【研究生数学建模】基于 LSTM-FC 的大气污染物浓度预测模型.pdf

中国研究生创新实践系列大赛 中国研究生创新实践系列大赛 “华为杯”第十八届中国研究生 “华为杯”第十八届中国研究生 数学建模竞赛 数学建模竞赛 学 校 西安邮电大学 参赛队号 21116640067 1.艾宇 队员姓名 2.胥策 3.杨玉蓉 0 中国研究生创新实践系列大赛 中国研究生创新实践系列大赛 . “华为杯”第十八届中国研究生 . “华为杯”第十八届中国研究生 数学建模竞赛 数学建模竞赛 题 目 基于LSTM-FC的大气污染物浓度预测模型 摘 要 ： 工业发展和城市化进程的加速使得大气污染问题日益突出，严重影响到人们的生 活和健康，违背了经济可持续发展的理念，尤其是近年来许多大城市雾霾天气的频繁 出现，引发了广泛的社会效应。随着我国步入“绿水青山就是金山银山”的“新时代”， 大气污染治理已经势在必行。科学阐明大气污染的根源，探究大气污染物浓度变化的 规律及气象条件对浓度的影响，实现污染物浓度精确预测，是国际大气化学研究领域 最关注的科学问题，是制定区域大气污染协同控制方案的基础，对指导大气治理工作 具有重要意义。 国内外学者展开了大量关于大气污染物浓度预测的研究，但现有大多大气污染物 浓度预测模型忽视了空气质量监测数据的空间特性，不能很好地实现时间与空间相关 性的耦合，造成预测精度不高等问题。针对上述问题，本文提出了一种基于长短期记 忆网络 全连接神经网络- (Long Short-Term Memory -Full Connested,LSTM-FC) 的大气 污染物混合预测模型。本文利用附件提供的多个空气质量监测点的实时监测数据、一 次预测数据、以及气象条件等，通过大量的数据分析及处理，建立气象条件变化与大 气污染物浓度变化的数学关系，并预测大气污染物浓度变化的趋势。结合Pearson 相关 性分析、k-means 聚类、神经网络、权重预测等相关数学方法和现代信息处理技术，通 Python MATLB SPSS MySQL 过 、 、 、 等工具辅助解决相关问题。 针对问题一，对附件一提供的大气污染物实测数据进行数据清洗，包括数据缺失 检测及近邻填补、箱型法异常值检测、数据可视化等。其次，根据所给的各项污染物 IAQI AQI 空气质量分指数 （ ）计算模型计算当日空气质量指数 （ ）及首要污染物，并 绘制2020年全年AQI 波动曲线并统计首要污染物占比情况。根据计算结果，一年中臭 氧为首要污染物的天数占比为59.6%，说明臭氧对大气环境的危害程度较大。最后， A 2020 8 25 8 28 AQI 展示了监测点 从 年 月 日到 月 日每天实测的 和首要污染物结果。 针对问题二，对附件一中逐小时预报及实测数据进行预处理，并对污染物浓度及 气象因子做相关性分析，为消除不同污染物浓度量纲对分析结果的影响，对数据进行 标准化处理。为分析气象因子对污染物浓度的影响，建立不同气象因子与污染物浓度 的多元线性回归模型，但经过大量数据训练和分析，最终选择相关性系数进行分析。 其次，建立基于k-means 聚类的气象分类模型，以手肘法作为聚类数量的判定条件， 将气象因子划分为五类，分析每类气象条件的特征及其对空气质量的影响，最终建立 完整的气象条件的分类模型。