基于BP神经网络模型和ARMA-BP组合模型的空气污染指数预测研究

摘要

由于社会经济的快速发展，城市空气污染问题日趋严重。这已成为全球性问题，直接威胁着国民经济的可持续发展和人民身心健康。加强对大气污染的预测与研究具有十分重要的意义。
　　空气污染指数是一种反映和评价城市空气质量好坏的数量指标，从空气污染指数的角度来探讨大气污染具有明显的优势。本文利用淮安市2014年1月1日至2017年12月17日的环境空气质量日均浓度值。用R根据空气污染指数(API)的计算方法，进行编程计算空气污染指数。本文选取春季和秋季两个季节的逐日空气污染指数进行探讨。首先分别对这两个季节逐日空气污染指数采取BP神经网络预测模型进行预测，根据实际情况确定输入层、输出层和隐含层的数目，通过反复尝试最终确定最佳的初始权重、学习率和动态系数等参数。根据测试样本的预测检验，对预测值和实际值进行比较分析。其次，分别对春季和秋季两个季节逐日空气污染指数采取自回归移动平均(ARMA)与BP神经网络组合预测模型进行预测。先应用ARMA模型对空气污染指数线性部分进行拟合，再采用BP神经网络对ARMA模型的预测残差进行预测。根据测试样本的预测检验，对预测值和实际值进行比较分析。
　　最后，通过比较这两种预测模型的测试样本的预测情况，对比试验的平均相对误差，比较分析二者的预测能力及推广能力。本文结果表明，两种模型都有一定的预测效果，但是ARMA-BP神经网络组合预测模型的预测能力比BP神经网络模型的预测能力要好一些，对于空气污染指数的时间序列预测最好选用ARMA-BP神经网络组合预测模型。由于ARMA-BP模型既包含了线性规律又包含非线性规律，预测精度要高于单独使用一种模型，预测结果更理想。

目录

声明

摘要

第1章绪论

1．1选题背景及研究意义

1．2国内外研究现状

1．2．1国外研究现状

1．2．2国内研究现状

1．3主要研究内容及构成

第2章空气污染指数

2．1空气污染指数

2．2空气污染指数分级浓度限值

2．3空气污染指数的计算方法

2．4用空气污染指数评价空气质量

第3章时间序列

3．1时间序列分析的预处理

3．1．1平稳性检验

3．1．2纯随机性检验

3．1．3单位根检验

3．2时间序列基本模型

3．2．1自回归模型

3．2．2移动平均模型

3．2．3自回归移动平均模型

3．3 ARIMA模型建模步骤

3．3．1数据平稳性检验

3．3．2模型识别

3．3．3参数估计

3．3．4诊断检验

第4章神经网络

4．1神经网络的理论基础

4．1．1神经元模型

4．1．2神经元的传递函数

4．1．3神经网络的学习方式

4．2 BP神经网络

4．2．1 BP神经网络的结构和算法

4．2．2 BP网络的设计

4．3 ARMA与BP组合模型

第5章实证分析

5．1空气污染指数的计算及描述性统计分析

5．2基于BP神经网络的空气污染指数预测模型

5．3 ARMA-BP神经网络组合预测模型

第6章结论

6．1本文研究成果

6．2本文创新之处

致谢

参考文献