一篇数学建模优秀论文之简述

众所周知，数学建模分为“数学建模”和“语文建模”，计算出了数据，就可以进行详细分析（水字）。【注：无，附录上代码时可以用截图】

题目：空气质量预报二次建模

问题一简述：计算监测点A每天的AQI和首要污染物，时间是2020年8月25日到8月28日这四天的。

答：第一题十分简单！这题数据用A表，数据也只局限在这四天，差不多笔算二十多次也能完成。

AQI的计算公式如下，相信只要认真阅读，对好数据就能算出：

                   AQI=IAQI中最大的

至于首要污染物，则是AQI最大值对应的污染物。

由于后面要算巨量的AQI，所以最好编写代码计算AQI。代码涉及到python对excel表的操作，python中是有这个包的。按照公式写，相信能写出IAQI计算代码！

问题二简述：气象会对污染物浓度造成影响，试着给这些气象分类。

答：第二题用相关系数和回归方程！

污染物有：二氧化硫（SO2）、二氧化氮（NO2）、粒径小于 10μm 的颗粒物（PM10）、粒径小于 2.5μm的颗粒物（PM2.5）、臭氧（O3）、一氧化碳（CO）。

气象有：温度（T）、湿度（RH）、气压（P）、风速（V）

表中给出了每个小时<污染物m的数据，气象n的数据>所有的相对应的一对一对的数据。这不就是（x，y）对吗？不难想到用相关性分析来计算两者的关系。

先画出所有（x，y）对的散点图，因为x【污染物】很多，y【气象】很多，所以散点图也多。其中污染物的计量可以用上题的的AQI表示，所以可以先画个【AQI，气象条件】散点图：

这里面甚至有两个不同气象条件相对应的散点图，上三角的则是相关系数r（x，y）,用公式也是可以计算出来的【不过数据过多，建议用代码算】：

所有污染物与气象数据散点图：

计算所有r(不同污染物，不同气象)的数据如下表：

r越接近零，则说明两者越不相关，r越接近1或-1，则说明两者越正/负相关。

故，把气象分为高影响气候【相关高的】和低影响气候【不怎么相关的】。

为了进一步论证这个结论，还可以再建立一个气象条件多元回归模型。这个模型有好几个系数可以显示X、Y的关系。由于数据庞大，这些系数也要代码来求，依旧是用python+Excel。

问题三简述：给了很多污染物浓度的实测数据和预测数据，但预测不准确，请在此基础上，建立模型，二次预测未来三天的污染物浓度。

答：第三题用神经网络模型！难处在于数据处理的代码。

是不是很眼熟！实测数据不就是标准数据吗【学习训练的对象】，二次预测数据不就是期望输出的数据吗【输出】，而预测数据就是输入数据【输入】。

训练预测数据，得到期望输出，因为有实测数据这个标准，这组不太好的预测数据能够疯狂的向它学习、训练，这符合神经网络模型。

流程如下【代码用包，可以训练Excel数据的神经网络算法包】：

训练第一次预测数据，训练的次数越多，得到的结果越准确、可信。

问题四简述：不同地区间的污染物浓度相互影响，请结合不同地区的地理位置，在它们相互影响的情况下，建立模型，计算未来三天不同污染物的浓度、AQI和首要污染物。

答：这题是第三题的锦上添花！

不同地区有距离，距离代表权重，本题用权重来分析一个地区对其他地区的影响。

令本地【插值点站位】的权重为0.5，第i个地区【离散站位】的权重为：

算得下表：

根据反距离权重插值得到权重计算各站点加权后的新数据，作为输入层带入 LSTM 模 型中进行二次预报模拟，LSTM 神经网络的具体配置同问题三。

将训练好的数据输出，即输出预测的污染物浓度，至于AQI则按公式算，取AQI最大值对应污染物为首要污染物即可。