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。