基于商空間粒度計算的大氣質(zhì)量組合預(yù)測研究

1、摘要I摘要隨著現(xiàn)代工業(yè)的迅速發(fā)展，環(huán)境污染問題已日趨嚴(yán)重，大氣環(huán)境質(zhì)量對人體健康的影響，越來越受到人們的普遍關(guān)注。目前國內(nèi)外關(guān)于大氣質(zhì)量預(yù)測的研究主要是基于大氣污染物濃度及其影響因子的研究，通過使用不同預(yù)測方法探討影響因子和大氣污染物濃度之間的關(guān)系并建立相關(guān)模型，預(yù)測未來的污染物濃度。常用的方法有灰色模型，回歸模型等統(tǒng)計學(xué)方法，以及近年來發(fā)展起來的支持向量機，BP算法等人工神經(jīng)網(wǎng)絡(luò)模型和機器學(xué)習(xí)算法，上述方法基本上都是從單一的粒度空間對

2、研究對象進行考慮，而單一粒度只能考慮到序列的一方面特性，不能描述序列間的相關(guān)性，可能掩蓋了事物間的內(nèi)在關(guān)系。在近年發(fā)展起來的人工神經(jīng)網(wǎng)絡(luò)模型中，支持向量機雖然可以得到最優(yōu)解，但其結(jié)果只能是離散的類別值且是二分類問題，BP算法雖然可以獲得連續(xù)值，但是直接使用容易陷入局部最優(yōu)且其算法自身“前學(xué)后忘”的缺陷也限制了它的使用。本文提出了將商空間粒度計算理論和組合預(yù)測引入大氣質(zhì)量的預(yù)測中。運用商空間粒度計算理論對數(shù)據(jù)進行由粗到細逐步分析，建立不同

3、粒度空間下的樣本集，充分挖掘數(shù)據(jù)本身及其相互間的隱含信息，選擇樣本序列的最佳構(gòu)成方式。在樣本的學(xué)習(xí)過程中，采用了構(gòu)造性神經(jīng)網(wǎng)絡(luò)和BP算法的組合預(yù)測模型，利用了構(gòu)造性機器學(xué)習(xí)方法高精度的分類性，并用BP算法克服了其只有離散分類值而無連續(xù)值的缺陷，提高了預(yù)測精度。本文的主要工作包括：1介紹了大氣質(zhì)量預(yù)測的概念及現(xiàn)狀，主要的大氣質(zhì)量預(yù)測方法，并對上述方法進行了分析，指出這些不同方法的不足之處，重點介紹了現(xiàn)有氣象科學(xué)廣泛使用的人工神經(jīng)網(wǎng)絡(luò)模型及