王 渲，田文翀

(同濟(jì)大學(xué) 環(huán)境科學(xué)與工程學(xué)院，上海200092)

0 引言

城市降雨徑流污染是指降雨徑流水體對(duì)累積在城市路面、屋頂、綠地等不同下墊面的污染物質(zhì)(如SS、原油、氮、磷、重金屬、有機(jī)物質(zhì)等)形成淋溶、沖刷作用，并將其裹挾的污染物通過(guò)排水系統(tǒng)直接排入受納水體而造成的水體面源污染現(xiàn)象[1]。城市的發(fā)展極大地增加了建筑物和硬化道路的比例，改變了天然狀態(tài)下雨水的產(chǎn)匯流規(guī)律，使得降雨時(shí)形成了更多地表徑流。其結(jié)果會(huì)導(dǎo)致城市水體水質(zhì)和生態(tài)系統(tǒng)受到破壞，產(chǎn)生包括富營(yíng)養(yǎng)化、水環(huán)境惡化、水體黑臭等眾多問(wèn)題，影響城市水環(huán)境健康與水生態(tài)安全。

借助于降雨徑流模型對(duì)徑流污染進(jìn)行預(yù)測(cè)，是控制城市降雨徑流污染的主要途徑之一。由于水質(zhì)問(wèn)題受多因素影響及其復(fù)雜性，許多生物、化學(xué)過(guò)程的反應(yīng)機(jī)理尚未能通過(guò)模型進(jìn)行描述。同時(shí)，水質(zhì)機(jī)理模型在應(yīng)用過(guò)程中通常需要大量的水文、水質(zhì)參數(shù)，而這些參數(shù)既多又難于測(cè)量，這些都限制了確定性水質(zhì)數(shù)學(xué)模型的適用性和準(zhǔn)確性[2-3]，機(jī)器學(xué)習(xí)直接從實(shí)測(cè)數(shù)據(jù)出發(fā)挖掘水質(zhì)模型的內(nèi)在規(guī)律為國(guó)內(nèi)外學(xué)者提供了另一種研究思路。

在城市水質(zhì)研究中：MJ Rodriguez[4]提出人工神經(jīng)網(wǎng)絡(luò)模型，從另一個(gè)角度研究了余氯在配水系統(tǒng)中的衰減，并與傳統(tǒng)的一級(jí)模型進(jìn)行了對(duì)比。模型是通過(guò)算法和使用一個(gè)時(shí)間延遲輸入拓?fù)浣Y(jié)構(gòu)實(shí)現(xiàn)的，對(duì)兩個(gè)供水系統(tǒng)進(jìn)行的模擬表明在水溫較低時(shí)一級(jí)模型顯示了較好的效果，而在水溫較高時(shí)模型則顯示了較好的預(yù)測(cè)。楊航等[5]基于神經(jīng)網(wǎng)絡(luò)建立了復(fù)雜管網(wǎng)余氯水質(zhì)預(yù)測(cè)模型，該方法避開(kāi)復(fù)雜的管網(wǎng)水力計(jì)算，以實(shí)際測(cè)定參數(shù)進(jìn)行訓(xùn)練和驗(yàn)證，具有較好精度。李蕓[6]等針對(duì)當(dāng)前非點(diǎn)源污染中雨水徑流水質(zhì)監(jiān)測(cè)數(shù)據(jù)匱乏而難以評(píng)估其污染負(fù)荷的弊端,將BP神經(jīng)網(wǎng)絡(luò)模型引入評(píng)估雨水徑流污染負(fù)荷問(wèn)題。在湖泊水質(zhì)研究中：徐紅敏[7]通過(guò)建立支持向量機(jī)水質(zhì)參數(shù)評(píng)價(jià)模型來(lái)預(yù)測(cè)太湖高錳酸鹽月平均濃度取得了良好的效果。Recknagel[8]等系統(tǒng)地研究了ANN模型在水質(zhì)預(yù)測(cè)中的應(yīng)用，建立了三個(gè)淡水湖泊預(yù)測(cè)藻類(lèi)暴發(fā)的ANN模型和一個(gè)河流預(yù)測(cè)藻類(lèi)暴發(fā)的ANN模型，預(yù)測(cè)結(jié)果表明，模型可以預(yù)測(cè)不同環(huán)境條件下淡水水體中像藻類(lèi)暴發(fā)這樣復(fù)雜的和非線(xiàn)性的水環(huán)境現(xiàn)象。胡明星[9]等提出了基于多準(zhǔn)則學(xué)習(xí)的模糊神經(jīng)網(wǎng)絡(luò)湖泊水質(zhì)營(yíng)養(yǎng)化評(píng)價(jià)模型。在河道水質(zhì)研究中：HR.Maier[10]和GC.Dandy對(duì)澳大利亞南部Murray河上某段的水質(zhì)參數(shù)礦化度進(jìn)行了預(yù)測(cè)，取得了一定成效。王里奧[11]等利用因子分析法找出影響南渡河水質(zhì)的主要污染指標(biāo)，建立了基于BP神經(jīng)網(wǎng)絡(luò)的主要污染指標(biāo)預(yù)測(cè)模型對(duì)近幾年的主要污染因子進(jìn)行了預(yù)測(cè)。HM Nagy等[12]建立了神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)河流沉積負(fù)荷的濃度。但是，將機(jī)器學(xué)習(xí)方法應(yīng)用于降雨徑流水質(zhì)污染的研究鮮有：田歡[6]基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了雨水徑流污染物總量評(píng)估模型，并應(yīng)用Schueler公式對(duì)評(píng)估結(jié)果進(jìn)行驗(yàn)證。

本文考慮到降雨徑流污染的非線(xiàn)性、多影響因素特點(diǎn)，通過(guò)對(duì)文獻(xiàn)中獲得的不同地域的大量實(shí)測(cè)數(shù)據(jù)進(jìn)行挖掘，建立支持向量機(jī)(SVM)的城市降雨徑流預(yù)測(cè)模型，對(duì)場(chǎng)次降雨平均濃度EMC及初期沖刷指數(shù)FF30進(jìn)行預(yù)測(cè)。研究方法及預(yù)測(cè)結(jié)果能夠?yàn)榻涤陱搅魑廴镜挠行Э刂铺峁﹨⒖技皵?shù)據(jù)支撐。

1 理論基礎(chǔ)

1.1 場(chǎng)次降雨徑流污染平均濃度(EMC)

城市降雨徑流污染物濃度規(guī)律可由瞬時(shí)濃度及平均濃度EMC共同表征。其中，瞬時(shí)濃度反映污染物濃度的動(dòng)態(tài)變化情況，是進(jìn)一步獲得場(chǎng)次降雨污染物濃度的極大值、極小值、平均值及其變化規(guī)律的重要指標(biāo)，同時(shí)也為初期沖刷效應(yīng)的判別和的計(jì)算提供基礎(chǔ)數(shù)據(jù)，需要通過(guò)連續(xù)測(cè)量獲得。

然而，由于降雨特征的隨機(jī)性，路面沉積物的非均質(zhì)性以及雨期污染源排放污染物的隨機(jī)性，在場(chǎng)次降雨徑流過(guò)程中污染物瞬時(shí)濃度在較大范圍內(nèi)變化。因此，USEPA結(jié)合NURP計(jì)劃研究成果，建議以參數(shù)EMC(Event Mean Concentration)來(lái)表征徑流污染強(qiáng)度，因?yàn)閺谋┯陱搅鲗?duì)受納水體的影響方面來(lái)看，水體對(duì)排入的地表徑流的污染響應(yīng)速度相對(duì)徑流過(guò)程中污染物瞬時(shí)濃度變化而言要慢得多。此后，國(guó)內(nèi)外研究均釆用該指標(biāo)表征場(chǎng)次徑流污染物的濃度。EMC可由式(1)計(jì)算：

(1)

式中：

M(T)——場(chǎng)次降雨累積污染物總量，mg；

V(T)——場(chǎng)次降雨累積徑流總量，L；

Ct——瞬時(shí)徑流污染濃度，mg/L；

Qt——瞬時(shí)徑流量，L/min；

T——降雨徑流事件總時(shí)間，min。

1.2 初期沖刷指數(shù)

初期沖刷效應(yīng)是指在初期降雨徑流過(guò)程中污染物濃度明顯高于后期徑流沖刷的污染物濃度[13]。由于初期沖刷效應(yīng)受到城市污染物累積過(guò)程、降雨徑流過(guò)程以及兩者相互作用影響，在不同匯水區(qū)域，或者同一匯水區(qū)域的不同場(chǎng)次降雨的初期沖刷程度均不相同。降雨特征、匯水區(qū)域特征等是影響初期沖刷效應(yīng)程度的主要因素。由于不同地區(qū)的氣候、降雨特征等存在差異，影響道路徑流污染物的因素也不相同，因此需要根據(jù)當(dāng)?shù)靥攸c(diǎn)具體分析。

通常采用無(wú)量綱累積分析M(V)曲線(xiàn)圖評(píng)價(jià)初期沖刷效應(yīng)存在與否[14]。降雨徑流過(guò)程中的累積污染負(fù)荷比例M與累積徑流量比例V計(jì)算方法如式(2)和式(3)所示。

(2)

(3)

式中：

M(t)——t時(shí)刻累積污染物總量，mg；

Fig. 5 shows that the zinc sulfide films deposited at 100 and 200 W have the same critical angle αc= 0.28°. From Eq.(8) we can directly calculate the density electronic N(Z+

M(T)——場(chǎng)次降雨累積污染物總量，mg；

V(T)——場(chǎng)次降雨累積徑流總量，L；

尤其對(duì)男孩子來(lái)講，他們是不能同時(shí)處理多個(gè)信息的，否則就會(huì)大腦直接NG，即使你說(shuō)了再多的話(huà)，他們的大腦也不會(huì)做任何信息加工，這時(shí)溝通無(wú)異于對(duì)牛彈琴。如果你發(fā)火了，說(shuō)出更多的氣話(huà)，他們就會(huì)閉緊嘴巴，不做任何反應(yīng)。所以，第一，我們不能同時(shí)給男孩布置很多項(xiàng)任務(wù)；第二，我們不能用很快的語(yǔ)速和男孩說(shuō)很多話(huà)。

Ct——瞬時(shí)徑流污染濃度，mg/L；

V(t)——t時(shí)刻累積徑流量，L；

Qt——瞬時(shí)徑流量，L/min；

Δt——連續(xù)測(cè)定時(shí)間間隔，min；

T——降雨徑流事件總時(shí)間，min。

本研究中為了量化初期沖刷效應(yīng)，并為后續(xù)預(yù)測(cè)模型的建立定義預(yù)測(cè)變量，引入了初期沖刷指數(shù)的概念，定義場(chǎng)次降雨累積徑流量比例為30%時(shí)所對(duì)應(yīng)的累積污染負(fù)荷比例為FF30，即M(V)曲線(xiàn)上V=0.3所對(duì)應(yīng)的M的值。

1.3 支持向量機(jī)

支持向量機(jī)(SVM)由Vapnik及Cortes等人在1995年率先提出[15]，通過(guò)尋求結(jié)構(gòu)風(fēng)險(xiǎn)最小化來(lái)實(shí)現(xiàn)置信范圍及經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化目標(biāo)，這使其能夠在樣本量較少的情況下獲得良好的統(tǒng)計(jì)規(guī)律，并在處理非線(xiàn)性及高維模式識(shí)別問(wèn)題時(shí)具有特有的優(yōu)勢(shì)。

支持向量機(jī)算法由對(duì)線(xiàn)性可分?jǐn)?shù)據(jù)集進(jìn)行分類(lèi)的最優(yōu)超平面概念發(fā)展而來(lái)，簡(jiǎn)單地說(shuō)，就是運(yùn)用機(jī)器學(xué)習(xí)尋找對(duì)線(xiàn)性或非線(xiàn)性數(shù)據(jù)進(jìn)行分類(lèi)的最優(yōu)分類(lèi)面，而最優(yōu)分類(lèi)面的確定是由少數(shù)樣本點(diǎn)決定，即支持向量(Support Vector，SV)。在運(yùn)算時(shí)，與分類(lèi)超平面無(wú)關(guān)的樣本點(diǎn)被剔除，只保留作為支持向量的樣本點(diǎn)，從而大幅提高運(yùn)算效率(圖1)。

目前多數(shù)地方高校現(xiàn)狀是班級(jí)學(xué)生數(shù)量眾多，師資隊(duì)伍相對(duì)缺乏，所開(kāi)設(shè)的課程門(mén)類(lèi)較少，高校教師疲于應(yīng)付科研、職稱(chēng)等各種壓力，導(dǎo)致教學(xué)上所采用的教學(xué)方法與考核方式根本無(wú)法滿(mǎn)足當(dāng)代大學(xué)生的實(shí)際需求。而一些名校的MOOC課程資源與本地高校現(xiàn)設(shè)課程的課程目標(biāo)、教學(xué)對(duì)象、課程難度等方面都難以匹配。高校教師希望通過(guò)各種實(shí)踐去嘗試更加靈活而又富有挑戰(zhàn)性的教學(xué)模式，而不是周而復(fù)始地進(jìn)行課程的重復(fù)性講授與教學(xué)。

(4)

式中：

2.2.2 數(shù)據(jù)標(biāo)準(zhǔn)化

2.2.1 非數(shù)值影響因子

b——偏移量；

C——正常數(shù)，用于平衡f的平滑性和所被允許的超過(guò)ε的誤差之和的作用。

2 基于支持向量機(jī)的城市道路降雨徑流預(yù)測(cè)模型訓(xùn)練及驗(yàn)證

2.1 數(shù)據(jù)來(lái)源

機(jī)器統(tǒng)計(jì)學(xué)習(xí)需要一定規(guī)模的樣本量。為了獲得具有代表性、質(zhì)量較高的足量樣本集，本研究廣泛檢索研究城市降雨徑流污染的國(guó)內(nèi)外學(xué)位論文，從實(shí)驗(yàn)方法、研究區(qū)域、研究結(jié)論等多方面綜合分析，獲取滿(mǎn)足SVM模型訓(xùn)練要求的樣本數(shù)據(jù)。由于國(guó)內(nèi)外對(duì)于城市降雨徑流污染的實(shí)驗(yàn)研究多以道路作為研究對(duì)象，因此本研究預(yù)測(cè)模型亦針對(duì)道路徑流建立。表1所示為本章預(yù)測(cè)模型研究數(shù)據(jù)來(lái)源。

表1 道路徑流污染模型數(shù)據(jù)來(lái)源

注：a.在同一場(chǎng)次降雨下對(duì)兩處不同道路路面進(jìn)行徑流污染測(cè)試計(jì)作2次。

2.2 影響因子及決策變量

結(jié)合國(guó)內(nèi)外對(duì)于降雨徑流污染影響因素的研究成果，道路降雨徑流污染主要受降雨特征、大氣污染情況、交通流量及其他城市功能區(qū)等因素的影響。概括得出模型影響因子(輸入值)見(jiàn)列表2。

預(yù)測(cè)模型的決策變量(輸出量)應(yīng)當(dāng)能夠綜合反映場(chǎng)次降雨徑流污染特征，包括徑流污染程度及初期沖刷效應(yīng)等特性，此外，由于COD是評(píng)價(jià)降雨徑流污染程度及控制情況的重要指標(biāo)，因此選取指標(biāo)COD的場(chǎng)次降雨徑流污染平均濃度EMC及初期沖刷指數(shù)FF30值作為評(píng)估模型的決策變量(輸出量)。

表2 影響因子

續(xù)表

確定模型所需數(shù)據(jù)樣本的輸入量(影響因子)及輸出量(決策變量)之后，通過(guò)從文獻(xiàn)直接獲取、檢索及調(diào)研等方式，補(bǔ)齊所選取數(shù)據(jù)集的影響因子。由于SVM模型在預(yù)測(cè)新樣本時(shí)不允許缺失值存在，因此對(duì)于無(wú)法補(bǔ)齊缺失信息的數(shù)據(jù)采取剔除處理。經(jīng)過(guò)數(shù)據(jù)清洗得到的數(shù)據(jù)集樣本量見(jiàn)表3。

表3 數(shù)據(jù)集樣本量

w——n維權(quán)向量；

支持向量機(jī)(SVM)要求被處理的數(shù)據(jù)均為實(shí)數(shù)。表2中所示10項(xiàng)影響因子中，平均雨強(qiáng)、峰值雨強(qiáng)、降雨歷時(shí)、雨前干期、大氣降塵量、PM10、車(chē)流量等均為數(shù)值型變量，可直接進(jìn)行標(biāo)準(zhǔn)化處理之后進(jìn)入模型運(yùn)算；而對(duì)于非數(shù)值屬性雨型、路面材料及功能區(qū)，參考文獻(xiàn)資料，作如下進(jìn)一步轉(zhuǎn)換。

(1)雨型：定義為類(lèi)別型變量，并將其劃分為峰值靠前、居中及靠后三類(lèi)，分別對(duì)應(yīng)編碼{1，0，-1}。

平均偏差MBE反映模型預(yù)測(cè)值與實(shí)測(cè)值之間的平均誤差，具有一定的參考意義。

(3)城市功能區(qū)：本研究按照數(shù)據(jù)集各研究區(qū)域人口密度、道路清掃頻次及空氣污染等要素進(jìn)行賦權(quán)重值打分，要素權(quán)重見(jiàn)表4，分值范圍均為0～100。打分標(biāo)準(zhǔn)為：人口密度越大、清掃頻次越低、空氣污染程度越差，則分值越高；其他項(xiàng)考慮不同實(shí)測(cè)點(diǎn)導(dǎo)致徑流污染加重的相關(guān)因素。各項(xiàng)得分加權(quán)平均即得到“功能區(qū)”影響因素的數(shù)值。

如果患者“四部27點(diǎn)規(guī)律”查體后,不符合“兩部2點(diǎn)或兩部2點(diǎn)以上”,則不需要拍X光、CT、MRI。這樣先行壓痛點(diǎn)檢查既可避免漏診,又可免除拍X光、CT、MRI的檢查,從而最大限度的避免醫(yī)療資源的浪費(fèi),這也是本診斷方法的特別優(yōu)勢(shì)。

表4 功能區(qū)評(píng)價(jià)要素權(quán)重

(xi,yi),i=1,2,…,n,x∈Rd——訓(xùn)練樣本集；

表2所示影響因子及決策變量具有不同的量綱及量綱單位，其數(shù)值大小會(huì)使得模型運(yùn)算時(shí)產(chǎn)生不同的權(quán)重影響，導(dǎo)致模型收斂速度降低、數(shù)據(jù)分析結(jié)果失真。在支持向量機(jī)模型中，徑向基核函數(shù)RBF采用樣本數(shù)據(jù)的歐式距離計(jì)算，能夠避免數(shù)值較大的變量控制數(shù)值較小的變量，但是較大的數(shù)值差距會(huì)影響模型計(jì)算，降低模型收斂速度。因此，為了消除變量間的量綱影響，對(duì)數(shù)據(jù)進(jìn)行Z-score標(biāo)準(zhǔn)化(Z-score Normalization)處理，使得不同變量之間具有可比性：

(5)

式中：

μ——樣本均值，

為了在將來(lái)實(shí)驗(yàn)中更好的識(shí)別和研究第五主族原子(N、P、Sb、Bi)替位摻雜對(duì)砷烯幾何結(jié)構(gòu)和電子性質(zhì)的影響，模擬計(jì)算了掃描隧道顯微鏡(STM)圖像，如圖5所示. 在1 V的正偏壓條件下，其STM圖像較容易識(shí)別，并與其晶體結(jié)構(gòu)相對(duì)應(yīng). 從圖5可見(jiàn)，4種不同的摻雜晶格的STM圖像存在明顯的差異，因此為實(shí)驗(yàn)時(shí)辨別砷烯材料中的這些雜質(zhì)提供了參考.

用SAS 9.2軟件進(jìn)行統(tǒng)計(jì)分析。定量數(shù)據(jù)的組間比較采用t檢驗(yàn)或Wilcoxon秩和檢驗(yàn)，并描述其例數(shù)、均值、標(biāo)準(zhǔn)差等。定性數(shù)據(jù)的組間比較采用χ2檢驗(yàn)、Fisher精確概率法；若考慮到中心或其他因素的影響，采用CHMχ2檢驗(yàn)。時(shí)序資料的組間比較采用Log‐rank檢驗(yàn)。組間整體比較檢驗(yàn)水準(zhǔn)為0.05。

σ——樣本標(biāo)準(zhǔn)差。

2.3 道路降雨徑流污染SVM模型建立

2.3.1 核函數(shù)選擇

直流輸入電壓udc=55 V時(shí),對(duì)比其中一相相電壓在空間矢量調(diào)制下濾波前后波形可知壓空間矢量調(diào)制波形為馬鞍形,相電壓頻率為50 Hz,波形圖如圖7所示。由于相電壓的三次諧波在合成線(xiàn)電壓時(shí)會(huì)相互抵消所以線(xiàn)電壓波形為只存在50 Hz基波的正弦波,如圖8所示。通過(guò)FFT分析,其主要成分只有50 Hz基波。線(xiàn)電壓峰值為54 V,直流電壓利用率為98.1%,與SPWM調(diào)制相比提高了15.3%,其值和理論分析值接近?？梢?jiàn),SVPWM調(diào)制下直流母線(xiàn)電壓的利用率較高。

在支持向量機(jī)預(yù)測(cè)建模的過(guò)程中核函數(shù)尤為重要，直接關(guān)系到最后預(yù)測(cè)數(shù)據(jù)的準(zhǔn)確性。本文通過(guò)多次實(shí)驗(yàn)確定以徑向基函數(shù)RBF作為核函數(shù)，預(yù)測(cè)模型的性能最好。

2.3.2 模型參數(shù)選擇

SVM確定采用徑向基核函數(shù)后，參數(shù)的選擇目標(biāo)為尋找一組能使預(yù)測(cè)模型準(zhǔn)確率最高的懲罰因子c和核參數(shù)g。其中，懲罰因子c決定了模型重視離群點(diǎn)引入的損失程度；而核參數(shù)g決定模型的泛化能力。本文支持向量機(jī)參數(shù)的選擇采用網(wǎng)格搜索法，使用Python工具包gridgression提供的k折交叉驗(yàn)證法對(duì)徑向基核函數(shù)的c、g參數(shù)進(jìn)行尋優(yōu)，搜索范圍和搜索步長(zhǎng)分別為[-10，10]及1。對(duì)于EMC和FF30模型尋得的最優(yōu)參數(shù)見(jiàn)表5所示。

武成龍和鬼算盤(pán)打得異常激烈?；佚垊θ玢y蛇飛舞，不斷攻擊著鬼算盤(pán)的全身，然而鬼算盤(pán)那二尺一寸長(zhǎng)的、近尺寬的、怪異的、烏黑發(fā)亮的鐵算盤(pán)好像一面盾牌一樣有效扼制了長(zhǎng)劍的攻勢(shì)。長(zhǎng)劍的輕靈飄逸與鐵算盤(pán)的沉重而笨拙相映成趣，不時(shí)響起“叮！叮！叮！”輕脆悅耳的碰撞聲，如果沒(méi)有斗場(chǎng)中刺耳的剔肉刮骨聲摻雜其間，會(huì)讓人感到那不是一場(chǎng)生死搏殺，而是一場(chǎng)陶醉人心的表演。

表5 徑向基核函數(shù)最優(yōu)參數(shù)

2.4 模型校核及驗(yàn)證

2.4.1 校驗(yàn)參數(shù)

基于下述4類(lèi)參數(shù)對(duì)SVM回歸模型結(jié)果進(jìn)行校驗(yàn)：

新工科背景下，利用網(wǎng)絡(luò)教學(xué)平臺(tái)進(jìn)行混合模式教學(xué)，在很大程度上克服了傳統(tǒng)教學(xué)存在的弊端，提高了學(xué)生的自主學(xué)習(xí)能力，體現(xiàn)了課程考核的多樣化和公正性。只有將傳統(tǒng)學(xué)習(xí)與網(wǎng)絡(luò)化學(xué)習(xí)結(jié)合起來(lái)，使二者優(yōu)勢(shì)互補(bǔ)，才能獲得最佳的學(xué)習(xí)效果。

(1)均方根誤差(The root mean square error,RMSE)：

④措施和計(jì)劃予以制定。制定系列規(guī)章管理辦法，營(yíng)造宣傳氛圍。對(duì)媒體予以尊重，并合理利用，建立良好的媒體溝通機(jī)制。健全輿論危機(jī)應(yīng)對(duì)措施，做到防患于未然。管理和教育需強(qiáng)化，醫(yī)務(wù)人員的媒體介素需進(jìn)一步提升。與時(shí)俱進(jìn)，傳統(tǒng)媒體和自媒體并重，加強(qiáng)媒體覆蓋面。

式中：

YSVM——EMC及FF30的SVM模型預(yù)測(cè)值；

Y——數(shù)據(jù)集EMC及FF30實(shí)驗(yàn)值。

均方根誤差RMSE反映模型預(yù)測(cè)值及實(shí)測(cè)值之間的標(biāo)準(zhǔn)偏差，其值越小表明模型預(yù)測(cè)精度越高。

式中：

(7)

(2)路面材料：將道路路面材料歸納為瀝青及水泥混凝土兩類(lèi)，分別對(duì)應(yīng)編碼{1，0}。

(3)效率系數(shù)(Coefficient Efficiency,CE)：

(8)

式中：

效率系數(shù)CE廣泛應(yīng)用于校驗(yàn)水文水力模型的模擬性能，反映模型預(yù)測(cè)值與實(shí)測(cè)值之間的方差與實(shí)測(cè)值均方差的比值，其值越接近于1表明模型預(yù)測(cè)精度越高。

(4)相關(guān)系數(shù)(Correlation coefficient,CC)：

每年為政府提供一份區(qū)域非物質(zhì)文化遺產(chǎn)保護(hù)和開(kāi)發(fā)的研究報(bào)告。同時(shí)加強(qiáng)和地方文化、旅游、民族部門(mén)的聯(lián)系，開(kāi)展橫向課題合作。與百色市及下屬各縣等合作建設(shè)系列非物質(zhì)文化遺產(chǎn)研究基地，為區(qū)內(nèi)外研究人員的田野調(diào)查和研究提供場(chǎng)所和方便，幫助各縣區(qū)開(kāi)展非物質(zhì)文化遺產(chǎn)的申報(bào)和保護(hù)、研發(fā)等工作。

(9)

(2)平均偏差(The mean bias error,MBE)：

表示層用來(lái)完成地圖數(shù)據(jù)和業(yè)務(wù)數(shù)據(jù)的展示以及人機(jī)交互的相關(guān)邏輯，接收用戶(hù)的輸入并將用戶(hù)的意圖轉(zhuǎn)換為對(duì)業(yè)務(wù)層相關(guān)邏輯的調(diào)用。地圖展示和地圖操作通過(guò)調(diào)用ArcGIS API for JavaScript接口快速實(shí)現(xiàn)。

相關(guān)系數(shù)反映模型預(yù)測(cè)值與實(shí)測(cè)值之間的相關(guān)性，其值越接近于1，表明模型預(yù)測(cè)精度越高。

2.4.2 校驗(yàn)結(jié)果

使用libsvm工具包提供的Java接口分別對(duì)兩組數(shù)據(jù)集進(jìn)行訓(xùn)練，運(yùn)用驗(yàn)證樣本對(duì)模型進(jìn)行驗(yàn)證。圖2及圖3所示分別為徑流污染COD指標(biāo)的EMC及FF30模型預(yù)測(cè)值與實(shí)測(cè)值對(duì)比，由圖可知基于兩組數(shù)據(jù)集訓(xùn)練得到的SVM模型均具有較好的預(yù)測(cè)能力。

表6 EMC-SVM模型校驗(yàn)參數(shù)

表7 FF30-SVM模型校驗(yàn)參數(shù)

表6及7所示分別為EMC及FF30支持向量機(jī)模型的校驗(yàn)參數(shù)，從對(duì)驗(yàn)證樣本的預(yù)測(cè)結(jié)果看：EMC-SVM模型均方根誤差(RMSE)、平均偏差(MBE)分別為57.928及-1.231，遠(yuǎn)小于數(shù)據(jù)集EMC均值(189.59 mg/L)，其效率系數(shù)(CE)及相關(guān)系數(shù)(CC)分別達(dá)到0.815及0.933，表明該模型具有較高的預(yù)測(cè)精度；FF30-SVM模型均方根誤差(RMSE)、平均偏差(MBE)分別為0.038及0.004，遠(yuǎn)小于數(shù)據(jù)集FF30均值(0.457)，其效率系數(shù)(CE)及相關(guān)系數(shù)(CC)分別為0.866及0.932，表明FF30-SVM模型同樣具有較高的預(yù)測(cè)精度。

3 結(jié)果及討論

論文以前人文獻(xiàn)中的實(shí)測(cè)數(shù)據(jù)作為樣本，結(jié)合國(guó)內(nèi)外研究成果及論文實(shí)驗(yàn)部分研究結(jié)論，選取合適的影響因子及決策變量作為模型輸入量及輸出量，基于支持向量機(jī)(SVM)構(gòu)建了道路徑流污染預(yù)測(cè)模型。主要結(jié)論如下：

(1)選取雨型、平均雨強(qiáng)、峰值雨強(qiáng)、降雨歷時(shí)、雨前干期、大氣降塵量、PM10、車(chē)流量、路面材料及城市功能區(qū)等10項(xiàng)影響因子作為模型輸入量，分別選取徑流污染指標(biāo)COD的場(chǎng)次降雨EMC及FF30值作為模型輸出量。對(duì)非數(shù)值屬性雨型、路面材料按類(lèi)別編碼進(jìn)行轉(zhuǎn)換，對(duì)城市功能區(qū)采用按要素權(quán)重打分的轉(zhuǎn)換方法。

(2)選用徑向基函數(shù)(RBF)作為核函數(shù)，使用k折交叉驗(yàn)證法對(duì)模型參數(shù)進(jìn)行尋優(yōu)，對(duì)于EMC-SVM及FF30-SVM模型尋得的最優(yōu)參數(shù)(c，g)分別為(64.0，0.001 953 125)、(2.0，0.062 5)。

在目前大部分的高職公共英語(yǔ)教學(xué)中，教師還是傾向于使用單一的教學(xué)方法，一本教材，一支粉筆，一堂課。同時(shí)，大部分公共課程進(jìn)行大班授課，課堂活動(dòng)組織困難，這就更加重了教師授課“滿(mǎn)堂灌”的傾向。除此，公共英語(yǔ)的教學(xué)內(nèi)容雖然與學(xué)生日常生活有聯(lián)系，但是相當(dāng)一部分內(nèi)容對(duì)于學(xué)生而言已經(jīng)過(guò)時(shí)或者很熟悉了，難以引起學(xué)生的興趣。

(3)校驗(yàn)結(jié)果表明論文構(gòu)建的EMC-SVM及FF30-SVM模型均具有較高的預(yù)測(cè)精度。EMC-SVM模型校驗(yàn)參數(shù)RMSE、MBE遠(yuǎn)小于數(shù)據(jù)集EMC均值，CE、CC達(dá)到0.815及0.933；FF30-SVM模型校驗(yàn)參數(shù)RMSE、MBE遠(yuǎn)小于數(shù)據(jù)集FF30均值，CE、CC分別為0.866及0.932。

此外，本文建立的預(yù)測(cè)模型以國(guó)內(nèi)多個(gè)城市的道路降雨徑流污染實(shí)測(cè)數(shù)據(jù)為樣本，通過(guò)驗(yàn)證，該模型預(yù)測(cè)精度較高，因此可作下述應(yīng)用：

(1)對(duì)于開(kāi)展監(jiān)測(cè)實(shí)驗(yàn)難度較大的城市道路，可以運(yùn)用該模型進(jìn)行降雨徑流污染的預(yù)測(cè)和評(píng)估：通過(guò)道路特性參數(shù)及降雨特性參數(shù)的輸入得到其在特定場(chǎng)次降雨下的EMC及FF30輸出值。

(2)預(yù)測(cè)模型輸出值EMC可作為降雨徑流模型(如：SWMM)的輸入?yún)?shù)，通過(guò)模型進(jìn)一步計(jì)算出排水管網(wǎng)出口污染負(fù)荷。

(3)低影響開(kāi)發(fā)(LID)作為城市降雨徑流水質(zhì)水量管理的重要途徑，其方案設(shè)計(jì)應(yīng)基于可靠的場(chǎng)地基礎(chǔ)數(shù)據(jù)。降雨徑流形成后，先經(jīng)過(guò)LID單體設(shè)施的消納及凈化，再進(jìn)入管網(wǎng)系統(tǒng)排出。因此路面徑流污染預(yù)測(cè)值EMC及FF30可作為L(zhǎng)ID方案設(shè)計(jì)的基礎(chǔ)數(shù)據(jù)。同時(shí)，模型輸出值FF30反映初期沖刷效應(yīng)的顯著性，可為初雨截留裝置的設(shè)計(jì)提供依據(jù)。

(4)通過(guò)累加特定道路一年內(nèi)所有場(chǎng)次降雨的EMC預(yù)測(cè)值與徑流量的乘積，得到道路年徑流污染負(fù)荷評(píng)估值。