基于集成学习和时间序列的空气质量分析与预测
发布时间：2022-02-11 10:09
近几年来,由于工业化的高速发展,空气污染问题越来越凸显,近年来的雾霾现象,全球逐渐变暖问题以及空气中的光化学问题已然成为全球关注的关键问题。为了更好的预防和治理目前存在的空气污染问题,使空气质量有明显的好转,这就需要人们对空气质量有更深的了解,需要研究空气污染产生的原因及空气质量的变化趋势,并对空气质量数据通过现代技术进行合理的研究分析和预测。本文就郑州市近几年的空气质量数据进行了相关分析并结合大数据相关技术对郑州市的空气质量进行了预测,主要研究内容是:（1）郑州市空气质量数据的统计分析与可视化。对空气质量数据集做一般性统计分析;按照空气质量指数的时间变化特征逐月、季度、逐年变化做相应的可视化及分析;由空气质量划分的各个等级的五年数据中的占比情况作出分析;对空气质量指数和主要大气污染物的相关性进行简要的分析。经过研究分析,得出了空气质量的时间变化规律特征以及影响空气质量指数的重要因素。（2）空气质量指数的集成学习模型预测研究。使用几种基础学习器对空气质量指数进行建模预测以及使用Bagging方法与随机森林方法对空气质量指数进行建模预测,并对以上几种方法的预测结果用模型评估的几种标准进行...
【文章来源】：华北水利水电大学河南省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
郑州市某天拍摄的远景天气状况
空气质量数据的统计分析及可视化19节期间烟花爆竹的频繁燃放，会使得空气污染程度加重。在每年的7、8、9月份，降雨较多，并且空气中的气流上下浮动更有利于污染物的扩散，因此在这段时间内空气质量会较好。图3-12014-2018年郑州月平均AQI走势图Fig3-1MonthlyaverageAQItrendofZhengzhoufrom2014to2018按照公历时间来对一年四季进行划分，春季、夏季、秋季、冬季分别为每年的三月份至五月份、六月份至八月份、九月份至十一月份和十二月份至下一年的二月份。因此，使用2014年3月份至2019年2月份的空气质量数据来进行季节性变化特征分析。图3-2为2014-2018年春夏秋冬各季度的AQI均值柱状图。图3-22014-2018年郑州AQI季度均值Fig3-2QuarterlyAQIofZhengzhoufrom2014to2018
空气质量数据的统计分析及可视化19节期间烟花爆竹的频繁燃放，会使得空气污染程度加重。在每年的7、8、9月份，降雨较多，并且空气中的气流上下浮动更有利于污染物的扩散，因此在这段时间内空气质量会较好。图3-12014-2018年郑州月平均AQI走势图Fig3-1MonthlyaverageAQItrendofZhengzhoufrom2014to2018按照公历时间来对一年四季进行划分，春季、夏季、秋季、冬季分别为每年的三月份至五月份、六月份至八月份、九月份至十一月份和十二月份至下一年的二月份。因此，使用2014年3月份至2019年2月份的空气质量数据来进行季节性变化特征分析。图3-2为2014-2018年春夏秋冬各季度的AQI均值柱状图。图3-22014-2018年郑州AQI季度均值Fig3-2QuarterlyAQIofZhengzhoufrom2014to2018
【参考文献】：
期刊论文
[1]基于孤立森林算法的空气质量数据异常检测分析[J]. 肖伟洋. 信息与电脑(理论版). 2019(17)
[2]基于KNN-LSTM的短时交通流预测[J]. 罗向龙,李丹阳,杨彧,张生瑞. 北京工业大学学报. 2018(12)
[3]应用高分辨率在线大气与气溶胶检测系统监测分析南京北郊PM2.5中水溶性离子特征[J]. 高嵩,程迪,任晓宇,毕晓甜. 科学技术与工程. 2018(05)
[4]郑州市2014—2017年大气污染特征分析[J]. 赵云洁,王怡素,闫新庆. 科技资讯. 2018(01)
[5]中原城市群空气质量指数时空分布特征[J]. 邢莉,苏喜军. 华北水利水电大学学报(社会科学版). 2017(06)
[6]环境空气污染物中臭氧的监测与防治措施探讨[J]. 钱姝君. 绿色环保建材. 2016(11)
[7]基于AQI数据的大连夏季空气质量分析[J]. 刘淼,刘丽娟,王震,黄善鹏,刘颖波,段婉玲,冯秋实. 大气与环境光学学报. 2016(02)
[8]基于ARMA模型的桥梁结构模态参数辨识研究[J]. 赵瑜,薛白,张建伟. 华北水利水电大学学报(自然科学版). 2015(02)
[9]城市空气质量影响因素的实证分析[J]. 蔡怡静,李太平. 环境保护与循环经济. 2015(02)
[10]基于BP网络的兰州市PM10的污染预测[J]. 张亚群,王潇,李珉. 洛阳理工学院学报(自然科学版). 2014(03)
博士论文
[1]细颗粒物辐射效应及其对空气质量的反馈研究[D]. 王建栋.清华大学 2016
[2]集成回归问题若干关键技术研究[D]. 王永明.华东师范大学 2015
[3]南昌市城区热环境与城市绿地相关性研究[D]. 陈飞平.江西农业大学 2013
硕士论文
[1]重庆市主城区气候因素及空气污染对人群疾病负担影响的研究[D]. 李静.中国疾病预防控制中心 2016
[2]基于LSTM神经网络的美股股指价格趋势预测模型的研究[D]. 孙瑞奇.首都经济贸易大学 2016
[3]时间序列分析在空气质量指数（AQI）预测中的应用[D]. 于萍.辽宁师范大学 2015
[4]PM2.5浓度时空变化特性、影响因素及来源解析研究[D]. 张振华.浙江大学 2014
[5]基于遗传优化和贝叶斯正规化神经网络的空气质量预测研究[D]. 辛若波.山东大学 2013
[6]近地层臭氧和二氧化碳浓度变化对冬小麦影响的数值模拟初步研究[D]. 郑昌玲.中国气象科学研究院 2004
本文编号：3620088
【文章来源】：华北水利水电大学河南省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
郑州市某天拍摄的远景天气状况
空气质量数据的统计分析及可视化19节期间烟花爆竹的频繁燃放，会使得空气污染程度加重。在每年的7、8、9月份，降雨较多，并且空气中的气流上下浮动更有利于污染物的扩散，因此在这段时间内空气质量会较好。图3-12014-2018年郑州月平均AQI走势图Fig3-1MonthlyaverageAQItrendofZhengzhoufrom2014to2018按照公历时间来对一年四季进行划分，春季、夏季、秋季、冬季分别为每年的三月份至五月份、六月份至八月份、九月份至十一月份和十二月份至下一年的二月份。因此，使用2014年3月份至2019年2月份的空气质量数据来进行季节性变化特征分析。图3-2为2014-2018年春夏秋冬各季度的AQI均值柱状图。图3-22014-2018年郑州AQI季度均值Fig3-2QuarterlyAQIofZhengzhoufrom2014to2018
空气质量数据的统计分析及可视化19节期间烟花爆竹的频繁燃放，会使得空气污染程度加重。在每年的7、8、9月份，降雨较多，并且空气中的气流上下浮动更有利于污染物的扩散，因此在这段时间内空气质量会较好。图3-12014-2018年郑州月平均AQI走势图Fig3-1MonthlyaverageAQItrendofZhengzhoufrom2014to2018按照公历时间来对一年四季进行划分，春季、夏季、秋季、冬季分别为每年的三月份至五月份、六月份至八月份、九月份至十一月份和十二月份至下一年的二月份。因此，使用2014年3月份至2019年2月份的空气质量数据来进行季节性变化特征分析。图3-2为2014-2018年春夏秋冬各季度的AQI均值柱状图。图3-22014-2018年郑州AQI季度均值Fig3-2QuarterlyAQIofZhengzhoufrom2014to2018
【参考文献】：
期刊论文
[1]基于孤立森林算法的空气质量数据异常检测分析[J]. 肖伟洋. 信息与电脑(理论版). 2019(17)
[2]基于KNN-LSTM的短时交通流预测[J]. 罗向龙,李丹阳,杨彧,张生瑞. 北京工业大学学报. 2018(12)
[3]应用高分辨率在线大气与气溶胶检测系统监测分析南京北郊PM2.5中水溶性离子特征[J]. 高嵩,程迪,任晓宇,毕晓甜. 科学技术与工程. 2018(05)
[4]郑州市2014—2017年大气污染特征分析[J]. 赵云洁,王怡素,闫新庆. 科技资讯. 2018(01)
[5]中原城市群空气质量指数时空分布特征[J]. 邢莉,苏喜军. 华北水利水电大学学报(社会科学版). 2017(06)
[6]环境空气污染物中臭氧的监测与防治措施探讨[J]. 钱姝君. 绿色环保建材. 2016(11)
[7]基于AQI数据的大连夏季空气质量分析[J]. 刘淼,刘丽娟,王震,黄善鹏,刘颖波,段婉玲,冯秋实. 大气与环境光学学报. 2016(02)
[8]基于ARMA模型的桥梁结构模态参数辨识研究[J]. 赵瑜,薛白,张建伟. 华北水利水电大学学报(自然科学版). 2015(02)
[9]城市空气质量影响因素的实证分析[J]. 蔡怡静,李太平. 环境保护与循环经济. 2015(02)
[10]基于BP网络的兰州市PM10的污染预测[J]. 张亚群,王潇,李珉. 洛阳理工学院学报(自然科学版). 2014(03)
博士论文
[1]细颗粒物辐射效应及其对空气质量的反馈研究[D]. 王建栋.清华大学 2016
[2]集成回归问题若干关键技术研究[D]. 王永明.华东师范大学 2015
[3]南昌市城区热环境与城市绿地相关性研究[D]. 陈飞平.江西农业大学 2013
硕士论文
[1]重庆市主城区气候因素及空气污染对人群疾病负担影响的研究[D]. 李静.中国疾病预防控制中心 2016
[2]基于LSTM神经网络的美股股指价格趋势预测模型的研究[D]. 孙瑞奇.首都经济贸易大学 2016
[3]时间序列分析在空气质量指数（AQI）预测中的应用[D]. 于萍.辽宁师范大学 2015
[4]PM2.5浓度时空变化特性、影响因素及来源解析研究[D]. 张振华.浙江大学 2014
[5]基于遗传优化和贝叶斯正规化神经网络的空气质量预测研究[D]. 辛若波.山东大学 2013
[6]近地层臭氧和二氧化碳浓度变化对冬小麦影响的数值模拟初步研究[D]. 郑昌玲.中国气象科学研究院 2004
本文编号：3620088
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3620088.html
