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