基于灰色理论和支持向量机的PM2.5浓度预测
发布时间：2021-11-24 04:29
PM2.5能较长时间停留在空气中,空气中PM2.5含量越高,代表污染越严重。PM2.5不仅是导致雾霾天的主要原因,并且它能被人体吸收引发各种疾病,因而深入研究PM2.5有重要的实际意义。目前浙江省设立多个环保站对空气质量进行监测,但是缺乏预报功能。如何利用现有的数据信息,建立一个模型对未来PM2.5浓度进行预测,就成为一个现实的需求。论文以浙江省为研究区域,以历史PM2.5数据和历史气象要素数据为基础,采用灰色理论和支持向量回归机方法对PM2.5浓度进行时间序列的预测,最终获得研究区域内各环保站点未来PM2.5浓度值。论文主要做了以下几个工作:首先,采用灰色预测模型对PM2.5浓度进行时间序列的预测。采用灰色单变量预测模型和基于灰色关联的灰色多变量预测模型,以及它们的背景值优化模型和初值优化模型,共计6个灰色预测模型分别对PM2.5浓度进行预测,选取预测精度最佳模型。其次,采用支持向量机模型对PM2.5浓度进行时间序列的预测,在输入因子上分别采用全部气象因子和灰色关联分析筛选过的气象因子作为输入,选取预测精度最佳模型。最后,对比灰色单变量模型、基于灰色关联的灰色多变量预测模型、基于灰色...
【文章来源】：浙江农林大学浙江省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
PM2.5数据补全思路Figure2.2Ideaofdatacompletion2.插值方法
图 2.3 PM2.5 日数据分析（2014.6-2015.5）Figure 2.3 Analysis of PM2.5 daily data(2014.6-2015.5)
22图 2.4 PM2.5 日数据分析（2015.6-2016.5）Figure 2.4 Analysis of PM2.5 daily data(2015.6-2016.5)对比两个图可以发现，整体趋势是类似的，只是 2014.6-2015.5 月的 PM2.5 波峰出现在2015.1.26日浓度为165.6，高浓度PM2.5主要集中在2014.12月-2015.2 月；而 2015.6-2016.5 月的 PM2.5 波峰出现在 2015.12.23 日浓度为 143.6，高浓度 PM2.5主要集中在 2015.12 月-2016.2 月。
【参考文献】：
期刊论文
[1]灰色理论–变分模态分解和NSGA-Ⅱ优化的支持向量机在变压器油中气体预测中的应用[J]. 肖怀硕,李清泉,施亚林,张同乔,张纪伟. 中国电机工程学报. 2017(12)
[2]喀斯特地区月均降水协克里金插值方法研究——以贵州省为例[J]. 闫星光,吴琳娜,周涌,宋具兰,邓仕雄. 云南大学学报(自然科学版). 2017(03)
[3]基于灰色GM（1,1）模型与ARIMA模型的四川省卫生人力资源预测探讨[J]. 张瑞华,赵大仁,何思长,刘志会,孙渤星,徐鑫. 现代预防医学. 2017(07)
[4]改进的灰色GM（1,1）在北斗卫星钟差短期预报中的应用[J]. 陶健春,王秉钧. 工程勘察. 2017(04)
[5]基于灰色模型的铁路客流预测方法[J]. 鲜敏,苗娇娜. 山东交通学院学报. 2017(01)
[6]基于灰色模型的河南省农村消费结构变动预测[J]. 贺丹莹,武新乾,杨万才. 农村经济与科技. 2017(03)
[7]一种改进灰色预测模型在变形预测中的应用[J]. 容静,文鸿雁,周吕. 测绘科学. 2017(03)
[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]基于时空克里格的PM2.5时空预测及分析[J]. 梅杨,党丽娜,杨勇,刘颖颖,张若兮,廖祥森,张楚天. 环境科学与技术. 2016(07)
[10]气象参数对基于BP神经网络的PM2.5日均值预报模型的影响[J]. 姚达文,刘永红,丁卉,黄晶,詹鹃铭,徐伟嘉. 安全与环境学报. 2015(06)
博士论文
[1]模糊支持向量机及其在场景图像处理中的应用研究[D]. 徐淑琼.广东工业大学 2013
[2]基于灰色预测的汽车SAS与EPS集成系统分层协调控制研究[D]. 聂佳梅.江苏大学 2009
[3]高等级公路交通安全综合评价及多元事故预测模型研究[D]. 刘兆惠.吉林大学 2007
硕士论文
[1]灰色理论和混合建模算法在城市日用水量预测中的应用研究[D]. 陈保.浙江工业大学 2014
[2]多类分类支持向量机在语音识别中的应用研究[D]. 段继康.太原理工大学 2010
[3]灰色模型与支持向量机融合的研究[D]. 颜静.武汉理工大学 2010
[4]基于特征信息提取的目标识别算法研究[D]. 谭芳.电子科技大学 2010
[5]灰色神经网络与支持向量机预测模型研究[D]. 肖轩.武汉理工大学 2009
[6]灰色系统GM（1，1）模型的改进及灰色统计模型研究[D]. 马萍.吉林大学 2007
[7]支持向量机及其在信号处理中的应用[D]. 刘斌.大庆石油学院 2006
[8]基于支持向量机的机器学习研究[D]. 刘华煜.大庆石油学院 2005
[9]青岛市工程地质地理信息系统建设与研究[D]. 丁鹏辉.中国海洋大学 2003
[10]虹膜识别系统与支持向量机算法研究[D]. 宋普云.河北工业大学 2003
本文编号：3515237
【文章来源】：浙江农林大学浙江省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
PM2.5数据补全思路Figure2.2Ideaofdatacompletion2.插值方法
图 2.3 PM2.5 日数据分析（2014.6-2015.5）Figure 2.3 Analysis of PM2.5 daily data(2014.6-2015.5)
22图 2.4 PM2.5 日数据分析（2015.6-2016.5）Figure 2.4 Analysis of PM2.5 daily data(2015.6-2016.5)对比两个图可以发现，整体趋势是类似的，只是 2014.6-2015.5 月的 PM2.5 波峰出现在2015.1.26日浓度为165.6，高浓度PM2.5主要集中在2014.12月-2015.2 月；而 2015.6-2016.5 月的 PM2.5 波峰出现在 2015.12.23 日浓度为 143.6，高浓度 PM2.5主要集中在 2015.12 月-2016.2 月。
【参考文献】：
期刊论文
[1]灰色理论–变分模态分解和NSGA-Ⅱ优化的支持向量机在变压器油中气体预测中的应用[J]. 肖怀硕,李清泉,施亚林,张同乔,张纪伟. 中国电机工程学报. 2017(12)
[2]喀斯特地区月均降水协克里金插值方法研究——以贵州省为例[J]. 闫星光,吴琳娜,周涌,宋具兰,邓仕雄. 云南大学学报(自然科学版). 2017(03)
[3]基于灰色GM（1,1）模型与ARIMA模型的四川省卫生人力资源预测探讨[J]. 张瑞华,赵大仁,何思长,刘志会,孙渤星,徐鑫. 现代预防医学. 2017(07)
[4]改进的灰色GM（1,1）在北斗卫星钟差短期预报中的应用[J]. 陶健春,王秉钧. 工程勘察. 2017(04)
[5]基于灰色模型的铁路客流预测方法[J]. 鲜敏,苗娇娜. 山东交通学院学报. 2017(01)
[6]基于灰色模型的河南省农村消费结构变动预测[J]. 贺丹莹,武新乾,杨万才. 农村经济与科技. 2017(03)
[7]一种改进灰色预测模型在变形预测中的应用[J]. 容静,文鸿雁,周吕. 测绘科学. 2017(03)
[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]基于时空克里格的PM2.5时空预测及分析[J]. 梅杨,党丽娜,杨勇,刘颖颖,张若兮,廖祥森,张楚天. 环境科学与技术. 2016(07)
[10]气象参数对基于BP神经网络的PM2.5日均值预报模型的影响[J]. 姚达文,刘永红,丁卉,黄晶,詹鹃铭,徐伟嘉. 安全与环境学报. 2015(06)
博士论文
[1]模糊支持向量机及其在场景图像处理中的应用研究[D]. 徐淑琼.广东工业大学 2013
[2]基于灰色预测的汽车SAS与EPS集成系统分层协调控制研究[D]. 聂佳梅.江苏大学 2009
[3]高等级公路交通安全综合评价及多元事故预测模型研究[D]. 刘兆惠.吉林大学 2007
硕士论文
[1]灰色理论和混合建模算法在城市日用水量预测中的应用研究[D]. 陈保.浙江工业大学 2014
[2]多类分类支持向量机在语音识别中的应用研究[D]. 段继康.太原理工大学 2010
[3]灰色模型与支持向量机融合的研究[D]. 颜静.武汉理工大学 2010
[4]基于特征信息提取的目标识别算法研究[D]. 谭芳.电子科技大学 2010
[5]灰色神经网络与支持向量机预测模型研究[D]. 肖轩.武汉理工大学 2009
[6]灰色系统GM（1，1）模型的改进及灰色统计模型研究[D]. 马萍.吉林大学 2007
[7]支持向量机及其在信号处理中的应用[D]. 刘斌.大庆石油学院 2006
[8]基于支持向量机的机器学习研究[D]. 刘华煜.大庆石油学院 2005
[9]青岛市工程地质地理信息系统建设与研究[D]. 丁鹏辉.中国海洋大学 2003
[10]虹膜识别系统与支持向量机算法研究[D]. 宋普云.河北工业大学 2003
本文编号：3515237
本文链接：https://www.wllwen.com/projectlw/xtxlw/3515237.html
