导读:本文包含了污染物预测模型论文开题报告文献综述及选题提纲参考文献，主要关键词:长短期神经记忆网络,小波变换,空气污染物浓度,预测
污染物预测模型论文文献综述
刘炳春,来明昭,齐鑫,王辉[1]（2019）在《基于Wavelet-LSTM模型的北京空气污染物浓度预测》一文中研究指出文章为了达到精准预测北京市空气污染物浓度目的,应用小波分解变换(wavelet transform)和长短期神经记忆网络(long short-term memory,LSTM)相结合的方法,建立Wavelet-LSTM空气污染物浓度预测模型,对北京市6项空气污染物浓度预测。研究首先通过小波分解变换将日空气污染物浓度的历史时间序列分解为不同频率并重新组合为高维训练数据集合;其次使用高维数据集训练LSTM预测模型,重复试验调整参数,获得最优预测模型。研究结果表明,组合模型对于污染物浓度预测比传统LSTM模型的预测精度和稳定性更高。(本文来源于《环境科学与技术》期刊2019年08期）
陈宇浩[2]（2019）在《特定区域污染物浓度预测模型的研究与实现》一文中研究指出随着我国的现代化建设发展,大气污染问题日益严重,引起了公众的广泛关注。而准确预测污染物浓度的变化规律,有助于国家制定相关政策,改善空气质量。与传统的气象学预测方法相比,基于深度学习的污染物预测方法无须涉及复杂的气象学知识且通用性较强。因此,有必要研究并实现相关技术。针对上述问题,本文使用了 Py thon、MySQL、Keras、数理统计、神经网络等技术,实现了多种特定区域污染物浓度的单步预测和多步预测研究,并建立了相关模型。本文针对单步预测模型,改进了其预测方法并提高了预测的准确度;针对多步预测模型设计并实现了多种新的预测方法,完成了模型的测试和对比工作。本文首先介绍了研究背景与课题内容,之后简单介绍了课题中使用的主要相关技术。为完成研究任务并展示研究成果,经过需求分析和概要设计,实现了一个特定区域污染物浓度预测系统。该系统包括数据采集模块,数据存储模块,模型设计模块和数据展示模块,本文详细介绍了各模块的设计细节、实现逻辑以及模块之间的交互关系。其次,本文详细介绍了模型结构和算法。对于单步预测模型,本文在前人研究基础上实现了通过多点原始数据预测一点的污染物数据,研究并实现了共计五种算法模型,分别为两种基于数理统计的模型和叁种基于神经网络的模型。对于多步预测模型,本文设计了两种预测思路,建立了相关算法模型,分别为基于机器学习的模型和基于向量匹配的模型。文章详细介绍了各模型结构和算法原理,给出了研究结论和原理分析。最后,本文描述了模型的评价工作。文中通过多个对比实验测试了各预测模型,展示了量化指标和预测图像,测试数据有效论证了课题结论。文章结尾总结了课题的成果和不足,指出了进一步的研究方向。(本文来源于《北京邮电大学》期刊2019-05-30）
方晓婷,段华波,胡明伟,蔡家思[3]（2019）在《气象因素对大气污染物影响的季节差异分析及预测模型对比——以深圳为例》一文中研究指出以深圳为例,通过收集其2014年9月至2017年8月的地面气象观测数据、大气污染物PM_(2.5)和PM_(10)浓度数据及空气质量指数(AQI),利用SPSS软件分别构建线性回归模型与非线性多层神经网络(MLP)模型,探讨了气象因素对PM_(10)、PM_(2.5)及AQI影响的季节性差异,并利用构建的两种模型对PM_(2.5)、PM_(10)和AQI进行预测和对比。结果表明,气温、湿度、风速及风向均对深圳PM_(2.5)、PM_(10)及AQI有较大影响,且影响因素存在季节差异性;两种模型中,MLP模型在对复杂多变的空气质量预测上更具优越性。研究结果可为深圳空气质量优化以及城市局部和整体规划提供科学依据,并为其他城市空气质量模拟分析提供参考。(本文来源于《环境污染与防治》期刊2019年05期）
武文琪[4]（2019）在《基于灰色GM(1,1)模型的成都市大气污染物浓度预测》一文中研究指出基于灰色系统理论的预测原理和方法,在城市大气污染物浓度预测中应用了灰色GM(1,1)模型。该模型通过了残差检验和后验差检验,检验结果均在允许范围内,模型精度较高。采用该模型对成都市2018-2022年大气污染物SO_2、NO_2、PM_(10)、PM_(2.5)年均浓度进行了灰色预测。预测结果显示,成都市未来五年环境空气质量将持续好转,但NO_2和PM_(2.5)的年均浓度仍然较高,NO_2及颗粒物污染防治仍是成都市未来五年大气污染治理的重点。(本文来源于《能源环境保护》期刊2019年02期）
刘静瑞,潘东阳[5]（2019）在《基于BioWin数学模型的河流污染物含量动态预测算法研究》一文中研究指出河流污染物含量动态预测对污染物的治理具有重要作用,为了提高污染物预测准确度,设计基于BioWin数学模型的河流污染物含量动态预测算法。根据实际径流情况归类当前污染河流相关参数,根据径流特征估算当前河流污染物实际通量,圈定污染物范围,划分河流污染物来源,并分别提出污染物含量的计算方法,实现污染物含量的动态预测。试验数据表明,该预测算法有效提高了预测准确率,具有实际应用优势。(本文来源于《中国资源综合利用》期刊2019年03期）
张合华[6]（2019）在《大气污染与儿童哮喘之间的关系研究及污染物暴露预测模型的构建》一文中研究指出目的:近五年来国内大气污染逐渐加重,大气污染与儿童哮喘之间的关系不明确,需要深入的探讨。大气污染对健康的效应分为长期暴露的效应和短期暴露的效应。大气污染长期暴露的效应中当前国内外还没有明确的证据表明母亲孕期大气污染暴露是否会增加儿童喘息及哮喘发生的风险,关于大气污染的短期效应中国东北区域还未有大型研究证实大气污染对呼吸系统疾病的影响,大气污染暴露研究的关键在于准确评估不同位置不同阶段个体大气污染暴露的水平。本研究将首先通过系统综述的方法探讨目前孕期大气污染暴露与儿童喘息及哮喘的关系,之后利用时间序列分析方法探讨沈阳市大气污染短期暴露对医疗机构门急诊儿童哮喘患者入院率的影响,最终利用地理信息数据建立起沈阳市内大气污染物空间分布模型,分析沈阳市2015年度不同行政区污染物浓度水平与儿童哮喘住院率之间的关系。研究方法:首先利用系统综述研究孕期大气污染与后代儿童哮喘之间的关系,具体包括:Medline和Web of Science数据库检索关于孕期大气污染暴露与0-14岁儿童喘息或者哮喘之间关系的文献,截止到2017年6月份,提取纳入文献研究的特点,CASP检查表评估纳入研究的质量,利用Stata软件对纳入的文献进行合并危险度的计算和分析。其次利用基于时间序列的广义相加模型分析大气污染物短期暴露对门急诊儿童哮喘入院人数的影响,具体包括:收集2013-2018年期间每日门诊和急诊患者、气象条件、空气污染物(PM_(10),PM_(2.5),SO_2,NO_2,CO,O_3)的数据,根据患者的性别、季节、年龄进行分层分析,以评估空气污染物短期高暴露对门急诊儿童哮喘入院次数的影响,分析过程使用R3.2.2软件进行,采用条件泊松回归分析代替一般回归分析以计算所有污染物的效应估计值,引入残差控制过度分散、自相关和滞后效应。最后通过土地利用模型建立污染物空间分布模型,并分析各行政区污染物浓度与儿童哮喘住院率之间的关系。具体研究过程包括:解译并获取2015年沈阳市各大空气污染物浓度、沈阳市人口密度分布数据矢量图、沈阳市交通干道的分布图、沈阳市土地利用矢量图,将监测站点随机分为训练集和测试集,使用ArcGIS10.2软件空间分析功能,计算每个监测点周围不同缓冲区内土地利用、道路长度和人口数量等作为因变量,利用SPSS19.0构建多元线性回归模型,并利用留一交叉验证法和ArcGIS进行模型验证。选取各行政区坐标点,利用ArcGIS10.2计算各坐标点周围缓冲区内模型所需的变量值,代入模型计算各行政区污染物在寒冷和温暖季节浓度值,根据各行政区0-18岁儿童人口数,及各行政区内2015年儿童哮喘住院人数,计算各行政区儿童不同性别、年龄组哮喘的住院率,分析污染物浓度与住院率之间的关系。结果:第一部分:系统综述共纳入17个研究,不同研究中暴露的评估方法不同,孕期不同污染物暴露对儿童期喘息发生的合并随机风险估计分别是:PAH1.04(0.94-1.15),NO_21.04(1.01-1.07),PM_(2.5)1.4(0.97-2.03),对儿童哮喘发生的风险估计分别是:NO_21.07(1.01-1.14),PM_(2.5)1.0(0.97-1.03),SO_21.02(0.98-1.07),PM_(10)1.08(1.05-1.12);PAH和SO_2估计的异质性最小。第二部分:研究期间门急诊共有130555个儿童哮喘患者,当天污染物每增加一个标准差,哮喘患者增加的相对危险度分别是:O_3(0.899,95%CI:0.824-0.981),CO(1.027,95%CI:1.001-1.053),NO_2(1.087,95%CI:1.023-1.154),SO_2(1.041,95%CI:1.004-1.078),PM_(2.5)(1.033,95%CI:1.010-1.056),PM_(10)(1.047,95%CI:1.013-1.082)。性别分析发现男性对PM_(2.5)更易感,女性对NO_2和PM_(10)更易感。第叁部分:本研究利用沈阳市内2015年各污染物监测站点月平均浓度值,以及2015年沈阳市土地利用类型、道路交通、人口密度等地理因素,成功构建了沈阳市2015年温暖季节和寒冷季节的六种污染物空间分布模型,SO_2和PM_(10)模型调整后的R~2值可达到80%以上,其中NO_2和CO模型调整后的R~2值可达到70%以上,PM_(2.5)和O_3预测模型的R~2值较低;沈阳市九个行政区中铁西区、于洪区、和平区在2015年度儿童哮喘住院率最高,与污染物进行相关分析发现PM_(2.5)、SO_2和PM_(10)与各个年龄组、不同性别和季节的儿童哮喘住院率呈显着正相关关系,NO_2与6-10岁儿童哮喘入院率相关,CO与儿童哮喘住院之间无显着关系,O_3在寒冷季节与6-10岁儿童哮喘入院之间呈显着负相关关系。结论:1.系统综述表明母亲孕期暴露于高浓度NO_2、SO_2和PM_(10)等污染物会增加儿童期喘息及哮喘的发病率,其他污染物作用的证据不明显。2.短期暴露于高浓度交通相关污染物(NO_2、PM_(10))与哮喘门急诊入院人数之间的关联最强,PM_(2.5)短期暴露对门急诊儿童哮喘人数的影响较小。3.本研究成功构建2015年沈阳市内温暖和寒冷季节污染物空间分布模型,并利用构建的模型计算各行政区污染物浓度,发现温暖季节PM_(2.5)、SO_2和PM_(10)与6-10岁儿童哮喘住院率紧密相关。污染物短期暴露与长期暴露对儿童哮喘发病及加重的影响都有所不同,土地利用模型适用于长期污染物暴露的估计。(本文来源于《中国医科大学》期刊2019-02-01）
王雅格[7]（2018）在《基于EFDC和WASP模型的入河排污口污染物影响预测》一文中研究指出基于EFDC和WASP模型,以COD_(Mn)、TP、TN为评价指标,对排污口下游的长江水质变化进行动态模拟。结果表明:排污口设置后,在正常排放的情况下,500 m外COD_(Mn)的质量浓度降至4 mg/L以下,300 m外TN的质量浓度降至3 mg/L以下,300 m外TP的质量浓度降至0.3 mg/L以下,不会对水功能区、水生态产生显着影响。(本文来源于《山西科技》期刊2018年06期）
陈剑东[8]（2018）在《剂量加和模型和独立作用模型在定量预测复合污染物联合毒性研究进展》一文中研究指出在实际环境中几乎不存在生物体暴露于单一污染物的情况。单一物质暴露下的生态毒性研究成果,难以适用于环境中多元复合混合污染物的生态毒理的评价中。因此,两个基础预测模型:剂量加和模型和独立作用模型被大量应用于复合污染物的联合毒性预测中。本文综述了近年生态毒理学领域两个模型在复合污染物的联合毒性定量评价方面的研究进展。(本文来源于《科技风》期刊2018年33期）
李晨[9]（2018）在《污染物浓度预测模型的建立与实证分析》一文中研究指出近年来,环境污染对国民经济和人民生活造成了巨大的困扰,已成为全球性的焦点问题之一。对于发展中国家而言,随着工业化和城市化的持续推进,空气污染问题更是呈现越发严重的趋势。为缓解空气污染影响,改善空气质量,实现经济乃至人类的可持续发展,世界各国都广泛关注和研究污染物浓度的预测。然而,在实际操作中,造成空气污染的主要因素难以确定,且各种因素相互影响,污染物浓度固有的波动性和间歇性更是大大增加了预测的难度。因此,确定造成空气污染的主要因素并精确有效地预测污染物浓度显得至关重要,建立一个科学稳定的预测模型并采取相应的空气质量保护措施更具有重要意义。近年来,大量国内外学者进行了污染物浓度预测的研究,关于污染物浓度预测水平得到一定程度的提升。然而,目前大多研究仅仅采用简单易行的单一预测模型,这些模型预测精度较低,难以满足实际生产和生活的需求。相比于单一模型,新型的混合预测模型多基于优化算法和数据分解,对污染物浓度预测性能有很大的提升。然而,现有的混合预测模型很少关注不确定性预测,涉及污染物指标筛选的技术更是少之又少。因此,这些模型无法达到高的精确性和科学性,从而对空气质量预测模型的安全性和稳定性带来巨大的挑战。针对如上问题,本文构建了一个基于污染物指标筛选、去噪技术、帝国竞争算法和极限学习机的污染物浓度预测模型。所提出的模型主要包含四个部分:污染物指标筛选、数据预处理与重构、确定性预测以及不确定性预测。首先,在污染物指标筛选部分,针对每个城市,采用模糊偏好粗糙集理论筛选主要的污染物;在数据预处理与重构部分,利用ICEEMDAN分解方法对筛选后的污染物浓度时间序列数据进行分解、去噪声和重构,充分挖掘污染物浓度数据的内在信息特征;其次,采用优化算法ICA优化极限学习机;最终,在预测部分,本文提出了一个混合预测模型ICEEMDAN-ICA-ELM,进行污染物浓度时间序列数据的确定性及不确定性预测;此外,为了衡量模型的实用性和泛化能力,本文引入了假设检验、九个模型评价指标,五个仿真实验和六个实验城市污染物浓度数据,对所提出的预测模型进行检验和评估。研究结果表明,与其他6个预测模型(ARIMA,BP,GRNN,PSO-ELM,ICA-ELM,EMD-ICA-ELM)相比,本文所提出的预测模型具备良好的泛化能力,可大幅度地提升污染物浓度的预测水平,取得有效稳定的预测结果。本文所提出的污染物浓度预测模型不仅可以确定主要污染物,提高污染物浓度预测精度,增强预测结果的稳定性,同时对完善和发展空气污染的预报和监测大有裨益,更能为相关决策者和人民日常生活提供指导意见。本文的创新主要包括以下几点:首先,模糊偏好粗糙集理论运用于特定城市的污染物指标筛选;其次,ICEEMDAN分解方法对污染物浓度数据进行分解、去噪声和重构,充分挖掘了污染物浓度数据内在的信息特征;再次,帝国竞争算法(ICA)为解决优化问题提供了一个新的可行性选择;此外,所提出的混合预测模型ICEEMDAN-ICA-ELM不仅被用于确定性预测,而且运用于不确定预测,这对污染物浓度分析提供了全面翔实的预测信息。最终,实验结果表明本文所提出的预测模型优于其他6个对比预测模型。(本文来源于《东北财经大学》期刊2018-11-01）
翟羽佳[10]（2018）在《基于LEAP模型的未来大同市环境污染物排放预测》一文中研究指出文章基于大同市统计年鉴,结合实际情况,建立了大同市环境污染物排放量预测LEAP模型,对大同市2015～2030年的环境污染物排放量进行预测。结果表明:到2020年,SO_2排放强度为4. 7 kg/万元GDP,COD排放强度5. 49 kg/万元GDP,城镇生活垃圾无害化处理率75. 8%,工业固体废物处置利用率90%;到2030年,SO_2排放强度为2. 3 kg/万元GDP,COD排放强度4. 2 kg/万元GDP,城镇生活垃圾无害化处理率90. 6%,工业固体废物处置利用率90%,均可达到大同生态市建设指标体系及拟定阶段的规划目标。(本文来源于《环境保护科学》期刊2018年05期）
污染物预测模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着我国的现代化建设发展,大气污染问题日益严重,引起了公众的广泛关注。而准确预测污染物浓度的变化规律,有助于国家制定相关政策,改善空气质量。与传统的气象学预测方法相比,基于深度学习的污染物预测方法无须涉及复杂的气象学知识且通用性较强。因此,有必要研究并实现相关技术。针对上述问题,本文使用了 Py thon、MySQL、Keras、数理统计、神经网络等技术,实现了多种特定区域污染物浓度的单步预测和多步预测研究,并建立了相关模型。本文针对单步预测模型,改进了其预测方法并提高了预测的准确度;针对多步预测模型设计并实现了多种新的预测方法,完成了模型的测试和对比工作。本文首先介绍了研究背景与课题内容,之后简单介绍了课题中使用的主要相关技术。为完成研究任务并展示研究成果,经过需求分析和概要设计,实现了一个特定区域污染物浓度预测系统。该系统包括数据采集模块,数据存储模块,模型设计模块和数据展示模块,本文详细介绍了各模块的设计细节、实现逻辑以及模块之间的交互关系。其次,本文详细介绍了模型结构和算法。对于单步预测模型,本文在前人研究基础上实现了通过多点原始数据预测一点的污染物数据,研究并实现了共计五种算法模型,分别为两种基于数理统计的模型和叁种基于神经网络的模型。对于多步预测模型,本文设计了两种预测思路,建立了相关算法模型,分别为基于机器学习的模型和基于向量匹配的模型。文章详细介绍了各模型结构和算法原理,给出了研究结论和原理分析。最后,本文描述了模型的评价工作。文中通过多个对比实验测试了各预测模型,展示了量化指标和预测图像,测试数据有效论证了课题结论。文章结尾总结了课题的成果和不足,指出了进一步的研究方向。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
污染物预测模型论文参考文献
[1].刘炳春,来明昭,齐鑫,王辉.基于Wavelet-LSTM模型的北京空气污染物浓度预测[J].环境科学与技术.2019
[2].陈宇浩.特定区域污染物浓度预测模型的研究与实现[D].北京邮电大学.2019
[3].方晓婷,段华波,胡明伟,蔡家思.气象因素对大气污染物影响的季节差异分析及预测模型对比——以深圳为例[J].环境污染与防治.2019
[4].武文琪.基于灰色GM(1,1)模型的成都市大气污染物浓度预测[J].能源环境保护.2019
[5].刘静瑞,潘东阳.基于BioWin数学模型的河流污染物含量动态预测算法研究[J].中国资源综合利用.2019
[6].张合华.大气污染与儿童哮喘之间的关系研究及污染物暴露预测模型的构建[D].中国医科大学.2019
[7].王雅格.基于EFDC和WASP模型的入河排污口污染物影响预测[J].山西科技.2018
[8].陈剑东.剂量加和模型和独立作用模型在定量预测复合污染物联合毒性研究进展[J].科技风.2018
[9].李晨.污染物浓度预测模型的建立与实证分析[D].东北财经大学.2018
[10].翟羽佳.基于LEAP模型的未来大同市环境污染物排放预测[J].环境保护科学.2018