大数据背景下PM2.5浓度预测的研究

发布时间：2021-08-19 21:51

　　随着中国经济的快速发展,以PM2.5为主要污染物的雾霾天气频频发生,环境保护是一项紧迫的任务。如今我国已经逐步建立了环境监测系统,但是环境监测站产生的大量数据并没有得到充分的利用,在空气质量状况尚未得到根本改善的情况下,利用历史数据对PM2.5浓度进行预测,帮助公众合理的规避污染也帮助政府提供充裕的管理时间是非常有意义的事。本文的主要研究内容如下:第一章:介绍本文研究背景和研究现状,并且提出了整个论文的研究流程。第二章:列出本文所用的研究理论,包括统计学习、线性回归、朴素贝叶斯理论和模型的评估指标等。第三章:数据获取和数据预处理。数据来源于UCI网站共享数据集,时间跨度为2010年1月2日0时至2014年12月31日23时,包括时间、温度、压强、风速等变量。清洗数据,检查数据一致性,处理过程中的遗漏等,并完成数据的预处理,使数据更好的适应模型。第四章:预测模型的构建。分别是针考虑季节因素的多元线性回归模型和针对严重污染的异常天气预判的朴素贝叶斯模型。（1）针对传统多元线性回归预测模型的改进,主要是依据热力图反馈中的相关性和迭代的特征选择方法进行优化。通过同一个模型评估指标,得分越高越好... 

【文章来源】：曲阜师范大学山东省

【文章页数】：32 页

【学位级别】：硕士

【部分图文】：

流程图

图(4-1)热力图4.1.3传统多元线性回归模型

“严重污染”天气的计数统计图

【参考文献】：
期刊论文
[1]Logistic回归模型在北京市空气质量等级预测中的应用[J]. 于海姝,李宪波.  中国环境管理干部学院学报. 2018(01)
[2]基于贝叶斯网络的大连市空气质量预测与诊断[J]. 化虎蝶,王晨祥.  安全与环境工程. 2018(01)
[3]基于ARIMA模型的合肥市空气质量指数预测[J]. 桂扬,王杨,陈甜甜.  阴山学刊(自然科学版). 2018(02)
[4]基于大数据和物联网的空气质量预测监测研究[J]. 刘燕,张永平,朱成,皋军,刘其明.  通信学报. 2017(S2)
[5]基于广义隐马尔可夫模型的PM2.5浓度预测[J]. 张浩,于君毅,刘晓慧,雷洪.  化工学报. 2018(03)
[6]基于ARMA和遗传算法优化的BP神经网络电动机断条故障诊断[J]. 边宁,许允之.  煤矿机电. 2017(03)
[7]基于分层贝叶斯时空模型的雾霾天气过程计数分析[J]. 王晓荷,田茂再.  数理统计与管理. 2017(06)
[8]贝叶斯时空分位回归模型及其对北京市PM2.5浓度的研究[J]. 梅波,田茂再.  统计研究. 2016(12)
[9]大数据时代统计创新能力分析[J]. 赵明霞.  中国集体经济. 2016(33)
[10]运用贝叶斯方法的PM2.5浓度时空建模与预测[J]. 朱亚杰,李琦,侯俊雄,范竣翔,冯逍.  测绘科学. 2016(02)

硕士论文
[1]基于数据挖掘技术的大气环境预测研究[D]. 赵猛.北京交通大学 2017
[2]基于不平衡数据集的数据挖掘分类算法研究[D]. 刘梦依.兰州理工大学 2017
[3]数据挖掘分类与聚类算法并行化研究[D]. 高建明.东南大学 2017
[4]时空混合空气质量预测方法研究[D]. 张兵兵.中国矿业大学 2017
[5]基于卫星遥感的长三角主要城市PM2.5估算[D]. 王静.华东师范大学 2016
[6]生态文明背景下昆明工业产业生态化发展路径探析[D]. 余芳.昆明理工大学 2013



本文编号：3352206