基于时间序列预测成渝经济区二氧化氮浓度的方法研究

发布时间：2020-05-14 06:33

【摘要】：NO_2是大气中一种重要的污染气体,被环境保护署(EPA)指定为“标准污染物”,也是雾霾的重要组成成分之一。目前对于研究NO_2浓度时空分布的数据来源主要是地基和卫星,由于地基需要借助地面站点,监测范围有限,利用卫星进行全覆盖,全天候监测并对时空分布进行分析就成为一个主流方法。近年来人民在要求提高生活水平的同时也关注空气质量,为了控制预防大面积污染我国开始对空气质量进行预报,NO_2浓度是监测的一个重要指标。对于污染物未来浓度的研究主要有通过建立物理化学相关模型来进行模拟和对历史数据使用统计模型或神经网络模型进行预测两种方式。目前对NO_2未来浓度的预测物理化学模型用的比较多,统计模型和神经网络模型用的比较少,因此尝试这两种方法显得十分重要。为了分析成渝经济区NO_2大气污染情况和对未来大气NO_2浓度进行预测,本文主要做了两个方面的工作:(1)研究了成渝经济区11年(2008-2018)的NO_2柱浓度时空变化趋势。成渝经济区呈现明显的季节特征,冬季污染最严重,夏季污染最轻,秋季略高于春季。2008-2012年NO_2浓度呈逐年递增趋势,2013-2018年NO_2浓度呈逐年递减趋势,2013年年均值最高,为:485.01×10~(13)molec/cm~2。成都是成渝经济区污染最严重的城市,NO_2柱浓度11年的年均值为858.07×10~(13)molec/cm~2,雅安是污染最轻的城市,为243.41×10~(13)molec/cm~2,说明了工业发达的地方NO_2浓度要高于工业非主导产业的地区。从NO_2多年年均值分布和人口密度分布来看,人口密度大的地区污染要高于人口稀疏地区。(2)为了预测下一年空气中NO_2月均柱浓度,本文利用历史NO_2月均数据分别使用统计模型中的乘积季节模型(SARIMA)和径向基神经网络模型进行预测学习。针对数据量少和不能多步预测NO_2月均浓度的问题,本文首先通过简化模型对数据进行分组,然后使用径向基神经网络进行预测,最后在分组的基础上对那些明显存在偶然因素的数据进行求和平均处理再使用径向基神经网络模型。成渝经济区SARIMA模型、分组径向基神经网络和求和平均径向基神经网络模型的预测值和实际值均方根误差分别为41.69,43,32.38;相关系数R~2分别为:0.88,0.90,0.95。实验结果发现求和平均径向基神经网络预测效果最好。
【图文】：

模型流

图 2-1ARIMA 模型流程图序列模型都是针对非季节性时间序列的，例如对于化从而呈现出循环的特点，上一节介绍的几种列进行预测的。季节性时间序列一般由四个要不规则变动，季节变动往往夹杂着循环变动，变动。模型主要有两种：= + +t t tS T I= * *t t tS T ITt代表长期趋势，It代表不规则变动。长期趋季节趋势和循环趋势是说序列数以一个固定数

径向基神经网络,神经元,黑匣子,三层网络

本层的输出是下一层的输入，，可以有多个输入，但是只有一 1[32]。是由一个一个神经元组成(图 2-2 所示)，每个神经元有输入，数和输出五部分组成。径向基神经网络是一种三层网络，分，如图 2-3 所示。径向基神经网络用径向基函数做为隐含层是对隐层神经元输出的线性组合。在标准径向基神经网络中数一样多。神经网络相当于一个黑匣子，通过对数据的分析入的数据输出数据。
【学位授予单位】：河南大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：X51

【参考文献】