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: 0 193 浏览量
2022-08-04
13:06:49
上传
评论
收藏 367KB PDF 举报
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
评论0