r语言svr模型_基于ARIMA,SVR组合模型的空气质量指数预测——以济南为例

摘要：

随着工业的快速发展,我国的空气质量状况出现了恶化,为了更有效的治理和预防空气污染问题,防止空气污染进一步加重,同时为人们的出行提供建议,准确预测空气质量情况非常有必要.本论文整理了济南2018年1月1日至2018年12月31日全年的空气质量指数AQI数据及济南AQI包含的六种污染物数据作为研究数据,研究济南空气质量指数AQI的变化规律,建立合适的时间序列模型,ARIMA+SVR组合模型,并对未来济南AQI值进行预测.对济南空气质量指数AQI序列进行描述性统计分析,包括济南AQI状况分析,频数统计,和正态性检验.频率统计得到结论:济南AQI的首要污染物PM2.5,PM10之间具有同增同减的波动趋势,等级为良的天数所占比例最大,空气质量合格的天数所占的比例为64.1%;污染天数中轻度污染占大多数,表明济南的空气质量状况相比之前年份有改善的趋势.正态性检验得到结论:济南AQI序列不服从严格的正态分布,表现出尖峰,厚尾,右偏的特征.对济南空气质量指数AQI序列建立时间序列模型,ARIMA+SVR组合模型.本论文对济南AQI序列建立ARIMA,ARMA(0,4)-GARCH(1,1)联合模型,ARIMA+SVR组合模型,研究工作开展如下:(1)对济南AQI序列进行平稳性,纯随机性检验,建立单一的相对最优模型为ARIMA(1,0,0).(2)观察济南AQI序列时序图,发现有异方差的可能性,建立ARCH模型,同时尝试残差的不同分布,最终建立广义误差分布(GED)下的ARMA(0,4)-GARCH(1,1)联合模型拟合济南AQI序列.(3)考虑到时间序列模型只考虑时序因素,没有借助其它外在信息,对模型的预测精度会有一定的影响.考虑将时间序列模型的预测结果作为支持向量回归模型SVR的输入特征变量,建立ARIMA+SVR组合模型,对济南AQI序列作进一步的预测分析,这也是本论文的研究特点所在.

展开