針對未來PM2.5質(zhì)量濃度的預測,首先,為了使結(jié)果更加準確并且貼近實際,構(gòu)建時間序列模糊信息粒模型,對4個不同的季度的歷史指標進行模糊�；幚�;接著,建立支持向量機的回歸預測模型,分別對模糊粒子參數(shù)LOW、R、UP進行回歸預測,并采取K折交叉驗證法進行參數(shù)優(yōu)化,得到2019年的PM2.5質(zhì)量濃度預測數(shù)據(jù);最后,設(shè)計循環(huán)算法進一步預測出2020-2022年的指標預測數(shù)據(jù).其中,2020年P(guān)M2.5質(zhì)量濃度均值浮動范圍在23～101之間,在2012年基礎(chǔ)上降低了2%～77%左右,基本達到空氣質(zhì)量改善目標要求. 

【文章來源】：蘭州文理學院學報(自然科學版). 2019,33(04)

【文章頁數(shù)】：8 頁

【部分圖文】：

圖１糊信息粒的空氣質(zhì)量模型思路圖

圖２全季ＰＭ２．５質(zhì)量濃度與時間變化圖

圖２全季ＰＭ２．５質(zhì)量濃度與時間變化圖圖３數(shù)據(jù)模糊粒化后ＰＭ２．５時間序列變化圖季節(jié)分類進行分別預測．３基于ＳＶＲ算法對ＰＭ２．５濃度的預測３．１研究思路本文使用ＳＶＲ算法對未來５年的ＰＭ２．５濃度進行預測，檢驗京津冀地區(qū)的大氣治理是否會達到治理目標，具體思路如圖４所示．在此，采用的是林智仁（ＣＪＬｉｎ）等人開發(fā)的ＬＩＢＳＶＭ工具箱和ＶｉｓｕａｌＣ＋＋的編譯器，以上文得到的２０１７－２０１８年冬季的�；瘯r間序列為例，使用ＭＡＴＬＡＢ中的ＬＩＢＳＶＭ工具箱分別對模糊粒子參數(shù)ＬＯＷ、Ｒ、ＵＰ進行回歸預測．針對最佳懲罰因子Ｃ和函數(shù)ｇ的選擇，采取Ｋ折交叉驗證的方法先粗略選取參數(shù)，再根據(jù)所得結(jié)果進行分析，進一步縮小范圍來進行精細的參數(shù)選擇．針對訓練集和測試集的選取，將每個季度前四分之三作為訓練集，后四分之一作為測試集，對模型進行訓練．最后，為了預測２０２２年冬季ＰＭ２．５質(zhì)量濃度數(shù)據(jù)，本文設(shè)計算法，先將２０１９年數(shù)據(jù)預測出來，再對２０２２年進行預測，得出２０２２年冬季ＰＭ２．５指標，并與空氣質(zhì)量改善目標進行對比，檢驗ＰＭ２．５指標是否能在２０１２年的基礎(chǔ)上降低４５％左右．圖４基于ＳＶＲ算法對ＰＭ２．５濃度的預測９１第４期郝曉露等：基于模糊時序的ＳＶＲ模型對空氣質(zhì)量的預測

【參考文獻】：
期刊論文
[1]BP神經(jīng)網(wǎng)絡(luò)算法在空氣質(zhì)量預測中的應用——以江蘇為例[J]. 姜孿娟.  信息與電腦(理論版). 2018(24)
[2]基于GM（1,1）-PCA的環(huán)境預測與分析研究[J]. 賀金龍,吳晟,周海河,李英娜,吳興蛟,李天龍,馬顥瑄.  信息技術(shù). 2018(01)
[3]基于相關(guān)性聚類對城市空氣污染分析數(shù)據(jù)真實性的判別[J]. 關(guān)珊,朱家明,關(guān)趙陽,陶里彤琰.  河北北方學院學報(自然科學版). 2017(07)
[4]基于RAM拓展模型的我國城市空氣質(zhì)量評價[J]. 陸志濤,周鵬,吳菲.  環(huán)境經(jīng)濟研究. 2017(02)
[5]基于高斯擴散及主成分京津冀空氣污染的研究[J]. 范孝莉,鄭玉棒,方佳佳,朱家明.  商丘師范學院學報. 2016(06)
[6]模糊時序與支持向量機建模相結(jié)合的PM2.5質(zhì)量濃度預測[J]. 劉杰,楊鵬,呂文生,劉阿古達木,劉俊秀.  北京科技大學學報. 2014(12)
[7]西安市環(huán)境空氣質(zhì)量評價與預測[J]. 李夢梅,朱家明,楊光,程昊.  貴州師范學院學報. 2014(03)
[8]基于灰色馬爾科夫模型的平頂山市空氣污染物濃度預測[J]. 楊錦偉,孫寶磊.  數(shù)學的實踐與認識. 2014(02)



本文編號：3557704