基于小波神经网络的松江区PM_(2.5)浓度预测

鉴于细颗粒物(PM2.5)浓度(质量浓度ρ,全文同)影响因素的复杂性,以及传统预测方法中存在的困难和不足,基于小波神经网络,利用松江区环保局PM2.5的浓度数据,建立了短时PM2.5浓度预测模型.通过与灰色理论预测模型、BP神经网络预测模型的对比试验分析,发现基于小波神经网络预测模型的预测值与实际值之间的误差最小,更能准确地反映样本数据之间的映射关系,预测精度明显高于其他两种预测模型.     

基于LIBSVM的PM2.5浓度预测模型

建立基于LIBSVM的PM2.5浓度预测模型,对合肥市5个监测点的PM2.5小时平均浓度值进行预测,分析了不同污染物浓度和不同天气状况下的预测误差。结果表明:LIBSVM模型对5个监测点的PM2.5预测结果稳定,平均绝对误差为4.763 1 ug/m~3;在输入参数污染物浓度较低和不利于污染物扩散的条件下预测误差较小,在输入参数污染物浓度较大和有利于污染物扩散的条件下预测误差较大。LIBSVM模型能够很好地对PM2.5浓度进行预测,且输入参数对于模型的预测效果具有较大影响。     

大气颗粒物时空分布特征及影响因素

目的研究城市空气污染现状以应对日益严重的城市空气污染问题．方法以某市为研究区域,市城区以及邻县的大气颗粒物为研究对象,分别于采暖季、风沙季、非采暖季每个季度连续6天对TSP、PM小PM2.5,样品进行有效同步采集,对该市大气颗粒物质量浓度的时空分布特征和影响因素进行了分析．结果该市空气大气颗粒物污染以PM2.5,的污染最为严重,PM2.5,最大超标倍数为3．6倍．结论该市大气颗粒物的平均质量浓度变化特征为采暖李质量浓度〉风沙季质量浓度〉非采暖季质量浓度,TSP、PM10和PM2.5,质量浓度与风速呈现负相关性,PM10和PM2.5质量浓度与湿度呈现正相关性,TSP质量浓度与湿度呈现负相关性,能见度与三个粒径的颗粒物浓度均呈现负相关性．     

基于气象因素的PM2.5质量浓度预测模型

为得出拟合效果最佳的预测模型,建立了多元回归和机器学习预测模型对PM_2.5质量浓度进行预测。在输入气象因素的基础上,引入污染物质量浓度基础值和周期因素两类变量作为预测输入,并对4种预测模型进行对比研究。研究结果表明:对预测输入进行改进后,多元线性回归预测模型拟合优度由0.52提高至0.64,所选取的气象参数、污染物质量浓度基础值和周期因素能较好地描述PM_2.5质量浓度的日变化情况;与多元线性回归预测模型相比,BP神经网络和支持向量机两种预测模型能较好地捕捉PM_2.5质量浓度与预测输入之间的非线性影响规律,整体拟合优度分别达0.69和0.74,预测准确度较高;支持向量机预测模型可作为PM_2.5质量浓度预测的首选方法。     

衡阳市PM2.5污染特征及影响因素相关性分析

[目的]了解衡阳市PM2.5的时空分布特征及影响因素,为衡阳市科学防控PM2.5污染提供理论依据.[方法]采用Pearson相关性分析,探究衡阳市PM2.5与气象因素、社会经济因素及其他污染因子之间的相关关系.[结果]衡阳市PM2.5浓度中心城区高于其他县市区,每年12月至次年1月出现浓度高峰;衡阳市PM2.5浓度与平均气压、平均气温、日照时数、平均风速和降水量均有显著相关关系,相关度依次为0.874、-0.841、-0.547、-0.546和-0.338,与平均湿度相关关系不明显;社会经济因素与衡阳市PM2.5浓度的相关关系不明显;衡阳市中心城区PM2.5浓度与PM10、CO、NO2、SO2和O3浓度均有显著相关关系,相关度依次为0.953、0.873、0.861、0.774和-0.565.[结论]在防控衡阳市PM2.5污染时,应当结合时空分布特征、气象条件等合理制定防控措施,并与其他污染物联防联控.     

基于地面监测站的慈溪PM2.5动态分布特征研究

PM2.5己成为当前我国大中城市的首要空气污染物,是造成灰霾天气的主要原因。通过对慈溪的环保大楼、实验小学2个监测站点进行监测,获得2014年6月1日至2017年4月30日的PM2.5日平均浓度数据。利用统计学方法,定量分析慈溪PM2.5的污染程度和时空分布特征,并简要探讨影响PM2.5污染的因素。结果表明,慈溪PM2.5污染逐年下降;PM2.5浓度季节变化和月变化规律明显,均呈"U"型分布;两个监测站点PM2.5浓度分布特征基本一致,具有空间相似性。     

上海市PM2.5浓度特征及影响因素分析

大气环境质量的改善一直是备受关注的问题.利用上海市环境空气质量监测站的监测数据,分析了上海市PM2.5的浓度分布特征及其影响因素.结果显示,近6年来上海市PM2.5的浓度在逐年降低,年均下降率和年均变化幅度显著,同时PM2.5的浓度分布随季节的变化也较大.研究也分析了PM2.5与温度、相对湿度、平均气压以及每日累计降水...     

北京市采暖期大气中PM_(10)和PM_(2.5)质量浓度变化分析

对北京市2003年11月至12月间供暖期中大气悬浮颗粒物污染状况作了较详细的监测.数据表明,北京市的这段时间,其PM10和PM2.5质量浓度因日因月而异,其中PM10平均质量浓度为253.1μg/m3,超过国家二级标准(1996)1.9倍,PM2.5的变化幅度在8.9-276.2μg/m3之间,其平均值为145.2μg/m3,超过1999-2000年监测数值38.4％;其污染源和影响因素之间关系的研究表明:在供暖期间,温度、湿度和风速对PM10和PM2.5的累积和消散也起着至关重要的作用.     

华北城市PM_(2.5)、PM_(10)污染水平及两者相关性研究

采用β射线吸收法对华北城市大气环境质量进行连续监测,监测发现:夏、秋、冬三季污染整体相对严重,秋季污染较轻。PM2.5和PM10平均浓度的日变化表明:对人体危害较大的PM2.5占PM10的比重较大,平均达到75.6%,且PM2.5浓度和PM10浓度呈极显著线性关系。无降雨降雪大风等特殊天气下,三种气象参数对大气细颗粒污染物的影响由高到低排列为:湿度风速温度。     

北京市采暖期大气中PM10和PM2.5质量浓度变化分析

对北京市2003年11月至12月间供暖期中大气悬浮颗粒物污染状况作了较详细的监测.数据表明,北京市的这段时间,其PM10和PM2.5质量浓度因日因月而异,其中PM10平均质量浓度为253.1μg/m3,超过国家二级标准(1996)1.9倍,PM2.5的变化幅度在8.9～276.2μg/m3之间,其平均值为145.2μg/m3,超过1999～2000年监测数值38.4%;其污染源和影响因素之间关系的研究表明在供暖期间,温度、湿度和风速对PM10和PM25的累积和消散也起着至关重要的作用.     

基于机理与数据驱动的热连轧板凸度组合预测

针对传统热连轧出口板凸度预测方法存在的模型精度低、解释性差等缺陷,提出了一种将机理与数据驱动相结合的热连轧板凸度组合预测模型。通过热连轧板凸度机理预测模型得到热连轧板凸度基准值,将该基准值与实际值之间的偏差量作为机器学习模型的预测变量,再将偏差量预测值与基准值进行求和得出组合预测模型的板凸度预测值,并将该组合预测策略应用至多个神经网络进行方法验证。研究结果表明,提出的热连轧板凸度组合预测模型相较于传统预测模型具有更好的预测性能,其中有97%以上预测数据的绝对误差小于0.02 mm,82%以上预测数据的绝对误差小于0.01 mm,同时该组合预测方法具有较好的可行性与普适性,所提出的模型能够实现机理模型与数据驱动模型的优势互补,使得模型更加符合实际物理意义,该组合模型既缓解了神经网络预测结果由于过程黑箱导致解释性差、可信度低的问题,又弥补了机理模型预测结果偏离生产工况、无法实时修正的缺陷,对热连轧板带钢的板形控制以及热连轧产品质量的改善具有重要意义。     

基于BP神经网络的太湖富营养化时空变化预测

建立拓扑结构为5-9-1的3层BP神经网络模型,预测太湖的富营养化水平,为水环境监测平台提供决策支持。该模型采用动量梯度下降法对太湖的湖体的富营养化水平进行预测并评价。验证结果表明,训练后的网络得出的预测结果与实际值很接近。因此,采用BP(Back Propagation)神经网络对太湖湖体富营养化水平进行预测并评价是一种有效的方法。     

基于ARIMA LSTM组合模型的楼宇短期负荷预测方法研究

在楼宇短期负荷预测中,针对单一预测模型难以充分学习负荷时间序列中的特性问题,提出了一种基于自回归差分移动平均-长短期记忆神经网络(ARIMA-LSTM)组合模型的楼宇负荷预测方法。首先,根据灰色关联度选取相似日时间序列数据为训练样本;然后,利用ARIMA模型预测负荷,并将原始数据和ARIM A预测数据之间的误差视为非线性分量;最后,通过LSTM神经网络对误差序列进行校正,得到楼宇短期负荷的最终预测值。通过对上海市某楼宇的预测效果分析,并将其与ARIMA模型、LSTM模型和ARIMASVM组合模型进行对比,验证了所提方法能够有效控制预测误差,提高楼宇负荷预测精度。     

基于灰色动态马尔科夫的航班延误预测

为解决大型枢纽机场运行管理中的航班延误问题,建立了基于灰色理论的动态马尔科夫预测模型,对航班延误情况进行预测.将灰色预测拟合值和实际值的误差分为4个区间,根据误差区间状态,运用加权马尔科夫预测下个时间段的误差范围.结合模糊集理论,将预测误差由一个区间值转化为具体值,从而对灰色预测值进行修正,得到了精确度更高的预测值.结合某机场进行实例验证,结果表明:该方法能够使预测结果的精度有了较大提升.     

背景值优化的GM(1,1)预测模型及应用

针对GM(1,1)模型背景值存在的缺陷,在分析背景值误差产生原因的基础上,提出了新的背景值计算方法。该方法用非齐次指数函数模拟一次累加生成序列,根据原序列与一次累加生成序列的关系重构背景值计算公式,得到实际曲线在区间上的面积作为背景值。利用深圳市2007年10月9日和10日8:00~8:50的交通流数据验证,结果表明,与基于背景值优化的GM(1,1)模型相对比,新构建背景值的GM(1,1)模型的平均相对模拟误差和平均相对预测分别提高了0.46和2.61个百分点,在精度上取得了更好的效果。     

DMC modified algorithm based on time series prediction principle

0　ＩＮＴＲＯＤＵＣＴＩＯＮＡｕｔｏｍａｔｉｃｃｏｎｔｒｏｌｏｆｄｉｓｔｒｉｃｔｈｅａｔｉｎｇｓｙｓｔｅｍｏｆｔｈｅｃｉｔｙｆａｃｅｓｔｗｏｐｒｏｂｌｅｍｓ .Ｏｎｅｉｓｔｈａｔｔｈｅｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎｉｓｔｒｅｍｅｎｄｏｕｓ ,ａｎｄｅｎｅｒｇｙｓａｖｉｎｇｉｓｎｅｅｄｅｄ.Ａｎｏｔｈｅｒｉｓｔｈａｔｈｅａｔｉｎｇｏｂｊｅｃｔｈａｓｔｈｅｆｅａ ｔｕｒｅｓｓｕｃｈａｓｌａｒｇｅｔｉｍｅｄｅｌａｙ ,ｔｉｍｅｖａｒｙｉｎｇ ,ｕｎｃｅｒ ｔａｉｎｔｙａｎｄｎｏｎ ｌｉｎｅａｒｉｔｙ ,ａｎｄａ…     

基于小波变换的GASVM-ARMA模型在深基坑变形预测中的应用

为了提高深基坑施工过程中变形预测的准确度,提出一种基于小波变换分解与重构、采用遗传算法优化参数的支持向量机（GASVM）和自回归滑动平均（ARMA）模型相结合的组合模型预测方法。使用GASVM模型对小波分解后的趋势项进行一步预测和多步滚动预测,使用ARMA模型相应地对随机项进行预测,将预测值求和得到最终预测结果。以某地铁车站深基坑为案例,对3个监测点的支护桩深层水平位移进行预测分析,得到其一步预测的短期预测值和多步滚动预测的中长期预测值,并与单一采用GASVM模型得到的预测值进行对比。结果表明：组合模型有效减小了预测误差,在短期和中长期预测中均取得令人满意的结果。     

索力振动法测量神经网络赋泛研究

索的受力状态关系着索体系桥梁的安全,而索力值是衡量索的力学状态的重要指标。目前,索的边界条件难以判别是影响索力识别结果准确性的重要因素。为此,利用ANSYS对拉索振动进行数值模拟,并借助已有索力计算公式对建模方式的可靠性进行验证并生成模拟数据,然后以索长、线密度、抗弯刚度、一阶频率、二阶频率、三阶频率为输入参数,以索力值为输出参数结合振动模拟数据分别建立BP神经网络和广义回归神经网络索力预测模型,并将两种神经网络索力预测模型和已有索力计算公式应用于实际工程中进行对比验证。结果表明：BP神经网络索力预测模型的神经网络结构为6-13-13-1,输入层与隐含层1、隐含层1与隐含层2、隐含层2与输出层之间的激励函数分别为tansig、tansig、purelin,训练算法为L-M优化算法trainlm,学习速率为0.1,网络迭代次数为1000,显示间隔为100,均方误差为0.001,索力预测模型的预测效果良好,但还有进一步优化的空间;广义回归神经网络索力预测模型的最佳spread值为0.00215,索力预测模型的预测效果优于BP神经网络和已有索力计算公式,且预测误差基本控制在5%以内。利用广义回归神经网络对桥梁索力进行预测,避免了索的边界条件判别错误对索力识别结果准确性的影响,提高了索力的识别精度,具有良好的工程应用价值。     

采用核极限学习机的短期需水量预测模型

为满足给水系统日常管理对短期需水量预测时效的需求,建立了所需训练时间短的核极限学习机模型(kernel-based extreme learning machine,KELM);从提升预测精度的角度考虑,构造了以傅里叶级数为理论依据的残差修正模块(Fourier se-ries,FS),利用该模块对需水量初始预测值与观...     

基于粒子群算法和BP神经网络改进的灰色电力负荷预测研究

灰色预测模型被广泛运用于电力负荷预测中,取得了较好的效果,但是灰色预测模型在实际应用中的缺点和局限性导致其预测精度有待提高,存在改进的必要。本文对于灰色预测模型的改进,分别从优化初值和改进模型等方面进行,从而提高普通灰色GM（1,1）模型的预测精度。对初值的处理可以削弱异常值的影响,强化趋势,从而避免由于初值选择不当而造成预测误差。本文中对模型的改进主要通过建立等维新息预测模型、灰色粒子群组合预测模型和灰色BP神经网络组合预测模型来实现。通过这些对灰色预测模型的修正和改进,进一步提高了灰色预测模型的适用性．最大限唐妯提高了灰乍．GM（1,1）模型的预测精唐．