基于广义隐马尔可夫模型的PM2.5浓度预测

近年来,以PM_2.5为主要污染物的重霾污染事件频频发生,给我国国民经济和居民健康造成了严重损失。在空气质量尚未得到根本性改善的情况下,对重霾污染的准确预警不仅能使公众合理回避污染危害,还能为政府实施应急管理提供时间裕量。针对影响PM_2.5浓度的前体物及气象因素的非高斯分布特点以及传统隐马尔可夫模型（hidden Markov model,HMM）必须已知隐含状态个数的缺点,采用广义隐马尔可夫模型（generalized hidden Markov model,GHMM）对北京市除去定陵外的11个国控站点2013年1月～2017年1月的PM_2.5浓度进行了预测。结果表明：GHMM对严重污染及以上PM_2.5样本浓度预测准确率显著高于传统连续HMM,但针对中度污染及以下PM_2.5样本浓度的预测准确率接近传统HMM。     

基于广义隐马尔可夫模型的PM_(2.5)浓度预测

近年来,以PM2.5为主要污染物的重霾污染事件频频发生,给我国国民经济和居民健康造成了严重损失。在空气质量尚未得到根本性改善的情况下,对重霾污染的准确预警不仅能使公众合理回避污染危害,还能为政府实施应急管理提供时间裕量。针对影响PM2.5浓度的前体物及气象因素的非高斯分布特点以及传统隐马尔可夫模型(hidden Markov model,HMM)必须已知隐含状态个数的缺点,采用广义隐马尔可夫模型(generalized hidden Markov model,GHMM)对北京市除去定陵外的11个国控站点2013年1月~2017年1月的PM2.5浓度进行了预测。结果表明:GHMM对严重污染及以上PM2.5样本浓度预测准确率显著高于传统连续HMM,但针对中度污染及以下PM2.5样本浓度的预测准确率接近传统HMM。