基于數(shù)據(jù)挖掘技術(shù)的空氣質(zhì)量指數(shù)預(yù)測(cè)研究.pdf

1、近年來(lái)空氣污染狀況日益嚴(yán)重，頻繁出現(xiàn)的重污染天氣對(duì)人們的日常生活乃至生命健康都造成了嚴(yán)重影響?？諝赓|(zhì)量指數(shù)（AQI）的預(yù)報(bào)作為公眾知曉未來(lái)空氣狀況最直接的途徑，不僅能為環(huán)保部門(mén)開(kāi)展空氣環(huán)境治理工作提供指導(dǎo)，同時(shí)也能夠提醒公眾合理規(guī)避重度污染天氣。但由于影響空氣質(zhì)量的因素較多，氣象環(huán)境的復(fù)雜性、污染物之間的非線性關(guān)系都為空氣質(zhì)量指數(shù)的預(yù)報(bào)造成了困難。且傳統(tǒng)的潛勢(shì)預(yù)報(bào)、數(shù)值預(yù)報(bào)也并未做到對(duì)海量歷史數(shù)據(jù)的充分利用，因此在預(yù)報(bào)中依然存在著準(zhǔn)確度

2、不高、實(shí)效性不強(qiáng)等局限性。
　　針對(duì)這些問(wèn)題，論文以西安市2014年1月28日-2016年8月29日間空氣質(zhì)量監(jiān)測(cè)站點(diǎn)每日所采集的數(shù)據(jù)為研究對(duì)象，使用數(shù)據(jù)挖掘技術(shù)中的灰色系統(tǒng)理論以及神經(jīng)網(wǎng)絡(luò)技術(shù)，建立了兩種空氣質(zhì)量指數(shù)預(yù)測(cè)模型。并通過(guò)對(duì)模型的進(jìn)一步優(yōu)化，提高預(yù)測(cè)準(zhǔn)確度以及結(jié)果的可接受度。論文的主要工作如下：
　?。?）選擇合適的指標(biāo)數(shù)據(jù)參與空氣質(zhì)量指數(shù)預(yù)測(cè)模型的建立。指標(biāo)的選取應(yīng)從環(huán)境要素以及氣象條件兩方面考慮。根據(jù)環(huán)境空氣

3、質(zhì)量標(biāo)準(zhǔn)，選取SO2、PM2.5、PM10、CO、O3、NO2、AQI等7項(xiàng)污染指標(biāo)，以及風(fēng)力級(jí)別、平均濕度、最高溫度、最低溫度、平均溫度等5項(xiàng)氣象因素共計(jì)12個(gè)指標(biāo)作為此次預(yù)測(cè)建模的主要研究對(duì)象。
　　（2）對(duì)參與預(yù)測(cè)建模的數(shù)據(jù)進(jìn)行預(yù)處理。首先，需要對(duì)監(jiān)測(cè)站點(diǎn)采集的數(shù)據(jù)進(jìn)行初步篩選，在剔除無(wú)效和缺失數(shù)據(jù)后，保留940條數(shù)據(jù)。其次，考慮到不同影響因子的數(shù)據(jù)取值范圍以及單位存在明顯差異，會(huì)對(duì)預(yù)測(cè)結(jié)果產(chǎn)生影響，因此采用mapminma

4、x函數(shù)對(duì)數(shù)據(jù)進(jìn)行歸一化處理，以消除各類(lèi)數(shù)據(jù)之間的量綱差別。
　　（3）建立基于GM(1,1)的空氣質(zhì)量指數(shù)預(yù)測(cè)模型。根據(jù)灰色預(yù)測(cè)方法的適用特性，以空氣質(zhì)量指數(shù)的歷史數(shù)據(jù)作為研究對(duì)象，建立基于GM(1,1)預(yù)測(cè)模型。通過(guò)對(duì)預(yù)測(cè)結(jié)果進(jìn)行分析，評(píng)估灰色系統(tǒng)理論在空氣質(zhì)量預(yù)測(cè)上的效果。
　?。?）建立基于BP神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量指數(shù)預(yù)測(cè)模型。根據(jù)參與建模的數(shù)據(jù)調(diào)整BP神經(jīng)網(wǎng)絡(luò)的參數(shù)，確定合理的網(wǎng)絡(luò)結(jié)構(gòu)，并在MATLAB平臺(tái)下編寫(xiě)完整預(yù)

5、測(cè)程序，對(duì)空氣質(zhì)量指數(shù)進(jìn)行預(yù)測(cè)。計(jì)算結(jié)果的平均絕對(duì)百分比誤差、可接受度以及空氣質(zhì)量等級(jí)預(yù)測(cè)的正確率，以此來(lái)評(píng)價(jià)預(yù)測(cè)模型。
　　（5）對(duì)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型進(jìn)行優(yōu)化。為進(jìn)一步提高預(yù)測(cè)的精確性，分別使用主成分分析法和遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型進(jìn)行優(yōu)化。一方面通過(guò)降低輸入變量的維度來(lái)消除訓(xùn)練過(guò)程的復(fù)雜度，而另一方面則是通過(guò)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始參數(shù)來(lái)提高模型的預(yù)測(cè)能力。最后，將優(yōu)化后的PCA-BP、GA-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型與