【摘要】：近年來(lái),霧霾天氣的出現(xiàn)越來(lái)越頻繁。人們對(duì)空氣質(zhì)量的關(guān)注度日益見(jiàn)長(zhǎng),期望通過(guò)相關(guān)技術(shù)來(lái)挖掘空氣質(zhì)量數(shù)據(jù)中有用信息來(lái)預(yù)測(cè)空氣質(zhì)量,從而實(shí)現(xiàn)預(yù)防空氣污染帶來(lái)的危害。然而空氣質(zhì)量受氣象因素等的影響較大,具有非線性、時(shí)變性和高度不穩(wěn)定性等特點(diǎn),如何建立有效的空氣質(zhì)量預(yù)測(cè)模型和預(yù)測(cè)系統(tǒng)一直是人們亟待解決的難題。本論文主要工作如下:(1)根據(jù)預(yù)測(cè)系統(tǒng)需求分析,對(duì)系統(tǒng)進(jìn)行了總體設(shè)計(jì)及各部分設(shè)計(jì)。整個(gè)系統(tǒng)包含數(shù)據(jù)獲取層、數(shù)據(jù)服務(wù)層、數(shù)據(jù)處理層和用戶界面層四層,分為數(shù)據(jù)獲取與存儲(chǔ)、后臺(tái)管理、數(shù)據(jù)分析預(yù)測(cè)三個(gè)部分進(jìn)行設(shè)計(jì)。(2)搭建了預(yù)測(cè)系統(tǒng)的開(kāi)發(fā)環(huán)境,對(duì)系統(tǒng)各部分的功能模塊及系統(tǒng)界面進(jìn)行了程序編碼。且輔以實(shí)例代碼和實(shí)現(xiàn)效果圖闡述了系統(tǒng)功能的實(shí)現(xiàn),包括網(wǎng)絡(luò)爬蟲(chóng)、Web端、數(shù)據(jù)分析預(yù)測(cè)等功能的實(shí)現(xiàn)。系統(tǒng)實(shí)現(xiàn)后,本文對(duì)其功能和性能都進(jìn)行了相應(yīng)地測(cè)試。(3)針對(duì)爬蟲(chóng)獲取的成都市市區(qū)的氣象數(shù)據(jù)和空氣質(zhì)量數(shù)據(jù)存在的異常值和缺失值等問(wèn)題,本文對(duì)獲取的數(shù)據(jù)進(jìn)行預(yù)處理,并采用Adaptive-Lasso算法選取出了影響因變量AQI的兩個(gè)自變量PM10、PM2.5。在探究影響PM10、PM2.5的主要因素時(shí),通過(guò)實(shí)驗(yàn)所得的Pearson和Spearman系數(shù),分析了它們與5個(gè)氣象因子的相關(guān)性,找出了預(yù)測(cè)模型的輸入?yún)?shù)。(4)針對(duì)標(biāo)準(zhǔn)的差分進(jìn)化算法(DE)存在的搜索效率較低的問(wèn)題,本文通過(guò)改變DE算法的變異因子和交叉因子來(lái)提高DE算法的搜索效率,獲得了改進(jìn)差分進(jìn)化算法(IDE),經(jīng)5個(gè)多峰函數(shù)測(cè)試,測(cè)試結(jié)果表明IDE改進(jìn)有效。布谷鳥(niǎo)搜索算法(CS)尋優(yōu)效果受步長(zhǎng)的影響不容忽視,本文通過(guò)改進(jìn)步長(zhǎng)控制量來(lái)改進(jìn)CS算法,獲得了改進(jìn)布谷鳥(niǎo)算法(ICS)。(5)針對(duì)傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型過(guò)于依賴初始值、收斂速度較慢、容易陷入局部極小值等問(wèn)題,本文分別使用ICS和IDE來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(BPNN)模型的權(quán)值和閾值,從而獲得ICS-BPNN和IDE-BPNN兩種模型。并將這兩種改進(jìn)模型與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型、4種優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了對(duì)比分析。從PM10、PM2.5濃度預(yù)測(cè)數(shù)據(jù)結(jié)果表明,與其他模型相比,IDE-BPNN的一致性指數(shù)(IA)最高,而均方根誤差(RMSE)、平均絕對(duì)值誤差(MAE)和平均相對(duì)誤差(MAPE)更小,IDE-BPNN的平均偏差誤差(MBE)更趨于零。經(jīng)分析得出,IDE-BPNN模型的預(yù)測(cè)性能更好。本文通過(guò)多種空氣質(zhì)量預(yù)測(cè)模型的對(duì)比分析,獲得了一種有效的空氣質(zhì)量預(yù)測(cè)模型,提高了空氣質(zhì)量的預(yù)測(cè)精度。最終設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)集數(shù)據(jù)爬取、存儲(chǔ)、預(yù)處理和預(yù)測(cè)分析為一體的空氣質(zhì)量預(yù)測(cè)系統(tǒng),且經(jīng)過(guò)多次測(cè)試,系統(tǒng)測(cè)試結(jié)果達(dá)到預(yù)期設(shè)計(jì)目標(biāo)。
【學(xué)位授予單位】：西華大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：X51;TP311.13
【圖文】：

圖 2.1 2018 年 5 月編程語(yǔ)言指數(shù)排行榜Fig.2.1 Tiobe programming community index for may 2018Python 作為一種功能強(qiáng)大且通用的編程語(yǔ)言，其應(yīng)用場(chǎng)景越來(lái)越廣泛，未來(lái)會(huì)有的開(kāi)發(fā)者使用 Python 語(yǔ)言進(jìn)行項(xiàng)目開(kāi)發(fā)。Python 應(yīng)用范圍大致有：（1）系統(tǒng)編程：Python 語(yǔ)言提供 lass=innerlink>API，能方便進(jìn)行系統(tǒng)維護(hù)和管理inux 下標(biāo)志性語(yǔ)言之一，是很多系統(tǒng)管理員理想的編程工具。（2）圖形處理：Python 語(yǔ)言有 PIL、Tkinter 等圖形庫(kù)支持，能方便進(jìn)行圖形處理（3）數(shù)學(xué)處理：NumPy 擴(kuò)展提供大量與許多標(biāo)準(zhǔn)數(shù)學(xué)庫(kù)的接口。（4）文本處理：Python 提供的 re 模塊能支持正則表達(dá)式，還提供 SGML，XM析模塊，許多程序員利用 Python 進(jìn)行 XML 程序的開(kāi)發(fā)。（5）數(shù)據(jù)庫(kù)編程：程序員可通過(guò)遵循 Python DB-API（數(shù)據(jù)庫(kù)應(yīng)用程序編程接口范的模塊與 Microsoft SQL Server，Oracle，Sybase，DB2，Mysql、SQLite 等數(shù)據(jù)庫(kù)。Python 自帶有一個(gè) Gadfly 模塊，提供了一個(gè)完整的 SQL 環(huán)境。（6）網(wǎng)絡(luò)編程：Python 語(yǔ)言提供豐富的模塊支持 sockets 編程，能方便快速地開(kāi)布式應(yīng)用程序。

西華大學(xué)碩士學(xué)位論文數(shù)有多個(gè)全局最小值，圖 4.8 為 Cross-in-Tray 函數(shù)波形圖，從圖中可以看出該函數(shù)擁有多個(gè)峰值和谷值，且高低起伏不定。圖 4.8 中顯示的右圖里是一個(gè)較小的域，如此就可看出它“交叉”的特征了。

35圖 4.9 Eggholder 函數(shù)波形圖Fig.4.9 Eggholder function waveform diagramlder 函數(shù)： 47)sin(47)247sin(112122 xx x xf xxx-512,512]，x2 [-512,512]。該函數(shù)在(x1,x2)=(512,404.2319)時(shí)，959.6407。Eggholder 函數(shù)由于其大量的局部最小值，所以它

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孫維;陳飛;王暉;程小泉;許農(nóng);;CALPUFF模型在合肥地區(qū)SO_2大氣環(huán)境容量測(cè)算中的應(yīng)用[J];南京信息工程大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年04期

2 沈銘科;黃鎮(zhèn)宇;王智化;周俊虎;;基于布谷鳥(niǎo)算法與BP神經(jīng)網(wǎng)絡(luò)的煤灰變形溫度預(yù)測(cè)[J];燃料化學(xué)學(xué)報(bào);2014年12期

3 周兆媛;張時(shí)煌;高慶先;李文杰;趙凌美;馮永恒;徐明潔;施蕾蕾;;京津冀地區(qū)氣象要素對(duì)空氣質(zhì)量的影響及未來(lái)變化趨勢(shì)分析[J];資源科學(xué);2014年01期

4 王凡;賀興時(shí);王燕;楊松銘;;基于CS算法的Markov模型及收斂性分析[J];計(jì)算機(jī)工程;2012年11期

5 胡超;李克平;;基于Lévy Flight的地震搜救模擬研究[J];科學(xué)技術(shù)與工程;2011年25期

6 Kanyanee Seangkiatiyuth;Vanisa Surapipith;Kraichat Tantrakarnapa;Anchaleeporn W.Lothongkum;;Application of the AERMOD modeling system for environmental impact assessment of NO_2 emissions from a cement complex[J];Journal of Environmental Sciences;2011年06期

7 謝付瑩;王自發(fā);王喜全;;2008年奧運(yùn)會(huì)期間北京地區(qū)PM10污染天氣形勢(shì)和氣象條件特征研究[J];氣候與環(huán)境研究;2010年05期

8 李元宜;孫昊;薛丹;;利用ADMS——大氣擴(kuò)散模型模擬阜新SO_2減排[J];環(huán)境保護(hù)與循環(huán)經(jīng)濟(jì);2010年07期

9 歐陽(yáng)鈞;王愛(ài)枝;;基于Matlab的BP神經(jīng)網(wǎng)絡(luò)在大氣污染物濃度預(yù)測(cè)中的應(yīng)用[J];環(huán)境科學(xué)與管理;2009年11期

10 張艷昆;劉樹(shù)華;李炬;王迎春;馬雁軍;;北京PM_(10)質(zhì)量濃度與總體理查遜數(shù)的關(guān)系[J];北京大學(xué)學(xué)報(bào)(自然科學(xué)版)網(wǎng)絡(luò)版(預(yù)印本);2009年03期

相關(guān)博士學(xué)位論文 前1條

1 蔣志方;城市空氣質(zhì)量預(yù)測(cè)模型與數(shù)據(jù)可視化方法研究[D];山東大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 趙猛;基于數(shù)據(jù)挖掘技術(shù)的大氣環(huán)境預(yù)測(cè)研究[D];北京交通大學(xué);2017年

2 孫蓉花;烏魯木齊市PM_(2.5)濃度時(shí)空變化特征及與氣象條件的關(guān)系[D];新疆師范大學(xué);2017年

3 朱暾;基于位置數(shù)據(jù)的空氣質(zhì)量分類預(yù)測(cè)混合模型研究[D];浙江大學(xué);2017年

4 田野岑;基于布谷鳥(niǎo)搜索算法的神經(jīng)網(wǎng)絡(luò)在抽油機(jī)故障診斷中的應(yīng)用[D];東北石油大學(xué);2016年

5 劉小兵;基于支持向量回歸機(jī)的PM2.5濃度預(yù)測(cè)模型分析與研究[D];西南財(cái)經(jīng)大學(xué);2016年

6 裴旭倩;基于ADMS的火電廠高架源排放二氧化硫濃度分布特征研究[D];太原理工大學(xué);2015年

7 鄭成剛;基于Django的日程協(xié)作系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];大連理工大學(xué);2014年

8 周s

本文編號(hào)：2756486