论文部分内容阅读
近几年,伴随着公众对环境行为与意识的不断提高,公众对环境的诉求和期望也在不断提升,由于环境问题引起的公众环境情绪变化可能会引发社会群体焦虑与烦躁等问题,因此,分析公众环境情绪影响因素,建立公众环境情绪预测模型,对提前预防因环境问题可能引发的社会群体事件具有重要的意义。公众环境情绪属于心理空间信息,如何量化由于环境质量变化所引起的公众环境情绪的变化,全面分析对公众环境情绪造成重点影响的大气物理与化学因素,实现公众环境情绪的可量化与可预测,是当前公共环境领域研究的难点。本文研究基于公众参与式感知方式,利用“印象生态”APP收集的“公众环境满意度”数据,在分析大气环境与公众环境情绪之间的关系的基础上,提出公众环境情绪预测模型。具体研究工作包括:（1）公众环境情绪影响因素分析。以兰州市数据为例,利用大气环境因素与公众环境满意度,建立多元回归模型（OLS）,根据OLS模型反向淘汰原则从大气环境因素中筛选出PM2.5、PM10、温度（TMP）、湿度（HUM）作为关键因素,与公众环境满意度进行Pearson相关分析。结果表明:PM2.5和PM10与公众环境满意度间呈现较强负相关（-0.77和-0.61）,而TMP和HUM与公众环境满意度间呈现较弱正相关（0.25和0.15）。因此,降低兰州市PM2.5与PM10浓度,对提高公众环境满意度有着积极的作用。（2）时间序列上公众环境情绪及其影响因素动态关系分析。构建公众环境情绪及其时间序列影响因素PM2.5、PM10、TMP、HUM的向量自回归模型（VAR）,根据对变量系统进行平稳性检验,依据模型特性计算滞后阶数,并通过AR特征根检验,确定构建4阶滞后期的VAR（4）模型,采用格兰杰因果检验、广义脉冲响应分析和方差分解分析PM2.5、PM10、TMP、HUM对公众环境情绪的动态影响。结果表明:在模型滞后期为4的条件下,PM10与TMP对公众环境满意度的影响前期呈现正相关,后期呈现负相关,PM2.5对公众环境满意度的总体影响呈现负相关,HUM对公众环境满意度的总体影响呈现正相关。因此,对兰州市来说提升公众环境满意度,降低PM2.5和提升HUM是主要路径。（3）公众环境情绪预测模型构建。分别基于LSTM与RNN建立公众环境情绪预测模型,分析LSTM在公众环境情绪预测上的优势。结果表明:比起RNN而言,基于LSTM的公众环境情绪预测模型在学习过程中表现出色,在预测公众环境情绪等级时LSTM的预测准确率（90.53%）比RNN的预测准确率（86.95%）高3.58%,预测公众环境情绪等级时LSTM的平均误差（1.0731%）比RNN的平均误差（1.2116%）低0.1385%,因此,基于LSTM的公众环境情绪预测模型可以通过物理空间信息预测公众环境情绪预测等级,且预测效果良好。