000),875 hPa的经向风(v875)的相关系数绝对值超过了0.4,具有较好的指示作用. 3个预报模型基本能预报出海口市O₃-8h浓度冬半年偏高,夏半年偏低的变化趋势,其中BPNN模型的标准误差(RMSE)数值最小(22.29μg·m^-3).实测值与3个统计模型预报值的相关系数从大到小排列为：0.733(BPNN)>0.724(SVM)> 0.591(MLR),均通过了99.9%的信...     

融合时空特征的PCA-PSO-SVM臭氧(O3)预测方法研究

针对目前臭氧预测方法未能考虑臭氧污染的区域性和在时间周期内的强自相关性的问题,提出一种融合时空特征的PCA-PSO-SVM臭氧组合预测模型.利用小波分析和系统聚类提取臭氧时间序列波动特征和站点空间分布相似性特征,并通过主成分分析和粒子群算法优化的支持向量机组合模型（PCA-PSO-SVM）对臭氧日最大8h平均浓度进行预测,以2016~2018年杭州市大气污染物观测数据和气象数据进行实验验证.结果表明：融合时空特征的PCA-PSO-SVM模型预测精度有较大提升,与未融合时空特征的PCA-PSO-SVM模型相比,精度提升19%.气象因素中温度对臭氧预测效果影响最大,在气象预报数据存在一定误差的情况下,提出的模型仍得到较高精度的预测效果,具备较好的鲁棒性.     

小波支持向量机在大气污染物浓度预测中的应用

用小波分解重构和支持向量机相结合的方法,建立大气污染物浓度预测模型。通过小波分解,将大气污染物浓度序列分解为不同频段的小波系数序列,再对各层的小波系数序列重构到原尺度上。利用相关分析的方法构建出低频小波系数a3和中频小波系数d3的支持向量机模型输入因子为前一天小波系数a3和7个气象因子;高频小波系数d2和d1以前三日的小波系数为输入因子,然后对各小波系数序列采用相应的支持向量机模型进行预测,各小波系数均使用ν-支持向量回归机(ν-SVR)算法和径向基函数,最后通过小波重构合成大气污染物浓度序列的最终预测结果。通过对大气SO2浓度预测实例证明,该大气污染物浓度预测模型具有推广能力较强、预测精度较高、训练速度快、便于建模等优点,具有良好的应用前景。     

加速腐蚀环境下LD2CS铝合金腐蚀损伤分析方法

目的研究LD2CS铝合金腐蚀损伤数据的分析方法。方法针对LD2CS铝合金腐蚀坑深度值,采用最小二乘支持向量机、BP人工神经网络和求和自回归移动平均等3种模型进行回归和预测分析。对比总结各种模型在小样本递增时间序列下的应用特点。结果对于LD2CS铝合金腐蚀坑深度值预测,最小二乘支持向量机在回归和预测上都有较高的精度。结论最小二乘支持向量机模型最适合LD2CS铝合金的腐蚀坑深度值预测。     

基于关联向量机回归的水质预测模型

提出了一种基于关联向量机回归的水质时间序列预测模型,并以该模型对氢离子浓度指数(p H值)、溶解氧(DO)、高锰酸盐指数(CODMn)和氨氮(NH3-N)4种重要水质指标进行预测.首先采用国家环保部发布的四川攀枝花龙洞水质自动监测数据进行实验,对该模型的有效性进行了验证;然后将关联向量机回归预测模型与支持向量机回归预测模型进行比较.为了比较不同核函数的预测效果,实验中预测模型的核函数分别采用了线性函数和高斯函数.实验结果表明,关联向量机回归模型的预测效果不亚于支持向量机回归模型;且在给出预测值时,还能同时给出预测结果的可信程度.     

基于气象因素和改进支持向量机的空气质量指数预测

空气污染已成为人类社会面临的严峻挑战,为了构建准确的空气质量预测模型,文章首先运用统计分析方法进行相关性分析,探讨气象要素变化对空气质量的影响;针对传统支持向量机预测精确度受输入变量影响较大的弊端,采用基于熵权理论对变精度粗糙集约简进行了改进,以处理支持向量机的输入变量,提高支持向量机的预测精度;最后以沈阳市的历史气象数据和空气质量指数进行验证。与传统方法相比,所提方法能够将预测准确率由71.28%提高到77.83%,空报率和漏报率也有降低,与实际基本吻合。     

ODM技术支持下的滑坡位移预测研究

预测模型的建立是滑坡预报的核心问题。Oracle系统的数据挖掘选件(Oracle Data Mining,ODM)可直接对存储在数据库中的数据进行操作,能减少数据转换的资源消耗,保证数据的安全性。以三峡库区八字门滑坡为例,在深入分析滑坡累计位移变化特征与其降雨、库水位等影响因素响应关系的基础上,采用ODM中的PL/SQL API建立了可预测滑坡位移趋势的支持向量机(Support Vector Machines,SVM)模型,并利用建立的SVM模型对滑坡累计位移量的未来值进行了预测。经验证表明:测试样本的预测均方根误差和平均绝对误差分别为10.07mm和6.54mm,预测结果与实测值变化趋势基本一致,说明基于ODM的SVM滑坡位移预测模型在处理非线性时间序列数据上具有一定的优势,可用于滑坡监测数据的短期预测。     

基于粗糙集与灰色SVM的中国CO2排放量预测

从我国CO2排放量的不确定性、不完整性、小样本等特征出发,以灰色系统(GM)模型和支持向量机(SVM)模型为基础,建立基于粗糙集的组合预测模型.利用该模型以我国1990~2011年CO2排放量的数据以及同期的人口数量、GDP和能源消耗总量数据为基础对我国同期CO2排放量进行预测来验证其有效性,最后对我国2012~2017的CO2排放量进行预测.结果表明,灰色系统理论与支持向量机模型仅能够反应我国CO2排放的长期变化趋势,在预测精度上存在一定缺陷而基于粗糙集与灰色SVM的组合预测模型在预测精度上明显优于以上两种方法,能够对我国未来CO2排放量进行准确有效的预测分析.     

ABC算法优化SVR的磨损故障预测模型

目的为了提高故障预测的精度,针对支持向量回归SVR(Support vector machine for regression,SVR)参数选择困难的问题,提出一种采用人工蜂群(artificial bee colony,ABC)算法优化支持向量回归(SVR)的故障预测模型(ABC-SVR)。方法该模型先对样本数据进行重构,然后将故障预测误差(适应度)作为优化目标,通过ABC算法寻优找到最优的SVR参数,建立故障预测模型。最后通过实例仿真验证模型的优越性。结果采用ABC算法优化的SVR故障预测模型进行时间序列预测,能够较好地跟踪发动机滑油金属元素浓度的变化过程,并且能够提前2个取样时间预测异常情况的出现。结论 ABC-SVR模型有效解决了SVR参数选择难题,能够更加准确地表现故障变化规律,提高了故障预测精度。     

南京地区近地面臭氧浓度与气象条件关系研究

通过分析2013—2015年南京地区相关气象要素对近地面臭氧浓度的影响,建立了用于不同季节高浓度臭氧污染事件的预报预警模型,并归纳总结了南京地区高浓度臭氧出现的天气形势.结果表明,近地面臭氧浓度的变化与气象要素密切相关,气温、能见度、日照小时、总(净)辐射辐照度等要素与O_3浓度呈显著正相关,与相对湿度、总(低)云量呈负相关.高浓度臭氧污染是多因子综合作用的结果,典型气象条件表现为:太阳辐射强,低云量少,相对湿度适宜,地面小风速及特定的风向.通过定义高浓度臭氧潜势指数HOPI和风向指数WDI,并综合考虑14:00地面气温、相对湿度及8:00各标准层的相关气象要素,建立了逐季节多指标叠套的高浓度臭氧预报方程.采用2016年资料对其进行检验,发现预报值与观测值的相关系数分别达0.72(冬季)、0.76(春季)和0.73(夏季),说明方程具有较好的拟合效果和可预报性.通过普查历史天气图,归纳了伴随南京地区高浓度臭氧事件出现的8种主要天气形势,即高压类(高压中心G0、高压后部G1)、低压类(低压底部D0、低压前部D1、低压倒槽D2)、均压类(高压相关的均压JG、低压相关的均压JD、其它均压J).其中,以高压后部地面形势出现概率最大,低压前部均压场出现时对应臭氧平均浓度最高.     

Surface ozone and meteorological predictors on a subregional scale

Meteorological conditions affect the ozone concentration near the surface. To quantify the importance of meteorological parameters for the surface ozone concentration a nonlinear regression analysis between 313 meteorological candidate predictors and surface ozone concentration at five stations in the German Democratic Republic over the period 1972–1987 has been made. The stability and quality of the relationship between ozone and meteorological predictors has been tested by independent samples. Most important predictors for surface ozone are the ozone value of the preceding day (persistence) and solar radiation. They explain 33–46% and 6–21% of the climatological ozone variance, respectively. As all meteorological parameters can be forecasted, the regression method described might be the basis for a short-term prediction of surface ozone. An analysis of long-term changes of surface ozone and solar radiation shows that changes in cloudiness are probably not the main cause of the long-term changes in surface ozone. Therefore, the ozone changes should mainly be due to changes in circulation and/or concentration of ozone precursors (NO_x, VOC).     

沈阳市PM2.5浓度ARIMA-SVM组合预测研究

首先利用回归树分类方法,对采暖期与非采暖期各日进行气象类型划分,识别出易造成重污染天气的气象类型.其次分别在各气象类型内,以污染源排放量为自变量,利用差分自回归滑动平均与支持向量机（ARIMA+SVM）组合方法建立起PM_2.5浓度日均值预测模型,并选取2013年01月~2017年06月间,沈阳市区内9个环境监测点PM_2.5浓度日均值进行实证分析.结果表明,使用气象分类下的ARIMA+SVM组合模型对PM_2.5浓度日均值进行预测,相比于不划分气象类型时的普通机器学习模型,其模型预测值与实测值趋势的吻合度更高,且对峰-谷值的识别能力更强.在采暖期与非采暖期,组合模型均具有平均绝对误差更低、预测正确率更高的优点.     

基于周边站点优化选取的随机森林PM2.5小时浓度预测研究

空气中的PM_2.5是威胁人体健康的主要大气污染物,对其进行有效预测和及时预警具有重要意义.大量研究表明,纳入周边站点信息的随机森林模型在单站点PM_2.5预测中显示出良好的效果,但在周边站点选取问题上目前尚缺乏针对性研究,部分选取方法带有主观性.本文提出了一种基于时间滞后互相关分析的周边站点优化选取方法,并以上海十五厂空气质量监测站（国控站）为例,构建了预测该站未来1~24 h PM_2.5浓度的随机森林回归模型集,比较分析了预测模型中各输入因子的重要性.研究发现,预测站点当前PM_2.5浓度值对未来1~16 h的预测最为重要,而气象要素中的风向则对于未来17~24 h的预测重要性最高;周边站点PM_2.5信息随着预测时间的延长,其重要程度排名有明显提升,且不同站点对不同时间预测的影响具有显著差异,在建模时应区别对待,优化选取.比较结果表明,使用本文方法选取周边站点建立的预测模型不仅在RMSE等精度指标上具有一定优势（12 h和24 h预报RMSE分别降低11.8%和13.3%）,还在有实用价值的污染事件空报率上有明显降低（12 h和24 h预报空报率分别降低16.1%和25.6%）,具有业务应用潜力.     

多机器学习模型下逐小时PM2.5预测及对比分析

为了能及时、准确的估算出PM_2.5浓度及污染等级,分别构建了K最邻近模型（KNN）、BP神经网络模型（BPNN）、支持向量机回归模型（SVR）、高斯过程回归模型（GPR）、XGBoost模型和随机森林模型（RF）6个PM_2.5浓度预测模型,选取江西省赣州市为实验区域,采用2017~2018年逐小时气象站数据、PM_2.5浓度数据和Merra-2再分析数据开展PM_2.5预测实验.结果表明,缺少污染物观测数据时,利用能见度和气象因子等数据也能较好的预测PM_2.5浓度.在PM_2.5浓度预测精度方面,XGBoost模型最高,随机森林模型次之,高斯过程回归模型最差.6个模型的预测精度总体呈现冬季最高,秋季和春季次之,夏季最低.XGBoost模型的PM_2.5污染等级预测准确率高于其他模型,综合准确率达87.6%,并且XGBoost模型具有训练时间短,占用内存小等优点.XGBoost模型的变量重要性结果表明,能见度变量的重要性最高,相对湿度和时间变量次之.本研究可为环境部门准确预测、预报PM_2.5浓度提供参考.     

基于Matlab的BP神经网络在大气污染物浓度预测中的应用

为了寻求有效控制和改善环境质量的相应措施,选用了英国伦敦Bloomsbury监测站的PM10小时平均浓度监测资料,采用“提前终止法”泛化改进的BP神经网络模型,预测PM1024 h内的小时平均浓度。结果表明：采用BP神经网络法对大气污染物浓度进行预测,预测相对误差在2%-48%之间,且绝大部分在2%-17%之间,预测精度较高,泛化能力较好,为大气污染物浓度预测提供了一种全新的思路和方法。