沈阳市PM2.5浓度ARIMA-SVM组合预测研究

摘要：

首先利用回归树分类方法,对采暖期与非采暖期各日进行气象类型划分,识别出易造成重污染天气的气象类型.其次分别在各气象类型内,以污染源排放量为自变量,利用差分自回归滑动平均与支持向量机(ARIMA+SVM)组合方法建立起PM2.5浓度日均值预测模型,并选取2013年01月～2017年06月间,沈阳市区内9个环境监测点PM2.5浓度日均值进行实证分析.结果表明,使用气象分类下的ARIMA+SVM组合模型对PM2.5浓度日均值进行预测,相比于不划分气象类型时的普通机器学习模型,其模型预测值与实测值趋势的吻合度更高,且对峰-谷值的识别能力更强.在采暖期与非采暖期,组合模型均具有平均绝对误差更低、预测正确率更高的优点.

关键词：PM2.5浓度、气象类型、ARIMA-SVM组合模型、预测方法

所属期刊栏目：38

分类号：X513(大气污染及其防治)

资助基金：国家重点研发计划项目2017YFC0212500

在线出版日期：2019-01-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：4031-4039