规范变换降维与误差修正结合的环境系统的一元线性回归预测

针对高维、非线性环境系统的传统预测模型存在结构复杂、收敛速度慢、求解精度低的局限,提出对环境系统预测量及其影响因子进行幂函数与对数函数相结合的规范变换.此规范变换能使变换后的各影响因子皆等效于一个线性化的规范因子,从而将多因子、非线性的预测建模简化为简单的一个"等效"规范因子的一元线性回归建模;并对预测样本的模型输出进行误差修正,以提高样本的预测精度.在规范变换的基础上,由有m个规范因子的每个建模样本生成一个规范因子的m个"等效"训练样本,n个建模样本共生成N=m×n个训练样本.应用最小二乘法,建立基于规范变换的一元线性回归预测模型.将基于规范变换的一元线性回归预测模型与相似样本误差修正法相结合,分别用于某市5个点位的SO_2浓度预测和南昌市城市降水酸度pH值预测及某河段COD_(Mn)预测,并与多种传统预测模型和方法及基于规范变换与误差修正的3种智能预测模型的预测结果进行了比较.结果表明:该预测模型用于3个实例预测的相对误差绝对值的平均值分别为1.14%、0.49%和1.45%;最大相对误差绝对值分别为2.22%、0.87%和1.85%,与基于规范变换与误差修正的3种智能预测模型的相应误差几乎没有差异,甚至还要小;均远小于多种传统预测模型和方法的相应误差,其预测精度甚至提高了一个数量级以上.基于规范变换与误差修正的一元线性回归预测模型简单、预测精度高、稳定性好,不存在"维数灾难",因而可广泛用于任意系统的预测建模.     

规范变换与误差修正结合的环境系统的前向网络和投影寻踪预测模型

为了建立适用于环境系统的结构简洁、形式统一、程序规范、应用普适的神经网络和投影寻踪回归预测模型,针对传统的神经网络和投影寻踪回归用于多因子、大样本预测建模,存在模型结构复杂、学习效率低的局限,提出设置环境系统预测量及其影响因子参照值和规范变换式的原则和方法,使规范变换后的影响因子皆"等效"于同一个规范影响因子,从而将多因子的的预测建模简化为等效规范因子的预测建模,使模型结构得到极大地简化,提高了学习效率;此外,为了提高预测模型的预测精度,还提出了对预测样本的模型输出值的误差修正公式.在对环境系统的预测量及其影响因子进行规范变换的基础上,将m个规范影响因子的每个建模样本组成m个"等效"训练样本,应用免疫进化算法优化模型参数,分别建立适用于环境系统的2个或3个规范影响因子的前向神经网络和投影寻踪回归两类预测模型;并依据误差理论,对误差修正公式修正后的模型预测精度的提高进行了严格的数学论证.将基于规范变换与相似样本误差修正相结合的两类预测模型,用于某市5个点位的SO_2浓度预测,并与6种传统预测模型和方法的预测结果进行了比较.结果表明:对同一个预测样本,同类模型的两种不同结构的的预测值及其相对误差都几乎完全相同或彼此相差甚小;此外,两种不同结构的两类预测模型用于5个样本预测,其相对误差绝对值的平均值分别为2.59%、2.67%;2.18%、2.62%,均远小于传统BP神经网络模型的25.72%、传统PPR模型的14.20%、传统SVR模型的22.13%、模糊识别模型的21.57%、组合算子模型的18.36%和多元回归模型的25.31%;而两类模型预测的最大的相对误差绝对值分别为4.11%和3.57%,更加远远小于传统的6种预测模型的37.18%、56.07%、27.40%、32.14%、38.38%和60.26%.实例分析结果证实了误差修正公式对提高模型预测精度具有切实可行性.基于规范变换与误差修正相结合的前向神经网络和投影寻踪回归两类预测模型不仅避免了"维数灾难",提高了学习效率和模型的预测精确度,而且具有简洁、普适、规范、统一和稳定的特点,对其他预测建模也有借鉴作用.     

基于规范变换与误差修正的回归支持向量机的环境系统预测

为了建立不同环境系统皆能规范、统一、简洁、实用的回归支持向量机预测模型,针对传统的回归支持向量机预测模型存在结构不能普适、规范和统一及用于大样本、多因子预测会出现学习效率低、求解精度差的局限,提出适用于环境系统预测量及其影响因子参照值和规范变换式的设计原则和方法,使规范变换后的影响因子皆"等效"于同一个规范影响因子;为提高样本的预测精度,还提出预测样本的模型输出的误差修正法.在对环境系统的预测量及其影响因子进行规范变换的基础上,由有m个规范影响因子的每个建模样本生成m个"等效"训练样本,从建模样本中,选择各影响因子的最大规范值组成训练样本集的"参考样本",计算核函数中每个训练样本相对于"参考样本"的范数;并应用优化算法优化模型参数,建立适用于预测量及其影响因子规范值的仅有2个或3个支持向量的两种简单结构的回归支持向量机预测模型.将基于规范变换的两种简单结构的回归支持向量机模型与相似样本误差修正法相结合,用于河津大桥监测断面6个样本的COD月平均值预测,并与多种传统预测模型和方法进行了比较.结果表明:对同一个预测样本,两种模型的预测值十分接近;此外,两种预测模型用于6个样本预测,其相对误差绝对值的平均值分别为2.09%、2.79%,均远小于传统的投影寻踪回归预测的41.63%、支持向量机预测的40.99%、灰色神经网络预测的25.94%和马尔可夫预测的10.16%;而两种预测模型对异常样本预测的最大的相对误差绝对值分别为5.85%、5.13%,更加远远小于传统的4种预测模型的169.07%、180.45%、68.44%、41.96%.两种基于规范变换的回归支持向量机预测模型简洁、普适、规范和统一,避免了"大样本数困难",提高了学习效率和模型的预测精确度,对其他预测建模法也有借鉴作用.     

基于最佳范化能力的BP网络隐节点数反比关系式的环境预测模型

网络结构和样本集复杂性是影响BP网络泛化能力的两个最重要因素.对一个给定的训练样本集,为了构造一个与样本集复杂性相匹配的网络结构,使BP网络具有最佳泛化能力,在分析BP网络的泛化能力（用检测误差E₂表示）与网络结构和样本集复杂性之间关系的基础上,建立了含参数的BP网络检测误差E₂与网络隐节点数H、样本的因子数n、样本数N和样本集的复相关系数R之间的一般关系表达式,并提出了用于定量描述样本集复杂性的"广义"复相关系数R_n的新概念.借助于222个复杂函数的模拟仿真实验,应用免疫进化算法,对表达式中的参数进行优化,得到参数优化后的网络检测误差E₂的定量解析表达式;依据误差理论和灵敏度概念,对优化得到的最小检测误差E₂₀的表达式进行了可靠性论证.在此基础上导出了具有最佳泛化能力的BP网络隐节点数H₀与"广义"复相关系数R_n之间满足的H₀-R_n反比关系式.分别用满足H₀-R_n反比关系式的隐节点数和6个经验公式的隐节点数构造的BP网络用于100个模拟检测函数进行仿真实验,发现前者构造的BP网络具有最佳泛化能力（即最小检测误差）的函数个数达到76个,远远多于后者构造的BP网络具有最佳泛化能力的函数个数;还将二者构造的BP网络用于环境预测的7个具体实例,进行预测效果比较,结果表明,前者预测的相对误差绝对值的平均值和最大值小于或远小于后者的相应值.从而验证了由H₀-R_n反比关系式得出的BP网络隐节点数计算公式的可行性和实用性,为具有最佳泛化能力的BP网络的结构设计指出了新途径.     

基于随机森林模型的四川盆地臭氧污染预测

为研究四川盆地臭氧（O₃）污染长期变化,使用四川盆地18个城市的地面O₃浓度数据和气象观测数据,首先分析了2017~2020年间四川盆地O₃浓度的时空分布特征,再利用随机森林模型,筛选出影响O₃浓度变化的主导气象因子,构建了气象因子和O₃浓度之间的统计预测模型,并对2020年四川盆地城市群的O₃污染状况进行预测分析.结果表明：①2017~2020年间O₃浓度呈现波动变化趋势,2019年出现一个低值,2020年O₃浓度又有所回升.②气象影响因子中相对湿度、日最高温度和日照时数对O₃浓度变化具有重要意义,而风速、气压和降水量的重要性较低;同时,气象因子之间也存在着不同的线性关系,气压与其他气象要素呈现负相关性,而剩余气象要素之间正相关关系较为明显.③基于随机森林构建的O₃预测模型的拟合优度（R²）较高,展示出较好的预测性能,能够较好地预测O₃浓度的长时间逐日变化,具有良好的稳定性和泛化能力.④通过对四川盆地18城市的O₃浓度变化进行预测分析,结果表明除雅安外,所有城市预测模型的变量解释率均达到80%以上,说明随机森林模型能够较为准确地预测O₃浓度的变化趋势.     

青藏高原东缘黄土石英光释光信号积分区间选择

光释光信号积分区间的选择对等效剂量（D _e ）的估算有重要影响。光释光衰减曲线并非单一的指数衰减,而由多个指数衰减函数组成,且每个衰减函数代表不同的信号组分。因矿物晶格陷阱类型不同,各组分有不同的衰减率、热稳定性等。本文对采自青藏高原东缘4个典型黄土分布区的黄土样品进行了系统的石英光释光组分分析和背景区间扣除研究。结果发现：（1）高原东缘黄土石英光释光信号由快、中、慢组分组成,并以快组分占主导,适合用单片再生剂量法测定等效剂量;（2）不同背景区间扣除对小于10 Gy样品等效剂量结果影响较小,误差范围内一致;（3）对大于10 Gy样品,选取早、晚不同背景区间扣除其等效剂量结果差异显著,两者差值占晚期背景扣除所得D _e 值的10%—38%,且有随D _e 值增加而增大的趋势,因此计算大于10 Gy样品D _e 时应慎重选择积分区间。     

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.     

二英分子结构-水溶解度相关性密度泛函理论研究

运用密度泛函理论,在B3LYP/6-311G^**水平上,对多氯二苯并对二英(PCDDs)和多氯二苯并呋喃(PCDFs)的电子结构进行了优化,相应量子化学参数,即平均分子极化率(α)、熵(S)、极化率和四极矩的张量分量(α_xx、α_yy、α_zz和Q_xx、Q_yy、Q_zz)等用于该类化合物水溶解度的定量结构-性质相关性（QSPR）研究;基于内部误差一致的实验值,成功建立了3个QSPRs,其决定系数分别为0 .977、0 .968和0 .961;交叉验证相关系数分别为0 .968、0 .959和0 .946.模型分析表明,水溶解度主要与分子体积有关,而分子间相互作用的影响较小;不同QSPRs预测值间的差异可能与模型中预测变量本身性质和可获取实验值的有限性有关.与新近发展的QSPR相比较,本研究模型性能均有提高,这可能与B3LYP/6-311G^**精确计算电子性质和模型中引入四极矩张量分量有关.     

基于NARX神经网络的PM2.5/10浓度值预测模型——以咸阳市两寺渡监测站为例

PM_2.5和PM₁₀（记为PM_2.5/10）对空气质量和人类健康有着严重威胁,日益引起国内外的关注,并成为大气污染控制工程中最重要的部分。基于陕西省咸阳市两寺渡监测站的污染物（PM_2.5、PM₁₀、NO₂、NO、NO_x、CO）和相关气象参数的监测数据,建立起基于非线性有源自回归神经网络的预测模型,并分别针对不同预测时间段确定最优网络结构,从而实现了对未来6小时、12小时以及24小时PM_2.5/10浓度的有效预测。实验结果表明：（1）NARX神经网络模型可对未来24小时内的PM_2.5/10污染物浓度进行较为准确的预测;（2）对于PM_2.5/10未来6小时的预测能力优于对12小时、24小时的预测;（3）预测值偏高或偏低的结果与前后时间段内的气象因素及其他污染物浓度变化情况也具有相关性。     

基于随机森林的北京城区臭氧敏感性分析

明确臭氧（O₃）与前体物的非线性关系是O₃防控措施制定的基础和关键.基于北京城区站点2020年4~9月O₃、挥发性有机物（VOCs）、氮氧化物（NO_x）和气象要素在线观测,分析了O₃及其前体物污染特征,利用随机森林（RF）模型结合SHAP值探究了影响O₃的关键因素,并通过多情景分析探讨了O₃-VOCs-NO_x敏感性.相关性分析结果显示O₃小时浓度与温度（T）呈显著正相关,与TVOCs和NO_x呈显著负相关;但从每日结果来看,O₃与T、TVOCs和NO_x均呈显著正相关.RF模型模拟的O₃浓度与实测值吻合较好,进一步计算了各个特征变量的SHAP值,结果显示T和NO_x对O₃影响最高,但前者是正向影响,而后者是负向影响.以观测期间O₃污染天的NO_x和VOCs平均值为基础情景,设置了对应不同NO_x和VOCs的多种情景,并利用RF模型计算不同情景下的O₃,得到O₃等值线（EKMA曲线）,结果显示北京城区O₃-VOCs-NO_x敏感性处于VOCs控制区,与基于观测的盒子模型（OBM）得到的结果一致,这说明RF模型可以用作O₃-VOCs-NO_x敏感性分析的一种补充方法.     

基于PCA-LSSVM的厌氧废水处理系统出水VFA在线预测模型

采用IC厌氧废水处理系统处理人工合成废水,并利用PCA-LSSVM模型对系统出水挥发性脂肪酸(VFA)进行预测.首先利用主成分分析法(PCA)分析影响厌氧废水出水VFA浓度的多个变量的相关性并降低输入变量维数,然后用网格搜索结合10倍交叉验证优化LSSVM模型参数sig2和gam,最后利用建立的模型对实验数据进行仿真预测.仿真结果表明,稳态LSSVM模型对稳态条件下厌氧废水处理系统出水VFA具有很好的仿真预测能力,相对误差在4.72%以内,平均相对百分比误差(MAPE)为1.61%,均方根误差(RMSE)为1.08,相关系数达0.9996;稳态干扰LSSVM模型对厌氧废水处理系统出水VFA的仿真预测精度有所降低但仍然具有较好的预测能力,平均相对百分比误差(MAPE)为15.83%,均方根误差(RMSE)为15.45,相关系数为0.9984,该方法可为厌氧出水VFA在线预测和厌氧废水处理系统的优化控制提供指导.     

一种战车主减速器温度预测方法研究

目的针对战车主减速器温度预测需求,建立时间序列ARIMA多步预测和BP神经网络预测模型,提出基于BP神经网络修正误差的ARIMA模型温度预测方法。方法结合BP神经网络的非线性能力与ARIMA模型预测能力,分析ARIMA在多步预测时误差产生原因,在神经网络对ARIMA多步误差进行预测基础上计算修正因子,把误差修正因子和BP网络结合,实现对多步预测误差的修正。结果ARIMA模型多步预测时,预测误差随预测步数的逐步增加不断增大,引入了误差修正因子进行修正。通过预测值与实际值进行对比,可有效提高预测准确度。结论 BP神经网络和误差修正因子结合应用可显著提高温度预测效果。     

基于RF-LSTM的鸡舍恶臭气体预测研究

以鸡舍氨气为研究对象,对鸡舍氨气预测模型进行了研究.首先,利用随机森林算法（RF）对影响鸡舍氨气浓度的环境变量进行重要性排序,选取温度、湿度、光照、气象温度、降雨量作为模型的输入变量;在此基础上,构建了基于长短时记忆神经网络（LSTM）的鸡舍氨气浓度预测模型,并将提出的预测模型应用于江苏省宜兴市某养鸡场的氨气浓度预测中,并与LSTM模型、RF-Elman模型和RF-BP模型进行了对比实验,结果表明,基于RF-LSTM模型的预测效果最好,其平均绝对误差（MAE）、平均绝对百分误差（MAPE）和均方根误差（RMSE）分别为0.9183、4.9637%和1.4262;同时,为了验证该模型的性能,本文还实现了不同时间尺度的鸡舍氨气浓度预测,提前2h、3h、4h、5h氨气预测的平均绝对误差（MAE）分别为1.6218、2.1991、2.8553和3.0677.本文提出的预测模型提高了鸡舍氨气浓度的预测精度,可为减少鸡舍恶臭气体排放提供科学依据.     

基于数据驱动的汽车部件温度预测模型研究

目的 基于某汽车在中国吐鲁番地区自然暴露的部件温度变化试验数据,预测该车在美国凤凰城地区气象环境下的汽车部件温度变化。方法 把汽车部件的温度作为输出变量,提取影响汽车部件温度变化的关键特征(试验时间、大气温度、太阳辐照)作为输入变量,同时运用公式对不同纬度地区部件受到的太阳辐照进行修正,以消除地理位置的影响。利用Python等软件构建机器学习模型,用吐鲁番试验数据训练模型,然后预测该车部件在美国凤凰城地区的温度变化。结果 梯度提升机模型具有良好的泛化能力和预测精度,其预测值与实际值的平均绝对误差均在3.3°以内,拟合优度R²均大于0.90。BP神经网络和随机森林算法模型也具有较好的预测精度。结论 利用汽车在我国试验站点进行的自然暴露试验数据,可以预测该汽车部件在国外相似地区气象条件下的温度变化。该研究对于依据汽车部件在我国的自然暴露试验结果预测其他国家相似地区自然环境下汽车部件的温度变化具有一定的指导意义。     

基于支持向量机回归和小波变换的O3预报方法

使用南京工业区2016年6月1日~8月15日的臭氧（O₃）、O₃前体物及常规气象数据，结合多元线性回归（MLR）方法和小波变换（WT）改进支持向量机回归（SVR）对O₃小时浓度的预报精度.结果表明，通过WT方法将一个高变异性的序列转化为多个低变异性的序列后再处理可提高预报精度，M-WT-SVR预报的决定系数（R²）达到0.90，平均绝对误差（MAE）、平均绝对百分误差（MAPE）和均方根误差（RMSE）分别为3.86×10^-9、28.26%和5.57×10^-9，优于M-SVR和SVR.低层细节序列主要与NO、NO₂和芳香烃有关，而更高层的近似序列受到气象条件、前体物和O₃前期浓度共同影响.与经典的MLR方法相比，M-WT-SVR对O₃小时浓度的预报有明显优势.     

MM5/WRF气象场模拟差异对CMAQ空气质量预报效果的影响

评估了为公共多尺度空气质量模式(CMAQ)提供气象输入场的第五代NCAR/Penn State中尺度 (MM5) 模式与天气研究和预报(WRF)模式模拟的多种气象要素的准确性;比较了2个模式提供的气象场对华北地区SO₂和NO₂源同化反演效果及其质量浓度预报的差异;分析了相对湿度和边界层高的变化对ρ(SO₂),ρ(NO₂)预报的影响及其物理机制.结果表明:WRF模式模拟的各气象要素准确性优于MM5模式,其中MM5模式对相对湿度和边界层高度的模拟值与实测值的偏差较明显,而WRF模式的模拟值与实测值较接近;相对湿度和边界层高度参数是影响CMAQ空气质量预报的关键气象要素,这2个参数的变化对ρ(SO₂)和ρ(NO₂)的预报有显著影响,因此,对2个参数的改进可显著减小预报误差;ρ(SO₂)模拟误差减小的主要原因是垂直输送和质量调整过程对ρ(SO₂)的贡献减小;而ρ(NO₂)模拟误差减小的主要原因是化学反应过程对ρ(NO₂)的贡献明显减小.      

方位聚散因子及其在PM2.5浓度预报中的应用

污染物浓度预报是应对大气污染问题的重要手段.现有的模式类预报方法受限于排放源清单的准确性,而在污染物排放源短期少变的条件下,基于气象要素的统计类预报方法是一种更具实用性的方法.但现有统计类预报方法的计算模型输入量缺乏对气象要素累积效应的表征,以及对气象因素影响大气污染物聚散过程的表征,严重影响了预报的精度.为此,本文提出了一种着眼于改善计算模型输入量的统计类PM_(2.5)浓度预报方法.该方法采用方位聚散因子作为计算模型输入量,既可表征出PM_(2.5)累积与消散的过程,又考虑了气象要素在一定时段内的累积效应,为提高预报精度奠定了良好的基础.同时,通过BP神经网络训练,本方法在方位聚散因子与PM_(2.5)浓度值之间建立起关联模型,从而完成对PM_(2.5)浓度值的准确预报.