基于卷积高斯过程的中国城市空气质量分析开题报告
2022-01-16 08:01
全文总字数：2218字
1. 研究目的与意义及国内外研究现状
改革开放以来，随着我国综合国力的不断提升，人民生活水平显著提高，但随之而来的是发展粗放型经济的高发展低治理问题，各空气污染物排放量不断增加，空气质量下降，“雾霾”现象已十分常见，时刻威胁着人们的身心健康。习近平同志在十九大报告中指出，要加快生态文明建设，生态文明建设是中国特色社会主义事业的重要内容，关系人民福祉，关乎民族未来，事关“两个一百年”奋斗目标和中华民族伟大复兴中国梦的实现。而空气质量作为生态文明的重要指标，对其的研究迫在眉睫。
目前，我国采用空气质量指数aqi来评价空气质量，它是对空气中各污染物指标进行计算，并选出最大污染物指标值进行定义的，使用aqi指数能够表示城市的短期空气质量状况和变化趋势，但对不同种类污染物的各自的状态与不同污染物间的相关性并不能进行深入研究。对于多种空气污染物，人们主要对各自时间序列进行单独研究建模，预测其发展趋势，常用的建模方法有时间序列分析和高斯过程。
但基础的高斯过程回归方法只能有一个输出。而实际上，不同空气污染物之间是相互影响的相互关联的，借助另一种空气污染物的测量，可以在分析该种污染物的基础上结合两者相互关系达到更好的预测效果，这便是本文的研究目的。国内外研究现状
高斯过程是一种重要的随机过程，是建立在高斯分布的基础之上的一种推广，如果将高斯分布看成是描述向量的分布情况的话，高斯过程则可理解为描述函数的分布情况。rasmussen首次提出gp模型并将其应用于回归预测，并应用于机器学习领域。高斯过程回归模型中最简单的应用是高斯噪声，早期高斯过程的应用可以追溯到1970年，贝尔实验室将其应用于电子噪声建模.
2. 研究的基本内容
(1) 本文将基于ARIMA时间序列模型与高斯过程模型进行预测；
(2) 本研究不仅运用时间序列数据分析时间序列变化过程，还将运用两个不同变量数据分析其相关性，并且对比基于卷积高斯过程模型所得的预测结果的准确性；
(3) 本文将分别搜集整南京2016年01月至2018年12的PM2.5、PM10的日均值数据进行实例分析，通过建立不同模型得出两个指标的时间变化状态，利用训练好的GP模型PM2.5、PM10时间序列进行预测，同时针对计算结果提出相应的政策建议。3. 实施方案、进度安排及预期效果
（1）2019年1月~2019年2月，仔细研究相关文献，总结基于不同核的高斯模型，对比分析其优缺点；并将相关的理论知识进行梳理。
（2）2019年3月，整理学习高斯模型属性的相关研究，并学习基于卷积的相关性分析。
（3）2019年4月，收集整理相关数据，进行基于不同城市pm2.5、pm10逐月数据的实例分析以及两变量间的相关性分析。
4. 参考文献
| [1]陈艳,王子健,赵泽,李栋,崔莉.传感器网络环境监测时间序列数据的高斯过程建模与多步预测[J].通信学报,2015,36(10):252-262. [2]沈赟. 基于高斯过程的时间序列分析[D].上海交通大学,2009. [3]庞蕊. 高斯过程回归在气象数据方面的应用研究[D].西安建筑科技大学,2018. [4]常和玲. 高斯过程混合模型在时间序列预测中的应用研究[D].河北工业大学,2017. [5]李军, 张友鹏. 基于高斯过程的混沌时间序列单步与多步预测[J]. 物理学报, 2011, 60(7): 70513-070513. [6]周楠. 基于高斯过程机器学习方法的证券预测模型研究[D].电子科技大学,2012. [7]孙斌,姚海涛,刘婷.基于高斯过程回归的短期风速预测[J].中国电机工程学报,2012,32(29):104-109 5. [8]何志昆,刘光斌,赵曦晶,王明昊.高斯过程回归方法综述[J].控制与决策,2013,28(08):1121-1129 1137. |
