基于聚类分析与偏最小二乘法的支持向量机PM_(2.5)预测

考虑样本和输入变量的选取对预测模型精度的影响,文章提出一种基于K-means聚类与偏最小二乘法的支持向量机PM_(2.5)浓度预测方法。首先采用K-means算法对气象属性进行聚类,间接把PM_(2.5)序列分成了相似度较高的若干类,并分别作为预测建模用的训练样本;然后采用偏最小二乘法从影响PM_(2.5)浓度的多种因素中提取主成分,作为各类模型的优化输入;最后根据预测日的气象属性选出合适类别,运用优化后的训练样本和输入变量建立PM_(2.5)浓度预测模型。以北京市某监测点的实际数据为例,运用改进模型和传统模型分别进行实验。结果表明:改进的支持向量机相比传统支持向量机在预测精度上有明显的提高,精度评价指标MAE、MAPE和RMSE分别下降38.10%、50.59%、37.15%。研究实证,引入K-means聚类与偏最小二乘法的手段来提高传统支持向量机在PM_(2.5)浓度预测中的精度具有可行性。     

近20年来中国典型区域PM2.5时空演变过程

近20年来PM_(2.5)污染严重制约了中国可持续发展.长时间序列历史监测数据的缺失阻碍了相关研究.为此,本文以四大典型区域2013~2016年的PM_(2.5)浓度监测值和2000~2016年MODIS AOD数据、边界层高度、温度等气象数据作为基础数据,将反向人工神经网络和支持向量回归机两种算法相结合,构建组合模拟模型,并利用地理空间分析技术实现近20年来PM_(2.5)浓度历史变化过程的情景再现.研究结果表明,组合模型具有较低的误差和更高的泛化能力;时空分析结果表明,2000~2010年京津冀和东三省PM_(2.5)浓度持续增长,珠三角PM_(2.5)浓度缓慢下降,3个研究区PM_(2.5)污染范围呈扩大趋势,长三角PM_(2.5)浓度值及污染范围基本保持稳定.2012年4个研究区PM_(2.5)浓度值降低且污染范围缩小,但2013~2016年PM_(2.5)浓度略微上升后又下降,高污染范围缩小,这与国家采取PM_(2.5)区域联防等治理措施有关.     

基于小波分解与自适应多级残差修正的最小二乘支持向量回归预测模型的PM2.5浓度预测

采用小波分解(WD)将济南市科干所监测站PM_(2.5)浓度的一维时间序列(2013年1月1日—2017年8月15日)分解为高维信息,获得了该监测站附近PM_(2.5)浓度的时频变化特征,重点分析了PM_(2.5)的随机性和趋势性问题.然后构建了基于小波分解的多级残差修正的最小二乘支持向量回归预测模型(AMLRC-WLSSVR),结果发现,该模型能够很好地对济南市PM_(2.5)浓度做出预测,特别是针对重污染天气的预测有很好的精度.为了避免预测结果的不确定性问题,提出了一种基于方差估计给出预测值置信区间上界的方法,同时,有效弥补了单点预测的不稳定性及预测精度不足的缺点,该方法能够为实际空气污染预警提供技术支持.     

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。     

基于LUR模型的中国PM2.5时空变化分析

土地利用回归(LUR)模型是模拟大气污染物浓度时空分异最主要、最体系化的方法之一,为了探索LUR模型在中国国家尺度空气污染物模拟的适应性,挖掘中国2015年空气细颗粒物(PM_(2.5))的时空变化特征及其与不同地理要素相关关系,以2015年国家控制监测站点PM_(2.5)数据为因变量,土地利用类型、地形地貌、人口、道路交通与气象要素等影响因素为自变量,构建基于地理加权的LUR模型,通过模型回归制图得到2015年全国月均与年均PM_(2.5)浓度分布图,以胡焕庸线为参考线分析中国2015年PM_(2.5)浓度的时空变化特征.结果表明,引入地理加权算法的LUR模型残差Moran'sⅠ显著降低,残差空间自相关性明显减弱,判别系数R2明显提高,更好地揭示出PM_(2.5)空间分布和各影响因子间的复杂关系;耕地、林地、草地和城镇居民工矿用地以及气象要素、主干道路对PM_(2.5)浓度的影响比较显著.不同地理要素的不同空间分布对PM_(2.5)影响作用不同;胡焕庸线两侧PM_(2.5)表现出明显的时空差异,人口规模大、工业化水平高的发达城市PM_(2.5)浓度较高; PM_(2.5)浓度在冬季月份较高,秋季、春季、夏季月份污染情况逐渐减弱.     

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.     

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。     

建设项目环境影响评价中二次PM2.5影响预测方法比较研究

2018年12月1日实施的《环境影响评价技术导则大气环境》(HJ 2.2—2018),对建设项目环境影响评价中二次PM_(2.5)影响预测问题给出了模型模拟法和系数法两种解决方案。在详细介绍模型模拟法和系数法的基础上,对两种方法预测同一项目时预测结果的差异性进行了比较分析。差异性比较分析结果表明,就二次PM_(2.5)日均浓度和年均浓度,AERMOD系数法计算结果较CALPUFF模型模拟法计算结果偏保守;两种方法在预测二次PM_(2.5)日均浓度时比值范围为0.08～5.16,均值为2.35;在预测二次PM_(2.5)年均浓度时比值范围为0.89～26.22,均值为10.71;两种方法在预测二次PM_(2.5)日均浓度时差异较小。     

中国PM2.5污染空间分布的社会经济影响因素分析

中国的细颗粒物(PM_(2.5))污染具有危害性强、覆盖范围大、空间分布不均匀的特点.本研究以2015年中国PM_(2.5)监测站点数据为基础,尝试结合空间分析的方法,对PM_(2.5)污染空间分布的社会经济影响因素进行分析.首先以省级行政区划为基本单元,选取Moran's I指数和局部自相关指数(LISA)分析PM_(2.5)在国家尺度上的分布特征.然后利用普通最小二乘回归模型(OLS)和地理加权回归模型(GWR)分析PM_(2.5)浓度的空间分布和各项社会经济指标的相关性.结果表明,GWR模型比OLS模型更好地揭示出PM_(2.5)浓度分布和各项因素之间的关系.PM_(2.5)浓度在空间分布上存在以京津冀为中心的高浓度聚集区向四周逐渐递减,在广西、四川等南部省份形成低浓度聚集区的空间分布结构.另外,森林覆盖率和人均电力消费量与PM_(2.5)浓度显著负相关,人均私家车保有量和PM_(2.5)浓度显著正相关,其中人均私家车保有量是对PM_(2.5)浓度影响最大的因素.     

基于GWR降尺度的京津冀地区PM2.5质量浓度空间分布估算

卫星遥感估算PM_(2.5)质量浓度研究已较为成熟,但精度还未取得突破性进展.本文利用2017年京津冀地区气溶胶光学厚度(AOD)遥感数据、戈尔德地球观测系统的GEOF气象格网数据以及地面环境监测站PM_(2.5)数据,采用地理加权回归空间降尺度方法,估算京津冀地区的逐月PM_(2.5)质量浓度.基于3种不同的残差插值修正,修正后的PM_(2.5)估算结果均很理想,其中,基于自然邻近残差插值修正后的模型估算结果最优.经验证,在95%的置信水平下,其相关系数r达到0.951,决定系数R~2为0.904,调整后的R~2为0.903,平均预测误差MPE为7.307μg·m~(-3),均方根误差RMSE为11.62μg·m~(-3),相对预测误差RPE为18.35%,说明该模型能客观估算京津冀地区2017年PM_(2.5)质量浓度.2017年PM_(2.5)呈现出南高北低的空间分布特征,南北高低值区域界线与保定市和沧州市的市级行政界线具有较高的一致性.经变异系数分析发现PM_(2.5)在2017年内的稳定性程度与PM_(2.5)质量浓度空间分布呈反向性,即PM_(2.5)质量浓度高的区域稳定性低,年内的变化程度剧烈,而PM_(2.5)质量浓度低的区域稳定性强,年内变化程度弱.