论文部分内容阅读
首先利用回归树分类方法,对采暖期与非采暖期各日进行气象类型划分,识别出易造成重污染天气的气象类型.其次分别在各气象类型内,以污染源排放量为自变量,利用差分自回归滑动平均与支持向量机(ARIMA+SVM)组合方法建立起PM2.5浓度日均值预测模型,并选取2013年01月~2017年06月间,沈阳市区内9个环境监测点PM2.5浓度日均值进行实证分析.结果表明,使用气象分类下的ARIMA+SVM组合模型对PM2.5浓度日均值进行预测,相比于不划分气象类型时的普通机器学习模型,其模型预测值与实测值趋势的吻合度更高