基于小波分解与自适应多级残差修正的最小二乘支持向量回归预测模型的PM_(2.5)浓度预测

详细信息    查看全文 | 推荐本文 |

英文篇名：The study on the prediction of the PM_(2.5) concentration based on model of the least squares support vector regression under wavelet decomposition and adaptive multiple layer residuals correction 作者：尹建光 ; 彭飞 ; 谢连科 ; 徐毅 ; 刘辉 ; 巩泉泉 ; 王坤 英文作者：YIN Jianguang;PENG Fei;XIE Lianke;XU Yi;LIU Hui;GONG Quanquan;WANG Kun;State Grid Shandong Electric Power Research Institute;Shandong Universtity of Science and Technology;Chinese Academy for Environmental Planning; 关键词：PM2.5 ; 小波分解 ; 自适应多级残差修证 ; 最小二乘支持向量回归 英文关键词：PM2.5;;wavelet decomposition;;adaptive multiple layer residual correction;;least squares support vector regression 中文刊名：HJXX 英文刊名：Acta Scientiae Circumstantiae 机构：国网山东省电力公司电力科学研究院;山东科技大学;环境保护部环境规划院; 出版日期：2018-03-01 11:00 出版单位：环境科学学报 年：2018 期：v.38 基金：国家电网公司科技项目~~ 语种：中文; 页：HJXX201805046 页数：9 CN：05 ISSN：11-1843/X 分类号：405-413

摘要

采用小波分解(WD)将济南市科干所监测站PM_(2.5)浓度的一维时间序列(2013年1月1日—2017年8月15日)分解为高维信息,获得了该监测站附近PM_(2.5)浓度的时频变化特征,重点分析了PM_(2.5)的随机性和趋势性问题.然后构建了基于小波分解的多级残差修正的最小二乘支持向量回归预测模型(AMLRC-WLSSVR),结果发现,该模型能够很好地对济南市PM_(2.5)浓度做出预测,特别是针对重污染天气的预测有很好的精度.为了避免预测结果的不确定性问题,提出了一种基于方差估计给出预测值置信区间上界的方法,同时,有效弥补了单点预测的不稳定性及预测精度不足的缺点,该方法能够为实际空气污染预警提供技术支持.
        By wavelet decomposition( WD),the PM_(2.5) concentrations in Kegansuo stations of Jinan City which are one-dimensional time series( from January 1,2013 to August 15,2017) were decomposed into high-dimensional information. Through this,the time-frequency characteristics of the PM_(2.5) concentrations near the monitoring station were obtained. In this study,the randomness and tendency of PM_(2.5) were emphatically analyzed. Then the prediction model of the least squares support vector regression under wavelet decomposition and adaptive multiple layer residual correction( AMLRCWLSSVR) was developed to forecast the PM_(2.5) concentration in Jinan City. The experimental results showed that the proposed method would be effective to improve the prediction accuracy,especially for the heavy pollution weather. Besides,in order to avoid the uncertainty of the prediction,the novel prediction method in this paper was also based on variance estimate,which can help to obtain the upper bound of the prediction under certain confidential interval. At the same time,it can make up for the lack of the instability of single point prediction and increase the precision of the prediction effectively. In general,the proposed method can provide technical support for the earlier warning on the air pollution.

引文

蔡刚.2012.环境空气中PM2.5的测定方法[J].甘肃科技,28(12):45-46
    陈国初,王鹏,徐玉法,等.2011.基于小波分解的风电场短期功率混合预测模型[J].山海电机学院学报,14(3):163-168
    陈倩倩.2013.基于岩土工程信号特征的小波基构造及其算法与实现研究[D].长沙:长沙理工大学
    崔治,彭楚武,崔宪普.2013.光伏并网扰动检测中基于局部模极大值的小波选取[J].计算技术与自动化,32(3):89-92
    Jazebi S,Vahidi B,Jannati M.2011.A novel application of waveletbased SVM to transient phenomena identification of power transformers[J].Energy Conversion and Management,52(2):1354-1363
    李翔.2013.基于GAB和模糊BP神经网络的空气质量预测[J].华中科技大学学报(自然科学版),41(增刊Ⅰ):63-66
    李祥,彭玲,邵静,等.2016.基于小波分解和ARMA模型的空气污染预报研究[J].环境工程,34(8):110-114
    刘小兵.2016.基于支持向量回归机的PM2.5浓度预测模型分析与研究[D].成都:西南财经大学
    刘伟,李春青,张艳芬.2013.基于小波分解和最小二乘支持向量机的COD预测[J].微电子学与计算机,30(4):26-29
    龚海鹏.2008.小波变换在转子故障诊断中若干问题的研究[D].上海:上海交通大学
    沈路路,王聿绚,段雷.2011.神经网络模型在O3浓度预测中的应用[J].环境科学,32(8):2231-2235
    石亚欣.2014.基于时间序列的WDLSSVM的风速周期预测模型研究[J].电力科学与工程,(2):41-45
    司志娟,孙宝盛,李小芳.2013.基于改进型灰色神经网络组合模型的空气质量预测[J].环境工程学报,7(9):3543-3547
    宋宇辰,甄莎.2013.BP神经网络和时间序列模型在包头市空气质量预测中的应用[J].干旱区资源与环境,27(7):65-70
    谭德彪.2003.城市环境空气质量预报模式的研究[A]//四川省环境科学学会2003年学术年会论文集[C].成都:四川省环境科学学会.172-175
    向昌盛,周子英.2010.ARIMA与SVM组合模型在害虫预测中的应用[J].昆虫学报,53(9):1055-1060
    谢屹鹏,汪西莉.2010.基于GA-LSSVR的渭河水质参数遥感反演研究[J].遥感技术与应用,25(2):257-262
    谢涛,姚新,孙世友.2011.基于GIS的空气质量多模式集合预报系统[J].地理信息世界,9(1):11-15
    喻彩丽.2016.基于空气质量时间序列分析的预测模型设计与应用[D].银川:宁夏大学
    王平,张红,秦作栋,等.2017.基于wavelet_SVM的PM10浓度时序数据预测[J].环境科学,38(8):3153-3161
    翁剑桥.2010.济南市城市大气环境质量评价与污染特征研究[D].济南:山东大学
    张海艳.2011.基于自适应概率神经网络的农作物虫情预测研究[D].兰州:兰州交通大学
    朱亚杰,李琦,等.2016.基于支持向量回归的PM2.5浓度实时预报[J].测绘科学,41(1):12-18