基于GA-SVM的太原市空气质量指数预测

针对大气环境的复杂多变性和不确定性,采用太原市2014年至2016年的空气污染物监测数据,分别将改进的粒子群算法(IPSO)和遗传算法(GA)与支持向量机(SVM)相结合,通过参数寻优构建新模型完成对空气质量指数(AQI)的预测.实验结果表明,GA-SVM在预测精度、误差率和可靠性方面均优于IPSO-SVM与SVM.因此GA-SVM模型更适用于AQI的预测,为大气污染防治提供了科学合理的理论依据和新的预测方法.     

基于PSOGSA-LSTM模型的长江经济带空气质量指数预测研究

本文以长江经济带100个地级及以上城市的空气质量指数(AQI)为研究对象,选取了六大污染物和11个影响空气质量指数的气象因子作为影响因素。针对空气质量相关数据的特性,将粒子群算法和万有引力算法结合的混合算法(PSOGSA)与长短期记忆(LSTM)神经网络进行组合,建立PSOGSA-LSTM组合预测模型,对模型的预测精度进行了三个方面的检验,并与传统的LSTM模型的预测结果进行比较,最后将其应用于长江经济带100个城市未来7天的空气质量指数预测。研究结果表明,PSOGSA-LSTM模型相比传统的LSTM模型具有更高的预测精度和较强的稳定性。     

半参数回归模型在空气质量指数分析和预测中的应用

根据2013年6月到2013年8月年武汉市一个检测点有关空气质量指数的数据,运用半参数回归模型对空气质量指数进行拟合,得到了空气质量指数与各有关指标的关系．实证分析表明,半参数回归模型拟合比较准确,预测结果也比较理想．     

基于Keras的LSTM模型在空气质量指数预测的应用

为了高精度预测空气质量指数(AQI),针对大气环境复杂多变性、不确定性,以2014年至2017年的太原市空气污染物监测数据为基础,首先采用python3.5.2中的相关性分析函数对污染物与AQI指数进行了相关性分析,然后建立基于深度学习库Keras(一种高层神经网络API)的长短期记忆循环神经网络(LSTM)模型,对太原市空气质量指数(AQI)进行仿真预测.实验结果表明:模型的均方根误差为4.875,具有预测精度高、范围广等优点,为大气污染防治工作提供了科学合理的理论依据和新的预测方法.     

武汉空气质量预测及受周边城市污染影响分析

利用武汉及其周边城市长沙、南昌、合肥、襄阳、孝感等城市空气质量指数(AQI)及相关污染物数据,探索了武汉市空气质量指数的统计分布规律及空气污染治理效果的评价问题,给出了能较好预测空气质量指数等级的推理规则.用统计模型分析武汉及周边大中城市的SO2等空气污染物之间的传播及相互影响.     

基于VAR—GM(1.1)—SVR模型的房地产价格预测研究

为提高房地产价格预测精度,克服传统统计数据真实性低、时效性差的缺点,本文以网络搜索数据为基础,首先通过斯皮尔曼相关分析和时差相关分析筛选出与房地产价格具有高度相关性的先行关键词,并利用向量自回归模型(VAR)和GM(1.1)模型分别预测房地产价格;然后构建基于向量自回归模型和GM(1.1)模型的VAR—GM(1.1)—SVR模型将以上两个模型的预测结果进行预测融合,并以西安市数据为例进行验证,得出均方误差(MSE)和标准平均方差(NMSE)分别为0.97和0.03,优于单一模型预测效果.     

基于区间数的空气质量模糊综合评价模型

针对空气质量评价的不确定性,引入区间数概念进行2016年辽宁省各城市的空气质量综合评价和分析.参照国家大气质量标准,选用SO2、NO2、CO、PM2.5、PM10五种大气主要污染物作为评价因子,利用区间数计算污染因子的隶属度进行分析.考虑到城市差异,采用区间梯形隶属度函数,同时考虑区间数排序函数及可信度对区间数排序进行...     

乌鲁木齐市空气质量影响因素分析

空气质量关乎人类健康.随着工业化、城市化进程加快、机动车快速激增等因素影响,中国城市的空气质量正面临着巨大的考验.乌鲁木齐市环境污染严重,曾经被世界卫生组织列为世界十大污染城市之一,空气质量成为人们关注的焦点.根据2003-2012年近十年数据对乌鲁木齐空气质量进行灰色关联分析,得到与空气质量关联度较大的八项指标.建立了多元线性回归模型,并对近几年的空气质量进行分级,找出空气变化的可能原因.结果表明:影响乌鲁木齐空气污染指标的主要因素集中在城市绿化与能源消耗及工业污染排放等方面,而其他相关因素也在不同方面起到一定程度的影响.从聚类分析效果看,2012年乌鲁木齐市"煤改气"工程降低SO_2浓度十分显著.最后,提出了改善空气质量的建议.     

基于主成分分位数回归的手足口病空气质量的影响分析

手足口病在我国南部的一些沿海省市发病率相对较高,其引起的健康危害不容忽视.空气质量一定程度上会影响传染病传播的强度,为此,采用主成分面板分位数回归模型研究空气质量相关变量对手足口病发病率的影响,从而为该病的预防控制提供一定的参考.     

基于DMC方法的城市空气质量SUR模型研究

我国现阶段城市化的日益发展,使城市空气质量的宏观调控面临越来越大的压力。本文建立了关于空气质量的似乎不相关(SUR)模型,采用Jeffreys's的不变先验分析直接蒙特卡罗(DMC)方法,计算各参数的贝叶斯后验密度和未来值的预测密度。对中国厦门市区三项污染指标及四项外部驱动因素的数据进行实证分析,并将其与贝叶斯分层模型得出的结果进行比较。     

空气质量的模糊综合评价与曲线拟合预测模型

公众的健康在很大程度上受空气质量制约,对空气质量进行预测与评价具有十分重要的意义.首先针对空气质量评价问题,将模糊综合评价方法和层析分析方法相结合,建立了空气质量的模糊综合评价模型.其次针对空气质量预测问题,根据最小二乘理论,建立了不同污染物浓度值的滑动窗口预测模型.最后选择安阳市空气污染物浓度年度均值进行了模型验证.实验结果表明,评价与预测模型具有精确度较高,误差率小的优点,具有较高的实用性.     

基于函数型非参数方法的气温数据预测分析

基于函数型非参数核回归估计的方法分析安徽省1955年至2010年月度平均气温数据,建立函数型非参数回归模型,并对2010年气温数据进行实证研究.同时,与经典的非参数回归模型的预测结果相比,本文方法的预测均方误差明显优于经典的非参数回归方法,体现出函数型非参数模型的优越性.     

基于灰色马尔科夫模型的平顶山市空气污染物浓度预测

选用平顶山市2005—2009年各空气污染物浓度作为原始数据序列,建立灰色马尔科夫预测模型,对未来10年的污染因子浓度进行预测.模型检验结果表明:均方差比值和小误差概率均为一级;运用灰色关联分析法计算各污染物原始数据序列与预测数据序列之间的关联度,定量描述灰色马尔科夫预测模型对于空气质量预测的精确度,平均精度达到99.9%,表明灰色马尔科夫预测模型对于空气质量预测有很高的实用性.     

基于集成学习策略的化工园区大气污染影响预测

建立科学、有效、准确的空气质量预测系统,对于保护人们的身体健康和促进社会的和谐稳定具有重要的科学价值和实际意义。研究聚焦化工园区,基于物联网背景下企业排放实时数据,融合气象信息,采用多种有监督式机器学习(决策树、多元线性回归、Lasso回归、支持向量机、Xgboost、梯度提升机、Light GBM、MLP(多层感知觉神经网络))及改进的集成学习Stacking策略实现化工园区空气质量的预测,并识别影响大气污染的关键因素。结果表明:(1)Stacking策略下的预测框架与单模型预测结果相比有统计学意义上的显著提升。(2)在Stacking策略中,初级、次级学习器的选择策略影响预测的精度和泛化性,最佳模式为初级采用强学习器,次级使用线性模型。(3)在同一园区、不同企业污染物不同排放口对空气质量影响不同,研究结论可为政府监管部门对化工园区的治理和管控提供决策支持。     

基于灰色马尔可夫模型的全球创意产业贸易质量预测

运用基于灰色预测模型和马尔可夫预测模型的组合预测方法对2013—2020年全球二十四个主要国家创意产业的贸易质量进行预测.预测结果表明:各国创意产业的贸易质量在未来几年会呈现出不同的变化趋势,其中澳大利亚、加拿大、德国、印度、日本、荷兰和英国整体呈下降趋势,奥地利、比利时、巴西、中国、丹麦、芬兰、法国、爱尔兰、意大利、韩国、挪威、波兰和新加坡整体呈上升趋势,而俄罗斯、西班牙、瑞典和美国则相对稳定,但仍然处在上升通道.