| 主权项 |
一种基于特征向量和最小二乘支持向量机的PM2.5浓度预测方法，其特征在于：首先收集与PM2.5浓度相关的污染物浓度数据进行预处理；然后计算综合气象指数；再对与PM2.5浓度相关的污染物浓度数据、综合气象指数进行相关性分析，得到包含综合气象指数的特征向量构成特征向量A和得到去除综合气象指数的特征向量构成特征向量B；最后通过特征向量A、特征向量B构成训练样本训练LS‑SVM模型并对预测结果进行评价；所述方法的具体步骤如下：Step1、收集与PM2.5浓度相关的污染物浓度数据进行预处理：选取与PM2.5浓度相关的污染物浓度数据进行汇总；其中对于有缺失的数据，则采用平均值法将其补全；Step2、计算综合气象指数：将空气湿度、风力、温度三个因素与PM2.5的形成机理相结合，提出综合气象指数：<i>D</i>=1.8×<i>T</i>+0.55(1‑<i>H</i>)+3.2<i>W</i><sup>1/2</sup>+27式中，<i>D</i>为综合气象指数，无量纲；<i>T</i>为平均气温，量纲为℃；<i>H</i>为平均相对湿度，量纲为%；<i>W</i>为平均风速，量纲为m/s；Step3、相关性分析：采用皮尔逊相关系数方法确定相关的污染物浓度数据、综合气象指数与PM2.5浓度相关性的大小，得出与PM2.5浓度呈正相关、呈负相关的数据，选择相关系数绝对值大于0.6的因素构成特征向量；其中，包含综合气象指数的特征向量构成特征向量A，去除综合气象指数的特征向量构成特征向量B；Step4、预测模型的预测结果评价：将收集的PM2.5浓度值<i>y</i><sub><i>i</i></sub>、特征向量A数据<i>x</i><sub><i>i</i>1</sub>,<i>x</i><sub><i>i</i>2</sub>,<i>x</i><sub><i>i</i>2</sub>,<i>x</i><sub><i>i</i>3</sub>,<i>x</i><sub><i>i</i>4</sub>,…,<i>x</i><sub><i>in</i></sub>、特征向量B数据<i>x</i><sub><i>i</i>1</sub>,<i>x</i><sub><i>i</i>2</sub>,<i>x</i><sub><i>i</i>2</sub>,<i>x</i><sub><i>i</i>3</sub>,<i>x</i><sub><i>i</i>4</sub>,…,<i>x</i><sub><i>im</i></sub>分为两组，一组数据为训练组，另一组数据为测试组：通过训练组的PM2.5的浓度真实值分别与训练组的特征向量A、训练组的特征向量B构成训练样本A和训练样本B训练LS‑SVM模型，得到PM2.5预测模型A、PM2.5预测模型B；使用PM2.5预测模型A、测试组的特征向量A和PM2.5预测模型B、测试组的特征向量B分别对测试组的PM2.5的浓度值进行预测；再通过测试组的PM2.5的浓度预测值与测试组的PM2.5浓度真实值选用均方误差MSE和绝对误差ABS分别对PM2.5预测模型A、PM2.5预测模型B预测的PM2.5的浓度预测值进行评价；其中，<i>i</i>表示收集数据的天数，<i>n</i>表示特征向量A的样本容量，<i>m</i>表示特征向量B的样本容量，<i>m</i>=<i>n</i>‑1。 |
