论文部分内容阅读
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、基于灰色关联的支持向量机模型三者的预测精度,选取精度最高模型作为PM2.5时间序列预测模型。论文得出以下结论:1.基于支持向量回归机的PM2.5预测模型采用灰色关联分析后的气象因子作为输入,预测精度较高。2.基于灰色关联分析的支持向量机模型预测精度优于灰色单变量模型和基于灰色关联分析的灰色多变量模型。3.通过对灰色关联因子的再次筛选可提高灰色多变量模型的预测精度,且背景值优化MGM(1,N)预测模型的预测精度较其他灰色多变量预测模型高。实验结果表明,采用基于灰色关联分析的支持向量机模型对PM2.5进行预测的精度更高,适合作为PM2.5浓度时间序列的预测。