论文部分内容阅读
成都市正处于加快建设世界轨道交通之都的高速发展期,大量开展地铁占道施工项目。而占道施工可能直接或通过影响交通流而间接影响PM2.5排放,恶化空气质量,严重威胁人的生命健康安全。且占道施工区排放条件相对较差,污染颗粒物不易扩散,导致施工区车道污染物聚集浓度更高。因此研究占道施工区车道PM2.5浓度变化机理,对PM2.5浓度预警、相关交通策略的环境影响评价和优化具有重要意义。本文在顺江路站施工区对照实验的基础上,结合多重插补和最近邻均值插补法进行了数据清洗。并提出将PM浓度视为离散信号进行小波降噪的数据降噪方法,然后进行了施工区和正常通行路段的统计分析、相关性分析、自相关分析和聚类分析,针对自变量存在多重共线性的问题提出了改进遗传算法自变量降维的BP神经网络施工区车道PM2.5浓度预测模型,得到以下结论:小波降噪在最大程度保留原始PM浓度数据时频信息的基础上,对其噪声数据进行了有效抑制,提高了PM浓度数据在相关性分析和自相关分析的表现,证明了小波降噪在空气污染物浓度数据降噪上有很好的应用;占道施工区车道PM浓度均值相较于相近的非施工区车道提高约20%,论证了增幅主要受机动车排放增加、扩散环境改变和施工排放影响;气象条件对PM浓度数据影响显著,温度低湿度大气象条件下机动车排放更高。PM浓度数据与温度呈显著负相关,和湿度呈显著正相关,相关系数绝对值均超过0.8;在解决自变量之间的多重共线性问题上,相较于主成分分析法,遗传算法克服了检验样本主成分信息可能改变的问题,对施工区车道PM2.5浓度BP神经网络预测模型的优化效果更好,并在此基础上提出了基于改进遗传算法自变量降维的BP神经网络模型。