本文關(guān)鍵詞：武漢市PM2.5濃度預(yù)測(cè)的統(tǒng)計(jì)分析及仿真　出處：《華中科技大學(xué)》2015年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 細(xì)顆粒物 時(shí)間序列分析 主成分分析 BP神經(jīng)網(wǎng)絡(luò)

【摘要】：細(xì)顆粒物PM2.5是霧霾產(chǎn)生的重要因素,其成因復(fù)雜,危害嚴(yán)重。為實(shí)現(xiàn)對(duì)PM2.5濃度的預(yù)測(cè)并加強(qiáng)對(duì)其污染的控制,開展相關(guān)的研究及基于研究上的污染治理工作意義極其重大。然而傳統(tǒng)方法難以充分利用歷史數(shù)據(jù)中的有用數(shù)據(jù)進(jìn)行精確預(yù)報(bào)。本文將BP神經(jīng)網(wǎng)絡(luò)用于武漢市PM2.5濃度的預(yù)測(cè),借助MATLAB軟件實(shí)現(xiàn)了此模型的建立、訓(xùn)練和仿真。首先,利用時(shí)間序列模型對(duì)PM2.5的污染進(jìn)行了預(yù)測(cè),進(jìn)而通過對(duì)API的六個(gè)指標(biāo)繪制散點(diǎn)圖及相關(guān)關(guān)系的分析構(gòu)建主成分分析模型和逐步回歸模型,通過對(duì)比找出相對(duì)最優(yōu)模型,并根據(jù)此模型預(yù)測(cè)了下一個(gè)月的PM2.5濃度值。由于傳統(tǒng)建模法建立的模型大多是線性的,預(yù)測(cè)精度往往難以保證,而BP神經(jīng)網(wǎng)絡(luò)能提供較為理想的處理非線性問題的模型,因此考慮將BP神經(jīng)網(wǎng)絡(luò)用于PM2.5的預(yù)測(cè),在365個(gè)測(cè)試樣本中,預(yù)報(bào)結(jié)果與實(shí)際完全吻合的為240天,占65.8%;相差不超過一級(jí)的為337天,占92.3%。預(yù)報(bào)結(jié)果與實(shí)際情況基本一致,從實(shí)踐上證明了BP神經(jīng)網(wǎng)絡(luò)運(yùn)用于PM2.5預(yù)報(bào)的可行性,為城市PM2.5的污染預(yù)報(bào)提供了新的思路和方法。
[Abstract]:PM2.5 fine particles is an important factor in haze, the causes are complex, serious harm. In order to realize the prediction of PM2.5 concentration and strengthen the control of the pollution, to carry out related research and Research on the pollution control work is of great significance. Based on the traditional method to make full use of useful data in historical data for accurate prediction in this paper BP. Neural network is used to predict the concentration of PM2.5 in Wuhan City, the implementation of the model established by MATLAB software, training and simulation. Firstly, using time series model to predict the pollution of PM2.5, and then through the six indicators of API drawing scatter plot analysis and correlation of the construction of the model of principal component analysis and stepwise regression model, through comparison to find out the relative optimal model, and predict the concentration of PM2.5 a month depending on the value of this model. Since the establishment of the traditional modeling method of the model are mostly The linear prediction accuracy is often difficult to guarantee, and the BP neural network can provide the ideal model for dealing with nonlinear problems, so consider using BP neural network for the prediction of PM2.5, in the 365 test samples, the prediction results are in agreement with the actual 240 days, accounting for 65.8%; but no more than a class is 337 day, accounting for 92.3%. prediction results consistent with the actual situation, from the practice proved the feasibility of using BP neural network to forecast PM2.5, provide new ideas and methods for pollution prediction of city PM2.5.

【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：X513

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張維銘;陳文興;;運(yùn)用主成分分析制定服裝標(biāo)準(zhǔn)的探討[J];浙江絲綢工學(xué)院學(xué)報(bào);1986年02期

2 DelValls T A ,丁海燕;確定海洋沉積物中污染物來源的方法——多變量主成分分析方法[J];海洋地質(zhì)動(dòng)態(tài);2003年11期

3 王建民;王傳旭;楊力;余忠林;王運(yùn)祥;;基于主成分分析模型的煤礦企業(yè)員工滿意度實(shí)證研究[J];安徽理工大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版);2007年02期

4 劉星;王震;馬新東;林忠勝;徐恒振;姚子偉;;常見亞非原油飽和鏈烷烴分布特征及主成分分析[J];環(huán)境污染與防治;2009年08期

5 王卓;;黑龍江省醫(yī)藥產(chǎn)業(yè)競(jìng)爭(zhēng)力實(shí)證分析[J];齊齊哈爾大學(xué)學(xué)報(bào)(哲學(xué)社會(huì)科學(xué)版);2013年01期

6 周海廷;;四川綠豆地方品種資源研究 Ⅲ地方品種群體數(shù)量性狀的通經(jīng)分析和主成分分析[J];西南科技大學(xué)學(xué)報(bào)(哲學(xué)社會(huì)科學(xué)版);1988年04期

7 董玉庫,趙春瑞;木材物理力學(xué)性質(zhì)的綜合分析(Ⅰ)——主成分分析[J];東北林業(yè)大學(xué)學(xué)報(bào);1988年06期

8 韓波,林華榮;主成分分析在水質(zhì)監(jiān)測(cè)優(yōu)化布點(diǎn)中的應(yīng)用[J];中國(guó)環(huán)境監(jiān)測(cè);1991年01期

9 高偉平;;主成分分析在化學(xué)中的應(yīng)用及在可編程序計(jì)算器上的實(shí)現(xiàn)[J];化學(xué)工程師;1991年06期

10 任玉林，，邴春亭，逯家輝，郭曄;近紅外漫反射光譜的主成分分析[J];光譜學(xué)與光譜分析;1996年06期

相關(guān)會(huì)議論文 前10條

1 么彩蓮;魏寧;;關(guān)于主成分分析的改進(jìn)方法探討[A];中國(guó)現(xiàn)場(chǎng)統(tǒng)計(jì)研究會(huì)第12屆學(xué)術(shù)年會(huì)論文集[C];2005年

2 陳明星;繆柏其;靳韜;;利率影響因素的主成分分析與因子分析[A];中國(guó)現(xiàn)場(chǎng)統(tǒng)計(jì)研究會(huì)第12屆學(xué)術(shù)年會(huì)論文集[C];2005年

3 孫曉東;胡勁松;焦s

本文編號(hào)：1387872