论文部分内容阅读
近年来,环境污染对国民经济和人民生活造成了巨大的困扰,已成为全球性的焦点问题之一。对于发展中国家而言,随着工业化和城市化的持续推进,空气污染问题更是呈现越发严重的趋势。为缓解空气污染影响,改善空气质量,实现经济乃至人类的可持续发展,世界各国都广泛关注和研究污染物浓度的预测。然而,在实际操作中,造成空气污染的主要因素难以确定,且各种因素相互影响,污染物浓度固有的波动性和间歇性更是大大增加了预测的难度。因此,确定造成空气污染的主要因素并精确有效地预测污染物浓度显得至关重要,建立一个科学稳定的预测模型并采取相应的空气质量保护措施更具有重要意义。近年来,大量国内外学者进行了污染物浓度预测的研究,关于污染物浓度预测水平得到一定程度的提升。然而,目前大多研究仅仅采用简单易行的单一预测模型,这些模型预测精度较低,难以满足实际生产和生活的需求。相比于单一模型,新型的混合预测模型多基于优化算法和数据分解,对污染物浓度预测性能有很大的提升。然而,现有的混合预测模型很少关注不确定性预测,涉及污染物指标筛选的技术更是少之又少。因此,这些模型无法达到高的精确性和科学性,从而对空气质量预测模型的安全性和稳定性带来巨大的挑战。针对如上问题,本文构建了一个基于污染物指标筛选、去噪技术、帝国竞争算法和极限学习机的污染物浓度预测模型。所提出的模型主要包含四个部分:污染物指标筛选、数据预处理与重构、确定性预测以及不确定性预测。首先,在污染物指标筛选部分,针对每个城市,采用模糊偏好粗糙集理论筛选主要的污染物;在数据预处理与重构部分,利用ICEEMDAN分解方法对筛选后的污染物浓度时间序列数据进行分解、去噪声和重构,充分挖掘污染物浓度数据的内在信息特征;其次,采用优化算法ICA优化极限学习机;最终,在预测部分,本文提出了一个混合预测模型ICEEMDAN-ICA-ELM,进行污染物浓度时间序列数据的确定性及不确定性预测;此外,为了衡量模型的实用性和泛化能力,本文引入了假设检验、九个模型评价指标,五个仿真实验和六个实验城市污染物浓度数据,对所提出的预测模型进行检验和评估。研究结果表明,与其他6个预测模型(ARIMA,BP,GRNN,PSO-ELM,ICA-ELM,EMD-ICA-ELM)相比,本文所提出的预测模型具备良好的泛化能力,可大幅度地提升污染物浓度的预测水平,取得有效稳定的预测结果。本文所提出的污染物浓度预测模型不仅可以确定主要污染物,提高污染物浓度预测精度,增强预测结果的稳定性,同时对完善和发展空气污染的预报和监测大有裨益,更能为相关决策者和人民日常生活提供指导意见。本文的创新主要包括以下几点:首先,模糊偏好粗糙集理论运用于特定城市的污染物指标筛选;其次,ICEEMDAN分解方法对污染物浓度数据进行分解、去噪声和重构,充分挖掘了污染物浓度数据内在的信息特征;再次,帝国竞争算法(ICA)为解决优化问题提供了一个新的可行性选择;此外,所提出的混合预测模型ICEEMDAN-ICA-ELM不仅被用于确定性预测,而且运用于不确定预测,这对污染物浓度分析提供了全面翔实的预测信息。最终,实验结果表明本文所提出的预测模型优于其他6个对比预测模型。