时间序列分析在大气环境中的应用.pdfVIP

年第 期 资源环境与发展 2010 1 时间序列分析在大气环境中的应用 樊 敏 顾兆林 （西安交通大学人居环境与建筑工程学院，中国西安 710049 ） 摘要：以西安市2004—2008 年PM10 月平均浓度时间序列为例，应用小波分解和重构对PM10 浓度时间序列的变化进行了 分析，得到了PM10 的年变化趋势和突变特征。 将时间序列平稳化预处理后，根据时间序列的自相关和偏自相关图进行判断，得 S 到合适的时间序列模型ARIMA （1,1,1）（2,0,0 ） ，然后进行参数估计得到模型的各个参数。 利用得到的模型对2009—2010 年西安 S 市PM10 浓度值进行预测，研究结果表明，将小波分析和ARIMA （1,1,1）（2,0,0 ） 应用于大气污染物浓度时间序列的分析是可行 的。 S 关键词： ，时间序列，小波分析， （ ）（ ） 模型，预测 PM10 ARIMA 1,1,1 2,0,0 引言 时间序列是将同一现象在不同时间上的数值，按时间先后顺序排列而成的一种序列。 在时间序列的传统理论 中，将时间序列的发展水平分解为四种成分：长期趋势、季节变动、循环变动和不规则变动。 发展水平是指时间序列 中的各个观察值。 时间序列分析方法属于统计学范畴，通过研究、分析和处理时间序列，提取出系统的相关信息，从 而揭示时间序列本身的结构与规律，认识系统的固有特性，掌握系统与外界的联系，推断出系统在将来的变化和行 为。 因此，时间序列分析方法已经不仅仅是一种数据处理的方法，它已演变为一种系统分析研究的方法。 随着时间 序列分析方法的不断成熟，在社会生活、经济、生产以及国防建设中应用广泛。 大气环境系统的变化也可以被看作 是时间序列，例如对某一监测站点的大气环境污染指标监测值将随时间的推进发生改变，通过对相关监测值建立 时间序列模型，以历史资料进行参数估值后就可以对该监测指标进行模拟预测。 [1-3] 时间序列预测模型分为：指数平 滑预测预测模型、 自回归（AR ）模型、 自回归综合移动平均（ARIMA ）模型等。 [4-5] 1.小波分析应用于 PM10 浓度时间序列分析 本文的资料为西安市 — 年 月平均浓度，如图 所示。 根据小波分析的原理，选取合适的小波函 2004 2008 PM10 1 数对PM10 浓度时间序列进行小波分解，低频部分信号的重构可以发现时间序列的发展趋势及规律，高频部分信号 的重构可以发现时间序列的突变特性和循环周期性。 经过综合研究，本文采用 （ ）小波，因为他具有良 Daubechies db 好的时频分析性能和正规性，在工程领域得到了广泛的应用。 [6-8] 从图 第 层低频信号的重构可以看出 年 月至 月， 逐渐下降； 月至 年 月， 基本保 2 3 2004 1 4 PM10 4 2005 1 PM10 持不变； 月至 月， 有较为缓慢的下降趋势； 月至 年 月， 有缓慢的上升趋势； 月至 年 1 11 PM10