基于wavelet-SVM的PM₁₀浓度时序数据预测

来源：环境科学杂志2017年第1期北京时间：

作者：王平,张红,秦作栋,姚清晨,耿红

单位：山西大学黄土高原研究所, 太原 030006,山西大学环境与资源学院, 太原 030006,山西大学黄土高原研究所, 太原 030006,太原市环境监测中心站, 太原 030002,山西大学环境与资源学院, 太原 030006

摘要：太原是以煤炭为主要能源的重工业城市，PM₁₀（particulate matter）是太原市的主要大气污染物，因此研究其变化趋势，并给出污染物浓度预测结果，为相关部门进行大气污染防治，为突发污染事件应急提供理论支持是一项非常重要的工作. 支持向量机（support vector machine，SVM）应用于PM₁₀污染物浓度时序数据预测时，表现出良好的泛化能力. 在预测模型建立过程中通常选择历史数据作为学习模型的输入特征，然而这样的数据表示形式，结构单一，信息表达不完备，在很大程度上将影响预测模型的泛化能力. 本文以山西省太原市城区4个监测站点的PM₁₀日浓度数据为研究数据，通过小波变换（wavelet transform）将一维输入数据转化为由低频信息和高频信息构成的高维数据，并以该数据为输入数据建立wavelet-SVM预测模型. 结果表明，相较于传统SVM模型预测，wavelet-SVM模型预测结果具有更高的精度，尤其能更加准确捕捉到PM₁₀浓度突变点，为大气污染预警提供有效信息支持，并且wavelet-SVM模型对于PM₁₀浓度时序数据变化趋势的预测精度有明显提升，能更好地预测PM₁₀浓度变化趋势，揭示PM₁₀浓度时序数据内在规律.

关键词：支持向量机,小波变换,大气污染物浓度预测,输入向量,预测模型,