基于距离相关系数和支持向量机回归的PM 2.5 浓度滚动统计预报方案
摘要
针对目前空气质量统计预报方法存在的主要缺陷，本文提出了距离相关系数和支持向量机回归相结合的统计预报方案DC-SVR.利用淮安市2013年1—12月PM2.5观测资料和常规气象观测资料，首先在选入预报当日气象要素的基础上，增加选取前期污染物和气象要素作为预报因子，再采用距离相关系数分季节从预报因子中筛选出重要预报因子，最后采用支持向量机回归对PM2.5浓度值进行逐日滚动统计预报.研究发现，淮安地区气温和气压对PM2.5的距离相关性要高于其他气象要素，夏秋季PM2.5与气象要素的距离相关性较春冬季好.基于距离相关系数和支持向量机回归建立DC-SVR模型，PM2.5的试预报值和实测值的全年相关系数高达0.76，平均偏差仅为1.13 μg·m-3，平均绝对误差为23.47 μg·m-3.通过与支持向量机回归、人工神经网络的统计预报效果对比，DC-SVR模型有效降低预报因子维数且能自适应选取最佳参数，预报精度显著优于其他3种统计预报方案，可为业务化预报提供参考.
引用本文（GB/T 7714）
王黎明, Wang Liming, 吴香华, 等. 基于距离相关系数和支持向量机回归的PM 2.5 浓度滚动统计预报方案[J]. 未知来源, 2017.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。