北京市雾霾的影响因素分析及预测研究-毕业论文网

论文总字数：20956字

目录

摘要 1

Abstract 2

1 引言 3

2 方法介绍 3

2.1 灰色模型 3

2.1.1 灰色关联度分析 3

2.1.2 灰色GM（1,n）模型 5

2.2 BP神经网络模型 6

2.2.1 神经网络变量筛选 6

2.2.2 BP神经网络的构成 7

2.2.3 BP神经网络的预测步骤 7

2.3 ARMA模型 8

2.3.1 模型的识别 9

2.3.2 模型的定阶 9

2.3.3 模型的估计 9

2.3.4 模型的诊断与检验 10

2.3.5 序列预测 10

3 雾霾天气成因及预测分析 11

3.1 灰色模型分析结果 11

3.1.1 灰色关联度分析 11

3.1.2 灰色预测模型结果分析 11

3.2 BP神经网络模型结果 13

3.2.1 平均影响值法筛选变量 13

3.2.2 BP神经网络模型分析 13

3.3 雾霾的ARMA模型建立与分析 16

3.3.1 序列的平稳性和纯随机性检验 16

3.3.2 模型定阶及估计 18

3.3.3 模型检验 20

3.3.4 序列预测 20

4 结果分析与讨论 21

参考文献 22

致谢 23

北京市雾霾天气的影响因素分析及预测研究

陈倩

，China

Abstract: This article mainly uses the grey model, BP neural network and ARMA model for Beijing haze weather influence factors to analyze and predict. Firstly, select AQI as the dependent variable, PM_2.5, PM₁₀, SO₂, CO, NO₂, O₃, the highest temperature and the lowest air temperature as the independent variable, to doing grey correlation analysis, then establish the grey forecasting model of the optimal fitting effect. And then use the average value method to screen out relatively significant effect of the independent variable, and use the three layer neural network obtained the optimal BP neural network model. At last, the ARMA model is set up in Beijing AQI for time series prediction analysis. The results showed: (1) grey correlation analysis with AQI larger correlation factor for PM_2.5, PM₁₀, SO₂, CO, NO₂, O₃, and the highest temperature, and the optimal fitting effect of grey forecast model is GM (1, 6) model. (2) The BP neural network through significant independent variables for PM_2.5, PM₁₀, SO₂, CO, and NO₂, what is more, the BP neural network fitting degree is higher. (3) Using ARMA model of Beijing's AQI forecast analysis, then get the high prediction accuracy is ARMA (2, 0) model.

Keywords: haze weather; Grey forecasting model; average impact value method; BP neural network; ARMA model

1 引言

雾霾是在静稳天气下，空气中的大量水汽与颗粒物之间相互作用，导致大气能见度降低的一种灾害现象。雾霾天气的形成，与区域空气污染物排放的多少、区域大气污染物传输的路径和速度以及当地的气象条件因素等有着密切的关系。北京市是雾霾污染天气的多发区和重灾区。北京市雾霾天气来源广泛，随时空和气象条件变化而变化，主要成因包括建筑尘和工地扬尘、化工厂的排放、煤等化石燃料的燃烧、汽车尾气排放等。除此之外，城市的地形和地貌、城市发展的密度和城市的气象条件等也是影响城市空气质量状况的重要因素。雾霾不仅极大影响人民的生产生活，甚至也对人民生命财产安全有一定的危害。因此，全面分析雾霾污染的影响因素，开展对雾霾污染的预测分析研究，对推进我国城市大气污染防控，提高空气质量，保证公众健康水平有重要的科学价值和实际意义。

环境空气质量指数（AQI）是指一种从定量分析的角度来描述区域空气质量状况的无量纲指数。文章将北京市AQI作为雾霾污染的代表性指标，选取PM_2.5、PM₁₀、SO₂、CO、NO₂、 O₃、最高气温、最低气温作为雾霾影响因素。首先进行灰色关联度分析，筛选出显著的自变量，并建立拟合效果较好的GM（1,n）模型。然后基于BP神经网络采用平均影响值法筛选出显著自变量，并采用三层神经网络分析，多次训练网络得出拟合度较高的BP神经网络模型。最后从时间角度出发，通过建立ARMA模型对北京市AQI进行预测，确定预测精度较高的ARMA模型。

2 方法介绍

2.1 灰色模型

经过分析，本文确定选取灰色系统来作为对北京市雾霾天气进行预测的技术手段。灰色系统预测的基本思想主要是通过判定事物的各系统因素之间的变化趋向的相异程度，并处理原始数据的收敛过程进而探究该事物系统的内部发展规律信息，从而构建灰色预测模型来对事物系统的未来状态趋势做出科学地、较为精确地定量预测，是一种对含有多种不确定的因子的事物系统进行定量预测的二分法。将原始数据序列看作是随着时间的变化而变化的灰色量，通过进行一系列累加生成的操作，一步一步地使得原始数据序列逐渐白化，然后建立类似于数学上的微分方程解的模型并做出相应的预报。

2.1.1 灰色关联度分析

为了建立相应的灰色预测模型来对北京市的雾霾天气进行描述和预测，首先需要判定出事物系统各因素之间的变化发展态势的相异程度的大小，也即是说需要对原始数据序列进行灰色关联度分析。灰色关联度分析主要是根据我们的研究对象的系统内各个因素之间的发展变化态势的类似情况来进行判断。依照原始时间序列数据所呈现出的曲线形状的相似程度来进行区分，而对于系统内各个分析因素与分析对象间的关联性的排序则是通过灰色关联度、关联矩阵来进行决定的。一般情况下来说，如果原始数据序列所呈现出来的曲线的几何形状较为相似的话，那么它所对应的原始数据序列之间的灰色关联度就大，反之原始数据列之间的灰色关联度就小。灰色关联度分析主要按照以下几个步骤进行。

（1）确定分析数列

分析数列包括比较基准数据列和分析因素数据列。通常来说，能够充分反映出事物系统行为特征的数据列，我们称之为比较基准数据列；而由能够影响事物系统行为的各个影响因子所组成的数据列被我们称作是分析因素数据列。本文设定比较基准数据列为，而分析因素数列为。

（2）变量的无量纲化处理

由于各个样本中的各系统因素数据列中的所有样本数据可能由于单位或数量级的不同，不好进行相互比较或在相互比较时难以得到较为正确的结论。故而通常我们需要先对原始数据列进行无量纲化处理，才能对该事物系统的各个原始数据列进行灰色关联度分析。本文基于各分析对象之间的差异体现得越明显越好来进行判断，并最终确定选取“均值化”处理的方法，对所研究的对象原始数据列进行无量纲化处理。

（3）计算关联系数

设，，关联系数定义为：（1）

（1）式中，是第个点与的绝对误差；是两级最小差（是第一级最小差，表示在数据序列上找出各数据点与的最小差），表示在各个数据序列间找出最小差的基础上进而寻找所有数据序列中的最小差；是第二级最大差。其含义与最小差类似；，一般称作分辨率。通常取值区间为（0，1），并且越小，分辨能力越大。当时，分辨能力最好。一般的取值为0.5。