3。5  最优回归模型的选取 19

第 II 页 本科毕业设计说明书

3。5。1 逐步回归 20

3。5。2 全子集回归 20

3。6  预测 22

3。7  本章小结 23

4  时间序列分析模型在空气质量指数分析中的应用 24

4。1  空气质量指数数据时序图 24

4。2  时间序列的预处理 24

4。2。1 平稳性 24

4。2。2 纯随机性 25

4。3  模型定阶 26

4。3。1 模型的初步定阶 26

4。3。2 BIC 准则确定阶数 27

4。3。3 自动选择模型 28

4。4  模型评价 28

4。5  预测 30

4。6 本章小结 31

5  总结与展望 32

5。1  全文总结 32

5。2  未来展望 32

致谢 33

参考文献 34

1 绪论

1。1 课题的研究背景和意义

随着中国经济的飞速发展，中国各大城市的空气污染问题也日益加深。严重的空气污染 问题不仅不利于经济的可持续发展，更是对群众的健康埋下了巨大的隐患。因此近年来对空 气质量指数的数据分析引起人们的普遍关注。

首先空气质量是描述空气污染的一种指标，其衡量方法是通过空气中各种主要污染物的 浓度来决定的。空气污染的形成受到不同时间不同地点以及不同污染物浓度的影响。污染物 主要自来各类尾气排放以及居民生活气体排放，而城市发展速度、气象温度等也是空气污染 的组成因素。而空气质量指数即 Air Quality Index，简称 AQI。它是无量纲指数，用来说明空 气质量环境的状态。空气质量指数还包括不同的单项检测污染物，称为空气质量分指数。这 些检测污染物主要是 PM2。5 即细颗粒物、CO 即一氧化碳、SO2 即二氧化硫、O3 即臭氧、PM10 即可吸入颗粒物以及 NO2 即二氧化氮[1]，通过它们的浓度做一些特定的计算即可得到当日的 空气质量指数。

不少国内外的学者已经对空气质量指数 AQI 数据以及细颗粒物 PM2。5 数据进行了研究分 析，并取得了一定的成果。比如 A。kumar et al 利用 PCA 神经网络、主成分回归模型与时间序 列回归模型的结合，对新德里市每天 AQI 数据进行预测[2]。詹长根等运用 GIS 空间分析工具， 对武汉市 AQI 的空间分布特征进行了研究[3]。秦珊珊运用了神经网络算法等来对 PM2。5 的浓 度进行预测[4]。李伟等利用相关性分析对 PM2。5 的主要影响因素进行了分析，利用高斯模型 与杜哈梅积分来对 PM2。5 的浓度进行预测[5]。王翠云等利用主成分分析法对 PM2。5 浓度进行 了分析和预测[6]等等。

本文也将对空气质量指数以及 PM2。5 数据进行一定的研究分析，所得到的结果具有一定 的参考价值。

1。2 相关分析的简单介绍

相关分析常用于研究变量间的相关性，可以定性地描述和探索变量之间的关系。它通常 是进行高级统计方法之前的尝试性工作，用于初步统计分析。