基于数据挖掘的成都市空气质量预测系统设计

发布时间：2020-07-15 12:25

【摘要】：近年来,雾霾天气的出现越来越频繁。人们对空气质量的关注度日益见长,期望通过相关技术来挖掘空气质量数据中有用信息来预测空气质量,从而实现预防空气污染带来的危害。然而空气质量受气象因素等的影响较大,具有非线性、时变性和高度不稳定性等特点,如何建立有效的空气质量预测模型和预测系统一直是人们亟待解决的难题。本论文主要工作如下:(1)根据预测系统需求分析,对系统进行了总体设计及各部分设计。整个系统包含数据获取层、数据服务层、数据处理层和用户界面层四层,分为数据获取与存储、后台管理、数据分析预测三个部分进行设计。(2)搭建了预测系统的开发环境,对系统各部分的功能模块及系统界面进行了程序编码。且辅以实例代码和实现效果图阐述了系统功能的实现,包括网络爬虫、Web端、数据分析预测等功能的实现。系统实现后,本文对其功能和性能都进行了相应地测试。(3)针对爬虫获取的成都市市区的气象数据和空气质量数据存在的异常值和缺失值等问题,本文对获取的数据进行预处理,并采用Adaptive-Lasso算法选取出了影响因变量AQI的两个自变量PM10、PM2.5。在探究影响PM10、PM2.5的主要因素时,通过实验所得的Pearson和Spearman系数,分析了它们与5个气象因子的相关性,找出了预测模型的输入参数。(4)针对标准的差分进化算法(DE)存在的搜索效率较低的问题,本文通过改变DE算法的变异因子和交叉因子来提高DE算法的搜索效率,获得了改进差分进化算法(IDE),经5个多峰函数测试,测试结果表明IDE改进有效。布谷鸟搜索算法(CS)寻优效果受步长的影响不容忽视,本文通过改进步长控制量来改进CS算法,获得了改进布谷鸟算法(ICS)。(5)针对传统的BP神经网络模型过于依赖初始值、收敛速度较慢、容易陷入局部极小值等问题,本文分别使用ICS和IDE来优化BP神经网络(BPNN)模型的权值和阈值,从而获得ICS-BPNN和IDE-BPNN两种模型。并将这两种改进模型与传统的BP神经网络模型、4种优化的BP神经网络模型进行了对比分析。从PM10、PM2.5浓度预测数据结果表明,与其他模型相比,IDE-BPNN的一致性指数(IA)最高,而均方根误差(RMSE)、平均绝对值误差(MAE)和平均相对误差(MAPE)更小,IDE-BPNN的平均偏差误差(MBE)更趋于零。经分析得出,IDE-BPNN模型的预测性能更好。本文通过多种空气质量预测模型的对比分析,获得了一种有效的空气质量预测模型,提高了空气质量的预测精度。最终设计并实现了一个集数据爬取、存储、预处理和预测分析为一体的空气质量预测系统,且经过多次测试,系统测试结果达到预期设计目标。
【学位授予单位】：西华大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：X51;TP311.13
【图文】：

图 2.1 2018 年 5 月编程语言指数排行榜Fig.2.1 Tiobe programming community index for may 2018Python 作为一种功能强大且通用的编程语言，其应用场景越来越广泛，未来会有的开发者使用 Python 语言进行项目开发。Python 应用范围大致有：（1）系统编程：Python 语言提供 lass=innerlink>API，能方便进行系统维护和管理inux 下标志性语言之一，是很多系统管理员理想的编程工具。（2）图形处理：Python 语言有 PIL、Tkinter 等图形库支持，能方便进行图形处理（3）数学处理：NumPy 扩展提供大量与许多标准数学库的接口。（4）文本处理：Python 提供的 re 模块能支持正则表达式，还提供 SGML，XM析模块，许多程序员利用 Python 进行 XML 程序的开发。（5）数据库编程：程序员可通过遵循 Python DB-API（数据库应用程序编程接口范的模块与 Microsoft SQL Server，Oracle，Sybase，DB2，Mysql、SQLite 等数据库。Python 自带有一个 Gadfly 模块，提供了一个完整的 SQL 环境。（6）网络编程：Python 语言提供丰富的模块支持 sockets 编程，能方便快速地开布式应用程序。

西华大学硕士学位论文数有多个全局最小值，图 4.8 为 Cross-in-Tray 函数波形图，从图中可以看出该函数拥有多个峰值和谷值，且高低起伏不定。图 4.8 中显示的右图里是一个较小的域，如此就可看出它“交叉”的特征了。

35图 4.9 Eggholder 函数波形图Fig.4.9 Eggholder function waveform diagramlder 函数： 47)sin(47)247sin(112122 xx x xf xxx-512,512]，x2 [-512,512]。该函数在(x1,x2)=(512,404.2319)时，959.6407。Eggholder 函数由于其大量的局部最小值，所以它

【参考文献】

相关期刊论文 前10条

1 孙维;陈飞;王晖;程小泉;许农;;CALPUFF模型在合肥地区SO_2大气环境容量测算中的应用[J];南京信息工程大学学报(自然科学版);2015年04期

2 沈铭科;黄镇宇;王智化;周俊虎;;基于布谷鸟算法与BP神经网络的煤灰变形温度预测[J];燃料化学学报;2014年12期

3 周兆媛;张时煌;高庆先;李文杰;赵凌美;冯永恒;徐明洁;施蕾蕾;;京津冀地区气象要素对空气质量的影响及未来变化趋势分析[J];资源科学;2014年01期

4 王凡;贺兴时;王燕;杨松铭;;基于CS算法的Markov模型及收敛性分析[J];计算机工程;2012年11期

5 胡超;李克平;;基于Lévy Flight的地震搜救模拟研究[J];科学技术与工程;2011年25期

6 Kanyanee Seangkiatiyuth;Vanisa Surapipith;Kraichat Tantrakarnapa;Anchaleeporn W.Lothongkum;;Application of the AERMOD modeling system for environmental impact assessment of NO_2 emissions from a cement complex[J];Journal of Environmental Sciences;2011年06期

7 谢付莹;王自发;王喜全;;2008年奥运会期间北京地区PM10污染天气形势和气象条件特征研究[J];气候与环境研究;2010年05期

8 李元宜;孙昊;薛丹;;利用ADMS——大气扩散模型模拟阜新SO_2减排[J];环境保护与循环经济;2010年07期

9 欧阳钧;王爱枝;;基于Matlab的BP神经网络在大气污染物浓度预测中的应用[J];环境科学与管理;2009年11期

10 张艳昆;刘树华;李炬;王迎春;马雁军;;北京PM_(10)质量浓度与总体理查逊数的关系[J];北京大学学报(自然科学版)网络版(预印本);2009年03期

相关博士学位论文 前1条

1 蒋志方;城市空气质量预测模型与数据可视化方法研究[D];山东大学;2011年

相关硕士学位论文 前10条

1 赵猛;基于数据挖掘技术的大气环境预测研究[D];北京交通大学;2017年

2 孙蓉花;乌鲁木齐市PM_(2.5)浓度时空变化特征及与气象条件的关系[D];新疆师范大学;2017年

3 朱暾;基于位置数据的空气质量分类预测混合模型研究[D];浙江大学;2017年

4 田野岑;基于布谷鸟搜索算法的神经网络在抽油机故障诊断中的应用[D];东北石油大学;2016年

5 刘小兵;基于支持向量回归机的PM2.5浓度预测模型分析与研究[D];西南财经大学;2016年

6 裴旭倩;基于ADMS的火电厂高架源排放二氧化硫浓度分布特征研究[D];太原理工大学;2015年

7 郑成刚;基于Django的日程协作系统的设计与实现[D];大连理工大学;2014年

8 周s

本文编号：2756486