小波网络在大气污染物浓度预测中的应用

提出一种“分解-重构-预测”小波网络的大气污染物浓度的预测方法。通过小波分解,把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子序列重构到原尺度上,然后对小波系数序列采用相匹配的BP神经网络模型进行预测,最后合成浓度序列的最终预测结果。经对二氧化硫浓度预测证明,该方法预测模型推广能力强,预测精度高。     

基于小波分解和SVM的大气污染物浓度预测模型研究

针对大气污染物浓度的精准预测问题,运用小波分解将污染物浓度一维序列分解为高维信息,结合气象及污染物浓度数据,构建了基于小波分解的支持向量机预测模型.最后将模型应用于长沙市2018年PM_2.5和O_{3-8 h}的浓度预测.结果表明：①在其他参数不变的条件下,该模型在平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、均方根误差（RMSE）、一致性水平（IA）和相关系数（R）指标上均优于未经小波分解的预测模型;②在考虑其他污染物对PM_2.5浓度的影响后,预测模型评价指标MAE、MAPE和RMSE分别减少了5.57%、9.91%和3.44%,有着更小的误差;③在考虑气象因素对O_{3-8 h}浓度的影响后,预测模型评价指标MAE、MAPE和RMSE分别减少了1.59%、3.54%和0.82%,同样也有更小的误差.由此可以看出,本文所提模型能够有效预测大气污染物浓度,为相关研究提供了方法参考.     

基于小波分解和ARMA模型的空气污染预报研究

细颗粒物PM2.5为首要污染物的空气污染严重影响了公众健康,对空气污染进行有效预报具有十分重要的意义。而目前常用的空气污染物浓度预报方法在短时事件和意外事件预测方面存在不足。利用小波多尺度分析方法改进ARMA预测模型,并将其应用于短时空气污染物浓度预测。改进模型通过小波分解方法将时间序列分解为一个近似序列和多个细节序列,分别采用ARMA模型进行预测,然后将各序列预测结果进行重构,得到最终预测结果。以天津市2014年PM2.5浓度数据为例,分别采用ARMA模型、支持向量回归(SVR)模型、人工神经网络(ANN)模型以及基于小波多尺度分解改进的SVR模型和基于小波多尺度分解改进的ARMA模型进行了对比分析。结果表明:1)小波多尺度分解能够显著提高SVR模型和ARMA模型预报精度;2)ARMA、SVR、ANN等传统模型在重污染情况下预报精度显著下降,而小波分解改进策略能够较好地解决这个问题;3)基于小波多尺度分解改进的ARMA模型预报精度较高,是城市污染物浓度预报的有效手段。     

一种基于小波变换和LSTM的大气污染物浓度预测模型

针对现有大气污染物浓度预测模型存在预测精度不高、污染物种类单一等不足的问题,通过小波分解将高维大气污染物数据转换为低维数据,再对分解序列建立长短期记忆网络（LSTM）预测模型,最后通过小波重构将分解序列重构为污染物时间序列,建立了1种基于小波变换（WT）的LSTM大气污染物预测模型（WT-LSTM）,用以预测目标区域内的次日平均ρ（PM_2.5）、ρ（PM₁₀）、ρ（SO₂）、ρ（NO₂）和ρ（O₃）。采用长沙市2015—2018年10处国控站点的数据进行验证,结果表明:相对于LSTM、多元线性回归（MLR）和基于WT的WT-MLR模型,WT-LSTM的均方根误差和绝对平均误差均下降了50%,其对PM_2.5、PM₁₀、SO₂、NO₂和O₃的污染等级预测准确率均在80%以上。     

数据分解模式下PM2.5与气态污染物的组合预测研究

大气污染治理是我国实现生态文明的必经之路,制定有效性的大气治理方案,作为参考的大气污染物月均浓度预测结果是至关重要的.针对大气环境污染物月均浓度时间序列的高噪音、非平稳和非线性等特点,本文提出一种基于数据分解模式的组合预测模型.上海市的实例验证及与其他3种模型的对比研究表明：本文所提出的组合预测模型适用于政策制定所需但样本量受限的月均或年均数据预测;所提出的子序列重构的新模式比传统求和算法重构模式提高预测精度12.5%;相较于其他模型,其预测性能最优（绝对百分比误差的均值仅为9.05,且对历史拟合的皮尔逊系数均为0.90以上）.实现了对大气污染物月均浓度高精度预测,可为相关政策的制定提供科学的定量参考.     

基于Wavelet-LSTM模型的北京空气污染物浓度预测

文章为了达到精准预测北京市空气污染物浓度目的,应用小波分解变换(wavelet transform)和长短期神经记忆网络(long short-term memory,LSTM)相结合的方法,建立Wavelet-LSTM空气污染物浓度预测模型,对北京市6项空气污染物浓度预测。研究首先通过小波分解变换将日空气污染物浓度的历史时间序列分解为不同频率并重新组合为高维训练数据集合;其次使用高维数据集训练LSTM预测模型,重复试验调整参数,获得最优预测模型。研究结果表明,组合模型对于污染物浓度预测比传统LSTM模型的预测精度和稳定性更高。     

基于支持向量机的太湖梅梁湾叶绿素a浓度预测模型

以梅梁湾2010年4月至2011年12月的监测数据为基础,选取太阳总辐射、综合消光系数、水温、总无机氮、pH和当前的叶绿素a浓度等作为输入变量,以7d后的叶绿素a浓度作为输出变量,运用支持向量机(SVM)建立了针对"三号标"监测点的叶绿素a浓度预测模型,并进行了输入变量的敏感性分析.通过模拟值和实测值的对比分析发现,该模型能较好地预测7d后叶绿素a的浓度变化情况.模型输入变量的敏感性分析结果表明,当前的叶绿素a浓度是影响预测结果的最重要因子,然后依次为pH、太阳总辐射、综合消光系数、水温和总无机氮.     

基于wavelet-SVM的PM10浓度时序数据预测

太原是以煤炭为主要能源的重工业城市,PM_(10)(particulate matter)是太原市的主要大气污染物,因此研究其变化趋势,并给出污染物浓度预测结果,为相关部门进行大气污染防治,为突发污染事件应急提供理论支持是一项非常重要的工作.支持向量机(support vector machine,SVM)应用于PM_(10)污染物浓度时序数据预测时,表现出良好的泛化能力.在预测模型建立过程中通常选择历史数据作为学习模型的输入特征,然而这样的数据表示形式,结构单一,信息表达不完备,在很大程度上将影响预测模型的泛化能力.本文以山西省太原市城区4个监测站点的PM_(10)日浓度数据为研究数据,通过小波变换(wavelet transform)将一维输入数据转化为由低频信息和高频信息构成的高维数据,并以该数据为输入数据建立wavelet-SVM预测模型.结果表明,相较于传统SVM模型预测,wavelet-SVM模型预测结果具有更高的精度,尤其能更加准确捕捉到PM_(10)浓度突变点,为大气污染预警提供有效信息支持,并且wavelet-SVM模型对于PM_(10)浓度时序数据变化趋势的预测精度有明显提升,能更好地预测PM_(10)浓度变化趋势,揭示PM_(10)浓度时序数据内在规律.     

基于极限学习机回归的海水Chla浓度预测方法

有效监测海水Chl a浓度状况对近海赤潮等海洋灾害的预警预报有着重要意义。运用灰色关联分析法确定预测模型的输入变量,可有效降低预测模型系统维数。采用极限学习机回归方法建立海水Chl a浓度预测模型,通过与广义回归神经网络、支持向量机回归二种模型的预测效果进行对比,表明极限学习机回归预测模型具有较好的预测精度、预测效率和泛化能力,能够实现针对研究水域环境下Chl a浓度的有效预测。     

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.     

两种新型流域非点源污染负荷估算模型的比较

为探索简单快捷、实用性强的流域非点源估算模型,基于降雨量差值法的基本思想,应用径向基函数(RBF)神经网络和支持向量机(SVM)2种技术,以渭河流域历年降雨量资料为基础建立了相应的流域非点源污染负荷估算模型.并将2种模型估算结果与相关分析法估算结果进行了比较,综合分析渭河流域历年径流量与三者所推得的历年点源负荷的标准差.结果表明,支持向量机的估算结果最为合理,且计算简单,操作便捷,具有实用价值.     

基于支持向量机的城市道路降雨径流污染预测模型

为实现城市降雨径流污染有效预测,以文献中的实测数据作为样本,选取雨型、平均雨强、峰值雨强、降雨历时、雨前干期、大气降尘量、PM 10、车流量、路面材料及城市功能区等10项影响因子作为模型输入量,选取径流污染指标COD的场次降雨平均浓度EMC及初期冲刷指数FF30作为模型输出量,基于支持向量机(SVM)构建了城市道路径流污染预测模型。结果表明:EMC-SVM及FF30-SVM模型均具有较高的预测精度,EMC-SVM模型校验参数RMSE、MBE远小于数据集EMC均值,CE、CC达到0.815及0.933;FF30-SVM模型校验参数RMSE、MBE远小于数据集FF30均值,CE、CC分别为0.866及0.932;选用径向基函数(RBF)作为核函数,使用k折交叉验证法对模型参数进行寻优,对于EMC-SVM及FF30-SVM模型寻得的最优参数(c,g)分别为(64.0,0.001953125)、(2.0,0.0625)。     

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。     

基于阶段式时序注意力网络的PM2.5鲁棒预测

PM_2.5浓度的预测对于大气污染治理、改善环境质量等起到重要作用。受气象条件变化与大气污染物排放等多种因素的交叉影响,PM_2.5预测通常易受突变事件及噪声数据干扰。因此,基于对气象条件以及大气污染物与PM_2.5的相关性分析,提出阶段式时序注意力网络模型（staged temporal-attention network,STAN）,该方法融合多段注意力学习模块与循环神经网络,建模气象因素与大气污染物对PM_2.5浓度的交叉影响。统计分析北京市、上海市、广州市预测结果的绝对误差值,可知:1）对比广泛使用的单一类模型支持向量机（support vector machine,SVM）、长短期时序记忆方法（long short-term memory,LSTM）和多层感知机（multilayer perceptron,MLP）,STAN可达到10%以上的性能领先;对比最新的融合类模型U型网络（U-net）,STAN领先了7%的优势。2）以北京市冬季预测结果为例进行统计分析,STAN的预测值与实测值之间的拟合系数可有95.2%的性能领先。此外,在鲁棒性分析中发现,STAN在含有10%噪声的数据上进行预测,误差上升幅度仅为9.3%。结果表明:注意力机制与时序学习模块相结合能够深度挖掘PM_2.5变化规律并抑制噪声数据,且STAN模型可以进行PM_2.5浓度的鲁棒预测。     

应用支持向量机评价土壤环境质量

基于野外采样和室内分析相结合的方法,采用电感耦合等离子体质谱法(ICP-MS)对羊草沟煤矿研究区表层土壤样品中的Cd、Cr、Zn、Pb和Cu含量进行测定,应用非线性支持向量机模型中的分类支持向量机,选用sigmoid核函数,利用MATLAB编写程序,进行土壤环境质量评价,并利用模糊综合评判法对评价结果进行验证.在此基础上,运用对应分析方法对样品和变量进行了关联分析,进一步了解重金属污染特征.评价结果表明,研究区土壤环境质量多为Ⅰ类,与模糊综合评判法的相同率达到91.67%,将支持向量机用于土壤环境质量评价是可行的.相比于传统的评价方法,支持向量机采用结构风险最小化原则,将复杂的非线性问题转化为线性问题,成功的解决了多分类、高维运算等问题.     

基于支持向量机的湖泊生态系统健康评价研究

利用支持向量机在处理分类问题、小样本问题和泛化推广方面的优势,构建了基于支持向量机的湖泊生态系统健康评价模型.同时,对广州市最大的人工湖——白云湖的水质及生物群落情况进行了监测,最后运用该模型对白云湖生态系统健康状况进行了评价.评价结果表明,白云湖生态系统处于病态状态,不能达到其净化水质的设计作用.建议从提高进水水质、实施湖区截污和丰富生物量3方面改善白云湖生态系统健康水平.与传统熵权综合健康指数法和熵权模糊综合评价法相比,所建模型更加客观、科学地评价了湖泊生态系统健康状况,能够为湖泊生态系统健康管理提供一定依据,具有广阔的应用前景.     

基于SOM-SVM组合分类器的涂层防护性能研究

目的为避免EIS,EN技术可能出现的问题,建立一个准确、高效的评价模型,以探究现役军用有机涂层防护性能。方法利用电化学阻抗谱(EIS)、电化学噪声(EN)技术分析了两种军车有机涂层在循环暴露试验中的腐蚀行为,提取低频阻抗模值|Z|_(0.1 Hz)与涂层噪声电阻R_n两种电化学评价参数作为自组织神经网络(SOM)的输入训练样本,同时结合支持向量机(SVM)方法建立涂层防护性能组合分类器。结果将涂层失效过程自适应地分为涂层防护性能良好、防护性能下降、基本失效三个阶段。结论所建立的SOM-SVM组合分类器对于辅助分析涂层防护性能具有可行性。     

基于MRMR-HK-SVM模型的PM2.5浓度预测

以赣州市2017年全年的空气质量和气象数据为研究对象,通过最大相关最小冗余算法（MRMR）提取出最优的特征子集,并将其作为预测模型的输入数据,同时构造混合核函数（HK）对传统的支持向量机模型（SVM）进行改进,最终建立MRMR-HK-SVM模型.实验结果表明,MRMR-HK-SVM模型有着更低的平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和均方根误差（RMSE）,相较于传统SVM模型,预测结果平均绝对误差下降了26.9%,且能更加准确的追踪到PM_2.5浓度的突变时刻.可见,MRMR-HK-SVM模型具有更好的泛化能力,能够更加精确地预测PM_2.5浓度.