文献类型：期刊文章

作　　者：董红召[1] 王乐恒[1] 唐伟[2] 杨强[3] 佘翊妮[1]

DONG Hong-zhao;WANG Le-heng;TANG Wei;YANG Qiang;SHE Yi-ni(Intelligent Traffic System Joint Research Institute,Zhejiang University of Technology,Hangzhou 310014,China;Hangzhou Institute of Environment Sciences,Hangzhou 310014,China;Hangzhou Huanyan Technology Co.,Ltd.Hangzhou 310014,China)

机构地区：[1]浙江工业大学,智能交通系统联合研究所,浙江杭州310014 [2]杭州市环境保护科学研究院,浙江杭州310014 [3]杭州环研科技有限公司,浙江杭州310014

出　　处：《中国环境科学》

基　　金：国家自然科学基金资助项目(61773347);浙江省公益技术研究项目(LGF20F030001,LGF18E080018)。

年　　份：2021

卷　　号：41

期　　号：2

起止页码：596-605

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：针对目前臭氧预测方法未能考虑臭氧污染的区域性和在时间周期内的强自相关性的问题,提出一种融合时空特征的PCA-PSO-SVM臭氧组合预测模型.利用小波分析和系统聚类提取臭氧时间序列波动特征和站点空间分布相似性特征,并通过主成分分析和粒子群算法优化的支持向量机组合模型(PCA-PSO-SVM)对臭氧日最大8h平均浓度进行预测,以2016~2018年杭州市大气污染物观测数据和气象数据进行实验验证.结果表明:融合时空特征的PCA-PSO-SVM模型预测精度有较大提升,与未融合时空特征的PCA-PSO-SVM模型相比,精度提升19%.气象因素中温度对臭氧预测效果影响最大,在气象预报数据存在一定误差的情况下,提出的模型仍得到较高精度的预测效果,具备较好的鲁棒性.

关 键 词：臭氧组合预测  时空特征  主成分分析 粒子群算法 支持向量机

分 类 号：X515]