基于模糊时序的SVR模型对空气质量的预测

发布时间：2021-12-30 07:01

　　针对未来PM2.5质量浓度的预测,首先,为了使结果更加准确并且贴近实际,构建时间序列模糊信息粒模型,对4个不同的季度的历史指标进行模糊粒化处理;接着,建立支持向量机的回归预测模型,分别对模糊粒子参数LOW、R、UP进行回归预测,并采取K折交叉验证法进行参数优化,得到2019年的PM2.5质量浓度预测数据;最后,设计循环算法进一步预测出2020-2022年的指标预测数据.其中,2020年PM2.5质量浓度均值浮动范围在23～101之间,在2012年基础上降低了2%～77%左右,基本达到空气质量改善目标要求. 

【文章来源】：兰州文理学院学报(自然科学版). 2019,33(04)

【文章页数】：8 页

【部分图文】：

图１糊信息粒的空气质量模型思路图

图２全季ＰＭ２．５质量浓度与时间变化图

图２全季ＰＭ２．５质量浓度与时间变化图图３数据模糊粒化后ＰＭ２．５时间序列变化图季节分类进行分别预测．３基于ＳＶＲ算法对ＰＭ２．５浓度的预测３．１研究思路本文使用ＳＶＲ算法对未来５年的ＰＭ２．５浓度进行预测，检验京津冀地区的大气治理是否会达到治理目标，具体思路如图４所示．在此，采用的是林智仁（ＣＪＬｉｎ）等人开发的ＬＩＢＳＶＭ工具箱和ＶｉｓｕａｌＣ＋＋的编译器，以上文得到的２０１７－２０１８年冬季的粒化时间序列为例，使用ＭＡＴＬＡＢ中的ＬＩＢＳＶＭ工具箱分别对模糊粒子参数ＬＯＷ、Ｒ、ＵＰ进行回归预测．针对最佳惩罚因子Ｃ和函数ｇ的选择，采取Ｋ折交叉验证的方法先粗略选取参数，再根据所得结果进行分析，进一步缩小范围来进行精细的参数选择．针对训练集和测试集的选取，将每个季度前四分之三作为训练集，后四分之一作为测试集，对模型进行训练．最后，为了预测２０２２年冬季ＰＭ２．５质量浓度数据，本文设计算法，先将２０１９年数据预测出来，再对２０２２年进行预测，得出２０２２年冬季ＰＭ２．５指标，并与空气质量改善目标进行对比，检验ＰＭ２．５指标是否能在２０１２年的基础上降低４５％左右．图４基于ＳＶＲ算法对ＰＭ２．５浓度的预测９１第４期郝晓露等：基于模糊时序的ＳＶＲ模型对空气质量的预测

【参考文献】：
期刊论文
[1]BP神经网络算法在空气质量预测中的应用——以江苏为例[J]. 姜孪娟.  信息与电脑(理论版). 2018(24)
[2]基于GM（1,1）-PCA的环境预测与分析研究[J]. 贺金龙,吴晟,周海河,李英娜,吴兴蛟,李天龙,马颢瑄.  信息技术. 2018(01)
[3]基于相关性聚类对城市空气污染分析数据真实性的判别[J]. 关珊,朱家明,关赵阳,陶里彤琰.  河北北方学院学报(自然科学版). 2017(07)
[4]基于RAM拓展模型的我国城市空气质量评价[J]. 陆志涛,周鹏,吴菲.  环境经济研究. 2017(02)
[5]基于高斯扩散及主成分京津冀空气污染的研究[J]. 范孝莉,郑玉棒,方佳佳,朱家明.  商丘师范学院学报. 2016(06)
[6]模糊时序与支持向量机建模相结合的PM2.5质量浓度预测[J]. 刘杰,杨鹏,吕文生,刘阿古达木,刘俊秀.  北京科技大学学报. 2014(12)
[7]西安市环境空气质量评价与预测[J]. 李梦梅,朱家明,杨光,程昊.  贵州师范学院学报. 2014(03)
[8]基于灰色马尔科夫模型的平顶山市空气污染物浓度预测[J]. 杨锦伟,孙宝磊.  数学的实践与认识. 2014(02)



本文编号：3557704