近些年来，空气质量倍受国家的重视。为了保证空气质量监测站点收集到的数据的有效性和准确性，我们需要对空气质量数据进行自动且精细的复核，从而及时、有效地发现仪器异常的情况，以便获得高质量的空气污染监测数据。本文将来源于仪器故障的空气污染物监测数据存在的变点称为“异常变点”，将时间、气象等因素导致的空气污染物监测数据正常变化导致的变点称为“正常变点”，上述两种变点构成了本文变点检测研究的主要内容。本文通过整理已有的研究发现，一方面，现有传统的变点检测方法能够在一定程度上发现数据的变化状况，可以检测到时间序列的变点，但这仅限于检测出时间维度上的“时间变点”；另一方面，仪器故障导致的数据变化与监测对象的自然变化单独来看是相似的，现有变点分析方法并不能判断空气质量数据的异常是来自于仪器故障还是检测对象的自然变化。因此仅考虑时间上的变化是不够的，考虑到空气污染物监测数据属于时空数据，利用空间上的相关性可以区分仪器故障与检测对象自然变化。于是，针对现如今监测数据的审核主要依赖于人工，效率比较低的现状，为了能更好地检测分析空气监测数据的质量问题，本文对空气质量数据异常情况进行详细分析，并且在传统变点分析方法的基础上，利用空气质量这种时空数据的时间、空间相关性提出了一种以空气质量为研究对象的时空变点自动检测的新方法。 本文提出了一种新的时空变点检测算法，用以自动识别空气污染物监测仪器的故障情形，该方法基于累计和(Cumulative Sum,CUSUM)变点检测方法构造时空数据异常变化的统计量，并且利用块抽样(Block Bootstrap)方法进行假设检验，从而验证数据是否异常，以此确保空气污染物监测数据的真实、有效性。文章对空气污染物监测数据在仪器故障和非故障的不同情况下产生的异常变点问题进行了详细的介绍与分析，并基于此设计了不同情形下的异常数据识别算法。对于本文针对空气质量数据提出的新的空气质量监测分析方法，其在数值模拟和实际数据上均显示出较高的有效性。模拟结果显示，对于均值单变点情形而言，本文提出的时空均值变点(Spatio-Temporal Mean Change-Point,STMC)方法和稳健的时空均值变点(Spatio-Temporal Mean Change-Point with median,STMC-median)方法分别达到了89%和92%的检验准确率，高于CUSUM方法的48%；对于方差单变点情形，本文提出的时空方差变点(Spatio-Temporal Variance Change-Point,STVC)方法达到了92%的准确率，而CUSUM方法只有45%。在均值多变点的模拟中，STMC-median方法准确地检测到了均值变点的微小异常，同时方差多变点的模拟实验也表明，STVC方法在不同类型的方差多变点数据上具有较强的异常方差变点检测能力。此外，PM2.5的实际数据分析显示，本文设计的方法能够很好地识别PM2.5真实数据的异常和正常状况，说明该方法在此类时空数据变点检测问题中具有一定的适用性。
展开▼
