论文部分内容阅读
近年来,雾霾成为政府和人们关心的热点话题,而空气中存在的细颗粒物PM2.5是雾霾中影响人们衣食住行的主要因素。因此在空气质量没有根本性好转的情况下,重污染天气时的室外PM2.5浓度预测就显得尤为重要。本文首先获取了天津某区域两年零七个月内大量污染物浓度数据和气象数据,共包括PM2.5浓度、PM10浓度、SO2浓度、NO2浓度、O3浓度、CO浓度、室外温度、室外大气压、室外相对湿度、室外10分钟平均风向、室外10分钟平均风速共11项,随后有针对性地研究天津市室外PM2.5浓度的各影响因子与PM2.5的相关性。基于以上分析,本文分别构建了基于统计学的多元线性回归预测模型和自回归积分滑动平均预测模型（ARIMA）,以及基于深度学习的长短时记忆网络预测模型（LSTM）和差分优化的LSTM模型,并对各模型进行拟合、训练和调优,形成四种天津市室外PM2.5浓度预测模型。然后对各模型进行误差分析和准确性评价,并对四种预测模型的性能进行了比较。研究认为差分优化的LSTM模型准确度最佳,是目前较好的预测室外PM2.5浓度的深度学习模型。本文探索了利用较少数据获得较准确PM2.5浓度预测结果的途径,最终实现根据以上输入参数预测天津市室外PM2.5浓度、为空气质量的精确预报提供理论基础和科学依据的目标。本课题结果能够对未来一段时间内的天津市室外PM2.5浓度提供预测,对生产生活实践提供指导,具有很好的实际应用价值。