组合预测方法在大气环境评价中的有效应用

聂浩林

(上海众秀环保科技有限公司，上海 201206)

1 引言

大气环境中存在的污染是自然界中的质变，其主要污染因素有气象因素、污染源因素、地理因素、经济因素、人口因素等，这些因素都会对大气环境带来严重的危害。对大气环境进行质量预测，是人们在对大气污染物排入空气的基础上，利用科学的方法，对大气质量进行预测与评价，为控制大气质量以及污染防治提供科学依据。因此，在多种多样的预测方法中找到合适的组合预测方法，对于提高大气质量检测具有十分重要的作用。

2 组合预测的基本原理

针对城市区域中大气污染物的测试，需要通过多种模式实现，每一种模型中都包含了污染物浓度变化规律，如果不将模型集中处理将会失去模型中所存在的价值，单个模型无法更好的反映出变量的变化情况。基于此，需要采用组合预测的方法以体现出每一种模型的价值。组合预测就是一种手段，合成多种预测的结果，从而得到有效的信息，以便全面的反映出系统的变化情况。组合预测能够避免其中任何一种模型数据信息的缺失，提高数据预测的精确性。如果要对某一个变量在t时刻进行预测，有n个模型进行校验，通过非统计性的校验后得到不同的模型，然后将不同模型综合。

3 基于组合预测方法的大气质量中长期预测

3.1 最优化权值组合法

常规的组合预测方法就是将两个以上的预测模型进行组合，组合的方式一般采用加权平均的方式，尽可能的减小误差，其中加权系数是保证预测精度的关键。多数情况下会使用简单的平均和二项式系数的方式表示加权的系数，但是平均和二项式系数无法保证组合预测模型中的误差降低到最小。因此，利用最优理论的方式确定组合模型中的权值，让组合预测模型中的误差降到最小。

3.2 最优化组合预测模型

如果参与组合的模型较多，各个模型在t时刻的预测值可以表示为：fi(t)(i=1,2,…,m)，权值表示为ωi(t)(i=1,2,…,m)，则最优组合预测的值f(t)可以表示为：

εi表示随机扰动。

3.3 结果分析

使用等维灰数递补模型、BP神经网络模型、AR回归模型组合而成的预测模型，对大气空气质量的数据进行对比，得到最优权值，如表1所示。

表1 最优化组合预测模型结果 t/km2

通过表1能够得到，使用最优化权值组合预测方法对大气中存在的污染物浓度进行预测，同时结合各种预测方法获取不同的信息，从而更加全面地掌握污染物季节性的变化规律，优点就是能够让误差平方和降低到最小，避免权值出现盲目性，获得更好的预测结果。

4 灰色神经网络组合预测

4.1 GM-ANN模型

灰色系统理论在时间曲线方面如果没有进行优化，只是一条指数曲线，按照上升或下降的规律发展会产生较大的误差。灰色理论预测原始数据时，或多或少的会影响数据点的精度，因此，合理选择数据点非常重要。很多的模型现实结果只是一条指数曲线，对于大气环境而言，随着季度的变化，时间序列也会呈现出上升或下降的趋势，这种波动难以更好的估计变化的因素。基于此，将神经网络与灰色理论进行组合，对大气中存在的污染物浓度进行预测，观察大气污染物浓度的季节性变化，以便获取更好的预测结果。

4.2 结果分析

以某市的降尘浓度监测值作为原始数据，对比输入的样本数据，将其作为考察模型精度的校验值。使用GM-ANN模型对大气中降尘数据进行组合预测，因为模型发挥出了灰色理论预测时间的优势，同时又发挥出了对复杂非新型函数的特性，说明使用GM-ANN模型能够发挥出季节性波动时间序列的适用性。

5 AR-ANN模型

5.1 AR-ANN模型

针对降尘时间的预测结果，与神经网络方法相比，输入为AR模型，输出为时间序列值。结合降尘时间序列中的原始数据的预测结果。

将人工神经网络与自回归模型进行有效的结合，能够充分发挥出二者的优势。这两种方式结合之后耐冲击效果较强，但是依赖性较重。

5.2 GM-AR模型

根据原始数据可知，某市的降尘监测数据出现二重趋势，具有较复杂的非线性特征，在应用季节性-灰色模型时就能够预测出逐渐降低的趋势，季节变动的指数需要充分考虑季节的变化情况，从而将残差系列独立出来，进行时间序列的建模。

季节性GM-AR组合预测模型在预测大气污染物降尘时，需要充分考虑原始数据中季节的变化因素。对降尘监测数据进行建模的过程中，使用残差修正的模型进行预测时，预测的误差结果比灰色修正模型较好，原因是灰色的模型精度不够。因此在实际的建模过程中需要考虑季节性的组合预测。

5.3 人工神经网络模型

在协同预测模型中，需要从人工神经网络的方法中选取一个隐含层的三层神经网络模型，用于处理大气的因素数据，在人工神经网络模型中，输入层和隐含层之间可以使用线性函数进行表示，气象因素数据作为人工神经网络的输入，相应时间区间的大气污染物浓度作为神经网络的输入，并使用适当的网络结构进行训练，从而达到一定的预期误差，使用预测的时间点作为测试样本，将输入训练好的神经网络作为仿真预测，则协同预测模型的人工神经网络可以定义为：

其中O表示输出层输出；f表示输入的气相因素数据和空气质量数据；Ψ(x)表示输出层的激励函数；wtp表示输出层第t个节点到隐含层第p个节点之间的权值；φ(x)表示隐含层的激励函数；wpq表示隐含层第p个节点到输入层第q个节点之间的权值；θp表示隐含层第p个节点的阈值；α表示输出层的阈值。

6 组合预测方法中的Aermod模式在大气环境评价中的有效应用

6.1 工程概况

某临港经济区燃气热电联产项目工程用地面积为7.88万m2，总投资304万元，根据工程实际概况对燃气机组中烟气污染物所排放的大气环境进行研究，使用Aermod模式对大气环境的影响因素进行解析。

6.2 评价等级与范围

燃气机组所产生的主要污染物有SO2和NOx，根据相关的环境影响评价技术对污染物的最大地面浓度的占有率进行计算，根据项目排放污染物的最远范围确定大气环境的评价范围，以排放源为中心，大气环境影响平均范围是以D10%为半径，最远影响距离超过一定的范围后需要确定评价范围的区域。燃气热电联产项目中的燃气、烟气、废气等需要根据特定的估算模式得到最大的浓度，并结合实际的工程情况，确定大气评价的范围。

6.3 预测结果分析

在全年气象条件下，SO2的排放浓度最大，需要从中提取最大的浓度位置，评价的范围中SO2最大平均落地浓度分布中，根据预测的情况可以得到，评价范围内全年SO2的最大浓度出现在北面，环境标准占有率在0.08%。

7 结语

在大气环境中，长期会受到多种因素的变化影响，为了能够解决大气环境中所存在的污染因素，采用单一的预测模型无法更好的得到大气环境中存在的因素，需要借助组合预测的方式，联合多种模型，得到大气环境中的评价方式，以便更好的解决大气环境中所存在的问题。通过对原始数据进行分析后得到，大气中存在的污染物浓度具有一定的规律性，可以利用原始检测数据的方式进行预测，以便更好地完成大气质量的长期预测工作。