基于数据挖掘技术的空气质量指数预测研究.pdf

论文分类号： 学校代码：10708 2 学 号：1406046 o倏晶科义大拳 or SHAANXI UNIVERSITY OF SCIENCE TECHNOLOGY 硕士学位论文 Thesis for Masters Degree 基于数据挖掘技术的空气质量指数 预测研究 万方数据 基于数据挖掘技术的空气质量指数预测研究 摘 近年来空气污染状况日益严重，频繁出现的重污染天气对人们的日常 生活乃至生命健康都造成了严重影响。空气质量指数(AQI)的预报作为公 众知晓未来空气状况最直接的途径，不仅能为环保部门开展空气环境治理 工作提供指导，同时也能够提醒公众合理规避重度污染天气。但由于影响 空气质量的因素较多，气象环境的复杂性、污染物之间的非线性关系都为 空气质量指数的预报造成了困难。且传统的潜势预报、数值预报也并未做 到对海量历史数据的充分利用，因此在预报中依然存在着准确度不高、实 效性不强等局限性。 针对这些问题，论文以西安市2014年1月28日-2016年8月29日间 空气质量监测站点每日所采集的数据为研究对象，使用数据挖掘技术中的 灰色系统理论以及神经网络技术，建立了两种空气质量指数预测模型。并 通过对模型的进一步优化，提高预测准确度以及结果的可接受度。论文的 主 工作如下： (1)选择合适的指标数据参与空气质量指数预测模型的建立。指标的 选取应从环境要素以及气象条件两方面考虑。根据环境空气质量标准，选 取SO2、PM2.5 、PM10、CO、。3、NO2 AQI等7项污染指标，以及风力级 别、平均湿度、最高温度、最低温度、平均温度等5项气象因素共计12个 指标作为此次预测建模的主要研究对象。 (2)对参与预测建模的数据进行预处理。首先，需 对监测站点采集 的数据进行初步筛选，在剔除无效和缺失数据后，保留940条数据。其次, 考虑到不同影响因子的数据取值范围以及单位存在明显差异，会对预测结 果产生影响，因此采用mapminmax 函数对数据进行归一化处理，以消除各 类数据之间的量纲差别。 (3)建立基于GM(1,1)的空气质量指数预测模型。根据灰色预测方法 的适用特性，以空气质量指数的历史数据作为研究对象，建立基于 预测模型。通过对预测结果进行分析，评估灰色系统理论在空气质量预测 上的效果。 (4)建立基于BP神经网络的空气质量指数预测模型。根据参与建模 的数据调整BP神经网络的参数，确定合理的网络结构，并在MATLAB平 台下编写完整预测程序，对空气质量指数进行预测。计算结果的平均绝对 万方数据 百分比误差、可接受度以及空气质量等级预测的正确率，以此来评价预测 模型。 (5)对BP神经网络的预测模型进行优化。为进一步提高预测的精确 性，分别使用主成分分析法和遗传算法对BP神经网络的预测模型进行优 化。一方面通过降低输入变量的维度来消除训练过程的复杂度，而另一方 面则是通过优化BP神经网络的初始参数来提高模型的预测能力。最后，将 优化后的PCA-BP、GA-BP神经网络的预测模型与单一 BP神经网络的预测 模型进行对比。 结果表明，在有效信息较少的情况下，灰色预测模型对于空气质量指 数的预测有一定意义。而在数据较丰富的情况下，单一 BP神经网络预测模 型的平均绝对百分比误差为21.96%0在对