没有合适的资源?快使用搜索试试~ 我知道了~
基于特征向量的最小二乘支持向量机PM2_5浓度预测模型_李龙1
需积分: 0 0 下载量 193 浏览量
2022-08-04
13:06:49
上传
评论
收藏 367KB PDF 举报
温馨提示
试读
5页
引言细颗粒物( Fine Particulate Matter,PM2. 5) 是指大气中空气动力学当量直径小于等于 2. 5 μm 的颗粒物,其数值越高,代表
资源详情
资源评论
资源推荐
收
稿
日
期
:2014
-
04-12;
修回日期
:2014-05-12。
基金项目
:
国家自然科学基金资助项目
(11265007);
教育部留学回国人员科研启动基金资助项目
(2010-1561)。
作
者简
介
:
李龙
(1988
- ),
男
,
黑龙江大庆人
,
硕士研究生
,
主要研究方向
:
数据挖掘
;
马磊
(1978 - ),
男
(
回族
),
云南昆明人
,
讲师
,
硕士
,
主要研究方向
:
数据挖掘
、
生物信息学
、
医疗信息系统
;
贺建峰
(1965 - ),
男
,
云南昆明人
,
教授
,
主要研究方向
:
数据挖掘
、
医学图像处理
。
文章编号
:10
01-9081(2014)08-2212-05 doi:10. 11772 /j. issn. 1001-9081. 2014. 08. 2212
基于特征向量的最小二乘支持向量机
PM2. 5
浓度预测模
型
李 龙
,
马 磊
,
贺建峰
*
,
邵党国
,
易三莉
,
相
艳
,
刘立芳
(
昆明理工大学 信息工程与自动化学院
,
昆明
650500)
( *
通信作者电子邮箱
j
fenghe@ kmust. edu. cn)
摘 要
:
针对大气中细颗粒物
(PM2. 5)
浓度预测的
问题
,
提出一种预测模型
。
首先
,
通过引入综合气象指数综合
考虑风力
、
湿度
、
温度等因素
;
然后
,
结合实际二氧化硫
(SO
2
)
浓度
、
二氧化氮
(N
O
2
)
浓度
、
一氧化碳
(C
O)
浓度和
PM10
浓度等
,
构成特征向量
;
最后
,
利用特征向量和
PM2. 5
浓度数据来建立最小二乘支持向量机
(LS-SVM)
预测模型
。
经
2013
年城市
A
和城市
B
环境监测中心的数据预测分析表明
,
引入综合气象指数后预测的准确性提高
,
误差降低近
30% 。
说明该模型能够较为准确地预测
PM2. 5
浓度
,
并具有较高的泛化能力
。
此外还分析了
PM2. 5
浓度与住院率
、
医院门诊量的关系
,
发现了它们的高度相关性
。
关键词
:PM2. 5
浓度预测
;
综合气象指数
;
特征向量
;
相关性分析
;
最小二乘支持向量机
中图分类号
: TP391. 4; TP18
文献标志码
:A
PM2. 5 concentration prediction model of
least squares support vector machine based on feature vector
LI Long, MA Lei, HE Jianfeng
*
, SHAO Dangguo, YI Sanli, XIANG Yan, LIU Lifang
( School of Information Engineering and Automation, Kunming University of Science and Technology, Kunming Yunnan 650500, China)
Abstract: To solve the problem of Fine Particulate Matter ( PM2. 5) concentration prediction, a PM2. 5 concentration
prediction model was proposed. First, through introducing the comprehensive meteorological index, the factors of wind,
humidity, temperature were comprehensively considered; then the feature vector was conducted by combining the actual
concentration of SO
2
, NO
2
, CO and PM10; finally the Least Squares Support Vector Machine ( LS-SVM) prediction model was
built based on feature vector and PM2. 5 concentration data. The experimental results using the data from the city A and city B
environmental monitoring centers in 2013 show that, the forecast accuracy is improved after the introduction of a
comprehensive weather index, error is reduced by nearly 30% . The proposed model can more accurately predict the PM2. 5
concentration and it has a high generalization ability. Furthermore, the author analyzed the relationship between PM2. 5
concentration and the rate of hospitalization, hospital outpatient service amount, and found a high correlation between them.
Key words: Fine Particulate Matter ( PM2. 5) concentration prediction; comprehensive meteorological index; feature
vector; correlation analysis; Least Squares Support Vector Machine ( LS-SVM)
0
引言
细颗粒物
(Fi
ne Particulate Matter,PM2. 5)
是指大气中空
气动力学当量直径小于等于
2. 5
μ
m
的颗粒物
,
其数值越高
,
代表颗粒物浓度越高
,
意味着空气污染越严重
。
虽然
PM2. 5
只是地球大气成分中含量很少的组成部分
,
但是它对空气质
量和能见度等指标有重要影响
。
近期
,
我国多地出现雾霾天
气
,
严重影响了人们的生活
。
二氧化硫
、
氮氧化物和
PM2. 5
是雾霾的主要构成物质
,PM2. 5
是其中加重雾霾污染天气的
罪魁祸首
,
成为了影响人们正常生活的重要指标
,
因此准确预
测
PM2. 5
的浓度
(
浓度量纲为 μ
g /m
3
,
后文中提及的浓度均
以
此单位计
)
变得越来越重要
。
影
响
PM2. 5
浓度的因素包括空气中二氧化硫
(SO
2
)、
二
氧
化氮
(NO
2
)、
一氧化碳
(CO)、
可
吸入颗粒物
(PM10)
含量
、
臭氧
(O
3
)
和气象因素
等
。
预测
PM2. 5
浓度值变化规律对未
来空气质量监测有重要意义
。
预测
PM2. 5
的浓度
,
最重要的是分析各个影响因素与
PM2. 5
之间的复杂关系
。
近年来
,
专家学者开展了一些相关
的研究工作
。
秦侠等
[1]
提出了一种基于人工神经网络的方
法预测大气污染物浓度
;
陈柳等
[2]
提出了一种基于支持向量
机
(Support Vector Machine,SVM)
和时间序列的大气污染浓
度预
测模型
;
苏静芝等
[3]
提出了一种加入气象因素的人工神
经网络的大气污染物浓度预测模
型
;
陈俏等
[4]
提出了一种
基
于支持向量机和回归法的大气污染物浓度预测模型
;
魏振钢
等
[5]
提出一种基于高斯模型的大气污染物浓度预测模型
;
王
燕等
[6]
提出一种基于箱模型的大气污染物浓度预测模型
。
这些文献通过研究个别因素对大气污染物浓度的影响提
出
了预测方
法
,
但是气象因素对于
PM2. 5
的影响是十分复杂
的
,
实际情况中往往是不同气象因素相互影响的结果
。
如果
分别考虑各个因素
,
则不能很好地体现多个因素相互作用对
Journal of Computer Applications
计算机应用
,2014,34( 8) : 2212 - 2216
ISSN 1001-9081
CODEN JYIIDU
2014-08-10
http: / /www. joca. cn
彥爷
- 粉丝: 18
- 资源: 311
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0