大氣污染已成為當(dāng)前社會備受關(guān)注的問題,它不僅危害著人們的身體健康,還給世界的自然環(huán)境帶來了不可逆的傷害。大氣污染主要是由人類活動造成的,其生成的主要污染物正在逐步增加�，F(xiàn)在個環(huán)保局都在監(jiān)測污染物的數(shù)據(jù),因為我們可以利用污染物的監(jiān)測數(shù)據(jù)更好的制定環(huán)保方案�？梢�,污染物的數(shù)據(jù)是十分重要的。本文正是由此提出的,使用從天津市環(huán)境保護局取得的天津市大氣污染時事數(shù)據(jù)作為基礎(chǔ),利用污染物之間的關(guān)系,橫向的對缺失部分?jǐn)?shù)據(jù)進行預(yù)測補充。并在Matalab環(huán)境下進行試驗,主要完成以下主要工作:（1）參考相關(guān)文獻,對大氣污染與數(shù)據(jù)的分析預(yù)測方法進行調(diào)查研究,證明本文所提出研究內(nèi)容的優(yōu)勢;（2）對數(shù)據(jù)預(yù)處理,并選取SVM算法對數(shù)據(jù)進行預(yù)測訓(xùn)練,研究預(yù)測精確度;（3）利用PSO算法進行參數(shù)優(yōu)化,期望進一步提高其準(zhǔn)確度,并給出直觀誤差圖以供參考。本文研究的優(yōu)點是,1.不同于通常的縱向預(yù)測,特別提出利用污染物之間的關(guān)系橫向預(yù)測缺失的部分?jǐn)?shù)據(jù),即六個污染物數(shù)據(jù),利用其中5個補充預(yù)測第6個污染物值。2.利用PSO優(yōu)化SVM在大氣污染中應(yīng)用,在減少人為參與計算的同時大大提高的預(yù)測數(shù)據(jù)的精度。最后,通過對真實的大氣污染數(shù)據(jù)... 

【文章來源】：天津財經(jīng)大學(xué)天津市

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【部分圖文】：

1大氣層次圖

圖２．３．３美國ＮＡＳＡ宇航局繪制的全球ＰＭ２．５指數(shù)分布圖??圖中明顯的，我國ＰＭ２．５大氣污染相當(dāng)嚴(yán)峻，這個結(jié)果與上面所分析的數(shù)據(jù)也相一致，??大多數(shù)地區(qū)都處于５０甚至８０以上，令人瞠目結(jié)舌的是全球大氣狀況良好地區(qū)的ＰＭ２．５??竟然低于１０甚至是５。上述研究所選取的最好城市海口也只能是一般水平，算不上良好。??上述體現(xiàn)出數(shù)據(jù)統(tǒng)計在研究方面的重要意義。是數(shù)據(jù)分析所不可缺少的重要前提。??２．４大氣污染應(yīng)用中的模型??在過去的十幾年中，大氣污染的數(shù)據(jù)以肉眼可見的速度大幅增長：有從前單一的數(shù)據(jù)??圖、線框圖，發(fā)展到簡單多面體模型，甚至是曲面和有限元模型。利用計算機替代手動操??作數(shù)據(jù)建模，很大限度的提高了細(xì)節(jié)的處理，并同時秉持著合理的成本。并通過它是生成??的數(shù)據(jù)更加接近完美。由此種種的優(yōu)勢可見，數(shù)據(jù)分析和建模正在逐漸的摒棄手動操作，??向著更為復(fù)雜的計算機控制算法前進。??

?８０??Ｓａｔｅｌｌｉｔｅ－Ｄｅｒｉｖｅｄ?ＰＭ?［ｊ－ｉｇ／ｍ３］??＾．Ｏ??圖２．３．３美國ＮＡＳＡ宇航局繪制的全球ＰＭ２．５指數(shù)分布圖??圖中明顯的，我國ＰＭ２．５大氣污染相當(dāng)嚴(yán)峻，這個結(jié)果與上面所分析的數(shù)據(jù)也相一致，??大多數(shù)地區(qū)都處于５０甚至８０以上，令人瞠目結(jié)舌的是全球大氣狀況良好地區(qū)的ＰＭ２．５??竟然低于１０甚至是５。上述研究所選取的最好城市�？谝仓荒苁且话闼剑悴簧狭己�。??上述體現(xiàn)出數(shù)據(jù)統(tǒng)計在研究方面的重要意義。是數(shù)據(jù)分析所不可缺少的重要前提。??２．４大氣污染應(yīng)用中的模型??在過去的十幾年中，大氣污染的數(shù)據(jù)以肉眼可見的速度大幅增長：有從前單一的數(shù)據(jù)??圖、線框圖，發(fā)展到簡單多面體模型，甚至是曲面和有限元模型。利用計算機替代手動操??作數(shù)據(jù)建模，很大限度的提高了細(xì)節(jié)的處理，并同時秉持著合理的成本。并通過它是生成??的數(shù)據(jù)更加接近完美。由此種種的優(yōu)勢可見，數(shù)據(jù)分析和建模正在逐漸的摒棄手動操作，??向著更為復(fù)雜的計算機控制算法前進。??天津環(huán)保局開發(fā)了一款大氣污染數(shù)據(jù)的實時監(jiān)控系統(tǒng)

【參考文獻】：
期刊論文
[1]最小二乘支持向量機和預(yù)測誤差校正的運動員成績預(yù)測[J]. 王娟娟.  現(xiàn)代電子技術(shù). 2018(05)
[2]群智能算法優(yōu)化支持向量機參數(shù)綜述[J]. 李素,袁志高,王聰,陳天恩,郭兆春.  智能系統(tǒng)學(xué)報. 2018(01)
[3]支持向量機的鹽堿土壤Philip入滲模型參數(shù)預(yù)測研究[J]. 程詩念,樊貴盛.  節(jié)水灌溉. 2017(09)
[4]基于粒子群優(yōu)化支持向量機的電能替代潛力分析方法[J]. 孫毅,石墨,單葆國,曹昉.  電網(wǎng)技術(shù). 2017(06)
[5]面向不均衡分類的隸屬度加權(quán)模糊支持向量機[J]. 楊志民,王甜甜,邵元海.  計算機工程與應(yīng)用. 2018(02)
[6]基于粒子群參數(shù)優(yōu)化的支持向量機方法[J]. 閻伸,張全.  科技視界. 2017(03)
[7]基于支持向量機的短期電力負(fù)荷預(yù)測[J]. 時昀.  電子技術(shù)與軟件工程. 2017(01)
[8]基于距離相關(guān)系數(shù)和支持向量機回歸的PM2.5濃度滾動統(tǒng)計預(yù)報方案[J]. 王黎明,吳香華,趙天良,程國勝,張祥志,湯莉莉,賈夢唯,陳煜升.  環(huán)境科學(xué)學(xué)報. 2017(04)
[9]基于數(shù)據(jù)挖掘技術(shù)和支持向量機的短期負(fù)荷預(yù)測[J]. 王小君,畢圣,徐云鹍,孫月嘉.  電測與儀表. 2016(10)
[10]改進的基于粒子群優(yōu)化的支持向量機特征選擇和參數(shù)聯(lián)合優(yōu)化算法[J]. 張進,丁勝,李波.  計算機應(yīng)用. 2016(05)

碩士論文
[1]基于SVM分類器的分步定位算法研究[D]. 吳迪.哈爾濱工業(yè)大學(xué) 2010
[2]SVM分類器的擴展及其應(yīng)用研究[D]. 梁燕.湖南大學(xué) 2008
[3]基于支持向量機的測井曲線預(yù)測儲層參數(shù)方法[D]. 張彥周.西安科技大學(xué) 2006



本文編號：2974679