基于特征向量的最小二乘支持向量机PM2.5浓度预测模型-论文.pdf

《基于特征向量的最小二乘支持向量机PM2.5浓度预测模型-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、JournalofComputerApplicationsISSN1001．90812014．08—10计算机应用，2014，34(8)：2212—2216CODENJYIIDUhttp：／／www．joca．an文章编号：1001—9081(2014)08-221205doi：10．11772／j．issn．1001—9081．2014．08．2212基于特征向量的最小二乘支持向量机PM2．5浓度预测模型李龙，马磊，贺建烽，邵党国，易三莉，相艳，刘立芳(昆明理工大学信息工程与自动化学院，昆明650500)(通信作者电子邮箱jfen

2、ghe@kmust．edu．CB)摘要：针对大气中细颗粒物(PM2．5)浓度预测的问题，提出一种预测模型。首先，通过引入综合气象指数综合考虑风力、湿度、温度等因素；然后，结合实际二氧化硫(SO)浓度、二氧化氮(NO：)浓度、一氧化碳(CO)浓度和PMIO浓度等，构成特征向量；最后，利用特征向量和PM2．5浓度数据来建立最小二乘支持向量机(LS—SVM)预测模型。经2013年城市A和城市B环境监测中心的数据预测分析表明，引入综合气象指数后预测的准确性提高，误差降低近30％。说明该模型能够较为准确地预测PM2．5浓度，并具有较高的泛化能

3、力。此外还分析了PM2．5浓度与住院率、医院门诊量的关系，发现了它们的高度相关性。关键词：PM2．5浓度预测；综合气象指数；特征向量；相关性分析；最小二乘支持向量机中图分类号：TV391．4；TP18文献标志码：APM2．5concentrationpredictionmodelofleastsquaressupportvectormachinebasedonfeaturevectorLIlong，MALei，HEJianfeng’。，SHAODangguo，YISanli，XIANGYan，UULifang(SchoolofInf

4、ormationEngineeringandAutomation，KunmingUniversityofScienceandTechnology,KunmingYunnan650500，China)Abstract：TosolvetheproblemofFineParticulateMatter(PM2．5)concentrationprediction，aPM2．5concentrationpredictionmodelwasproposed．First，throughintroducingthecomprehensivemete

5、orologicalindex，thefactorsofwind，humidity，temperaturewerecomprehensivelyconsidered；thenthefeaturevectorwasconductedbycombiningtheactualconcentrationofSO2，NO2，COandPMIO；finallytheLeastSquaresSupportVectorMachine(LS-SVM)predictionmodelWasbuiltbasedonfeaturevectorandPM2．5

6、concentrationdata．TheexperimentalresultsusingthedatafromthecityAandcityBenvironmentalmonitoringcentersin2013showthat，theforecastaccuracyisimprovedaftertheintroductionofacomprehensiveweatherindex，errorisreducedbynearly30％．TheproposedmodelcanmoreaccuratelypredictthePM2．5

7、concentrationandithasahighgeneralizationability．Furthermore，theauthoranalyzedtherelationshipbetweenPM2．5concentrationandtherateofhospitalization。hospitaloutpatientserviceamount。andf0undahighcorrelationbetweenthem，Keywords：FineParticulateMatter(PM2．5)concentrationpredic

8、tion；comprehensivemeteorologicalindex；featurevector；correlationanalysis；LeastSquaresSupportVectorMachine(LS—SVM)来空气质量