PAGE8南昌市空氣質(zhì)量預(yù)測(cè)實(shí)證分析案例目錄TOC\o"1-3"\h\u18506南昌市空氣質(zhì)量預(yù)測(cè)實(shí)證分析案例 1310991.1基于BP神經(jīng)網(wǎng)絡(luò)的等級(jí)預(yù)測(cè) 1169771.1.1設(shè)計(jì)思路 186391.1.2數(shù)據(jù)集處理和劃分 2102561.1.3神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)定 2286691.1.4空氣質(zhì)量等級(jí)分類預(yù)測(cè)結(jié)果分析 3280371.2 基于GRA-WOA的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型 58191.2.1算法流程 5114621.2.2模型建立與結(jié)果分析 6286491.2.3不同模型實(shí)驗(yàn)對(duì)比 8102061.3首要污染物PM10濃度的預(yù)測(cè) 8309971.3.1自回歸XGBoost時(shí)序預(yù)測(cè)模型設(shè)計(jì) 8252411.3.2數(shù)據(jù)來源與平穩(wěn)性檢驗(yàn) 9300171.3.3模型預(yù)測(cè)結(jié)果分析 101.1基于BP神經(jīng)網(wǎng)絡(luò)的等級(jí)預(yù)測(cè)1.1.1設(shè)計(jì)思路空氣質(zhì)量指數(shù)（AQI）可以用來分析空氣質(zhì)量的狀況，通過相關(guān)性分析可知，空氣質(zhì)量指數(shù)與六項(xiàng)污染物的濃度大小密切相關(guān)；同時(shí)，大量研究表明，空氣質(zhì)量與氣象因素具有一定的相關(guān)性，并且它們的相關(guān)性之間存在一定的非線性的特性。綜合以上信息，本文的研究利用了BP神經(jīng)網(wǎng)絡(luò)能夠很好地解決非線性問題這個(gè)特點(diǎn)，應(yīng)用于空氣質(zhì)量等級(jí)預(yù)測(cè)的分析。由于社會(huì)經(jīng)濟(jì)影響因素的可獲得性和其數(shù)據(jù)大部分是年度或月度數(shù)據(jù)，在實(shí)際的空氣質(zhì)量等級(jí)預(yù)測(cè)過程中，社會(huì)經(jīng)濟(jì)因素的逐日變化較小，對(duì)等級(jí)預(yù)測(cè)準(zhǔn)確度影響較小。因此，本文模型的設(shè)計(jì)思路大致為選擇南昌市空氣污染物的歷史數(shù)據(jù)及與之對(duì)應(yīng)的氣象數(shù)據(jù)作為原始數(shù)據(jù)集，并且利用相關(guān)方法對(duì)此數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)處理好的數(shù)據(jù)作為模型的輸入數(shù)據(jù)集，接著對(duì)輸入數(shù)據(jù)集按照一定比例劃分訓(xùn)練集和測(cè)試集；通過MATLAB軟件中所存在的BP神經(jīng)網(wǎng)絡(luò)工具箱來實(shí)現(xiàn)模型的創(chuàng)建，并設(shè)定好相關(guān)的參數(shù)，最終建立基于BP神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量等級(jí)預(yù)測(cè)模型。然后把劃分好的訓(xùn)練集數(shù)據(jù)在模型中不斷訓(xùn)練，用測(cè)試集數(shù)據(jù)來驗(yàn)證訓(xùn)練好的模型的性能，得到最終測(cè)試結(jié)果，用相關(guān)模型評(píng)估指標(biāo)對(duì)其進(jìn)行評(píng)價(jià)，以確定模型的可靠程度。1.1.2數(shù)據(jù)集處理和劃分BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集中的樣本數(shù)對(duì)整個(gè)模型的預(yù)測(cè)準(zhǔn)確度具有很大的影響。若訓(xùn)練樣本過少，會(huì)導(dǎo)致模型訓(xùn)練不夠充分，難以達(dá)到較好的訓(xùn)練效果;若訓(xùn)練樣本過多，可能導(dǎo)致網(wǎng)絡(luò)過度擬合，對(duì)模型的預(yù)測(cè)精度會(huì)產(chǎn)生一定影響。本文研究所選城市為江西省南昌市，在模型中使用的數(shù)據(jù)可以分為2類:①空氣質(zhì)量實(shí)時(shí)監(jiān)測(cè)的逐日數(shù)據(jù)，每日數(shù)據(jù)包含了8個(gè)數(shù)據(jù)指標(biāo)的數(shù)據(jù)，來源于真氣網(wǎng)；②氣象基站數(shù)據(jù)，數(shù)據(jù)的選取來自中國(guó)氣象局的官方網(wǎng)站，包括8個(gè)方面的監(jiān)測(cè)信息。數(shù)據(jù)監(jiān)測(cè)時(shí)間是從2016年1月1日至2019年5月31日，時(shí)間跨度為41個(gè)月，一共1247條原始數(shù)據(jù)，將這些原始數(shù)據(jù)按照第三章所介紹的數(shù)據(jù)預(yù)處理步驟進(jìn)行相關(guān)處理，按照季節(jié)劃分為四個(gè)數(shù)據(jù)集。在進(jìn)行訓(xùn)練集和測(cè)試集的劃分時(shí)，統(tǒng)一以7:3的比例進(jìn)行劃分，用于模型的訓(xùn)練和結(jié)果預(yù)測(cè)。1.1.3神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)定BP神經(jīng)網(wǎng)絡(luò)算法，它包含了輸入層、隱含層和輸出層。影響B(tài)P神經(jīng)網(wǎng)絡(luò)性能的重要參數(shù)為輸入輸出層神經(jīng)元個(gè)數(shù)、隱含層的神經(jīng)元個(gè)數(shù)、訓(xùn)練函數(shù)和傳遞函數(shù)等。因此，在進(jìn)行模型創(chuàng)建過程中，我們需要對(duì)相關(guān)參數(shù)的設(shè)定進(jìn)行謹(jǐn)慎考慮。（1）網(wǎng)絡(luò)層數(shù)。BP神經(jīng)網(wǎng)絡(luò)一般是由1個(gè)輸入層、1個(gè)或者多個(gè)隱含層以及1個(gè)輸出層共同構(gòu)成。其中，隱含層的層數(shù)對(duì)模型的訓(xùn)練效率與預(yù)測(cè)結(jié)果具有很大的影響，太多的隱含層會(huì)讓模型的訓(xùn)練變得更加復(fù)雜，大大增加訓(xùn)練的時(shí)間，因此，選取合適的隱含層數(shù)目十分重要。如果隱含層中的節(jié)點(diǎn)數(shù)很多的時(shí)候，即使隱含層只有一個(gè)，同樣能夠?qū)崿F(xiàn)對(duì)所以非線性函數(shù)的逼近。綜上所述，考慮到模型訓(xùn)練用時(shí)與數(shù)據(jù)的實(shí)際情況，本文只是對(duì)空氣質(zhì)量等級(jí)進(jìn)行分類預(yù)測(cè)，而非預(yù)測(cè)各項(xiàng)污染物的濃度，故最終選擇只包含一個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與預(yù)測(cè)。（2）輸入輸出層神經(jīng)元個(gè)數(shù)。BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)與訓(xùn)練樣本的維數(shù)密切相關(guān)。若訓(xùn)練樣本維數(shù)過高，則會(huì)導(dǎo)致網(wǎng)絡(luò)訓(xùn)練計(jì)算量過大、訓(xùn)練時(shí)間過長(zhǎng)，整個(gè)訓(xùn)練過程效率低下。本文基于空氣質(zhì)量和氣象數(shù)據(jù)的研究，BP模型輸入數(shù)據(jù)為原始空氣質(zhì)量數(shù)據(jù)和氣象指標(biāo)數(shù)據(jù)，輸入層的神經(jīng)元數(shù)量為25個(gè)。如果按照季節(jié)劃分?jǐn)?shù)據(jù)集，則它的個(gè)數(shù)為24個(gè)。對(duì)于輸出層，因?yàn)楸疚囊獙?duì)空氣質(zhì)量等級(jí)進(jìn)行分類預(yù)測(cè)，輸出目標(biāo)為空氣質(zhì)量的等級(jí)，所以輸出數(shù)據(jù)節(jié)點(diǎn)數(shù)為1。（3）傳遞函數(shù)。BP神經(jīng)網(wǎng)絡(luò)模型常用的函數(shù)包括了Sigmoid函數(shù)、tanh函數(shù)、Purelin函數(shù)。隱含層大都會(huì)使用到Sigmoid函數(shù)，但其輸出層則通常會(huì)選擇Purelin函數(shù)。經(jīng)過不斷重復(fù)測(cè)試，本文BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的隱含層最終采取logsig函數(shù)，輸出層選用Purelin函數(shù)。（4）隱含層節(jié)點(diǎn)數(shù)。目前，還沒有一個(gè)完整、可靠的理論能夠?qū)P隱含層節(jié)點(diǎn)數(shù)的選取提供指導(dǎo)。對(duì)于一個(gè)擁有三層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，隱含層節(jié)點(diǎn)的數(shù)目體現(xiàn)著其非線性的程度，如果隱含層節(jié)點(diǎn)數(shù)過少時(shí)，網(wǎng)絡(luò)的泛化性能及容錯(cuò)性就會(huì)較差；但神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)過多時(shí)，其訓(xùn)練時(shí)間則會(huì)大大增加，并且訓(xùn)練效果不一定好。因此，要找到合適的節(jié)點(diǎn)數(shù)需要根據(jù)經(jīng)驗(yàn)進(jìn)行多次的試驗(yàn)。常用的選取隱含層節(jié)點(diǎn)數(shù)的經(jīng)驗(yàn)公式為:（1.1）如公式（1.1）所示。m是隱含層的節(jié)點(diǎn)數(shù)；a是輸入層節(jié)點(diǎn)數(shù)；b是輸出層節(jié)點(diǎn)數(shù)；c為常數(shù)，在1到10中選擇。經(jīng)過大量測(cè)試，最終BP神經(jīng)網(wǎng)絡(luò)的隱藏層節(jié)點(diǎn)是11個(gè)。1.1.4空氣質(zhì)量等級(jí)分類預(yù)測(cè)結(jié)果分析在上小節(jié)中對(duì)數(shù)據(jù)集中的各項(xiàng)數(shù)據(jù)進(jìn)行了相關(guān)的處理后，獲得了原始數(shù)據(jù)集。為了研究BP神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量等級(jí)預(yù)測(cè)模型的訓(xùn)練和預(yù)測(cè)準(zhǔn)確度，由于各季節(jié)的污染物濃度和氣象情況相差較為懸殊，首先，將得到的原始數(shù)據(jù)集按照季節(jié)劃分為四個(gè)數(shù)據(jù)集，把它們與完整的數(shù)據(jù)集作為輸入數(shù)據(jù)分別輸入到預(yù)測(cè)模型中，用于模型的訓(xùn)練。把劃分好的測(cè)試集放入到訓(xùn)練好的模型中去，然后進(jìn)行檢驗(yàn)，其測(cè)試結(jié)果如表1.1所示。表1.1各季節(jié)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確率時(shí)間分類準(zhǔn)確率錯(cuò)誤率春季63.4490%36.551%夏季56.3265%42.6735%秋季62.3213%37.6787%冬季69.5253%30.4747%整個(gè)四季71.8081%24.1909%（a）春季分類結(jié)果（b）夏季分類結(jié)果（c）秋季分類結(jié)果（d）冬季分類結(jié)果（e）整個(gè)四季BP神經(jīng)網(wǎng)絡(luò)分類結(jié)果圖1.1各季節(jié)BP神經(jīng)網(wǎng)絡(luò)分類預(yù)測(cè)結(jié)果對(duì)比圖如圖1.1所示。不同季節(jié)的空氣質(zhì)量等級(jí)分類結(jié)果圖相對(duì)比，可以發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)在這時(shí)間維度的預(yù)測(cè)結(jié)果相差不是很大，具體的分類結(jié)果差異都表現(xiàn)在“差”這個(gè)第三等級(jí)上，如圖所示，冬季在第三等級(jí)分類預(yù)測(cè)效果比其他季節(jié)分類預(yù)測(cè)較好。具體的分類預(yù)測(cè)效果需要根據(jù)模型的最終預(yù)測(cè)準(zhǔn)確率來看。由表1.1可以得知，BP神經(jīng)網(wǎng)絡(luò)在不同時(shí)間分類預(yù)測(cè)精度存在差異，不同時(shí)間的分類預(yù)測(cè)準(zhǔn)確度分別為63.4490%、56.3265%、62.3213%、69.5253%、71.8081%，從它們的分類預(yù)測(cè)準(zhǔn)確度來看，BP神經(jīng)網(wǎng)絡(luò)模型對(duì)南昌市空氣質(zhì)量等級(jí)的分類精度在不同時(shí)間的預(yù)測(cè)效果較差，仍有提高的空間，所以為了提高這個(gè)模型預(yù)測(cè)的準(zhǔn)確率，需要利用好智能算法，用其來對(duì)預(yù)測(cè)模型進(jìn)行相關(guān)的優(yōu)化。1.2 基于GRA-WOA的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型1.2.1算法流程鯨魚優(yōu)化算法在參數(shù)的調(diào)整、避免出現(xiàn)局部最優(yōu)以及相關(guān)的操作等方面存在明顯的優(yōu)勢(shì)，并且灰色關(guān)聯(lián)分析能快速地篩選出關(guān)聯(lián)度高的影響因素。由此提出了基于鯨魚智能算法和灰色關(guān)聯(lián)分析改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的GRA-WOA-BP模型。其主要的算法流程如下:（1）爬取南昌市的空氣質(zhì)量與氣象相關(guān)數(shù)據(jù)，并且利用第三章中數(shù)據(jù)的預(yù)處理方法進(jìn)行相關(guān)處理；（2）將預(yù)處理完的數(shù)據(jù)進(jìn)行灰色關(guān)聯(lián)分析，作為輸入數(shù)據(jù)，并且按照一定比例劃分訓(xùn)練集和測(cè)試集；（3）參數(shù)初始化。確定最大迭代次數(shù)T、權(quán)值與閾值的上下邊界、鯨魚的數(shù)量，把訓(xùn)練的誤差當(dāng)成適應(yīng)度函數(shù)；（4）確定單個(gè)鯨魚自身的適應(yīng)度值，保留最佳鯨魚與其所在的位置；（5）當(dāng)n<T時(shí)，更新參數(shù)A、C、l、p和b；（6）當(dāng)p的值小于0.5時(shí)，如果A的絕對(duì)值也小于1，則根據(jù)公式（3-8）來對(duì)鯨魚的位置進(jìn)行更新；若A的絕對(duì)值大于等于1，就需要按照公式（2-13）來任意尋找一個(gè)鯨魚，并且更新其位置；（7）當(dāng)p≥0.5時(shí)，根據(jù)公式（3-11）來更新鯨魚位置；（8）計(jì)算當(dāng)前群體中最優(yōu)個(gè)體，并保存?zhèn)€體位置。判斷是n>T，是則進(jìn)入下一步；否則令n=n+1，重復(fù)執(zhí)行（5）~（7）步；（9）輸出最優(yōu)鯨魚位置，記錄最優(yōu)權(quán)值和閾值；（10）將得到的最優(yōu)權(quán)值和閾值用于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型的訓(xùn)練，得到精確高的訓(xùn)練模型；（11）將測(cè)試數(shù)據(jù)用于優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行空氣質(zhì)量分類預(yù)測(cè)，得出的結(jié)果進(jìn)行反標(biāo)準(zhǔn)化處理，獲得最終預(yù)測(cè)精確率。1.2.2模型建立與結(jié)果分析在1.1節(jié)中，將數(shù)據(jù)集化為四個(gè)不同季節(jié)的數(shù)據(jù)集，經(jīng)過模型測(cè)試，可以發(fā)現(xiàn)模型的預(yù)測(cè)效果不是那么好，還有待提高預(yù)測(cè)準(zhǔn)確率，因此，在這次模型訓(xùn)練中，以完整的數(shù)據(jù)集為例，仍然使用南昌市2016年1月1日至2019年5月31日的1247條空氣質(zhì)量數(shù)據(jù)和同期的氣象數(shù)據(jù)作為數(shù)據(jù)集，通過第3章的數(shù)據(jù)預(yù)處理環(huán)節(jié)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，再對(duì)預(yù)處理好的數(shù)據(jù)進(jìn)行灰色關(guān)聯(lián)分析，選取關(guān)聯(lián)程度高的指標(biāo)，形成新的數(shù)據(jù)集，作為實(shí)驗(yàn)所需的新數(shù)據(jù)集，并按照7：3的比例進(jìn)行劃分，將數(shù)據(jù)劃分為訓(xùn)練集與測(cè)試集之后，按照1.2.1節(jié)的算法流程，在MATLAB軟件中進(jìn)行模型的建立，可以得到一個(gè)模型預(yù)測(cè)分類結(jié)果；在該模型基礎(chǔ)上引入了鯨魚優(yōu)化算法，鯨魚算法它的參數(shù)a是由2線性下降到0，其中最大迭代數(shù)是100，通過對(duì)鯨魚數(shù)量的多次測(cè)試，最終鯨魚數(shù)量確定為20。BP神經(jīng)網(wǎng)絡(luò)的各個(gè)參數(shù)如1.1.3節(jié)所示，根據(jù)輸入數(shù)據(jù)的維度對(duì)BP模型的各參數(shù)進(jìn)行輕微調(diào)整。運(yùn)用該算法對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行最佳參數(shù)的查找，以提高預(yù)測(cè)準(zhǔn)確度。將基于灰色關(guān)聯(lián)分析改進(jìn)的GRA-BP模型與本節(jié)的GRA-WOA-BP模型進(jìn)行比較，它們的分類預(yù)測(cè)結(jié)果如圖1.2、圖1.3所示。圖1.2GRA-BP模型等級(jí)分類預(yù)測(cè)圖圖1.3GRA-WOA-BP模型等級(jí)分類預(yù)測(cè)圖在圖1.2、圖1.3中，可以看到GRA-BP預(yù)測(cè)模型和GRA-WOA-BP預(yù)測(cè)模型的分類結(jié)果，改進(jìn)后的預(yù)測(cè)模型分類效果比較好；但分類預(yù)測(cè)圖只能直觀地查看分類效果，具體的模型分類預(yù)測(cè)的精度如表1.2所示。表1.2各模型分類預(yù)測(cè)準(zhǔn)確率方法GRA-WOA-BPGRA-BPBP分類精度91.1969%83.8007%71.8081%425/447385/447339/447實(shí)驗(yàn)結(jié)果表明，GRA-BP模型、GRA-WOA-BP模型分類預(yù)測(cè)精度分別為83.8007%，91.1969%，基于灰色關(guān)聯(lián)分析的BP神經(jīng)網(wǎng)絡(luò)模型比基礎(chǔ)模型預(yù)測(cè)準(zhǔn)確度提高了7.9%。在這基礎(chǔ)上引入鯨魚算法形成的GRA-WOA-BP模型分類預(yù)測(cè)誤差減小幅度更加明顯，換言之，GRA-WOA-BP模型預(yù)測(cè)準(zhǔn)確率有了大幅度的提升。因此，對(duì)于空氣質(zhì)量等級(jí)分類預(yù)測(cè)問題，GRA-WOA-BP預(yù)測(cè)模型在分類預(yù)測(cè)方面擁有很高的準(zhǔn)確度，并且讓BP神經(jīng)網(wǎng)絡(luò)模型更好地避開局部最優(yōu)。1.2.3不同模型實(shí)驗(yàn)對(duì)比從上面的分類預(yù)測(cè)模型可知，GRA-WOA-BP模型對(duì)空氣質(zhì)量等級(jí)預(yù)測(cè)的準(zhǔn)確度為91.1969%，比經(jīng)過灰色關(guān)聯(lián)分析的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)準(zhǔn)確率提高了11.39%。并且與其他算法進(jìn)行比較。在本小節(jié)，為了模型之間可以比較，各個(gè)模型都使用經(jīng)過灰色關(guān)聯(lián)分析后的數(shù)據(jù)，按照第三章數(shù)據(jù)預(yù)處理的流程對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，把處理好的數(shù)據(jù)集按照訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集7：3的比例劃分。各個(gè)模型的最終預(yù)測(cè)準(zhǔn)確度如圖1.4所示。圖1.4多種模型預(yù)測(cè)準(zhǔn)確度對(duì)比由圖1.4可知，樸素貝葉斯分類器、支持向量機(jī)、決策樹、KNN的空氣質(zhì)量等級(jí)分類預(yù)測(cè)準(zhǔn)確度分別為77.1%、81.8%、82.70%、70%，與這些算法相比較，基于GRA-WOA-BP模型的準(zhǔn)確度相對(duì)較高，驗(yàn)證了本文空氣質(zhì)量等級(jí)預(yù)測(cè)的準(zhǔn)確度及所采用的算法的優(yōu)越性。1.3首要污染物PM10濃度的預(yù)測(cè)1.3.1自回歸XGBoost時(shí)序預(yù)測(cè)模型設(shè)計(jì)自回歸模型是統(tǒng)計(jì)領(lǐng)域用來處理時(shí)間序列的一種方法，可用同一變量前期的數(shù)據(jù)來預(yù)測(cè)本期的結(jié)果，所需數(shù)據(jù)較小；XGBoost是一種基于梯度提升決策樹并且把正則化項(xiàng)加入到目標(biāo)函數(shù)中的簡(jiǎn)單算法，有速度快、能容錯(cuò)誤的優(yōu)點(diǎn)。高金敏（2021）結(jié)合這二種方法的優(yōu)點(diǎn)，提出了的一種基于自回歸XGBoost時(shí)序預(yù)測(cè)模型，用于國(guó)內(nèi)生產(chǎn)總值的擬合預(yù)測(cè)，預(yù)測(cè)的準(zhǔn)確度高。這個(gè)模型對(duì)時(shí)間序列數(shù)據(jù)的規(guī)律進(jìn)行了相關(guān)分析，發(fā)現(xiàn)數(shù)據(jù)有自回歸這個(gè)特性，而且這個(gè)模型很方便實(shí)現(xiàn)。本文將該模型引入到空氣污染濃度預(yù)測(cè)中來。自回歸XGBoost時(shí)序預(yù)測(cè)模型預(yù)測(cè)分為4個(gè)步驟：步驟1檢查預(yù)測(cè)變量PM10的平穩(wěn)性，依照預(yù)測(cè)變量PM10的時(shí)序圖和ADF單位根對(duì)預(yù)測(cè)變量進(jìn)行平穩(wěn)性檢測(cè)；步驟2如果預(yù)測(cè)變量PM10為平穩(wěn)的時(shí)間序列，則跳過這個(gè)步驟，否則運(yùn)用方法對(duì)非平穩(wěn)時(shí)間序列進(jìn)行平穩(wěn)化相關(guān)處理；步驟3對(duì)模型進(jìn)行相關(guān)識(shí)別和進(jìn)行有關(guān)參數(shù)的設(shè)定；步驟4進(jìn)行模型預(yù)測(cè)，并且對(duì)結(jié)果進(jìn)行分析。1.3.2數(shù)據(jù)來源與平穩(wěn)性檢驗(yàn)在上文中，已經(jīng)對(duì)空氣質(zhì)量等級(jí)進(jìn)行了分類預(yù)測(cè)，然而，在生活中，人們往往更加關(guān)心各項(xiàng)污染物的情況，在上一章節(jié)中，我們分析得出PM10對(duì)空氣質(zhì)量影響最大，故本文基于自回歸XGBoost時(shí)序預(yù)測(cè)模型對(duì)首要污染物PM10濃度進(jìn)行預(yù)測(cè)。選取2019年4月1日到2019年5月31日61個(gè)PM10逐日數(shù)據(jù)，其數(shù)據(jù)來源于真氣網(wǎng)，將選擇的數(shù)據(jù)劃分為兩個(gè)部分：前51個(gè)數(shù)據(jù)用來擬合模型，后面10個(gè)用于計(jì)算擬合預(yù)測(cè)精度，建立自回歸XGBoost時(shí)序預(yù)測(cè)模型，利用選取的數(shù)據(jù)進(jìn)行模型擬合。首先在R軟件分析相關(guān)數(shù)據(jù)的平穩(wěn)性，2019年4月1日到2019年5月31日主要污染物PM10的時(shí)序圖，如圖1.5所示。圖1.5PM10時(shí)序圖從圖1.5中可以看出南昌市PM10歷史數(shù)據(jù)時(shí)序圖其值始終在某個(gè)數(shù)值上下浮動(dòng)，初步可以判定南昌市2019年4月1日到2019年5月31日的PM10歷史數(shù)據(jù)為平穩(wěn)的時(shí)間序列。為了進(jìn)一步驗(yàn)證其平穩(wěn)性，對(duì)南昌市2019年4月1日到2019年5月31日的PM10歷史數(shù)據(jù)進(jìn)行ADF檢驗(yàn)。檢驗(yàn)結(jié)果：統(tǒng)計(jì)量約為6.546，其P值為0.008832，小于在1%的統(tǒng)計(jì)量，拒絕存在單位根的假設(shè)，表明南昌市2019年4月1日到2019年5月31日的PM10歷史數(shù)據(jù)是平穩(wěn)的。1.3.3模型預(yù)測(cè)結(jié)果分析本文依