孟慶云 張若晴 袁朱紅 李智坤 冀德剛
摘要 通過分析天津市2017年1月1日至2018年4月20日空氣質(zhì)量6項指標(biāo)SO2、PM2.5、PM10、O3、CO、NO2逐日數(shù)據(jù),應(yīng)用時間序列分析法建立ARIMA(p,d,q) (P,D,Q)模型。利用SPSS軟件預(yù)測2018年4月21—27日各指標(biāo)數(shù)據(jù),將預(yù)測結(jié)果和已有數(shù)據(jù)進行對比,擬合效果很好,認(rèn)為該模型預(yù)測結(jié)果較理想。再用其預(yù)測未來7 d各項空氣指標(biāo)數(shù)據(jù),觀察數(shù)據(jù)的變化趨勢,分析原因并提出可行性解決方案。
關(guān)鍵詞 空氣質(zhì)量;時間序列分析;ARIMA;預(yù)測
中圖分類號:R122 文獻標(biāo)識碼:A 文章編號:2095-3305(2018)05-044-02
DOI: 10.19383/j.cnki.nyzhyj.2018.05.016
近年來,城市空氣質(zhì)量已成為大眾關(guān)注焦點問題。SO2、PM2.5、PM10、O3、CO、NO2作為天津市最主要的污染物,嚴(yán)重危害人民的身體健康,對生產(chǎn)、生活以及經(jīng)濟的發(fā)展都有較大的影響。隨著人們對空氣質(zhì)量的關(guān)注度的日益提升,空氣質(zhì)量的預(yù)測分析已勢在必行。
目前,常用的預(yù)測方法有灰色預(yù)測、BP神經(jīng)網(wǎng)絡(luò)和時間序列分析法[1]等,其中神經(jīng)網(wǎng)絡(luò)預(yù)測模型應(yīng)用較廣,該模型收斂效果較好,精度高,但其具有易陷入局部最優(yōu)、過擬合、網(wǎng)絡(luò)容錯能力差等問題,影響了預(yù)測模型的泛化能力[2] 。基于此,文中應(yīng)用時間序列分析建立ARIMA模型,對未來天津市空氣質(zhì)量各項指標(biāo)進行了預(yù)測,根據(jù)預(yù)測結(jié)果,分析了各污染物變化趨勢的原因,并提出改進建議。
1 模型的建立
1.1 數(shù)據(jù)預(yù)處理
選取天津市2017年1月1日至2018年4月20日NO2逐日數(shù)據(jù),令Xt表示t時刻天津市NO2數(shù)據(jù)。首先用Q-Q圖檢驗數(shù)據(jù)是否符合正態(tài)分布,然后繪制序列圖,顯示出序列Xt具有周期性和季節(jié)性,是非平穩(wěn)序列,故進行一階差分變換得到y(tǒng)t。再根據(jù)時間序列平穩(wěn)性的檢測方法,可認(rèn)為序列yt是平穩(wěn)的。由于數(shù)據(jù)具有周期性和季節(jié)性,則需對數(shù)據(jù)進行季節(jié)性差分和季節(jié)分解,再對序列Xt建立ARIMA(p,d,q) (P,D,Q)模型。
1.2 模型定階
根據(jù)d階差分自相關(guān)函數(shù)和偏相關(guān)函數(shù)的截尾性來判定模型的階[3]。如圖1所示,自相關(guān)函數(shù)在k=2時截尾,偏相關(guān)函數(shù)在k=2之后呈現(xiàn)拖尾,因此初步判定模型為ARIMA(2,1,2).同時由于Xt的一階季節(jié)差分的偏自相關(guān)系數(shù)在k=3時截尾,故考慮季節(jié)性ARIMA(3,1,1)。同時考慮ARIMA(1,1,2) (3,1,1)、ARIMA(1,1,3)(3,1,1)、ARIMA(1,1,2)(4,1,1)和ARIMA(1,1,2) (3,1,2)模型對數(shù)據(jù)的擬合效果.通過比較ARIMA(1,1,2) (3,1,2)模型的平穩(wěn)的R方最大,統(tǒng)計量最小同時BIC[4]最小,因此可以認(rèn)為ARIMA(1,1,2) (3,1,2)模型對Xt進行擬合較為合適。
2 模型的檢驗
2.1 NO2的預(yù)測
預(yù)測2018年4月21—27日NO2數(shù)據(jù),與真實數(shù)據(jù)進行對比,檢驗?zāi)P偷念A(yù)測效果。從圖2可以看出該模型的預(yù)測效果很好,可應(yīng)用該模型對2018年4月28日至2018年5月4日天津市NO2進行預(yù)測,預(yù)測結(jié)果如表1所示。
2.2 其他5項指標(biāo)的預(yù)測
運用同樣的方法對天津市空氣質(zhì)量其他5項指標(biāo)進行模型的建立與檢驗,SO2的模型是ARIMA(5,1,3)×(4,1,0),O3的模型是ARIMA(2,1,2)×(4,1,0),PM2.5的模型是ARIMA(1,1,2)×(3,1,3),PM10的模型是ARIMA(3,1,3)×(2,1,2),CO的模型是ARIMA(3,0,8)×(2,0,2),用其模型預(yù)測2018年4月28日至5月4日的空氣指標(biāo)的值如表1所示。
3 小結(jié)
根據(jù)預(yù)測結(jié)果,天津市的空氣質(zhì)量呈好轉(zhuǎn)趨勢,并出現(xiàn)以一年為周期的規(guī)律性變化,同時季節(jié)因素也不容忽視。夏季的空氣質(zhì)量較冬季明顯改善,究其原因可能與季節(jié)、氣象和政策有關(guān),分析原因如下: ①夏季燃煤量減少,顆粒污染減輕;②夏季較頻繁的降雨及大氣天氣,有利于PM2.5的擴散和清除,使其濃度下降。SO2易溶于水,充沛的雨水對空氣中的污染物起到?jīng)_刷作用;③夏季天氣炎熱,空氣對流強烈,大氣層下墊面抬高,大氣聯(lián)合穩(wěn)定度下降,污染物容易擴散,空氣污染指數(shù)降低;④天津市2018年深入推進污染防治攻堅戰(zhàn),著力改善生態(tài)環(huán)境質(zhì)量.全面完成控煤、控車、控塵、控工業(yè)污染等目標(biāo)任務(wù);⑤為加強環(huán)保審批服務(wù),創(chuàng)造良好營商環(huán)境,天津出臺了“津八條”。
為了使空氣質(zhì)量得到進一步的改善,提出以下建議:①加強小工廠的整治力度,改變能源結(jié)構(gòu);②工業(yè)合理布局,搞好環(huán)境規(guī)劃,倡導(dǎo)植樹造林,綠化生態(tài)環(huán)境;③強化環(huán)境督察管理。
參考文獻
[1] 牛玉霞. 基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量預(yù)測與模型研究[J]. 國際IT傳媒品牌,2017,38(12):49-53.
[2] 牟敬鋒,趙星,樊靜潔,等. 基于ARIMA模型的深圳市空氣質(zhì)量指數(shù)時間序列預(yù)測研究[J]. 環(huán)境衛(wèi)生學(xué)雜志,2017,2 (7):102-117.
[3] 李媛.ARIMA模型在平均工資預(yù)測中的應(yīng)用[J].電子技術(shù)與軟件工程,2018(9):172-174.
[4] 李燕婷,張宏偉,任宏,等. 上海市流感樣病例發(fā)病趨勢的時間序列分析和預(yù)測模型研究[J]. 中華預(yù)防醫(yī)學(xué)雜志,2007,41 (6):496-498.
責(zé)任編輯:劉赟