基于一种时间序列模型河流重金属污染浓度预测探究.docVIP

基于一种时间序列模型河流重金属污染浓度预测探究摘要：水环境是一个充满不确定性的复杂巨系统，传统水质模型很难体现重金属污染物在河流中迁移的随机性，因此经典的时间序列模型——ARIMA模型被应用于河流重金属污染浓度的预测。实例分析证实，通过采用将获得的最新数据不断地添加到用于模型设定的样本中，并再此基础上获得最近向前一个时期预测值的动态预测方法，ARIMA模型能够获得很好的预测表现，尤其是在充分考虑模型残差统计分布特征的情况下，采用具有学生t分布的模型预测更精确。  关键词：时间序列模型；河流重金属污染；预测 中图分类号：TP391.9 文献标识码：A  Forecast Study on Forecasting Pollutant Concentration of Heavymetal Contaminants in Streams  LIU Tanqiu1，SHEN Xinping2，WANG Hanhua1 （1.School of Management and Economics，Changsha University of Science Technology， Changsha410114， China；  2. Dongting Lake Water Resources Administration Bureau of Hunan Province， Changsha410007， China） Abstract：Traditional stream waterquality models are hardly able to describe stochastic behavior of heavymetal contaminants in water， due to stream environment influenced by various uncertainties. Therefore， a classic time series model， namely autoregressive integrated moving average （ARIMA） model， is used to predict pollutant concentration of heavymetal contaminants in streams. An empirical analysis evaluates the forecasting performance of two ARIMA models with different statistical distribution errors using a dynamic forecast approach. The results indicate that the two ARIMA models both perform very well， especially the one with student t distribution.  Key words： the time series model， heavy—metal contaminants in streams， forecasting  1引言 随着近年来经济建设的快速发展以及各种生产活动的扩大，各类水环境中重金属污染日趋严重，河流作为饮用水的重要来源，其重金属污染问题尤为引人瞩目。由于大多数重金属污染物在水环境中不易被微生物所降解，却能被水生生物累积富集，并且重金属在水体中的吸附、解吸、络合、沉降、絮凝等化学过程及物理过程非常复杂，且其含量和浓度随着水体的物理情况和化学条件的变化而变化，因此建立一个完整的河流重金属水质模型非常困难。 传统水质模型的建立通常是根据水流流速、污染物的弥散系数、污染物的降解系数与污染物浓度的关系，构造一个河段的水质模型，然后通过对该河段的长期监控、实验获得长期数据来确定模型相关参数。然而，水环境是一个充满不确定性的复杂巨系统，传统水质模型很难体现重金属污染物在河流中迁移的随机性。因此，包含随机项的一种时间序列模型——自回归整合移动平均（AutoRegressive Integrated MovingAverage， ARIMA）模型获得了研究者们的关注，并被用于研究水质变量的变化规律[1—4]。由Box and Jenkins（1970）开发的ARIMA模型作为最典型的时间序列预测技术，已广泛应用于各个领域的时序预测研究，水质管理领域亦不例外。水质变量时序观测值往往表现出很强的序列相关性能够被ARIMA模型很好地描述[5]。虽然因水文过