支持向量机应用于大气污染物浓度预测

摘要

支持向量机在近些年发展非常迅速，研究表明，支持向量机在许多领域具有广阔的应用潜力。作者应用支持向量机和小波分析的方法对大气污染预测进行了深入的研究，拓宽了支持向量机和小波分析在大气污染预测中的应用范围，完善了在大气污染预测中的应用方法，为进一步有效、快速、方便地分析和预测大气污染物浓度提供了全新的思路和方法。
　　 主要研究工作如下：
　　 (1)将支持向量机应用于大气污染物浓度预测，建立大气污染物浓度预测模型。
　　 利用主成分分析的方法对输入因子降维，建立了基于RBF核函数支持向量回归法的大气污染预测模型。大气污染预测实例表明，该方法具有预测模型简单且计算速度快，适用于一些要求不高的预测场合。
　　 (2)用小波分解重构和支持向量机相结合的方法，建立大气污染物浓度预测模型。
　　 通过小波分解，将大气污染物浓度序列分解为不同频段的小波系数序列，再对各层的小波系数序列重构到原尺度上。利用相关分析的方法构建出低频小波系数a3和中频小波系数d3的支持向量机模型，输入因子为前一天小波系数和7个气象因子；高频小波系数d2和d1以前三日的小波系数为输入因子，然后对各小波系数序列采用相应的支持向量机模型进行预测，各小波系数均使用ν-支持向量回归机(ν-SVR)算法和径向基函数，最后通过小波重构合成大气污染物浓度序列的最终预测结果。通过对大气SO2浓度预测实例证明，该大气污染物浓度预测模型具有推广能力较强、预测精度较高、训练速度较快、便于建模等优点，具有良好的应用前景。
　　 (3)针对大气污染物浓度时间序列有一定的年变化趋势，提出了大气污染物浓度的小波分析及支持向量机时间序列预测模型。
　　 应用小波分解和重构对大气污染物浓度进行年变化趋势分析，在此基础上将大气污染物浓度序列划分为若干时段。各时段分别独立应用支持向量机进行大气污染物浓度预测，各时段均使用ν-支持向量回归机(ν-SVR)算法和径向基函数。预测结果表明，所提出的预测方法应用于大气污染物浓度时间序列预测有较高的预测精度和良好的推广能力，而且明显优于一般的支持向量机模型。