秦皇岛市空气质量预报方法研究

发布时间：2024-05-13 20:16

　　近几年,空气污染问题引起了全国人民的广泛关注,为了更好的提高市民的生活质量、加强空气污染防治工作和预防空气重污染日的发生,及时开展空气质量预报工作意义重大而深远。本文以2009～2012年的API、2013年的AQI及同期的气象资料为基础数据,对秦皇岛市API和AQI与气象因子之间的关系进行了分析,对秦皇岛市API的预报方法进行了研究。首先,采用相关分析方法分析了气象因子对秦皇岛市春夏秋冬四季的API或AQI的影响,重点对比了四季中AQI>200时气象条件与AQI<200时气象条件的不同。其次,在初选因子的基础上利用多元线性回归法构建了秦皇岛市春夏秋冬四季API数值的多元线性回归预测模型,并对四个回归模型进行了准确率的检验,准确率分别为84.6%、86.8%、83.4%、83.5%。最后,构建了基于主成分分析的BP神经预测模型和遗传算法优化的BP神经网络预测模型对四季的API数值进行预测,分别对每个模型运行5次,得到两种模型对春夏秋冬四季的预测平均准确率分别为：85.18%、87.1%、85.72%、84.56%；86.32%、87.66%,87.4%,85.88%由此可见...

【文章页数】：95 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 论文选题背景
        1.1.1 空气污染的概念及危害
        1.1.2 我国城市空气质量现状
    1.2 国内外研究动态及现状
        1.2.1 城市空气污染预报方法的研究进展
        1.2.2 国外研究动态与现状
        1.2.3 国内研究动态与现状
    1.3 论文的研究目的与意义
    1.4 论文主要内容及研究方法
第2章 研究方法的基本理论
    2.1 相关分析
    2.2 多元线性回归
        2.2.1 多元线性回归方程的建立
        2.2.2 多元线性回归方程的性能评价
    2.3 主成分分析
        2.3.1 主成分原理及数学模型
        2.3.2 主成分分析的计算步骤
    2.4 人工神经网络
        2.4.1 人工神经网络概述
        2.4.2 BP神经网络
        2.4.3 基于遗传算法优化的BP神经网络
    2.5 软件说明
        2.5.1 SPSS软件
        2.5.2 Matlab软件
第3章 秦皇岛市空气质量与气象要素关系分析
    3.1 基础数据分类与整理
    3.2 初选因子的确定
    3.3 秦皇岛市四季API与气象因子的相关分析
        3.3.1 春季API与气象因子的相关分析
        3.3.2 夏季API与气象因子的相关分析
        3.3.3 秋季API与气象因子的相关分析
        3.3.4 冬季API与气象因子的相关分析
    3.4 秦皇岛市四季AQI与气象因子的相关分析
        3.4.1 春季AQI与气象因子的相关分析
        3.4.2 夏季AQI与气象因子的相关分析
        3.4.3 秋季AQI与气象因子的相关分析
        3.4.4 冬季AQI与气象因子的相关分析
    3.5 本章小结
第4章 秦皇岛市空气质量数学预报模型的建立及检验
    4.1 预报因子的选取
    4.2 四季多元线性回归预报模型的建立及检验
        4.2.1 春季多元线性回归预报模型的建立及检验
        4.2.2 夏季多元线性回归预报模型的建立及检验
        4.2.3 秋季多元线性回归预报模型的建立及检验
        4.2.4 冬季多元线性回归预报模型的建立及检验
    4.3 本章小结
第5章 秦皇岛市空气质量神经网络预报模型的建立及检验
    5.1 因子的主成分分析
    5.2 BP神经网络预报模型的设计
        5.2.1 BP网络预报模型的网络框架
        5.2.2 BP神经网络层数的确定
        5.2.3 各层节点数的确定
        5.2.4 网络函数的确定
        5.2.5 BP神经网络主要参数的确定
    5.3 BP神经网络四季预报模型的建立和检验
        5.3.1 春季BP神经网络预报模型的建立和检验
        5.3.2 夏季BP神经网络预报模型的建立和检验
        5.3.3 秋季BP神经网络预报模型的建立和检验
        5.3.4 冬季BP神经网络预报模型的建立和检验
    5.4 基于遗传算法优化的BP神经网络四季预报模型的建立和检验
        5.4.1 春季基于遗传算法优化的BP神经网络预报模型的建立和检验
        5.4.2 夏季基于遗传算法优化的BP神经网络预报模型的建立和检验
        5.4.3 秋季基于遗传算法优化的BP神经网络预报模型的建立和检验
        5.4.4 冬季基于遗传算法优化的BP神经网络预报模型的建立和检验
    5.5 三种预报模型的比较
    5.6 本章小结
第6章 结论与建议
    6.1 结论
    6.2 建议
参考文献
致谢
作者简介



本文编号：3972651