文献类型：期刊文章

作　　者：张怡文[1] 郭傲东[2] 吴海龙[1] 袁宏武[1] 董云春[1]

ZHANG Yiwen;GUO Aodong;WU Hailong;YUAN Hongwu;DONG Yunchun(College of Information Engineering,Anhui Xinhua University,Hefei 230088,China;College of Computer Science and Technology,Chongqing University of Posts and Telecommunications,Chongqing 400065,China)

机构地区：[1]安徽新华学院信息工程学院,安徽合肥230088 [2]重庆邮电大学计算机科学与技术学院,重庆400065

出　　处：《南京林业大学学报（自然科学版）》

基　　金：安徽省高校优秀青年人才支持计划项目(gxyqZD2018087);安徽省高校自然科学重点项目(KJ2019A0877)。

年　　份：2020

卷　　号：44

期　　号：5

起止页码：231-238

语　　种：中文

收录情况：BDHX、BDHX2017、CAB、CAS、CSCD、CSCD2019_2020、IC、JST、RCCSE、WOS、ZGKJHX、核心刊

摘　　要：【目的】分季节预测PM2.5浓度值,利用PCA方法对数据进行降维,分析季节及气象因素对PM2.5的影响,在提高预测准确率的同时降低时间复杂度。【方法】以合肥市2014—2017年的PM10、SO2、CO2、CO、O3浓度值,以及同时段的气象因素值,对PM2.5浓度进行预测。数据分析中发现PM2.5在不同季节浓度差异较大,故本研究选择分季节进行预测;为了提高预测准确率,加入如风力、温度、湿度、气压等气象因素进行预测,同时采用主成分分析(PCA)的方法进行数据降维,将降维后的数据再输入BP神经网络模型进行预测。【结果】实验采用3组实验进行对比:5种污染物指标(PM2.5-5)预测PM2.5、加入气象因素的综合12项指标(PM2.5-12)预测PM2.5、对综合指标进行PCA处理后的(PM2.5-PCA)预测PM2.5。实验结果表明:4个季节的PM2.5浓度值有较大变化,均方根误差(RMSE)的差值较大;采用PM2.5-PCA的方法,在任何季节的RMSE均有降低,相关系数(r)均有所提高。【结论】PM2.5浓度具有季节性特征,采用季节性预测方法可以提高预测准确率;同时采用PCA方法进行降维,可以在保证准确率的同时降低预测时间复杂度。

关 键 词：PM2.5 神经网络 预测  主成分分析

分 类 号：X831]