应用SVM的PM2.5未来一小时浓度动态预报模型

张长江; 戴李杰; 马雷鸣

doi:10.3788/IRLA201746.0226002

应用SVM的PM2.5未来一小时浓度动态预报模型

doi: 10.3788/IRLA201746.0226002

1.
浙江师范大学数理与信息工程学院,浙江金华 321004;
2.
上海市浦东新区气象局,上海 200135

基金项目:

国家自然科学基金（41575046）;浙江省科技厅公益性技术应用研究计划（2016C33010）;浙江省金华市科技计划（2014-3-028）

详细信息

作者简介:
张长江(1974-),男,教授,硕士生导师,博士,主要从事信号与信息处理方面的研究。Email:zcj74922@zjnu.edu.cn

中图分类号: P49

Dynamic model for forecasting concentration of PM2.5 one hour in advance using support vector machine

1.
College of Mathematics,Physics and Information Engineering,Zhejiang Normal University,Jinhua 321004,China;
2.
Shanghai Meteorological Bureau,Pudong New Area,Shanghai 200135,China

摘要: 目前现有的PM2.5模式预报值偏离实况观测值较大。针对上述问题，从上海浦东气象局获得2012年11月~2013年11月的PM2.5实况观测浓度、PM2.5模式预报（WRF-CHEM）浓度和主要气象影响因子的模式预报数据资料，在PM2.5模式预报数据的基础上，加入另外5个主要气象影响因子的模式预报数据，应用支持向量机（SVM）建立动态预报模型，提高PM2.5未来一小时浓度预报的精度，并且与径向基神经网络（RBFNN）、多元线性回归法（MLR）、WRF-CHEM作对比。实验结果表明：该算法较大提高了PM2.5未来一小时浓度预报的精度，预报精度优于RBFNN、MLR和WRF-CHEM，并且对PM2.5浓度变化剧烈的情况具有较好地预报能力。
- PM2.5 /
- 浓度预报 /
- 支持向量机 /
- 动态模型
Abstract: Current PM2.5 model forecasting data greatly deviate from the measured concentration. In order to solve this problem, support vector machine (SVM) was applied to set up a dynamic model. The data of PM2.5 model forecasting (WRF-CHEM) concentration and the five main model forecasting meteorological factors were used as training data of SVM. The data were provided by Shanghai Meteorological Bureau in Pudong New Area (from November in 2012 to November in 2013). The dynamic model was used to improve the forecasting accuracy of PM2.5 concentration one hour in advance. SVM model was compared with radical basis function neural network (RBFNN), Multi-variable Linear Regression (MLR) and WRF-CHEM. Experimental results show that the proposed algorithm greatly improves the forecasting accuracy of PM2.5 concentration one hour in advance. SVM model performs better than RBFNN, MLR and WRF-CHEM, and has better forecasting ability for the condition with concentration dramatic changing.
- PM2.5 /
- concentration forecast /
- support vector machine /
- dynamic model

[1]	Cobourn W G. An enhanced PM2.5 air quality forecast model based on nonlinear regression and back-trajectory concentrations[J]. Atmospheric Environment, 2010, 44(25):3015-3023.
[2]	Liu Huijun. Developing pattern prediction, casual analysis and simulation of PM2.5 pollution in Wuhan City[D]. Changsha:Hunan University, 2014. (in Chinese)刘慧君. 武汉市PM2.5污染的演变预测及成因分析和仿真[D]. 长沙:湖南大学, 2014.
[3]	Baker K R, Foley K M. A nonlinear regression model estimating single source concentrations of primary and secondarily formed PM2.5[J]. Atmospheric Environment, 2011, 45(22):3758-3767.
[4]	Qin Shanshan. Statistical analysis and forecasting of suspended particulate matters, PM10 and PM2.5[D]. Lan zhou:Lanzhou University, 2014. (in Chinese)秦珊珊. 悬浮颗粒物PM10与PM2.5的统计分析与预测[D]. 兰州:兰州大学, 2014.
[5]	Zhang Ping, Zhang Tao, He Liang, et al. Study on prediction and spatial variation of PM2.5 pollution by using improved BP artificial neural network model of computer technology and GIS[J]. Computer Modelling and New Technologies, 2014, 18(12):107-115.
[6]	Li Long, Ma Lei, He Jianfeng, et al. PM2.5 concentration prediction model of least squares support vector machine based on feature vector[J]. Journal of Computer Applications, 2014, (8):2212-2216. (in Chinese)李龙, 马磊, 贺建峰, 等. 基于特征向量的最小二乘支持向量机PM2.5浓度预测模型[J]. 计算机应用, 2014, (8):2212-2216.
[7]	Liu Jie, Yang Peng, Lv Wensheng, et al. Prediction model of PM2. 5 mass concentrations based on fuzzy time series and support vector machine[J]. Journal of University of Science and Technology Beijing, 2014, 36(12):1694-1702. (in Chinese)刘杰, 杨鹏, 吕文生, 等. 模糊时序与支持向量机建模相结合的PM2.5质量浓度预测[J]. 北京科技大学学报, 2014, 36(12):1694-1702.
[8]	Li Jianyang, Yang Zhao, Shi Shenkai. The multivariate gray model approach to predict the concentration of atmospheric fine PM2.5[C]//3rd International Conference on Energy and Environmental Protection, 2014:2362-2365.
[9]	Sun Wei, Zhang Hao, Palazoglu Ahment, et al. Prediction of 24-hour-average PM2.5 concentrations using a hidden Markov model with different emission distributions in Northern California[J]. Science of the Total Environment, 2013, 443:93-103.
[10]	Dong Ming, Yang Dong, Kuang Yan, et al. PM2.5 concentration prediction using hidden semi-Markov model-based times series data mining[J]. Expert Systems With Applications, 2009, 36(5):9046-9055.
[11]	Han Jun, Chang Bo, Lu Shaojun, et al. Image distortion calibration of imaging spectrometer with grating by SVM[J]. Infrared and Laser Engineering, 2014, 43(9):3099-3104. 韩军, 常波, 路邵军, 等. SVM的光栅成像光谱仪图像畸变校准方法[J]. 红外与激光工程, 2014, 43(9):3099-3104.
[12]	Li Jiang, Guo Lihong. Target threat assessment using improved SVM[J]. Optics and Precision Engineering, 2014, 22(5):1354-1362. (in Chinese)李姜, 郭立红. 基于改进支持向量机的目标威胁估计[J]. 光学精密工程, 2014, 22(5):1354-1362.
[13]	Wang Fangbin, Hong Jin, Sun Xiaobing, et al. Prediction of polarization pattern by SVM[J]. Optics and Precision Engineering, 2014, 22(11):2914-2922. (in Chinese)汪方斌, 洪津, 孙晓兵, 等. 基于支持向量机预测偏振模式[J]. 光学精密工程, 2014, 22(11):2914-2922.
[14]	Liang Dong, Yang Qinying, Huang Wenjiang, et al. Estimation of leaf area index based on wavelet transform and support vector machine regression in winter wheat[J]. Infrared and Laser Engineering, 2015, 44(1):335-340. (in Chinese)梁栋, 杨勤英, 黄文江, 等. 基于小波变换与支持向量机回归的冬小麦叶面积指数估算[J]. 红外与激光工程,2015, 44(1):335-340.
[15]	Jin Yan, Chu Zheng, Zhang Jin. Improved weighted support vector regression algorithm for vulnerability assessment of electronic devices illuminated or injected by high power microwave[J]. High Power Laser and Particle Beams, 2014, 26(12):177-182. (in Chinese)金焱, 褚政, 张瑾. 改进加权支持向量机回归方法器件易损性评估[J]. 强激光与粒子束, 2014, 26(12):177-182.

[1]	吴鹏飞, 邓植中, 雷思琛, 谭振坤, 王姣. 基于激光散斑图像多特征参数的表面粗糙度建模研究 . 红外与激光工程, 2023, 52(12): 20230348-1-20230348-11. doi: 10.3788/IRLA20230348
[2]	李芳丽. 监控视频中采用深度支持向量数据描述的异常检测 . 红外与激光工程, 2021, 50(9): 20210094-1-20210094-7. doi: 10.3788/IRLA20210094
[3]	杨彦伟, 张丽丽, 郝晓剑, 张瑞忠. 机器学习结合激光诱导击穿光谱技术铁矿石分类方法 . 红外与激光工程, 2021, 50(5): 20200490-1-20200490-8. doi: 10.3788/IRLA20200490
[4]	张文娟, 吕波, 孙凤娟, 王治非, 吕晨, 付华轩, 李敏, 边萌. 气溶胶消光系数反演PM_2.5质量浓度方法研究 . 红外与激光工程, 2020, 49(S2): 20200367-20200367. doi: 10.3788/IRLA20200367
[5]	孙浩添, 杜福嘉, 张志永. 基于模型预测控制的大口径快摆镜随动系统 . 红外与激光工程, 2020, 49(2): 0214001-0214001. doi: 10.3788/IRLA202049.0214001
[6]	谢冰, 段哲民, 马鹏阁, 陈宇. 动态金字塔模型的红外图像SR重建 . 红外与激光工程, 2018, 47(1): 126001-0126001(6). doi: 10.3788/IRLA201847.0126001
[7]	邹媛媛, 李鹏飞, 左克铸. 三线结构光视觉传感器现场标定方法 . 红外与激光工程, 2018, 47(6): 617002-0617002(6). doi: 10.3788/IRLA201847.0617002
[8]	张东阁, 傅雨田. 基于一类支持向量机的盲元检测方法 . 红外与激光工程, 2018, 47(4): 404001-0404001(7). doi: 10.3788/IRLA201847.0404001
[9]	吴军伟, 缪玲娟, 李福胜, 沈军. 改进支持向量机的光纤陀螺温度漂移补偿方法 . 红外与激光工程, 2018, 47(5): 522003-0522003(6). doi: 10.3788/IRLA201847.0522003
[10]	张文涛, 李跃文, 占平平, 熊显名. 基于太赫兹时域光谱技术与PCA-SVM的转基因大豆油鉴别研究 . 红外与激光工程, 2017, 46(11): 1125004-1125004(6). doi: 10.3788/IRLA201746.1125004
[11]	刘志青, 李鹏程, 郭海涛, 张保明, 陈小卫, 丁磊, 赵传. 基于相关向量机的机械LiDAR点云数据分类 . 红外与激光工程, 2016, 45(S1): 98-104. doi: 10.3788/IRLA201645.S130006
[12]	张东阁, 傅雨田. 基于在线最小二乘支持向量机的变形镜建模与控制 . 红外与激光工程, 2016, 45(11): 1118007-1118007(7). doi: 10.3788/IRLA201645.1118007
[13]	李睿, 赵阳. 机器人热影响模型分析及动态精度补偿 . 红外与激光工程, 2015, 44(8): 2382-2388.
[14]	梁栋, 杨勤英, 黄文江, 彭代亮, 赵晋陵, 黄林生, 张东彦, 宋晓宇. 基于小波变换与支持向量机回归的冬小麦叶面积指数估算 . 红外与激光工程, 2015, 44(1): 335-340.
[15]	王晓飞, 侯传龙, 阎秋静, 张钧萍, 汪爱华. 基于相关向量机的高光谱图像噪声评估算法 . 红外与激光工程, 2014, 43(12): 4159-4163.
[16]	梁栋, 谢巧云, 黄文江, 彭代亮, 杨晓华, 黄林生, 胡勇. 最小二乘支持向量机用于时间序列叶面积指数预测 . 红外与激光工程, 2014, 43(1): 243-248.
[17]	韩军, 常波, 路邵军, 吴玲玲, 占春连. SVM 的光栅成像光谱仪图像畸变校准方法 . 红外与激光工程, 2014, 43(9): 3099-3104.
[18]	李庆辉, 李艾华, 苏延召, 马治明. 结合FCM聚类与SVM的火焰检测算法 . 红外与激光工程, 2014, 43(5): 1660-1666.
[19]	卞春江, 余翔宇, 侯晴宇, 张伟. 最小化支持向量数分类器的云检测 . 红外与激光工程, 2014, 43(6): 1818-1822.
[20]	李慧, 吴军辉, 胡欣, 樊宏杰, 赵宏鹏, 黄振宇. 两维转镜的等效动态控制误差模型辨识 . 红外与激光工程, 2013, 42(2): 366-371.

点击查看大图

计量

文章访问数: 401
HTML全文浏览量: 71
PDF下载量: 153
被引次数: 0

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

应用SVM的PM2.5未来一小时浓度动态预报模型

doi: 10.3788/IRLA201746.0226002

作者简介:
张长江(1974-),男,教授,硕士生导师,博士,主要从事信号与信息处理方面的研究。Email:zcj74922@zjnu.edu.cn

Dynamic model for forecasting concentration of PM2.5 one hour in advance using support vector machine

计量

应用SVM的PM2.5未来一小时浓度动态预报模型

doi: 10.3788/IRLA201746.0226002

1. 浙江师范大学数理与信息工程学院,浙江金华 321004;

2. 上海市浦东新区气象局,上海 200135

作者简介:
张长江(1974-),男,教授,硕士生导师,博士,主要从事信号与信息处理方面的研究。Email:zcj74922@zjnu.edu.cn

English Abstract

Dynamic model for forecasting concentration of PM2.5 one hour in advance using support vector machine

1. College of Mathematics,Physics and Information Engineering,Zhejiang Normal University,Jinhua 321004,China;

2. Shanghai Meteorological Bureau,Pudong New Area,Shanghai 200135,China

全文HTML

目录

留言板

应用SVM的PM2.5未来一小时浓度动态预报模型

doi: 10.3788/IRLA201746.0226002

作者简介: 张长江(1974-),男,教授,硕士生导师,博士,主要从事信号与信息处理方面的研究。Email:zcj74922@zjnu.edu.cn

Dynamic model for forecasting concentration of PM2.5 one hour in advance using support vector machine

计量

出版历程

应用SVM的PM2.5未来一小时浓度动态预报模型

doi: 10.3788/IRLA201746.0226002

1. 浙江师范大学 数理与信息工程学院,浙江金华 321004; 2. 上海市浦东新区气象局,上海 200135

作者简介: 张长江(1974-),男,教授,硕士生导师,博士,主要从事信号与信息处理方面的研究。Email:zcj74922@zjnu.edu.cn

English Abstract

Dynamic model for forecasting concentration of PM2.5 one hour in advance using support vector machine

1. College of Mathematics,Physics and Information Engineering,Zhejiang Normal University,Jinhua 321004,China; 2. Shanghai Meteorological Bureau,Pudong New Area,Shanghai 200135,China

全文HTML

目录

作者简介:
张长江(1974-),男,教授,硕士生导师,博士,主要从事信号与信息处理方面的研究。Email:zcj74922@zjnu.edu.cn

1. 浙江师范大学数理与信息工程学院,浙江金华 321004;

2. 上海市浦东新区气象局,上海 200135

作者简介:
张长江(1974-),男,教授,硕士生导师,博士,主要从事信号与信息处理方面的研究。Email:zcj74922@zjnu.edu.cn

1. College of Mathematics,Physics and Information Engineering,Zhejiang Normal University,Jinhua 321004,China;

2. Shanghai Meteorological Bureau,Pudong New Area,Shanghai 200135,China