基于改进萤火虫寻优支持向量机的PM2.5预测

针对现有PM2.5浓度预测误差较大的问题,提出一种基于改进萤火虫寻优支持向量机的预测模型（IFA-SVM）.该模型引入邻域搜索和可变步长策略改进萤火虫算法,利用改进FA对SVM的参数C、ε和γ寻优,用最优参数SVM模型预测太原市PM2.5值.其中邻域搜索策略能为参数优化提供更多更精确的候选解;可变步长可动态调整算法搜索步长,加速收敛,平衡FA的全局和局部搜索能力.将IFA-SVM预测值与萤火虫算法-支持向量机（FA-SVM）、遗传算法-支持向量机（GA-SVM）、粒子群算法-支持向量机（PSO-SVM）相比较.结果表明较其他方法,IFA-SVM模型对太原市未来一天和三天的PM2.5值都取得了更精确的预测性能.     

基于粒子群优化和支持向量机的花粉浓度预测模型

为了提高花粉浓度预报的准确率，解决现有花粉浓度预报准确率不高的问题，提出了一种基于粒子群优化（PSO）算法和支持向量机（SVM）的花粉浓度预报模型。首先，综合考虑气温、气温日较差、相对湿度、降水量、风力、日照时数等多种气象要素，选择与花粉浓度相关性较强的气象要素构成特征向量；其次，利用特征向量与花粉浓度数据建立SVM预测模型，并使用PSO算法找出最优参数；然后利用最优参数优化花粉浓度预测模型；最后，使用优化后的模型对花粉未来24 h浓度进行预测，并与未优化的SVM、多元线性回归法（MLR）、反向神经网络（BPNN）作对比。此外使用优化后的模型对某市南郊观象台和密云两个站点进行逐日花粉浓度预测。实验结果表明，相比其他预报方法，所提方法能有效提高花粉浓度未来24 h预测精度，并具有较高的泛化能力。     

融合数值模式预报数据的深度学习PM2.5浓度预测模型

PM2.5污染问题是中国近年来引起广泛关注的环境问题,对PM2.5浓度进行预报有重要意义.传统的预报方法是基于空气动力学理论的数值模式预报方法.最近几年深度学习方法被广泛应用于PM2.5浓度预报问题.之前的深度学习预报方法主要是使用观测站的观测数据建立单点式的预报模型.本文使用ConvLSTM深度神经网络建立模型,在中国及周边区域的PM2.5数据集上实现了网格化的序列到序列预报.模型通过卷积模块提取空间特征,通过LSTM模块提取时间特征,适合解决PM2.5网格化预报问题.同时,模型中使用了再分析数据和模式数据两种不同来源的数据结合起来进行预报,融合了深度学习方法和传统数值模式方法.实验表明,模型的均方根误差比数值模式预报下降30.2%,具有良好的预报效果.     

基于注意力机制的PM2.5多阶图卷积网络推断模型

细颗粒物（PM2.5）与大气环境和人类生活息息相关。城市中PM2.5监测站数量有限,无法提供细粒度PM2.5浓度,而大多数现有的PM2.5浓度推断方法缺乏根据动态时空特征建立多阶相关系数矩阵的能力。为此提出了一种基于注意力机制的PM2.5多阶图卷积网络推断模型（MOSTGCNInf）。该模型在利用图神经网络提取特征关系的同时,采用注意力机制动态构建多阶节点的注意力系数矩阵,并进行时空特征融合来提升PM2.5浓度推断效果。在公开数据集上进行了对比实验,使用准确率和F1值作为评价指标,并通过消融实验验证了方法的有效性。实验结果表明,MOSTGCNInf对PM2.5浓度推断结果有提升作用。     

基于LSTM的PM2.5浓度预测模型

随着近年雾霾天气的频繁出现,空气质量开始越来越受到公众关注。PM2.5浓度指数是判断空气质量的重要指标,如何根据历史数据有效地预测空气中PM2.5浓度,具有很高的应用价值。分析以往空气质量数据表明,PM2.5浓度有明显的非线性和不确定性波动,很难用传统机器学习算法有效地预测。本文基于LSTM循环神经网络,依据过去20小时采集的空气数据,预测未来5小时的PM2.5浓度指数。实验结果表明,LSTM可以有效地捕获空气质量的时序特征,较准确预测出未来时刻的PM2.5浓度指数。     

基于时空融合的缺失值填补算法

为提升PM 2.5浓度预测精度,提出基于时空融合与缺失值填补的预测方法。抓住时空相关性,以历史气象和PM 2.5浓度数据作为输入,利用长短时记忆神经网络和人工神经网络从时空两个维度对未来一小时PM 2.5水平进行预测,用模型树进行融合。由于数据集中存在大量的连续缺失数据,为弥补其带来的不利影响,利用所提算法对预测模型进行辅助。实验结果表明,时空融合比单维度单模型的预测表现更佳,提出的填补算法使预测误差进一步降低。     

基于特征向量的最小二乘支持向量机PM2.5浓度预测模型

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（SO2）浓度、二氧化氮（NO2）浓度、一氧化碳（CO）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。     

2015年中国PM2.5浓度遥感估算与时空分布特征

以PM2.5污染物为主的大气污染对社会的可持续发展及人类健康带来了严峻的挑战,厘清我国PM2.5污染物的空间分布特征及演变规律,对于PM2.5污染物的区域联防联控具有重要的意义。基于MODIS卫星的气溶胶产品、气象基础数据以及PM2.5污染物实测站点监测数据,构建地理加权回归模型,对2015年中国PM2.5污染物浓度进行了模拟估算,对PM2.5污染物浓度的空间分异格局及季节演化特征进行分析。结果表明：①2015年全国PM2.5浓度整体表现出明显的空间地带性分异特征。北方PM2.5污染物浓度明显高于南方,中部明显高于东部与西部;②4个季度PM2.5浓度表现出明显的季节适应性演化特征。第四季度PM2.5污染最重,第三季度和第一季度次之,第二季度最低,最大值出现在第四季度（165 μg/m³）,最小值出现在第二季度（4.3 μg/m³）。③通过多因子构建的地理加权回归模型估算的PM2.5浓度具有较高的模拟精度,第一至第四季度的相对误差分别为10.2%、7.0%、9.3%和8.6%。     

京津冀地区植被覆盖对大气颗粒物浓度的影响

针对京津冀地区空气污染现象频发的问题,基于长时序NDVI、空气质量监测站等数据,从多种时间、空间尺度上分析植被覆盖对大气颗粒物浓度的影响。首先分析了NDVI的时空特征变化,然后探究了NDVI和颗粒物浓度的在时间和空间上相关性,最后比较了植被区和非植被区空气质量小时均值变化趋势。实验结果表明：NDVI月均值与颗粒物浓度变化趋势相关,研究区整体NDVI与PM2.5、PM10浓度月均值回归方程的R²分别为0.580、0.601;植被覆盖对PM2.5和PM10浓度年均值的最佳影响尺度分别为3 km和2.5 km,各季节的最佳影响尺度中夏季最大、冬季最小;植被覆盖对颗粒物浓度升高有抑制作用,植被区颗粒物浓度的变化比非植被区更加平缓。     

基于机器学习的短期PM2.5预测

由于环境和快速发展之间的不平衡,城市空气质量问题变得越来越突出。PM2.5作为空气污染的主要成分,会对人体造成很大伤害。因此,准确地预测PM2.5浓度对于保护人们健康具有重要意义。首先选取了其他空气质量数据(PM₁₀、NO₂、CO₂、O₃)作为影响因素,构建了基于机器学习(多元线性回归、岭回归、套索回归、决策树、随机森林和人工神经网络)的PM2.5预测模型;其次利用这些模型预测山西省太原市未来1小时PM2.5浓度;最后通过MAE、RMSE、R²来等指标评价各模型的预测性能,实验结果表明,基于随机森林的预测模型具有最高的预测精度。     

Prediction of Particlulate Air Pollution using Neural Techniques

We have analysed the possibility of predicting hourly average concentrations of suspended atmospheric particulate matter with aerodynamic diameter less than 2.5 microns (PM2.5) several hours in advance using data obtained in downtown Santiago, Chile. By performing some standard tests used in the study of dynamical systems, we are able to extract some features of the time series of data. We use this information to estimate the amount of data on the past to be used as input to a neural network in order to predict future values of PM2.5 concentrations. We show that improvement of predictions is possible by using another neural network for noise reduction on the original series. The best results are obtained with a type of neural network which is equivalent to a linear regression. Up to six hours in advance, predictions generated in this way have significantly smaller errors than predictions based on the persistence of the long term average of the data.     

A soft computing system for day-ahead electricity price forecasting

Hourly energy prices in a competitive electricity market are volatile. Forecast of energy price is key information to help producers and purchasers involved in electricity market to prepare their corresponding bidding strategies so as to maximize their profits. It is difficult to forecast all the hourly prices with only one model for different behaviors of different hourly prices. Neither will it get excellent results with 24 different models to forecast the 24 hourly prices respectively, for there are always not sufficient data to train the models, especially the peak price in summer. This paper proposes a novel technique to forecast day-ahead electricity prices based on Self-Organizing Map neural network (SOM) and Support Vector Machine (SVM) models. SOM is used to cluster the data automatically according to their similarity to resolve the problem of insufficient training data. SVM models for regression are built on the categories clustered by SOM separately. Parameters of the SVM models are chosen by Particle Swarm Optimization (PSO) algorithm automatically to avoid the arbitrary parameters decision of the tester, improving the forecasting accuracy. The comparison suggests that SOM–SVM–PSO has considerable value in forecasting day-ahead price in Pennsylvania–New Jersey–Maryland (PJM) market, especially for summer peak prices.     

基于多模式的我国冬季风速预报误差特性分析

风电在我国能源结构转型中具有重要地位,但其波动性也带来严峻挑战。数值模式预报的风速数据是风电出力预测和高效消纳的重要基础,需要评估不同模式的预报效果。本文通过对比分析4种主流数值模式的风速预报效果,全面评估它们在我国冬季不同区域和不同条件下的预报精度,以期为我国冬季大风期风速预报提供参考。基于不同分辨率、不同初始场、不同同化方案的4种数值预报模式,结合我国131个站点观测资料,对预报风速的误差分布特征与预报能力进行了研究与分析;同时聚焦典型站点,分析了不同风速段、不同区域的预报误差特征及预报能力。研究结果表明：集合预报模式的预报结果在复杂地形条件下更科学;高分率单一模式对简单下垫面的风速波动性预报较好;白天预报效果好于夜间;对平原风速预报效果最好。     

基于聚类和支持向量机的话务量预测模型

针对利用单因素时问序列模型进行话务量预测的不足,建立基于模糊C均值(FCM)聚类和支持向量机(SVM)的多元回归话务量预测模型.模型使用FCM算法对话务量的原始样本集聚类,选择与待预测样本特征最相似的样本子集作为训练集.使用SVM训练样本,通过决策回归函数预测话务量.实际话务量数据验证表明,该方法较周期时间序列和神经网络预测方法具有更高的预测精度和泛化能力.     

Use of neurofuzzy networks to improve wastewater flow-rate forecasting

A neurofuzzy wastewater flow-rate forecasting model (NFWFFM) has been developed and tested with actual data measured at the input of two wastewater treatment facilities which treat the wastewater corresponding to 150,000 and 1,250,000 p.e., respectively. Good agreements between forecasted and actual flow-rates were obtained. The artificial intelligence algorithm uses only two input variables (day of the week and average daily flow-rate of day before) and one output variable (predicted average daily flow-rate). Using three months data for training the network, a long-term forecast (one month) is made with average errors below 10%. Results were compared with those obtained by applying the Census Method II (a commonly used decomposition/recomposition time series method) observing that forecast made by the NFWFFM is more accurate than the one made by this commonly used statistical method.     

基于多元线性回归的雾霾预测方法研究

提出了一种在线样本更新的多元线性回归分析的雾霾预测方法。首先搜集了北京市天气状况,包括平均气温、湿度、风级等气象数据以及PM2.5、CO、NO₂、SO₂等大气成分浓度数据,然后通过散点图对这些因素进行主要影响因素分析,筛选出对雾霾影响比较明显的因素作为雾霾预测的依据。通过在线样本更新的多元线性回归建立了PM2.5含量预测模型,并将气象要素作为雾霾的判断标准。最后给出实际例子,利用多元线性回归对北京未来一天、三天及一周的PM2.5含量进行较为精确的预测。     

Air pollution forecasting based on attention-based LSTM neural network and ensemble learning

With air pollution having become a global concern, scientists are committed to working on its amelioration. In the field of air pollution prediction, there have been good results in experimental research so far, but few studies have integrated weather forecast information and the properties of air pollution drift. In this work, we propose a novel wind-sensitive attention mechanism with a long short-term memory (LSTM) neural network model to predict the air pollution - PM2.5 concentrations by considering the influence of wind direction and speed on the changes of spatial–temporal PM2.5 concentrations in neighbouring areas. Preliminary predictions for PM2.5 are then made by an LSTM neural network regarding neighbouring pollution; these predictions are “paid attention to” and we finally apply an ensemble learning method based on e X treme G radient B oosting (XGBoost) to combine the preliminary predictions with weather forecasting to make second phase predictions of PM2.5. The experiment is conducted using PM2.5 data and weather forecast data. Our results illustrate that the proposed method is superior to other methods in predicting PM2.5 concentrations, including multi-layer perceptron, support vector regression, LSTM neural network, and extreme gradient boosting algorithm.     

基于DE-SVM非线性组合预测模型的研究

为提高预测精度,提出DE-SVM非线性组合预测模型。以组合预测模型的误差平方和最小为优化准则,用差分进化算法（DE）对支持向量机参数进行优化,并利用支持向量机对单一模型的预测结果进行组合预测。算例结果表明,DE-SVM综合利用了各单个预测模型的重要预测信息,其预测误差远远小于各单个模型的预测误差,其预测精度更高,模型的实用性更强。