基于分解-集合原则的PM2.5浓度短期预测的研究

摘要

近年来，一些流行病学研究表明，影响人类健康的主要空气污染物就是颗粒物质，PM2.5更易吸附大量的有毒、有害物质，但是PM2.5的浓度受到很多气象因素和其他污染物的影响，气象参数来源复杂且量化困难，在建模过程中存在显著的不确定性，另外考虑到地理和气象问题的不确定性，对每天的PM2.5浓度直接进行预测是十分困难的，混合的线性及非线性模型并不适用于空气质量数据的复杂性。本文主要针对兰州每日PM2.5浓度，根据“分解-集合”的原则，提出了一种基于集合经验模态分解（EEMD），人工神经网络（ANN）和自适应粒子群优化（APSO）的PM2.5浓度预测的新型混合集成模型来解决预测困难的问题。在提出的模型中，将一个较为困难的预测任务划分为几个相对简单的子任务，增加这样一个分解的过程可以更容易解决预测的问题，用于处理难以量化且高度波动的气象信息从而提高预测性能。可以将混合集成模型分解为三个步骤：首先，利用一种有效的分解算法，集成经验模态分解（EEMD），将PM2.5浓度的原始数据分解为特定数目并且互相独立的固有模态函数（IMFs）；其次，利用APSO优化组合权重的人工神经网络（ANN）单独预测IMF；最后，用另一个APSO-ANN预测模型将前面产生的结果集合成最终的预测结果。此外，该研究还验证了提出的模型在不同情况下的表现，实验结果表明提出的混合集成模型预测是较为准确的。

目录

声明

第一章 绪论

1.1 PM2.5浓度预测的研究背景及意义

1.2 PM2.5浓度预测的研究现状

1.3 本文的研究内容

1.4 本文的组织结构

第二章 模型开发方法

2.1 集成经验模态分解（EEMD）

2.1.1 经验模态分解（EMD）

2.1.2 集成经验模态分解（EEMD）

2.2 人工神经网络（ANN）

2.3 自适应粒子群算法（APSO）

2.3.1 粒子群算法（PSO）

2.3.2 自适应粒子群算法（APSO）

2.4 预测性能的评估标准

2.5 本文的混合集成模型

第三章

3.1 数据收集和预处理

3.2 实证研究

3.3 实证结果分析

3.3.1 单模型性能比较

3.3.2 混合集成模型比较

第四章 结论与展望

参考文献

在学期间的研究成果

致谢