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。     

基于PSO-SVM算法的空气质量分类研究

由于空气组成成分多、含量波动较大,严重影响着分类结果的准确率,因此为了增加空气质量分类预测的可靠性,提出了粒子群（Particle Swarm Optimization,PSO）优化支持向量机（Support VectorMachin,SVM）算法的分类方法。此方法首先通过迭代寻优的方式在全局搜寻最优粒子作为支持向量机的运行参数,之后通过训练集数据进行机器学习建立了支持向量机多分类模型,最后将测试集的输入向量导入该模型得到分类结果。分析结果表明,粒子群优化的支持向量机分类方法能够有效的抑制人为设定运行参数对分类结果的影响,提高了支持向量机的分类准确率,为空气质量等级分类问题提供了一个新的研究思路。     

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.     

基于长短时记忆神经网络的河流水质预测研究

准确高效地预测河流水质变化趋势对河流水环境治理与保护具有重要意义。该文利用广州市白坭河上自动监测站每2 h的水质数据,从单测站数据时序之间的相关性和上游测站的影响两方面,分别建立长短时记忆网络(LSTM)河流水质预测的循环神经网络模型。模型以氨氮浓度为输出变量,比较了不同输入变量下的模型预测效果,并以最优模型和常用的深度学习算法支持向量机(SVM)进行了比较。结果表明:单测站LSTM模型经输入变量特征选择后的预测结果比仅使用氨氮浓度单变量的时间序列预测更接近真实数值;对加入上游监测站的双测站LSTM模型,输入的变量经过特征选择时,模型预测效果优于全部水质变量作为输入的预测结果,也优于单测站LSTM模型;但不进行特征选择时,输入变量增加,模型学习到噪声而使精度下降;和SVM模型相比,最优特征组合的LSTM模型具有更好的预测效果。研究也表明,对输入变量进行特征选择后,LSTM模型是一种有潜力的河流水质预测方法。     

基于主成分分析和粒子群优化支持向量机的边坡稳定性评价

为科学评价边坡工程的稳定性,优化边坡稳定性的预测精度,提高工作效率,提出了基于主成分分析法(PCA)和粒子群算法(PSO)优化的支持向量机(SVM)模型。首先利用主成分分析法对边坡稳定性影响因子进行特征提取,以获得的主成分作为支持向量机的特征向量建立支持向量机模型,然后通过粒子群算法优化支持向量机参数,最终建立边坡稳定性评价模型,并对边坡实例的稳定性进行预测,结果表明:PCA-PSO-SVM模型的运行速度快,预测准确率达909%,满足工程要求。     

SVR与BP神经网络对小流域次降雨侵蚀产沙预测结果的比较

运用支持向量回归机(Support Vector Regression Machine)与BP神经网络对小流域次降雨侵蚀产沙进行预测.侵蚀产沙输入变量选取降雨量、降雨强度、径流深和洪峰流量模数,流域次降雨侵蚀输沙量为输出变量.以SVR、BP神经网络的预测值与实际值的绝对误差和相对误差作为评价指标.实验表明,SVR的预测精度和稳定性优于BP神经网络.     

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。     

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。     

基于PCA和M-SVMs的化学物质生态危害预测应用研究

为防止新化学物质投入市场时对生态环境造成危害,需对其生态危害程度进行评价。现有评价方法把各指标对生态危害的贡献看成是等效的,不能客观反映事实,且评价指标较多,指标之间具有较强的相关性,会降低预测精确度,为了解决该问题,文章将主成分分析和支持向量机相结合。首先运用主成分分析进行特征提取,降低数据维数,获取数据的主要信息;然后将二值分类支持向量机扩展到多类支持向量机,利用多类支持向量机建立化学物质生态危害预测模型,采用10折交叉验证法对模型进行检验,得到平均正确率达到89.24%。并与未进行主成分分析的支持向量机分类模型进行了比较,实验结果表明该方法具有更好的预测精度,值得推广。     

一种紫外-可见光谱检测水质COD预测模型优化方法

针对紫外-可见光谱法检测水质COD预测模型的精度低和收敛速度慢等问题,研究了一种基于粒子群算法联合最小二乘支持向量机(PSO_LSSVM)的水质检测COD预测模型优化方法,并引入主元分析(PCA)算法对模型输入光谱数据进行降维预处理,借以提高模型的收敛速度.结果表明,利用粒子群(PSO)算法收敛速度快和全局优化能力,优化了最小二乘支持向量机(LSSVM)模型的惩罚因子和核函数参数,避免了人为选择参数的盲目性,克服了传统LSSVM预测模型的精度较低、稳健性较差等缺点.通过以收敛时间、预测平均相对误差(MRE)和均方根误差(RMSE)为评价标准进行评估,输入样本经过PCA降维预处理的PSO_LSSVM模型的预测能力和输入样本未经过降维预处理的LSSVM模型与PSO_LSSVM模型进行了比较分析,输入样本经过PCA降维预处理的PSO_LSSVM模型预测效果最优,且此算法使用C语言实现,易于移植,这为紫外-可见光谱水质COD在线、实时性检测奠定了基础.     

基于气象相似准则的城市空气质量预报模型

为提高城市空气质量预报准确率,文章在传统BP神经网络的基础上提出了基于气象相似准则的样本优化方法,建立了三层样本筛选优化机制,确定了阀值及权重矩阵,从而建立了城市空气质量动态预报模型。将模型应用在广州8个空气质量监测站点的预报上,并与传统的BP神经网络空气质量预报模型进行了对比分析,效果良好。分析结果表明,广州8个空气质量监测站点的SO2、NO2、PM10/2.5的实测值与预报值的平均绝对误差分别为0.016 mg/m3、0.014 mg/m3、0.020 mg/m3,级别预报准确性评分分别为89.6、92.6和84.6,预报准确度综合评分达81.6,并且比传统神经网络模型具有更高的预报精度。     

基于逆方差多模型融合的空气质量指数预测方法

空气质量预测对合理制定环境治理政策具有重要意义。针对目前单体预测模型存在模型不稳定和泛化能力不强的问题,提出基于逆方差权重分配方法融合3种单体模型的空气质量指数(air quality index, AQI)预测方法。首先,以北京市为例,构建空气质量指数预测数据集;其次,分别构建长短期记忆网络(LSTM)、门控循环单元(GRU)、双向长短期记忆网络(Bi-LSTM)、自回归积分滑动平均模型(ARIMA)和多元线性回归(MLR)5种模型对数据集进行预测,并对比以上模型的预测结果;最后,在多模型融合方法中,选择逆方差法计算预测精度较高的3种单体模型的权重,根据算得权重构建逆方差融合预测模型。与预测精度较高的3种单体模型以及加权平均融合预测模型相比,逆方差融合预测模型对空气质量指数的预测精度R²分别提高3.9%、3.4%、1.6%和0.5%,达到0.933。结果表明：逆方差融合预测模型综合了各单体预测模型的优点,能够提高AQI预测精度。     

空气污染潜势-统计结合预报模型的建立及应用

建立了一个空气污染潜势预报和统计预报相结合的模型,该模型以特征气象因子和大气扩散清除因子为基础,并考虑不同因子的权重,定义空气污染潜势指数APPI.所考虑的因子包括:地面风速、混合层高度、混合层内平均风速、风向日变化、稳定度级数、垂直扩散系数、SO2干沉降速率、NO2干沉降速率、PM10干沉降速率、降水时长、地面天气形势.进一步利用统计方法建立空气污染指数API与APPI之间的关系.利用南京地区2009~2010年气象资料计算APPI,通过3项式拟合得到API与APPI的统计方程.结果表明,拟合得到的API与实际API相关系数为0.67,具有显著的相关性,且等级准确率为76.7%.进一步利用2011年1~12月中尺度气象模式WRF预报的气象场开展实况预报.研究表明,24h预报、48h预报、回顾预报的逐月等级正确率分别为44.4%~87.5%,46.4%~100%和63.0%~80.0%,年均等级正确率为60.6%,62.4%.和73.1%.若定义预报API与实际API相差±20以内为正确,则24h预报、48h预报、回顾预报的正确率分别为58.1%, 59.4%和63.8%.在IBM x3500并行集群服务器上计算,48h预报需要机时3h.可见,该模型具有较好的预报性能, 相对数值模型计算效率很高.     

采用门限自回归模型预测环境空气质量

应用汤家豪博士提出的门限自回归模型，以上海市环境空气质量时间序列监测数据和相应的气象数据，建立门限自回归大气污染预测模型，对上海市环境空气质量进行预测预报。结果表明：门限自回归模型计算较为简便且便于计算机自动建模。显著性检验表明门限自回归预报方程高度显著，在实际应用中，采用最新的数据建模和采用分站建立模型的方法可以使预测精度进一步提高。     

基于轻量级梯度提升机的南京大气臭氧浓度预测

采用南京地区2015年1月至2016年12月期间的空气质量数据和常规气象资料数据,分析了南京地区O₃浓度变化特征,建立基于轻量级梯度提升机(LightGBM)的O₃浓度预测模型,并将该模型与支持向量机、循环神经网络和随机森林等3种在空气质量预测方向上常用的机器学习方法进行了对比,验证模型的有效性和可行性.结果表明,南京地区O₃浓度变化具有显著的季节性差异,浓度变化受前期浓度、气象因子和其他空气污染物浓度的共同影响.LightGBM模型较为准确地预测了南京地区地面O₃浓度(R²=0.92),且该模型的预测精度和计算效率等性能优于其他模型.尤其是在容易出现臭氧污染的高温天气,该模型预测准确性明显高于其他模型,模型稳定性较好.LightGBM具有预测准确度高、稳定性好、有良好的泛化能力和运算时间短等特点,在O₃浓度预测方面具有显著的优势.     

XGBoost-LSTM变权组合模型支持下短期PM2.5浓度预测——以上海为例

为进一步提高PM_2.5浓度预测的精度,基于XGBoost和LSTM进行改进得到变权组合模型XGBoost-LSTM（Variable）.过对预测因子进行相关性分析,得到其它大气污染物和气象因素对PM_2.5浓度的影响,确定最优PM_2.5浓度预测因子,再将预处理后数据集输入LSTM模型和XGBoost模型分别进行预测,采用基于残差改进的自适应变权组合方法得到最终预测结果.结果表明,污染物变量的相对重要性高于气象因子变量,其中当前PM_2.5和CO浓度的相对重要性较高,而平均风速和相对湿度重要性较低.XGBoost-LSTM（Variable）模型的RMSE、MAE和MAPE值为1.75、1.12和6.06,优于LSTM、XGBoost、SVR、XGBoost-LSTM（Equal）和XGBoost-LSTM（Residual）模型.分季节预测结果表明,XGBoost-LSTM（Variable）模型在春季预测精度最好,而夏季预测精度较差.模型预测精度高的原因在于其不仅考虑了数据的时间序列特征,又兼顾了数据的非线性特征.     

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。     

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.     

集成AEC和时空特征的工业园区PM2.5浓度预测

为实现工业园区企业污染排放精细化管控,捕捉工业园区内企业污染排放与污染物浓度之间的响应关系,提出一种集成大气环境容量(AEC)和时空特征的工业园区PM_2.5浓度预测模型.通过有限体积法获得工业园区日均大气自净能力指数(ASI),结合工业园区日排放数据作为AEC特征;同时利用小波分析和Pearson相关系数法提取时空特征,包括目标监测站PM_2.5浓度的时间变化特征和其与周围监测点PM_2.5的空间相关特征.通过CNN获取训练数据中PM_2.5的关联特征,并利用BILSTM充分反映时间序列训练数据中隐含的关键历史长短期依赖关系,确保快速准确的预测性能,以2018～2020年濮阳市工业园区大气污染物观测数据、气象数据及排放数据进行实验验证.结果表明:本文提出的CNN-BILSTM预测模型相较于传统LSTM模型预测精度提升10%;AEC特征和时空特征有利于提高模型精度和稳定性,集成AEC和时空特征的CNN-BILSTM预测模型在PM_2.5污染天数预测准确率最高,达93%;分季节预测结果表明...