[发明专利]基于多种模型对比和优化的大气O3

说明书

本发明属于大气污染预测模型构建领域，具体为一种基于多种模型对比的大气O₃浓度预测方法。本发明包括如下步骤：(1)获取目标城市污染物浓度数据及相关气象数据；(2)对原始数据作预处理；(3)确定预测模型性能评价标准；(4)对目标城市O₃分别构建相应的O₃‑多元线性回归模型、时间序列模型以及BP神经网络模型，选择BP神经网络模型；(5)对BP神经网络作进一步优化，确定最优BP神经网络模型；(6)对最优BP神经网络模型作敏感性分析。

技术领域

本发明属于大气污染预测模型构建领域，涉及一种基于多种模型对比的大气O₃浓度预测方法。

背景技术

随着经济的快速发展以及机动车、工业企业数量的增长，不可避免的需要消耗更多的化石能源和自然资源，这直接导致了空气质量的变化。同时，大气污染对人体健康造成的损害以及历史文物、植被和古迹等的破坏更是无法估量的。目前，我国每年仅由酸雨导致的经济损失高达数百亿元。环境监测和预警是环境保护的基本工作，其不仅关系到科学决策，更关系到长远发展。为协助公众保持健康和改善生活质量，我国迫切需要建立一个稳定、准确且简便的空气质量监测及预警系统，对污染物浓度进行长期且大范围的监测，加深对污染特征和形成机理的认识

发明内容

本发明的目的是提供一种基于多种模型对比的大气O₃浓度预测方法，通过使用这种方法，我们可以对目标城市的O₃情况更好地进行预测。

本发明所提供的基于多种模型对比的大气O₃浓度预测方法,包括如下步骤：

(1)获取目标城市各项大气常规污染物浓度数据及气象数据，大气常规污染物数据主要包括PM_2.5、O₃、PM₁₀、SO₂、CO、NO₂，气象数据主要包括气温、风力、天气，并在获取数据之后，对上述各项数据进行数据库的建立；

(2)从数据库中读取目标城市中的各项大气常规污染物浓度数据及气象数据，并对以上数据进行预处理；

(3)确定模型预测性能评价标准；

(4)对目标城市的O₃进行多元线性回归模型、BP神经网络模型以及时间序列模型的建立，选择预测性能较好的BP神经网络模型；

(5)对BP神经网络模型作参数调整，确定最优BP神经网络模型；

(6)对最优模型作敏感性分析，确定模型对各变量变化的敏感程度。

上述方法步骤(1)中，目标城市中空气质量数据，均来源于中国环境监测总站(http://www.cnemc.cn/)和中国空气质量在线监测分析平台(https://www.aqistudy.cn/historydata/)。

上述方法步骤(1)中，数据库的建立使用Excel软件。

上述方法步骤(2)中，对于多元线性回归模型和时间序列的数据预处理方法包括使用SPSS对所得数据进行一致性检查、对无效值和缺失值的替代；使用Excel对上述数据进行归一化的处理，将数据归一化到[0，1]，其公式为：为得到真实的预测值，随后使用公式重新换算预测值。

上述方法步骤(2)中，对于BP神经网络模型的数据预处理采用在Python中插入预处理函数代码进行一致性检查、对无效值和缺失值的替代或其他合理处理以及使用归一化到[0，1]的步骤，同时利用reindex函数对数据进行随机重排。