基于ARIMA模型的PM2.5的预测.pdfVIP

基于 ARIMA 模型的 PM2.5 的预测 1* 2 2 沈加超 ,彭斯俊 ,朱雪 （武学 理学院，湖北 武汉 430070 ） 本文应用 ARIMA(p,d,q)（自回归移动平均模型）预测短期 PM2.5 的日平均浓度。由于 PM2.5 污染物浓度受气 象场、排放源、复杂下垫面、理化生过程的耦合等多种因素的影响，随时间变化大，因此采用分时段预测模型以提高预 测精度。通过与灰色预测模型和全年时间序列模型进行对比，发现该模型预测效果更好。 PM2.5 ；时间序列；ARIMA ；预测 X831 A Forecast of PM2.5 based on the ARIMA model * 2 2 Shen Jia-chao , Peng Si-jun , Zhu Xue (School of Science, Wuhan University of Technology, Wuhan 430070, China) Abstract: This paper exploits ARIMA(p,d,q) (Auto-regression Integrated Moving Average Model) model to forecast the daily average concentration of PM2.5. Different models were applied at different time sequences because daily average concentration of PM2.5 varies greatly with time influenced by meteorological field, emission source, complex underlying surface, physical chemistry reaction and so on. By contrast with the gray model and the annual time series model, the experimental results show that this model has the better performance. Key words: PM2.5; Time series; ARIMA; Forecast 0 引言 伴随着经济的高速发展和城市的工业化进程， (1,1)、神经网络预测模型等预测方法。应用比较广 PM2.5 污染问题日益严重，已经成为发达国家和发 泛的是神经网络预测模型[1,2]，它是拟合非线性现象 展中国家共同关注的问题。PM2.5 通过对太阳光的 的强有力工具。但其具有易陷入局部最优，过拟合， 吸收、散射或反射，降低大气能见度，导致太阳辐 很难确定网络结构等问题，影响预测模型的泛化能 力。 射强度减弱与日照时数的减少，是雾霾天气的元凶 时间序列分析方法属于统计学范畴，通过研究、 之一。这种气溶胶微粒被吸入人体后，会渗透到肺 分析和处理时间序列，提取出系统的相关信息, 从 部组织的深处，可引起支气管炎和肺癌等病变。对 而揭示时间序列本身的结构与规律，挖掘系统的固 于大气污染尤其是空气细粒子的准确预报，能提醒 有特性，掌握系统与外界的联系，推断出系统在将 人们及时采取有效措施，保护人们的身体健康。