论文部分内容阅读
目前,随着国家各领域的迅猛发展,我国居民各方面生活水平都有了极大改善,人们的物质需求量节节攀升,以致工业生产量频繁创造新高峰。因此在人类高频率活动下,人为因素导致环境问题的占比正在急剧增长,使得空气污染问题越来越严重,雾霾频繁高发,已成为当前大众倍受关注的重点问题。PM2.5是雾霾的主要来源之一,虽然含量非常少,但其粘性强,不易扩散,易附带有毒、有害物质,若浓度超过标准值,能够给空气质量带来严重的不良影响,因此对人类身体健康极易造成损害。根据相关研究表示,直径小于2.5微米的颗粒物(如PM2.5)可以直接进入人体器官中,如进入支气管或者肺泡中,而后能够直接影响人体器官的正常功能,如容易出现呼吸困难、缺氧,甚至导致支气管炎疾病等症状。所以对PM2.5浓度进行科学有效的预测,使人们及时做好防护措施,减少甚至避免对人体的危害,具有重要意义。本文以武汉市为例,选择2014年1月1日到2018年10月31日PM2.5浓度及其影响因素的逐日历史数据,并对数据进行缺失值插值、异常检测等预处理。然后从季节更替、空气质量污染物以及气象条件这三个角度来寻找PM2.5浓度的变化规律以及他们之间的关联性,从而找到影响PM2.5浓度的显著因素,为下一步的精确预测确定显著特征变量。为了构建精度和置信度更高的预测模型,本文利用原始灰狼算法(GWO)、基于非线性收敛因子和动态权重两种方法改进后的灰狼算法分别优化支持向量回归(SVR),最终形成四种GWO-SVR形式的混合模型对PM2.5浓度进行预测。最后,从定性和定量这两方面来评价、对比、分析混合预测模型间各方面的性能,从而为在实践应用中选择最佳预测模型提供参考意义,得到精度更高的PM2.5浓度预测值。结果表明改进后的GWO-SVR混合模型在预测PM2.5浓度方面具有精度高、收敛速度快、普适性好等特点,由此可见两种针对灰狼优化算法的改进是可行且有意义的。本文主要是利用灰狼优化算法和支持向量回归构建PM2.5浓度的混合预测模型,并进行混合模型间的对比分析,选择出最优混合预测模型。本文特点主要体现在将改进后的灰狼优化算法与SVR结合形成混合预测模型,从而克服了利用单一支持向量回归算法做预测时只是通过查阅文献或者前人经验而选择参数时产生的不确定性,并且相比于原始GWO-SVR混合预测模型,改进后的混合模型各项性能均较优。