论文部分内容阅读
经济的快速发展带来了环境问题，其中大气污染是其中比较严峻的问题之一。通过大气污染预报模型对空气中的颗粒物浓度进行预报，一方面分析出污染物趋势以及各种因素对空气质量的影响，为治理和预防大气污染问题提供了理论依据，另一方面让人们了解大气污染趋势，从而合理安排出行，以减少大气污染对人们身体造成的严重伤害，同时也加强了人们的环保意识。本文以支持向量机为切入点，建立预报模型，主要做了以下几方面工作： （1）研究了支持向量机（Support Vector Machine，SVM）的相关知识，将其应用到空气质量预报上。以预测 PM2.5浓度为例，确定 SVM模型的输入和输出，通过训练样本数据训练建立预测模型。实验结果表明，合适的核函数、惩罚系数C以及核函数参数建立起的SVM模型对大气污染物浓度的预测精度才会高。 （2）研究了粒子群优化算法（Particle Swarm Optimization，PSO）的相关理论与技术，利用它去寻优 SVM模型中的参数，即建立 PSO-SVM模型来预测 PM2.5浓度。通过训练集数据来对SVM模型中的参数进行寻优，主要采用的是交叉验证的思想，与以前单纯根据经验来确定这些参数值相比，这样建立起的PSO-SVM模型对大气污染物浓度的预测精度更高，且更有说服性。 （3）输入变量过多时会影响模型的预测准确率，需要对输入变量赋予不平等权重从而来减少不相关因子的干扰。输入变量的权重值在[0,1]之间，具体的权重大小由 PSO寻优求得。通过实验预测结果显示，权重值寻优后的SVM模型，其预测准确率更好。 (4)采用聚类的思想，进一步挖掘出训练样本的输入变量中存在的模式和特性。采用聚类和 SVM结合的思想，即先对数据进行聚类，比如聚成K个类，则在这在 K个类上建立 K个 SVM模型，然后对颗粒物浓度进行预测。研究了 SOM神经网络和模糊 C聚类的相关理论，从而建立 FCM-SVM和SOM-SVM模型来预测 PM2.5浓度。通过实验结果显示，聚类和 SVM模型的结合提高了 PM2.5浓度预报准确率。