宋國(guó)君,國(guó)瀟丹*,楊 嘯,劉 帥

?

沈陽市PM2.5濃度ARIMA-SVM組合預(yù)測(cè)研究

宋國(guó)君1,國(guó)瀟丹1*,楊 嘯1,劉 帥2

(1.中國(guó)人民大學(xué)環(huán)境學(xué)院,北京 100872；2.農(nóng)業(yè)農(nóng)村部管理干部學(xué)院,北京 102208)

首先利用回歸樹分類方法,對(duì)采暖期與非采暖期各日進(jìn)行氣象類型劃分,識(shí)別出易造成重污染天氣的氣象類型.其次分別在各氣象類型內(nèi),以污染源排放量為自變量,利用差分自回歸滑動(dòng)平均與支持向量機(jī)(ARIMA+SVM)組合方法建立起PM2.5濃度日均值預(yù)測(cè)模型,并選取2013年01月~2017年06月間,沈陽市區(qū)內(nèi)9個(gè)環(huán)境監(jiān)測(cè)點(diǎn)PM2.5濃度日均值進(jìn)行實(shí)證分析.結(jié)果表明,使用氣象分類下的ARIMA+SVM組合模型對(duì)PM2.5濃度日均值進(jìn)行預(yù)測(cè),相比于不劃分氣象類型時(shí)的普通機(jī)器學(xué)習(xí)模型,其模型預(yù)測(cè)值與實(shí)測(cè)值趨勢(shì)的吻合度更高,且對(duì)峰-谷值的識(shí)別能力更強(qiáng).在采暖期與非采暖期,組合模型均具有平均絕對(duì)誤差更低、預(yù)測(cè)正確率更高的優(yōu)點(diǎn).

PM2.5濃度；氣象類型；ARIMA-SVM組合模型；預(yù)測(cè)方法

隨著我國(guó)經(jīng)濟(jì)發(fā)展進(jìn)入新常態(tài),空氣質(zhì)量已成為最受關(guān)注的民生問題之一.作為影響我國(guó)空氣質(zhì)量的首要污染物,PM2.濃度的準(zhǔn)確預(yù)報(bào)對(duì)預(yù)判重污染天氣,制定應(yīng)急預(yù)案啟動(dòng)機(jī)制,優(yōu)化企業(yè)限產(chǎn)方案具有重要意義.

美國(guó)、澳大利亞等國(guó)家早在20世紀(jì)就開展了大規(guī)模的城市空氣質(zhì)量預(yù)報(bào)研究[1].我國(guó)自2001年起開始發(fā)布空氣質(zhì)量預(yù)報(bào),預(yù)報(bào)模型包括機(jī)理模型和非機(jī)理模型[2].機(jī)理模型以實(shí)時(shí)探空氣象內(nèi)插和污染監(jiān)測(cè)資料構(gòu)建初始場(chǎng),并加入地面氣象和污染源排放資料,經(jīng)過復(fù)雜的網(wǎng)絡(luò)嵌套和推演過程,得出未來24~48h的污染物濃度預(yù)報(bào)值[3],主要包括中國(guó)科學(xué)院大氣物理所開發(fā)的“城市空氣污染預(yù)報(bào)(EMH)”、中國(guó)氣象局氣象科學(xué)研究院開發(fā)的“城市空氣污染預(yù)報(bào)(CAPPS)”和“霧-霾數(shù)值預(yù)報(bào)(CUACE/Haze-fog)”三個(gè)模型[4].模型涵蓋了污染物由產(chǎn)生到擴(kuò)散的復(fù)雜物理化學(xué)過程,但其初始場(chǎng)構(gòu)建十分困難,預(yù)報(bào)過程復(fù)雜,對(duì)于未使用過相應(yīng)系統(tǒng)和大氣物理知識(shí)缺乏的普通研究者來說,幾乎無法操作和復(fù)制.

非機(jī)理模型則通過歷史數(shù)據(jù)來判斷污染物濃度變化規(guī)律,主要包括統(tǒng)計(jì)模型和機(jī)器學(xué)習(xí)模型[5].目前已有很多學(xué)者選取污染物濃度、溫度、濕度、氣壓、風(fēng)速、水汽壓等影響因子,使用多元線性回歸、小波神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)模型對(duì)PM2.5等濃度進(jìn)行預(yù)測(cè)[6-10].非機(jī)理模型未將污染物的形成過程同氣象條件影響下的污染物擴(kuò)散過程分離開,不符合科學(xué)機(jī)理,且未將可控的生產(chǎn)行為與不可控的天氣現(xiàn)象區(qū)別開.另外,以污染物濃度作為預(yù)測(cè)自變量的方式,認(rèn)為PM2.5濃度與SO2、NO等污染物具有直接關(guān)聯(lián),忽略了由工業(yè)生產(chǎn)、燃料燃燒、交通運(yùn)輸、揚(yáng)塵等形成的PM2.5一次來源,未關(guān)注造成大氣污染的人類行為本質(zhì),對(duì)污染源管理并無借鑒意義.在進(jìn)行預(yù)報(bào)時(shí),除需要輸入常規(guī)氣象要素預(yù)測(cè)值外,還需要輸入其他污染物濃度預(yù)測(cè)值,對(duì)預(yù)測(cè)精度產(chǎn)生了很大影響[3].

強(qiáng)逆溫、高濕度、偏南風(fēng)、低氣壓天氣對(duì)沈陽市空氣污染擴(kuò)散明顯不利[11].為避免客觀條件制約對(duì)主觀管理效果的弱化,應(yīng)將氣象因素與污染物來源分開.本文綜合機(jī)理與非機(jī)理模型提出一種全新的城市PM2.5濃度預(yù)測(cè)方式.首先,使用回歸樹方法,對(duì)沈陽市每個(gè)自然日進(jìn)行氣象類型劃分,使得類型內(nèi)部各天的擴(kuò)散模式近似相同.隨后,在每個(gè)類型中以污染源日排放量為自變量,使用“差分自回歸滑動(dòng)平均-支持向量機(jī)(ARIMA-SVM)”組合模型進(jìn)行PM2.5濃度預(yù)測(cè).ARIMA-SVM組合預(yù)測(cè)方法既擬合了歷史數(shù)據(jù)的線性關(guān)系,又對(duì)殘差部分進(jìn)行了非線性建模,避免了普通SVM預(yù)測(cè)模型對(duì)具有明顯下降趨勢(shì)的時(shí)間序列進(jìn)行預(yù)測(cè)時(shí),結(jié)果偏高的問題;模型相比于常規(guī)SVM及已有文獻(xiàn)中使用距離相關(guān)系數(shù)等優(yōu)化后的SVM模型,均方根誤差可降低2.42%~33.93%[12-13].本文所提出的優(yōu)先進(jìn)行氣象分類的思想,不僅可以識(shí)別出易引起PM2.5濃度超標(biāo)的類型,也便于對(duì)惡劣擴(kuò)散天氣設(shè)計(jì)有針對(duì)性的應(yīng)急響應(yīng)措施.未來可通過修改污染源排放量的方式,判斷各點(diǎn)源減排貢獻(xiàn)率和成本有效性,為空氣質(zhì)量達(dá)標(biāo)規(guī)劃的設(shè)計(jì)提供可靠依據(jù).

1 研究方法

1.1 研究思路

圖1 研究思路邏輯框

本文提出了一種全新的城市PM2.5日均濃度預(yù)測(cè)方法,這種方法首先基于回歸樹分類法對(duì)各日進(jìn)行氣象要素組合分類,使得各類型中氣象條件基本相同,將不受控的客觀因素與可控的污染源排放分離開,突出空氣質(zhì)量管理績(jī)效;隨后在各氣象類型內(nèi)分別進(jìn)行ARIMA+SVM組合預(yù)測(cè),使用歷史數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí),識(shí)別PM2.5濃度與污染源排放量間的關(guān)系;在實(shí)際預(yù)測(cè)中,使用氣象預(yù)報(bào)數(shù)據(jù)判斷目標(biāo)日氣象類型,并將該日污染源排放量預(yù)測(cè)值帶入所屬類型ARIMA+SVM模型,得出PM2.5濃度預(yù)測(cè)值.整體研究思路如圖1所示.

1.2 回歸樹氣象分類方法

污染物的擴(kuò)散、稀釋、積聚和滯留都受到氣象條件的影響[14-15].PM2.5濃度與濕度、風(fēng)速、風(fēng)向、氣壓、氣溫等具有密切關(guān)聯(lián)[16-17].對(duì)于北方采暖城市,冬季采暖期PM2.5濃度明顯高于其他季節(jié)[19].不同季節(jié)PM2.5濃度的氣象影響因素也有所不同,夏秋季主要為氣壓與風(fēng)速[19],春冬季主要為相對(duì)濕度和日照時(shí)數(shù)[20].降雨對(duì)顆粒物具有清洗作用,通過稀釋和沉降引起PM2.5濃度降低[10].相對(duì)濕度對(duì)PM2.5濃度影響顯著,當(dāng)濕度較大時(shí)形成霧,引起顆粒物變重下沉,同時(shí)阻礙煙氣擴(kuò)散,加重污染[10].風(fēng)向也是重要的影響因素,城市上風(fēng)向無大量污染源、風(fēng)速超過一定數(shù)值時(shí)有利于污染物擴(kuò)散[21].出現(xiàn)逆溫現(xiàn)象時(shí)PM2.5濃度升高,逆溫層隨著氣溫升高而消失[22].氣壓高時(shí)污染物隨著氣流向城市周邊地區(qū)擴(kuò)散[23].但溫度高時(shí),空氣受熱膨脹又形成低氣壓,使氣壓與PM2.5濃度的關(guān)系變得復(fù)雜.

使用已知的影響PM2.5濃度的氣象要素,對(duì)各個(gè)自然日進(jìn)行氣象類型劃分,可判斷空氣污染超標(biāo)發(fā)生的氣象規(guī)律,識(shí)別造成沈陽市重污染天氣的氣象成因,同時(shí)使得各類型內(nèi)部的氣象影響基本被剔除,突出了管理手段對(duì)PM2.5濃度的影響.已有學(xué)者使用聚類分析等方法進(jìn)行氣象分類,而這種非監(jiān)督分類方式需要人為確定最優(yōu)分類數(shù)量,且不適合將PM2.5濃度作為分類目標(biāo)[24].本文所使用的回歸樹分類方法可通過對(duì)自然日的不斷分類,使得每一類氣象內(nèi)部的PM2.5濃度相似性最大化,同時(shí)與其他類型之間的差異性最大化[25].回歸樹分類法的優(yōu)點(diǎn)在于:首先,以PM2.5濃度作為氣象特征值分割對(duì)象,考慮了污染物與氣象條件之間的影響關(guān)系;其次,可以給出唯一最優(yōu)的分類數(shù)量和結(jié)果;另外,其相比于各種深度學(xué)習(xí)方法,具有更強(qiáng)的可解釋性.

回歸樹分類的步驟包括:(1)樹根節(jié)點(diǎn)聚合全部樣本;(2)遍歷每一個(gè)氣象特征的特征值,每個(gè)特征值得到一個(gè)劃分,通過比較找出使得各葉節(jié)點(diǎn)內(nèi)部純度最高的最優(yōu)劃分結(jié)果;(3)持續(xù)尋找氣象特征進(jìn)行劃分,直到各節(jié)點(diǎn)內(nèi)樣本不純度降低至預(yù)先設(shè)定的閾值[26].對(duì)于目標(biāo)變量是連續(xù)變量的回歸樹來說,使用最小平方殘差SS來度量樹的不純度,計(jì)算公式為:

式中:為節(jié)點(diǎn)內(nèi)樣本,()為節(jié)點(diǎn)內(nèi)樣本總量,X為樣本點(diǎn),y為樣本值.

1.3 ARIMA+SVM組合預(yù)測(cè)方法

據(jù)中國(guó)空氣質(zhì)量檢測(cè)平臺(tái)中數(shù)據(jù)顯示:沈陽市2013~2017年P(guān)M2.5濃度時(shí)間序列出現(xiàn)明顯下降.差分自回歸滑動(dòng)平均(ARIMA)模型基于線性方法進(jìn)行定階,可以很好地?cái)M合出時(shí)間序列的線性趨勢(shì).但另一方面,PM2.5濃度經(jīng)常出現(xiàn)復(fù)雜噪聲,導(dǎo)致ARIMA模型無法捕捉這部分非線性規(guī)律,導(dǎo)致預(yù)測(cè)精度不高[27].而支持向量機(jī)(SVM)在處理小樣本、非線性時(shí)具有明顯優(yōu)勢(shì),可規(guī)避其他機(jī)器學(xué)習(xí)算法中易于出現(xiàn)的局部極小以及過擬合現(xiàn)象,已被廣泛應(yīng)用于空氣質(zhì)量預(yù)測(cè)領(lǐng)域[6,28].由于沈陽市PM2.5濃度時(shí)間序列同時(shí)具有明顯的線性和非線性特點(diǎn),本文將使用已在股票價(jià)格、發(fā)病率、用戶數(shù)量預(yù)測(cè)領(lǐng)域具有廣泛應(yīng)用的ARIMA-SVM組合模型對(duì)其進(jìn)行預(yù)測(cè)[29-31].首先使用ARIMA模型描述歷史的線性關(guān)系,隨后使用SVM模型對(duì)ARIMA模型無法捕捉的殘差部分進(jìn)行非線性建模.

圖2 ARIMA-SVM組合預(yù)測(cè)流程圖

ARIMA-SVM組合預(yù)測(cè)流程如圖2所示,具體步驟包括:

(1)ARIMA模型預(yù)測(cè).ARIMA(p,d,q)模型是針對(duì)非平穩(wěn)時(shí)間序列所建立的模型,非平穩(wěn)經(jīng)d階差分后得到平穩(wěn)序列,建立ARIMA(p,q)模型,模型的一般形式為:

式中:y為平穩(wěn)時(shí)間序列;為白噪聲序列.通過繪制自相關(guān)圖與偏相關(guān)圖,可確定模型自回歸階數(shù)p和移動(dòng)平均階數(shù)q.定階后可得到模型擬合參數(shù)、.

綜上,最終的最優(yōu)判別函數(shù)滿足等式(5).

2 預(yù)測(cè)結(jié)果

2.1 數(shù)據(jù)來源與處理

沈陽地區(qū)PM2.5濃度數(shù)據(jù)來源于中國(guó)空氣質(zhì)量監(jiān)測(cè)平臺(tái),污染源排放數(shù)據(jù)來源于沈陽市污染源在線監(jiān)控系統(tǒng),氣象數(shù)據(jù)來自于中國(guó)氣象局中國(guó)地面國(guó)際交換站氣候資料日值數(shù)據(jù)集(V3.0).本文中全部采用日均數(shù)據(jù),時(shí)間為2013年01月~2017年06月.

氣象數(shù)據(jù)中:氣壓、氣溫、相對(duì)濕度、風(fēng)速、地表氣溫指標(biāo)采用數(shù)據(jù)集中沈陽市地面區(qū)站(編號(hào)54342)日均值,降水量采用日累計(jì)降水量,蒸發(fā)量采用小型蒸發(fā)量,風(fēng)向采用16方位制日極大風(fēng)向,由正北方起順時(shí)針編號(hào).

沈陽市作為典型的北方采暖城市,一年中有5個(gè)月的采暖期(11月~次年3月)和7個(gè)月的非采暖期(4~10月),大量的供暖鍋爐和熱電廠僅在采暖期運(yùn)行.采暖期與非采暖期在氣象條件和污染來源方面均有明顯不同,為提高模型預(yù)測(cè)精度,需要在預(yù)測(cè)之初就將二者分開,分別進(jìn)行氣象分類及后續(xù)預(yù)測(cè).

2.2 氣象分類結(jié)果

由Pearson相關(guān)分析結(jié)果可知:沈陽市采暖期整體PM2.5濃度與相對(duì)濕度呈高度正相關(guān),與日照量、風(fēng)向、蒸發(fā)量呈高度負(fù)相關(guān);而蒸發(fā)量與高低氣溫、蒸發(fā)量呈高度正相關(guān),與氣壓、相對(duì)濕度呈高度負(fù)相關(guān);日照量又與降水量、最低溫度、相對(duì)濕度呈高度負(fù)相關(guān).在非采暖期,沈陽市PM2.5濃度與氣壓呈高度正相關(guān),與高低氣溫、蒸發(fā)量呈高度負(fù)相關(guān),各氣象因子之間也存在與采暖期類似的相關(guān)關(guān)系.將所獲取的全部氣象要素作為自變量,以沈陽市PM2.5濃度為因變量,使用回歸樹的方法,對(duì)2013年01月~2017年06月全部自然日進(jìn)行氣象類型劃分.R軟件輸出的氣象分類結(jié)果如圖3所示.R軟件同時(shí)給出回歸樹模型的標(biāo)準(zhǔn)化均方誤差,采暖期為6.130′10-33,非采暖期為4.499′10-34,說明回歸樹分類結(jié)果合理可靠.

在上述氣象要素中,地溫、平均溫度、日照量、蒸發(fā)量屬于氣象預(yù)報(bào)無法進(jìn)行或不給出的指標(biāo).為了進(jìn)行后續(xù)污染物濃度預(yù)測(cè),需要對(duì)氣象分類結(jié)果進(jìn)行調(diào)整.對(duì)于采暖期,回歸樹中后四枝由蒸發(fā)量進(jìn)行區(qū)分,由于該指標(biāo)無法預(yù)測(cè),且四枝中所包含樣本量占比僅為11%,均為高濃度天氣,因此將其合并為一類.類似地,將非采暖期后三枝合并.氣象預(yù)報(bào)中可以給出是否降水的判斷,但無法預(yù)測(cè)降水量,因此將采暖期中第三步降水量30.45mm以及非采暖期中第四步降水量30.15mm的判定條件均改為>0mm.原始的降水量判別條件數(shù)值不大,調(diào)整后僅有8個(gè)采暖日(1.15%)和4個(gè)非采暖日(0.42%)的氣象類別有所調(diào)整,調(diào)整前后的差異可以忽略.最終得到如表1所示的沈陽市氣象分類結(jié)果.

圖3 沈陽市氣象分類回歸樹

PRESSURE-氣壓(0.1hPa)、RAINFALL-降水量(0.1mm)、MAX_ TEMP-最高氣溫(0.1℃)、MIN_TEMP-最低氣溫(0.1℃)、WIND_ SPEED-風(fēng)速(0.1m/s)、WIND_DIRECTION-風(fēng)向(16風(fēng)向)、 HUMIDITY-相對(duì)濕度(%)、EARTH_TEMP-地溫(0.1℃)、 AVERAGE_TEMP-平均溫度(0.1℃)、SUNLIGHT- 日照量(0.1h)、EVAPORATION-蒸發(fā)量(0.1mm)

表1 沈陽市自然日氣象分類結(jié)果

為突出易造成重污染的氣象,本文依據(jù)國(guó)家24h平均濃度二級(jí)標(biāo)準(zhǔn)將氣象類別分為3類,其中Ⅰ類為PM2.5濃度均值為不超標(biāo)類型(濃度<75μg/m3),Ⅱ類為超標(biāo)類型(75μg/m3￡濃度<150μg/m3),Ⅲ類為嚴(yán)重超標(biāo)類型(濃度3150μg/m3).在各類別內(nèi)部按平均濃度由小到大進(jìn)一步排序.

2.3 模型預(yù)測(cè)結(jié)果

2013年01月~2017年06月沈陽市共有9個(gè)具有連續(xù)監(jiān)測(cè)數(shù)據(jù)的國(guó)控大氣監(jiān)測(cè)點(diǎn).如表2所示的描述統(tǒng)計(jì)結(jié)果可知:各站點(diǎn)PM2.5濃度的極值跨度很大,均值均未超標(biāo),變異系數(shù)接近1,說明濃度值變異程度高,預(yù)測(cè)難度大.

使用SPSS19.0軟件進(jìn)行ARIMA時(shí)間序列預(yù)測(cè),對(duì)PM2.5濃度序列中的線性部分進(jìn)行識(shí)別.首先,通過時(shí)間序列ADF單位根檢驗(yàn)可知,各監(jiān)測(cè)點(diǎn)均拒絕原假設(shè),不存在單位根,屬于平穩(wěn)時(shí)間序列.ARIMA (p,d,q)模型轉(zhuǎn)化為不存在季節(jié)趨勢(shì)的ARMA(p,q)模型.隨后,通過自相關(guān)與偏自相關(guān)系數(shù)圖識(shí)別模型參數(shù)p和q.以采暖期小河沿為例,如圖4所示的ACF圖出現(xiàn)明顯拖尾性,而PACF圖自=1后截尾,無明顯模式,說明采暖期小河沿監(jiān)測(cè)點(diǎn)滿足平穩(wěn)的AR(1)模型.類似地可知:采暖期全部監(jiān)測(cè)點(diǎn)滿足AR(1)模型,非采暖期全部監(jiān)測(cè)點(diǎn)滿足AR(3)模型.

表2 2013年01月~2017年06月沈陽市各監(jiān)測(cè)點(diǎn)PM2.5濃度描述統(tǒng)計(jì)結(jié)果

注:2015年04月沈陽市對(duì)市內(nèi)國(guó)控監(jiān)測(cè)點(diǎn)名稱進(jìn)行更改,括號(hào)內(nèi)為更名前名稱.

圖4 采暖期小河沿監(jiān)測(cè)點(diǎn)自相關(guān)系數(shù)與偏自相關(guān)系數(shù)

分別在采暖期和非采暖期,以9個(gè)監(jiān)測(cè)點(diǎn)PM2.5濃度的ARIMA預(yù)測(cè)殘差為因變量,以沈陽市全部污染源排放量為自變量,使用MATLAB軟件,選取2016年12月(采暖期)及2017年06月(非采暖期)為測(cè)試集,其余月份為訓(xùn)練集,進(jìn)行SVM預(yù)測(cè).受數(shù)據(jù)可得性的限制,本文目前僅以安裝在線檢測(cè)系統(tǒng)的固定源排放量為模型自變量,未來可通過獲取無在線監(jiān)測(cè)固定源的環(huán)統(tǒng)數(shù)據(jù)、道路車流量數(shù)據(jù)、面源排放量數(shù)據(jù),進(jìn)一步提高模型的全面性及預(yù)測(cè)精度.沈陽市現(xiàn)有161個(gè)安裝煙氣在線監(jiān)測(cè)系統(tǒng)的國(guó)控固定源,其中采暖期有132個(gè)固定源的數(shù)據(jù)質(zhì)量滿足需求,非采暖期有101個(gè).以上述固定源排放量帶入SVM預(yù)測(cè),識(shí)別出PM2.5濃度的非線性變化部分,確定濃度與污染源管理水平之間的關(guān)系,未來可通過改變自變量輸入判斷各污染源減排量對(duì)PM2.5濃度變化的貢獻(xiàn).

表3 ARIMA回歸方程參數(shù)

Table 3 ARIMA regression equation parameters

將殘差部分的SVM模型預(yù)測(cè)值與ARIMA模型預(yù)測(cè)值加總,獲得最終的PM2.5濃度預(yù)測(cè)值.因受篇幅限制,本文僅給出如圖5~圖6所示的小河沿監(jiān)測(cè)點(diǎn)測(cè)試集預(yù)測(cè)值對(duì)比圖.

圖5 2016年12月小河沿監(jiān)測(cè)點(diǎn)PM2.5濃度預(yù)測(cè)值對(duì)比

Fig.5 Comparison of predicted PM2.5concentration in Xiaoheyan monitoring site in December 2016

由多種方法預(yù)測(cè)結(jié)果對(duì)比圖可知:(1)不劃分氣象類型時(shí)的預(yù)測(cè)值平緩,與實(shí)際值變化趨勢(shì)整體吻合,但無法識(shí)別由惡劣氣象條件導(dǎo)致的短期峰-谷值;(2)聚類氣象分類下的預(yù)測(cè)結(jié)果不符合實(shí)際值變動(dòng)趨勢(shì),多出現(xiàn)異動(dòng);(3)回歸樹氣象分類SVM模型由于未使用時(shí)間序列模型擬合下降趨勢(shì),導(dǎo)致預(yù)測(cè)值平均偏高幅度超10μg/m3,部分采暖期單日被高估49μg/m3,非采暖期中58%的優(yōu)等級(jí)測(cè)試日被錯(cuò)判為良等級(jí);(4)回歸樹氣象分類ARIMA+ SVM組合預(yù)測(cè)結(jié)果更接近實(shí)際值,對(duì)峰-谷值的識(shí)別能力明顯提高,尤其在受關(guān)注的重污染天氣預(yù)測(cè)效果更好.

圖6 2017年6月小河沿監(jiān)測(cè)點(diǎn)PM2.5濃度預(yù)測(cè)值對(duì)比

3 預(yù)測(cè)效果評(píng)價(jià)

為進(jìn)一步證明使用回歸樹氣象分類下的ARIMA+SVM組合模型預(yù)測(cè)沈陽市PM2.5濃度的合理性,評(píng)價(jià)模型預(yù)測(cè)效果,本文使用均方根誤差(RMSE)、平均絕對(duì)誤差(MAPE)、與實(shí)際值相關(guān)系數(shù)(r)3項(xiàng)指標(biāo),對(duì)不分氣象類型的SVM預(yù)測(cè)、聚類分析氣象分類SVM預(yù)測(cè)、回歸樹氣象分類SVM預(yù)測(cè)、回歸樹氣象分類ARIMA+SVM預(yù)測(cè)4個(gè)模型進(jìn)行精度評(píng)價(jià)及對(duì)比.上述評(píng)價(jià)指標(biāo)分別滿足等式(8~10).除上述統(tǒng)計(jì)學(xué)指標(biāo)外,本文也使用廣泛應(yīng)用于空氣質(zhì)量預(yù)報(bào)實(shí)際工作中的指數(shù)分級(jí)法判斷預(yù)報(bào)正確率()[3].

由如表4所示的預(yù)測(cè)精度對(duì)比情況可知:采暖期中,回歸樹氣象分類下的ARIMA+SVM組合預(yù)測(cè)模型的均方根誤差均值最低,相關(guān)系數(shù)達(dá)到0.731,說明預(yù)測(cè)值與實(shí)際值顯著相關(guān),正確率均值明顯高于其他模型;而且組合模型對(duì)太原街、文化路等城中心區(qū)域監(jiān)測(cè)點(diǎn)的預(yù)測(cè)效果更好.非采暖期中,組合模型的均方根誤差最低,平均絕對(duì)誤差僅為0.412,預(yù)測(cè)正確率更高,相關(guān)系數(shù)略低于不分氣象類型預(yù)測(cè)方法.

沈陽市現(xiàn)有的空氣質(zhì)量數(shù)值預(yù)報(bào)模型,在非采暖期的未修正預(yù)報(bào)正確率不足5%,使用污染物濃度觀測(cè)值進(jìn)行人工修正后正確率可達(dá)到約60%[32].本文所構(gòu)建的ARIMA+SVM組合預(yù)測(cè)模型,無人工修正過程,采暖期綜合正確率為51.20%,預(yù)報(bào)等級(jí)偏差超過一級(jí)的日數(shù)僅占3.20%;非采暖期綜合正確率達(dá)到61.20%,不存在預(yù)報(bào)等級(jí)偏差超過一級(jí)的情況.綜上所述,回歸樹氣象分類下的ARIMA+SVM模型預(yù)測(cè)效果明顯優(yōu)于其他方法.

目前,本文所構(gòu)建的組合模型已實(shí)現(xiàn)為在線空氣質(zhì)量預(yù)測(cè)預(yù)警系統(tǒng),并實(shí)際應(yīng)用于本溪、咸陽等城市,均取得了良好的預(yù)測(cè)效果.但由于受到數(shù)據(jù)可得性的限制,未能使用小時(shí)尺度數(shù)據(jù)對(duì)模型精度做進(jìn)一步提升,導(dǎo)致在氣候及濃度波動(dòng)顯著的自然日中,使用日均值數(shù)據(jù)得到的預(yù)測(cè)結(jié)果可能偏離實(shí)際值,且無法反映1h濃度波動(dòng)趨勢(shì).另外,使用沈陽市地面站氣象數(shù)據(jù)進(jìn)行全市9個(gè)監(jiān)測(cè)點(diǎn)的濃度預(yù)測(cè),忽略了監(jiān)測(cè)點(diǎn)間氣象要素的差異,可能使預(yù)測(cè)結(jié)果存在一定偏差.未來在獲取相應(yīng)數(shù)據(jù)后,可對(duì)結(jié)果進(jìn)行優(yōu)化.

表4 模型預(yù)測(cè)精度對(duì)比

4 結(jié)論

4.1 構(gòu)建回歸樹氣象分類下的ARIMA+SVM組合模型,對(duì)PM2.5濃度日均值進(jìn)行預(yù)測(cè),預(yù)判重污染日期.在預(yù)測(cè)之前依據(jù)影響污染物擴(kuò)散的氣象條件,對(duì)各日進(jìn)行氣象分類,將主-客觀因素分開,以核定空氣質(zhì)量管理工作的績(jī)效水平,計(jì)算污染源減排貢獻(xiàn)率.

4.2 對(duì)采暖期與非采暖期各自使用回歸樹方法,利用相對(duì)濕度、氣壓、風(fēng)速等要素進(jìn)行組合氣象分類,根據(jù)PM2.5濃度均值劃分等級(jí).

4.3 以沈陽市為例進(jìn)行實(shí)證分析.在采暖期,氣象分類下的ARIMA+SVM組合模型的平均絕對(duì)誤差小于0.6,與實(shí)際值相關(guān)系數(shù)大于0.7,正確率均值大于0.5;在非采暖期,組合模型的平均絕對(duì)誤差約為0.4,與實(shí)際值相關(guān)系數(shù)約為0.5,正確率均值大于0.6.

[1] Tao J, Zhang L M, Zhang Z S, et al. Control of PM2.5in Guangzhou during the 16th Asian Games period: Implication for hazy weather prevention [J]. Science of the Total Environment, 2015,508:57－66.

[2] 孫寶磊,孫 暠,張朝能,等.基于BP神經(jīng)網(wǎng)絡(luò)的大氣污染物濃度預(yù)測(cè) [J]. 環(huán)境科學(xué)學(xué)報(bào), 2017,37(5):1864-1871.

[3] 薛文博,付 飛,王金南,等.中國(guó)PM2.5跨區(qū)域傳輸特征數(shù)值模擬研究 [J]. 中國(guó)環(huán)境科學(xué), 2014,34(6):1361-1368.

[4] 雷孝恩,韓志偉,張美根,等.城市空氣污染數(shù)值預(yù)報(bào)模式系統(tǒng) [M]. 北京:氣象出版社, 1998:15-18.

[5] 張藝耀,苗冠鴻,閆劍詩(shī),等.影響PM2.5因素的多元統(tǒng)計(jì)分析與預(yù)測(cè) [J]. 資源節(jié)約與環(huán)保, 2013,(11):135－136.

[6] 尹建光,彭 飛,謝連科,等.基于小波分解與自適應(yīng)多級(jí)殘差修正的最小二乘支持向量回歸預(yù)測(cè)模型的PM2.5濃度預(yù)測(cè)研究 [J/OL]. 環(huán)境科學(xué)學(xué)報(bào):1-15[2018-03-13].https://doi.org/10.13671/j.hjkxxb. 2018.0093.

[7] 謝 超,馬民濤,于肖肖.多種神經(jīng)網(wǎng)絡(luò)在華北西部區(qū)域城市空氣質(zhì)量預(yù)測(cè)中的應(yīng)用 [J]. 環(huán)境工程學(xué)報(bào), 2015,9(12):6005-6009.

[8] 黃 思,唐 曉,徐文帥,等.利用多模式集合和多元線性回歸改進(jìn)北京PM10預(yù)報(bào) [J]. 環(huán)境科學(xué)學(xué)報(bào), 2015,35(1):56-64.

[9] 陳亞玲,趙智杰.基于小波變換與傳統(tǒng)時(shí)間序列模型的臭氧濃度多步預(yù)測(cè) [J]. 環(huán)境科學(xué)學(xué)報(bào), 2013,33(2):339-345.

[10] 陳 軍,高 巖,張燁培,等.PM2.5擴(kuò)散模型及預(yù)測(cè)研究 [J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí), 2014,44(15):16-27.

[11] 周 麗,徐祥德,丁國(guó)安,等.北京地區(qū)氣溶膠PM2.5粒子濃度的相關(guān)因子及其估算模型 [J]. 氣象學(xué)報(bào), 2003,61(6):761-768.

[12] 王黎明,吳香華,趙天良,等.基于距離相關(guān)系數(shù)和支持向量機(jī)回歸的PM2.5濃度滾動(dòng)統(tǒng)計(jì)預(yù)報(bào)方案 [J]. 環(huán)境科學(xué)學(xué)報(bào), 2017,37(4):1268- 1276.

[13] 李 龍,馬 磊,賀建峰,等.基于特征向量的最小二乘支持向量機(jī)PM2.5濃度預(yù)測(cè)模型 [J]. 計(jì)算機(jī)應(yīng)用, 2014,34(8):2212-2216.

[14] 胡玉筱,段顯明.基于高斯煙羽和多元線性回歸模型的PM2.5擴(kuò)散和預(yù)測(cè)研究 [J]. 干旱區(qū)資源與環(huán)境, 2015,29(6):86-92.

[15] Tai A P K, Mickley L J, Jacob D J. Correlations between fine particulate matter PM2.5and meteorological variables in the United States: Implications for the sensitivity of PM2.5to climate change [J]. Atmospheric Environment, 2010,44:3976-3984.

[16] Pateraki S, Asimakopoulos D N, Flocas H A, et al. The role of meteorology on different sized aerosol fractions PM10, PM2.5PM2.5-10[J]. Science of the Total Environment, 2012,419:124-135.

[17] 羅新蘭,劉 源.沈陽地區(qū)相對(duì)濕度與PM2.5濃度對(duì)能見度的影響分析 [J]. 科學(xué)技術(shù)與工程, 2017,17(13):115-119.

[18] 楊 欣,陳義珍,劉厚鳳,等.北京2013年1月連續(xù)強(qiáng)霾過程的污染特征及成因分析 [J]. 中國(guó)環(huán)境科學(xué), 2014,34(2):282-288.

[19] 曾 靜,王美娥,張紅星.北京市夏秋季大氣PM2.5濃度與氣象要素的相關(guān)性 [J]. 應(yīng)用生態(tài)學(xué)報(bào), 2014,25(9):2695-2699.

[20] 王嫣然,張學(xué)霞,趙靜瑤,等.北京地區(qū)不同季節(jié)PM2.5和PM10濃度對(duì)地面氣象因素的響應(yīng) [J]. 中國(guó)環(huán)境監(jiān)測(cè), 2017,33(2):34-41.

[21] 朱倩茹,劉永紅,徐偉嘉,等.廣州PM2.5污染特征及影響因素分析,中國(guó)環(huán)境監(jiān)測(cè), 2013,29(2):15-21.

[22] 嚴(yán)文蓮,周德平,王揚(yáng)峰,等.沈陽冬夏季可吸入顆粒物濃度及尺度譜分布特征 [J]. 應(yīng)用氣象學(xué)報(bào), 2008,19(4):435-443.

[23] 付桂琴,張杏敏,尤鳳春,等.氣象條件對(duì)石家莊PM2.5濃度的影響分析 [J]. 干旱氣象, 2016,34(2):349-455.

[24] 曾乃暉,袁艷平,孫亮亮,等.基于聚類分析法的空氣源熱泵輔助太陽能熱水系統(tǒng)氣象分類研究 [J]. 太陽能學(xué)報(bào), 2017,38(11):3067- 3076.

[25] 姜明輝,王 歡,王雅林.分類樹在個(gè)人信用評(píng)估中的應(yīng)用 [J]. 商業(yè)研究, 2003,(21):86-88.

[26] 傅傳喜,馬文軍,梁建華,等.高血壓危險(xiǎn)因素logistic回歸與分類樹分析 [J]. 疾病控制雜志, 2006,10(3):256-259.

[27] 楊 敏,丁 劍,王 煒.基于ARIMA-SVM模型的快速公交停站時(shí)間組合預(yù)測(cè)方法 [J]. 東南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2016,46(3):651- 656.

[28] 劉 杰,楊 鵬,呂文生,等.模糊時(shí)序與支持向量機(jī)建模相結(jié)合的PM2.5質(zhì)量濃度預(yù)測(cè) [J]. 北京科技大學(xué)學(xué)報(bào), 2014,36(12):1694- 1702.

[29] 謝驍旭,袁兆康.基于R的江西省肺結(jié)核發(fā)病率ARIMA-SVM組合預(yù)測(cè)模型 [J]. 中國(guó)衛(wèi)生統(tǒng)計(jì), 2015,32(1):160-162.

[30] 王佳敏,張紅燕.基于ARIMA-SVM組合模型的移動(dòng)通信用戶數(shù)預(yù)測(cè) [J]. 計(jì)算機(jī)時(shí)代, 2014,(9):12-15+17.

[31] 程昌品,陳 強(qiáng),姜永生.基于ARIMA-SVM組合模型的股票價(jià)格預(yù)測(cè) [J]. 計(jì)算機(jī)仿真, 2012,29(6):343-346.

[32] 李曉嵐,馬雁軍,王揚(yáng)鋒,等.基于CUACE系統(tǒng)沈陽地區(qū)春季空氣質(zhì)量預(yù)報(bào)的校驗(yàn)及修正 [J]. 氣象與環(huán)境學(xué)報(bào), 2016,32(6):10-18.

ARIMA-SVM combination prediction of PM2.5concentration in Shenyang.

SONG Guo-jun1, GUO Xiao-dan1*, YANG Xiao1, LIU Shuai2

(1.School of Environment, Renmin University of China, Beijing 100872, China；2.Agricultural Management Institute of the Ministry of Agriculture and Rural Affairs, Beijing 102208, China)., 2018,38(11)：4031~4039

Firstly, meteorological types of heating period and non-heating period were classified using the method of regression tree classification, and meteorological types which are likely to cause severe pollution were identified. Secondly, the daily mean value prediction model of PM2.5concentration of different meteorological types was established using the combination of Autoregressive Integrated Moving Average Model and Support Vector Machine (ARIMA+SVM), which takes the emission of pollution sources as independent variables. In this paper daily mean PM2.5concentration of 9environmental monitoring points with continuous data in Shenyang during Jan 2013 to June 2017 was analysed. The results show that, compared with ordinary machine learning model without weather classification, the prediction of daily mean PM2.5concentration using ARIMA+SVM combined model based on meteorological classification has a better agreement with actual value, and its ability to identify the peak and valley values is much stronger. In heating and non-heating period, this combined model has the advantages of lower average error and higher prediction accuracy.

PM2.5concentration；meteorological classification；ARIMA+SVM combination model；prediction method

X513

A

1000-6923(2018)11-4031-09

宋國(guó)君(1962-),男,黑龍江東寧人,教授,博士,主要從事環(huán)境政策管理研究.發(fā)表論文200余篇.

2018-04-04

國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2017YFC0212500)

* 責(zé)任作者, 博士研究生, 15811440711@163.com