论文部分内容阅读
近年来，随着中国经济的快速发展，空气污染也日趋严重。细颗粒物(PM2.5)作为空气中主要污染物之一，含有大量有毒有害物质，因其粒径小，极易进入人体内，危害人体健康。另外，它不仅在大气中的停留时间长，而且输送距离远，能够促进雾霾的形成，导致空气能见度降低，严重影响空气质量和大气环境。尽管在中国大多数城市都建立了自己的空气质量监测网络，但是监测网络只能提供实时的污染物信息。因此，及时准确地预测现在和未来的PM2.5浓度，可以为空气污染的控制管理和预警提供依据，同时也为指导人们的出行和保护人体健康提供了帮助。随着城市规模的不断发展，目前城市空气质量监测网络中的监测站的数量是不足的，因此优化监测网络也是至关重要的。
针对PM2.5浓度预测和监测网络优化两方面的问题，本文主要工作如下：
首先，收集太原市空气质量和气象数据，并对其进行数据预处理。数据预处理后，采用数据挖掘和统计方法分析影响PM2.5浓度的因素。由于PM2.5在产生和排放的过程中会伴随着空气中其他污染物的排放，在一定程度上空气污染物也可以相互转化，所以PM2.5浓度与其他污染物浓度之间存在着相关关系。通过对PM2.5浓度在不同时间尺度的变化规律进行可视化，总结时间特征对PM2.5浓度的影响。
其次，在PM2.5浓度预测方面，本文提出一种基于深度学习方法的AC-LSTM(Attention-based CNN-LSTM)模型，预测未来24小时的PM2.5浓度。采用相关系数和自相关函数分析PM2.5浓度的时空相关性，分析结果表明，过去时间的PM2.5浓度会影响当前和未来的PM2.5浓度，预测区域PM2.5浓度与周围站点的PM2.5浓度密切相关。于是以污染物浓度、气象特征和邻近监测站的PM2.5浓度作为AC-LSTM的模型输入，构建多时间尺度预测器。AC-LSTM模型可以处理空气质量相关的时序数据，并能够有效地模拟PM2.5浓度的时空相关性。本文还在预测模型中加入基于attention机制的网络层，可以衡量过去不同时间的特征状态对未来PM2.5浓度影响的重要程度。通过与六种机器学习方法对比，AC-LSTM模型在预测不同时间的PM2.5浓度时，都取得了较高的预测精度。
最后，本文利用主成分分析法和层次聚类分析太原市空气质量监测网络中PM2.5、PM10和SO2三种污染物浓度的变化，揭示监测网络中污染物浓度变化的相似性，结果表明监测网络中存在冗余的监测设备。本文结合太原市的地理环境和产业分布，提出了优化方案。此外，针对目前太原市监测网络存在的其他问题，本文也提出相应解决方法。
针对PM2.5浓度预测和监测网络优化两方面的问题，本文主要工作如下：
首先，收集太原市空气质量和气象数据，并对其进行数据预处理。数据预处理后，采用数据挖掘和统计方法分析影响PM2.5浓度的因素。由于PM2.5在产生和排放的过程中会伴随着空气中其他污染物的排放，在一定程度上空气污染物也可以相互转化，所以PM2.5浓度与其他污染物浓度之间存在着相关关系。通过对PM2.5浓度在不同时间尺度的变化规律进行可视化，总结时间特征对PM2.5浓度的影响。
其次，在PM2.5浓度预测方面，本文提出一种基于深度学习方法的AC-LSTM(Attention-based CNN-LSTM)模型，预测未来24小时的PM2.5浓度。采用相关系数和自相关函数分析PM2.5浓度的时空相关性，分析结果表明，过去时间的PM2.5浓度会影响当前和未来的PM2.5浓度，预测区域PM2.5浓度与周围站点的PM2.5浓度密切相关。于是以污染物浓度、气象特征和邻近监测站的PM2.5浓度作为AC-LSTM的模型输入，构建多时间尺度预测器。AC-LSTM模型可以处理空气质量相关的时序数据，并能够有效地模拟PM2.5浓度的时空相关性。本文还在预测模型中加入基于attention机制的网络层，可以衡量过去不同时间的特征状态对未来PM2.5浓度影响的重要程度。通过与六种机器学习方法对比，AC-LSTM模型在预测不同时间的PM2.5浓度时，都取得了较高的预测精度。
最后，本文利用主成分分析法和层次聚类分析太原市空气质量监测网络中PM2.5、PM10和SO2三种污染物浓度的变化，揭示监测网络中污染物浓度变化的相似性，结果表明监测网络中存在冗余的监测设备。本文结合太原市的地理环境和产业分布，提出了优化方案。此外，针对目前太原市监测网络存在的其他问题，本文也提出相应解决方法。