基于ARIMA模型与BP神经网络的雾霾污染预测分析开题报告
2021-12-27 09:12
全文总字数：3980字
1. 研究目的与意义及国内外研究现状
随着工业的发展和城市进程的加剧，我国乃至全球的大气环境污染形势愈趋严峻，人类健康因而受到巨大威胁。世界卫生组织（WHO）最新估计数据显示：每年有700万例的过早死亡都与空气污染有关，而流行病学研究表明， 随着大气中的悬浮颗粒物（Particulate Matter，PM）浓度的升高,人体的呼吸道症状会加剧，因上呼吸道疾病就诊或住院的人数也会增加，同时也会引起人体肺功能的降低及心肺疾病死亡率的增加。而随着科研工作的深入，人们逐渐认识到空气中的微小颗粒物是导致城市人群患病率和死亡率增加的主要因素。因此，对中国雾霾现状的分析大有必要。由于空气质量指数AQI主要由PM2.5体现，且体现形式为等级。我们可以通过以往的PM2.5浓度建立ARIMA模型，得到模型方程，可以得到未来一天的预测值，提前做好治理和防范措施，这样对人类的生活大有用处。如果能提前预测一个月每天的PM2.5,那会给我们的生活带来巨大的方面。除了PM2.5以外，空气污染物还有O3、NO2、SO2、CO、PM10等，他们一起构成空气污染物的基本指标，而且其他污染物观测数据都可通过成熟技术获取[2]。所以我们借助其他污染物的浓度建立ARIMAX模型和BP神经网络模型，有效地预测出PM2.5，可以降低PM2.5检测设备的投入，降低成本的同时也可以提供PM2.5的空气情况质量值，给人们的出行和生活带来方便。上面的两种模型还可以用于几个相关变量中，用易测变量来预测难测变量的情型。
国内外研究现状
目前，国内有许多学者致力于研究城市空气污染浓度预测模式。郭云飞，林红飞等结合全国31个城市的空气污染浓度数据采用K-means方法根据不同的影响指标将全国分成了几类，再进一步进行分析研究[3]。沈加超，彭斯俊等建立了ARIMA模型和灰色模型预测了后一天的日均PM2.5浓度，发现灰色模型更有效[4]。吴嘉荣用线性回归法建立了城市环境空气质量预报模式，表明了前一日PM10浓度和气象因素与第二日的PM10存在相关关系，对PM10浓度进行了简单预测，但未进行预测效果评价[5]。李祚泳等率先将神经网络应用于空气污染预测的探索性研究，预测的探索性研究，预测了SO2的浓度并指出BP神经网络的预测精度优于模糊识别模型的预测精度[6]。黄国健等对西安PM2.5建立时空分布模型预测了PM2.5浓度，预测效果也较好[7]。史勉.宋昭峥等考虑污染的主要原因，利用北京市煤炭消费量、汽车保有量和年扬尘天数对2014年年均PM2.5数据进行预测，预测效果也较好[8]。
在国外的研究中，Misiti M等人对每日PM10浓度建立了混合线性回归进行预测[9]。Thomas S等人考虑了气象因素的滞后效应建立了多元线性模型，并用神经网络较好的预测了PM2.5的浓度[10]。同样，Ul-Saufie AZ等人利用其他污染物变量和气象变量也分别建立了多元线性回归模型和人工神经网络模型对PM10浓度进行较为准确的预测[11]。W.Z.LU等人提出了PSO-BP模型预测空气质量的可行性，但未进行预测效果评价[12]。2. 研究的基本内容
考虑so2浓度、no2浓度、pm2.5浓度、pm10浓度,对省会城市的污染情况进行聚类分析，分别利用系统聚类法和动态聚类法聚类。
然后选取石家庄、北京、银川、海口作为四类空气状况的代表城市，然后选取它们2014-2016年每月的pm2.5浓度监测数据建立arima 模型，拟合pm2.5的变化趋势，用残差序列分析进行模型诊断。
再用四个代表城市2016年10月和11月的pm2.5的日浓度，重新建立arima模型进行pm2.5日浓度的预测，然后建立含自变量的arima模型，即arimax模型进行月浓度和日浓度预测。
3. 实施方案、进度安排及预期效果
方案、进度
2017.2.15～2017.2.21 准备开题报告，翻译外文资料，并撰写第一稿大纲。2017.2.22～2017.3.5 完成开题报告、毕业论文大纲、英文翻译，交指导老师审阅。2017.3.8～2017.3.12 修改开题报告、毕业论文大纲、英文翻译，并定稿。2017.3.15～2017.4.2 撰写论文第一稿交指导老师审阅，并进行修改。2017.4.5～2017.4.16撰写论文第二稿交指导老师审阅，并进行修改。2017.4.19～2017.4.30根据论文定稿格式要求，完成论文定稿。
预期效果
4. 参考文献
[1]林愿仪等.基于pso-bp神经网络预测广州市日均浓度[j].南方医科大学,2015:1-4
[2]张怡文.胡静宜等.基于神经网络的pm2.5预测模型[j].江苏师范大学学报,2015(2):65
[3]郭云飞.林红飞等.中国城市空气质量指标的聚类分析[j].统计与管理.2016(8):80-81
