论文部分内容阅读
随着中国工业化、城市化进程的快速发展,城市人口迅速膨胀,能源、交通规模持续扩大,产业结构不合理,能源消耗量大、利用率低等导致中国空气质量急剧下降。以可吸入颗粒物、二氧化硫、氮氧化物等为主要污染物的大气环境污染问题日趋严重,持续恶化的空气质量状况已经严重威胁到了公众的身体健康和国家经济的可持续发展。对空气质量进行全面、科学、准确的分析和预测,对于公众有效规避大气污染导致的健康损害,政府环保部门加强污染源监管和提高重污染日应急能力等方面都具有重要的理论意义和实用价值。本文通过对空气质量监测数据的分析,在了解空气质量影响因素并建立空气质量分析模型的基础上,对灰色理论、神经网络、马尔科夫链、条件随机场等方法进行深入研究,针对不同预测条件建立了多种空气质量预测模型,提高空气质量预测精度,系统地对城市空气质量演变趋势进行分析和实验研究。首先,针对空气质量区域和区域之间交互影响和关联关系相对复杂的问题,通过分析空气质量影响因素特征的时空属性,研究空气质量特征的时空关系,提出了采用加权有向图方法建立空气质量模型及其表征方法,为空气质量预测分析提供理论基础。其次,针对空气质量预测中缺乏气象、社会经济等影响因素数据资料的贫信息情况,设计了一种改进的灰色GM(1,1)模型。在分析GM(1,1)模型建模过程中原始序列扰动和背景值变化对预测精度影响的基础上,构造了新的序列缓冲算子和模型背景值对GM(1,1)模型进行优化。改进的灰色GM(1,1)模型能够弱化模型随机性,削弱外在干扰,减少模型拟合过程中的滞后误差,提高模型在空气质量预测中的稳定性和预测精度,解决了在贫信息模态下仅利用大气污染物浓度数据进行空气质量趋势预测的问题。再次,针对单一灰色模型在贫信息空气质量预测中对于波动较大的数据序列拟合预测精度较差的问题,通过将灰色GM(1,1)模型分别与神经网络模型和马尔科夫链模型组合并优化,提出了两种改进的灰色组合模型,即改进的灰色神经网络模型和改进的灰色马尔科夫模型。在分析传统灰色神经网络模型中存在灰色方法部分背景值构造不合理和神经网络方法部分训练数据不足的缺陷基础上,通过构造新的背景值和训练数据样本矩阵对模型进行优化,建立改进的灰色神经网络模型;在分析传统灰色马尔科夫模型原理的基础上,采用新陈代谢的GM(1,1)模型代替传统GM(1,1)模型建立动态转移概率矩阵并定义新的序列缓冲算子对模型进行优化,建立改进的灰色马尔科夫模型。将两种改进的灰色组合模型应用于城市空气质量预测中可增加空气质量预测结果的可靠性和准确性,避免单一模型的局限性,解决了数据序列波动较大模态下的贫信息空气质量预测问题。然后,针对空气质量预测不仅受到气象因素的影响,还受到社会经济因素影响的情况,在分析两类因素对空气质量影响的基础上,设计了一种将人工神经网络模型和灰色GM(1,N)模型相结合的协同预测模型。根据两类影响因素的数据特性,将呈现非线性特性的气象因素数据作为神经网络模型的训练集预测大气污染物浓度,同时将经过灰色关联模型筛选后的包含不完整信息的社会经济因素数据作为灰色GM(1,N)模型的输入预测大气污染物浓度。利用皮尔森相关系数判断两类因素对空气质量影响程度,为两个模型的预测结果分别赋予权值后求和得出最终预测结果。协同预测模型的预测精度高于单一预测模型,有效提高预测的准确性和全面性,解决了同时考虑气象和社会经济的多因素模态下的空气质量预测问题。最后,针对空气质量等级实时预测的需求,考虑气象因素对空气质量等级的影响,提出了利用条件随机场模型对空气质量等级进行实时预测分析。根据气象因素的特点,在模型预测过程中定义了一种新的特征模板,以提高模型的预测准确率。条件随机场模型在空气质量等级实时预测方面具有较高的预测精度,是一种新的有效预测方法,解决了实时模态下的空气质量等级预测问题。