【摘要】城市空气污染的研究虽然已取得了很大进展，但我国的空气质量预报方法还处在研究和试验阶段。基于以上考虑，本文确定以河北省空气污染特征及其成因、河北省中南部空气质量预报模型的预报方法为主要研究内容，建立了多种预报模型，通过建立评价指标体系，并且对比分析相关参数拟合结果与实际浓度值，确定了最佳的空气质量预报模型。
根据问题一，采用多元线性回归方法，对气压、温度、湿度、风速、日照等5类，共12种气象因子进行研究，筛选出对污染物浓度影响最大的气象因子。以石家庄市、邢台市2014—2016年的气象及污染物数据为基础，利用SPSS统计分析软件，采用逐步回归方法进行分析，筛选出对不同城市、不同季节、不同污染物的浓度影响较为显著的气象因子。以石家庄冬季的污染物PM2.5为例，12个初始输入的冬季气象因子中，共有5个天气因子与污染物浓度之间存在良好的相关性，即最高气温、最低气温、混合层高度、最小相对湿度、日照时长。通过对多元线性回归结果进行显著性检验，发现筛选出的气象因子均与污染物浓度显著相关。
针对问题二，预报模型的建立和检验。在上述分析的基础上，对于空气质量日浓度差值的变化情况，气象因素仅会对污染物的积累或去除造成影响，而与污染源的释放，即污染物浓度的原始增加不具有相关性，因此我们需要将每日污染物浓度的基础数据，即前一日甚至前几日的污染物浓度数据也纳入预测模型中，由此数据的前后关联性和序列性适合使用回归模型和时间序列模型进行分析预测。从对污染物浓度的预测角度来讲，作为一个复杂的非线性系统，除了与不同种类的污染物类别相关，还具有天气时序数据固有的特点。就污染物种类和气象因素而言，它包含6个类别的污染物，具有很强的非线性特征，且数据本身达到一定规模阈值，为充分地利用数据特征强化分析效果，考虑采用机器学习模型和深度学习模型并结合回归模型和时间序列模型的方法进行数据挖掘预测。(www.xing528.com)
对于问题三，以对石家庄市2017年1月、2月预测结果为例，采用不同的指标对空气质量预报结果（AQI）进行评价分析，并对预报值和实际值进行拟合检验，预测结果基本准确。4种不同的指标是相对误差、绝对误差、均方差误差、拟合优度。
【关键词】多元线性回归；气象因子；机器学习算法；深度学习算法；AQI评价分析
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
