《S區(qū)空氣質(zhì)量的描述性統(tǒng)計(jì)及改善》9600字

S區(qū)空氣質(zhì)量的描述性統(tǒng)計(jì)及改善摘要：空氣質(zhì)量的優(yōu)劣與居民的健康生活密切相關(guān)。近幾年，空氣質(zhì)量的惡化以及霧霾的頻繁出現(xiàn)引起政府與公眾對(duì)空氣質(zhì)量的持續(xù)關(guān)注，掌握空氣質(zhì)量的狀況及變化規(guī)律，分析預(yù)測(cè)空氣質(zhì)量的變化趨勢(shì)顯得尤為重要。以空氣質(zhì)量的變化趨勢(shì)為依據(jù)建立最優(yōu)的時(shí)間序列模型，預(yù)測(cè)未來空氣質(zhì)量的變化，并將空氣質(zhì)量的變化以簡(jiǎn)單易懂的直觀方式呈現(xiàn)在大眾的眼前。本文主要對(duì)S區(qū)的2021年1月6月的空氣質(zhì)量進(jìn)行建模分析并對(duì)未來一段時(shí)間內(nèi)的空氣質(zhì)量做出預(yù)測(cè)。文章共包含五章內(nèi)容第一章緒論，介紹研究背景，研究?jī)?nèi)容，研究方法，第二章理論概述，第二章S區(qū)空氣質(zhì)量的統(tǒng)計(jì)分析，利用R、SPSS、Eviews6.0軟件對(duì)S區(qū)歷年來的數(shù)據(jù)進(jìn)行分析。利用污染物與空氣質(zhì)量指數(shù)之間的關(guān)系，運(yùn)用多元統(tǒng)計(jì)的方法建立多元回歸方程，分析影響空氣質(zhì)量的主要污染物。然后我們對(duì)S區(qū)的空氣質(zhì)量指數(shù)AQI進(jìn)行時(shí)間序列建模，對(duì)數(shù)據(jù)預(yù)處理之后得到平穩(wěn)性序列。利用AIC準(zhǔn)則進(jìn)行模型定階，建立ARIMA模型。進(jìn)而我們對(duì)模型做適應(yīng)性檢驗(yàn)和平穩(wěn)性檢驗(yàn)，最后利用建立的模型對(duì)2022年數(shù)據(jù)進(jìn)行預(yù)測(cè)，將預(yù)測(cè)值與實(shí)際值進(jìn)行對(duì)比，誤差在可接受的范圍內(nèi)表明我們的模型擬合效果不錯(cuò);第三章建立智能環(huán)保分析體系，將S區(qū)空氣質(zhì)量的預(yù)測(cè)結(jié)果直觀的呈現(xiàn)出來;第四章總結(jié)與展望，對(duì)本文進(jìn)行系統(tǒng)的總結(jié)得出S區(qū)的空氣質(zhì)量在不斷的改善，同時(shí)分析了論文的不足，有待日后的改進(jìn)。關(guān)鍵詞:多元線性回歸;空氣質(zhì)量指數(shù):ARIMA模型;智能環(huán)保分析體系目錄TOC\o"1-3"\h\u6944摘要： 1312581.緒論 284721.1研究背景及其意義 2162051.2國(guó)內(nèi)外研究現(xiàn)狀 3200491.3論文的基本結(jié)構(gòu) 4150522.S區(qū)空氣質(zhì)量的統(tǒng)計(jì)分析 4259722.1數(shù)據(jù)來源 479682.2描述性統(tǒng)計(jì) 5264672.2.1S區(qū)空氣質(zhì)量的濃度分布特征 520982.2.2S區(qū)空氣質(zhì)量的等級(jí)分布特征 6278182.2.3S區(qū)空氣污染物的相關(guān)性分析 739752.3多元回歸模型的應(yīng)用 718802.3.1散點(diǎn)圖擬合 8192262.3.2多重共線性檢驗(yàn) 8227522.4S區(qū)主要污染物PM2.5的防治 10215982.4.1污染物PM2.5的來源及危害 1091292.4.2污染物PM2.5的治理 1081692.5時(shí)間序列模型的應(yīng)用 1177982.5.3模型的建立及參數(shù)估計(jì) 12296522.5.4殘差的白噪聲檢驗(yàn) 14163453.智能環(huán)保分析體系 16311983.1總體框架 16108123.2基本流程 1650683.3功能模塊 17259363.4數(shù)據(jù)可視化 1829714總結(jié)與展望 18143074.1總結(jié) 18180514.2展望 1919815參考文獻(xiàn) 196369致謝 21緒論1.1研究背景及其意義隨著人們生活水平的提高，人們由關(guān)注解決溫飽問題的需要轉(zhuǎn)向關(guān)注健康問題，而空氣質(zhì)量與人們的健康生活息息相關(guān)。同時(shí)，國(guó)家的城市化水平迅速提升。在這種模式下，城市和人口的過度聚集帶來了不可忽視的環(huán)境問題，尤其是空氣污染的問題，不免成為影響著人們的健康的一大問題。因此，對(duì)空氣質(zhì)量的研究成為當(dāng)下的熱點(diǎn)問題，多元統(tǒng)計(jì)分析出主要污染物，時(shí)間序列研究對(duì)來-段時(shí)間的數(shù)據(jù)做出預(yù)測(cè)，讓人們事先了解到基本的趨勢(shì)變化。因此，運(yùn)用多元統(tǒng)計(jì)分析和時(shí)間序列的方法對(duì)數(shù)據(jù)進(jìn)行分析是一項(xiàng)非常有研究?jī)r(jià)值和研究意義的課題。如今的濟(jì)南，卻慢慢的朝著“人間仙境”的趨勢(shì)發(fā)展。霧霾造成很多不良的影響，例如:能見度低，易發(fā)生交通事故;在霧霾的天氣，很多學(xué)校被迫停課。S區(qū)的空氣質(zhì)量給人的生活和工作帶來巨大的影響，空氣質(zhì)量、環(huán)境污染--直以來都是人們?nèi)找骊P(guān)心的話題。因此，本文選取的研究?jī)?nèi)容是以解決S區(qū)的空氣質(zhì)量問題為研究前提，促進(jìn)人與自然的和諧發(fā)展。在本文中我們尋找S區(qū)空氣質(zhì)量歷年來的變化規(guī)律進(jìn)行預(yù)測(cè)并提出相應(yīng)的解決對(duì)策，從而達(dá)到改善環(huán)境空氣的最終目的。運(yùn)用多元回歸的方法將空氣污染物PM2s、PM1o、SO~Co、NO2、93與空氣質(zhì)量指數(shù)AQI建立非線性的回歸方程，分析影響空氣質(zhì)量的主要污染物，針對(duì)重點(diǎn)污染物才可以有的放矢。運(yùn)用時(shí)間序列建模預(yù)測(cè)未來一段時(shí)間內(nèi)S區(qū)空氣質(zhì)量的變化，最終以時(shí)間序列圖的結(jié)果展現(xiàn)出來，使人們及時(shí)了解到未來空氣質(zhì)量的變化有重要的意義。對(duì)空氣質(zhì)量進(jìn)行及時(shí)的監(jiān)控，隨時(shí)調(diào)整改善空氣質(zhì)量的舉措，尋求改善空氣質(zhì)量的最佳途徑。在本文中就是將多元回歸分析和時(shí)間序列分析的方法相結(jié)合，給S區(qū)的空氣質(zhì)量數(shù)據(jù)進(jìn)行分析提供了有效分析手段。1.2國(guó)內(nèi)外研究現(xiàn)狀1.空氣質(zhì)量方面:喻彩麗(2016)對(duì)銀川市的空氣質(zhì)量進(jìn)行調(diào)查研究;武裝，覃愛明(2015)運(yùn)用大數(shù)據(jù)對(duì)環(huán)境空氣質(zhì)量進(jìn)行預(yù)測(cè)。2.統(tǒng)計(jì)研究的方法方面:在進(jìn)行統(tǒng)計(jì)研究時(shí)，可以運(yùn)用的數(shù)據(jù)挖掘方法多樣，有遺傳算法、時(shí)間序列分析、多元統(tǒng)計(jì)分析等。席裕庚，柴天佑，惲為民(1996)研究的遺傳算法;陳富贊、寇繼淞、王以直(2000)系統(tǒng)的對(duì)數(shù)據(jù)挖掘的方法進(jìn)行研究。其中，在數(shù)據(jù)挖掘的方法當(dāng)中時(shí)間序列的應(yīng)用范圍最為廣泛，有對(duì)單--模型進(jìn)行研究，有的是對(duì)組合模型進(jìn)行研究。謝如賢等學(xué)者為了體現(xiàn)預(yù)測(cè)模型種類、數(shù)量與時(shí)間趨勢(shì)的變化對(duì)預(yù)測(cè)精度的影響,.深入研究了變權(quán)組合預(yù)測(cè)模型。郝樂、王莎莎、陳安、李碩(2009)將時(shí)間序列運(yùn)用到中國(guó)人口老齡化和中國(guó)的CDP問題上。梁春麗和周影(2014)運(yùn)用多元統(tǒng)計(jì)對(duì)空氣質(zhì)量進(jìn)行研究，并指出當(dāng)前空氣質(zhì)量存在的問題。3.預(yù)測(cè)方面:在預(yù)測(cè)的研究方向上，很多學(xué)者取得不少成就。藍(lán)永超、康爾泗、徐中民(2001)研究B-P神經(jīng)網(wǎng)絡(luò)在徑流長(zhǎng)期預(yù)測(cè)中的作用;張躍(1992)對(duì)模糊數(shù)學(xué)的研究及應(yīng)用;顧海燕(2007)運(yùn)用時(shí)間序列分析對(duì)人口增長(zhǎng)進(jìn)行預(yù)測(cè)。國(guó)內(nèi)學(xué)者主要致力于定量分析空氣污染物，將出現(xiàn)的污染物濃度的時(shí)空分布控制在可控區(qū)域內(nèi)，研究污染的時(shí)空分布、危害程度等問題和持續(xù)時(shí)間等問題。隨著時(shí)代的發(fā)展,.學(xué)術(shù)的進(jìn)步，空氣質(zhì)量問題與時(shí)間序列進(jìn)行結(jié)合，在空氣質(zhì)量研究的很多方面都可以用到時(shí)間序列，用數(shù)學(xué)模型來客觀展示并進(jìn)行準(zhǔn)確的預(yù)測(cè)。相比較之前學(xué)者的研究，綜合運(yùn)用多元回歸和時(shí)間序列方法對(duì)空氣質(zhì)量進(jìn)行分析研究的論文和著作很少。因此，本論文針對(duì)S區(qū)的空氣質(zhì)量，采用多元統(tǒng)計(jì)和時(shí)間序列對(duì)其進(jìn)行綜合分析。在本文中，多元統(tǒng)計(jì)分析主要是分析S區(qū)的主要空氣污染物是什么，分析出主要污染物才可對(duì)S區(qū)的空氣質(zhì)量進(jìn)行針對(duì)性的改善。要想預(yù)測(cè)S區(qū)未來--段時(shí)間內(nèi)空氣質(zhì)量的變化，單靠多元統(tǒng)計(jì)的方法是達(dá)不到想要的效果。因此，接下來我們采用時(shí)間序列的方法對(duì)S區(qū)的空氣質(zhì)量進(jìn)行模擬預(yù)測(cè)。S區(qū)的空氣質(zhì)量一直處在不斷更新變換當(dāng)中，單靠人力預(yù)測(cè)未來的變化顯得的微弱，我們?cè)谖恼伦詈蠼榻B了智能環(huán)保平臺(tái)，大大節(jié)省了人力物力資源。1.3論文的基本結(jié)構(gòu)(1)首先建立2021年1月至6月S區(qū)空氣質(zhì)量的數(shù)據(jù)庫(kù)，這其中包括AQI、PM2.5、PM10、SO2、CO、NO2、O3的數(shù)據(jù)。(2)熟練使用R軟件、SPSS、Eviews軟件，對(duì)多元統(tǒng)計(jì)分析和時(shí)間序列分析建模的理論知識(shí)和過程熟悉，將其熟練地應(yīng)用到論文的實(shí)際操作中。(3)建立智能環(huán)保分析平臺(tái)，將枯燥的數(shù)據(jù)圖形化，可以用直觀的條形圖、柱狀圖、散點(diǎn)圖等清晰直觀的表示出各地的空氣質(zhì)量數(shù)據(jù)，并對(duì)空氣質(zhì)量污染超標(biāo)的情況進(jìn)行預(yù)警預(yù)報(bào)。從河北省環(huán)境監(jiān)測(cè)中心站獲取S區(qū)2021年1月至6月的空氣質(zhì)量數(shù)據(jù)，將數(shù)據(jù)儲(chǔ)存在Excel中便于之后的數(shù)據(jù)操作，然后進(jìn)行統(tǒng)計(jì)分析。描述性統(tǒng)計(jì)方法主要是對(duì)S區(qū)空氣質(zhì)量的等級(jí)分布特征和污染源的分布進(jìn)行分析。多元統(tǒng)計(jì)分析主要是分析S區(qū)的主要空氣污染物是什么，分析出主要污染物才可對(duì)S區(qū)的空氣質(zhì)量進(jìn)行針對(duì)性的改善。時(shí)間序列分析主要是對(duì)S區(qū)未來一段時(shí)間內(nèi)的空氣質(zhì)量進(jìn)行預(yù)測(cè)。在數(shù)據(jù)不平穩(wěn)時(shí)，將數(shù)據(jù)進(jìn)行平穩(wěn)化處理，然后經(jīng)過平穩(wěn)化檢驗(yàn)、白噪聲檢驗(yàn)等步驟，最終建立時(shí)間序列模型，預(yù)測(cè)出之后未來一段時(shí)間內(nèi)S區(qū)的空氣質(zhì)量。2.S區(qū)空氣質(zhì)量的統(tǒng)計(jì)分析2.1數(shù)據(jù)來源本文選取S區(qū)作為空氣質(zhì)量研究的代表城市，所使用的空氣質(zhì)量監(jiān)測(cè)數(shù)據(jù)是2021年1月至6月的S區(qū)空氣質(zhì)量數(shù)據(jù)，數(shù)據(jù)均來源于中國(guó)空氣質(zhì)量監(jiān)測(cè)平臺(tái)。我們利用監(jiān)測(cè)平臺(tái)對(duì)大氣污染物中的二氧化硫(so2)、二氧化碳(cO2)、二氧化氮(NO2)、一氧化碳(co)、臭氧(03)和可吸入顆粒物PMo、PM2.5和空氣質(zhì)量指數(shù)(AQI)實(shí)時(shí)監(jiān)測(cè)得到的數(shù)據(jù)進(jìn)行分析研究，為了方便接下來的研究，我們將PM2.5，PM10.SQ2、NO1、CO、O3分別用x1、x2、x3、x4、x5、x6來表示。2.2描述性統(tǒng)計(jì)2.2.1S區(qū)空氣質(zhì)量的濃度分布特征根據(jù)《環(huán)境空氣質(zhì)量指數(shù)(AQI)技術(shù)規(guī)定(試行)(HJ633-2012)》標(biāo)準(zhǔn)，環(huán)境空氣污染物基本項(xiàng)目限值如表2.1所示。此次參與空氣質(zhì)量評(píng)價(jià)的主要有SO2、PM2.5、PM10、CO、NO2、O3六項(xiàng)指標(biāo)。本次研究的對(duì)象是S區(qū)2021年1月至6月的空氣質(zhì)量數(shù)據(jù)，總計(jì)137個(gè)樣本數(shù)據(jù)。分析得出，在這6個(gè)月期間，S區(qū)有46.79%的時(shí)間段存在不同程度的污染，即S區(qū)有一半的時(shí)間空氣質(zhì)量都是污染的狀態(tài)。SO2的超標(biāo)天數(shù)為3.2%，而且主要發(fā)生在一月，主要是因?yàn)槎救济喝∨膯栴}引起的。2021年1-6月CO、NO2、02、、PM10、PM2.5、SO2濃度質(zhì)量分別為0.94mg/m3、26.29ug/m3、87.59ug/m3、105.56ug/m3、46.97ug/m3、42.47ug/m3,其中PM10和PM2.5分別超標(biāo)。環(huán)境空氣質(zhì)量主要污染物以顆粒物為主，其中PM10的濃度范圍150.3554ugm3，PM2.5的濃度范圍是23-253ug/m3，SO2的濃度范圍為1.7-309.1ug/m3，SO2、PM10、和PM2.5濃度的變化范圍跨度很大。一天24小時(shí)中O3的變化規(guī)律呈現(xiàn)單峰分布規(guī)律，PM10、PM2.5、SO2呈現(xiàn)雙峰的分布規(guī)律。表2.1序號(hào)污染物項(xiàng)目平均時(shí)間濃度限值單位一級(jí)二級(jí)1二氧化硫均值206024小時(shí)平均50150μg/m31小時(shí)平均1505002二氧化氮均值404024小時(shí)平均80801小時(shí)平均2002003一氧化碳24小時(shí)平均44mg/m31小時(shí)平均10104臭氧日最大8小時(shí)平均100160μg/m31小時(shí)平均1602005顆粒物(粒徑小于等于10μm)年均值407024小時(shí)平均501506顆粒物(粒徑小于等于2.5μon)年均值153524小時(shí)平均35752.2.2S區(qū)空氣質(zhì)量的等級(jí)分布特征表2.2空氣質(zhì)量等級(jí)分布特征AQI0--5051--100101--150151--200201--300>300AQI等級(jí)一級(jí)二級(jí)三級(jí)四級(jí)五級(jí)六級(jí)AQI類別優(yōu)良輕度污染.中度污染重度污染嚴(yán)重污染濟(jì)南AQI1.36%40.82%37.45%12.19%5.05%3.13%在統(tǒng)計(jì)的137份樣本中,總達(dá)標(biāo)天數(shù)(一級(jí)優(yōu)和二級(jí)良)為56天，達(dá)標(biāo)率為39.34%,.總體上以良為主，出現(xiàn)污染的天數(shù)為81天，占比率為60.66%。其中，S區(qū)出現(xiàn)嚴(yán)重污染的情況，平均每年的冬季S區(qū)都會(huì)出現(xiàn)十幾天的嚴(yán)重污染情況。造成以上現(xiàn)象的主要原因有如下幾點(diǎn):(1)如圖2.1，S區(qū)污染源分布不均，68%的污染源是分布在擴(kuò)散條件差的地方，僅僅6%的污染源排放出的污染氣體會(huì)得到良好的擴(kuò)散。這就大大加劇了S區(qū)空氣質(zhì)量較差的原因。(2)揚(yáng)塵污染嚴(yán)重。S區(qū)的人口多，工廠多，揚(yáng)塵污染嚴(yán)重。同時(shí)，保潔不及時(shí)、不徹底等問題還大量存在。(3)能源結(jié)構(gòu)不合理。相比河北省其他的空氣質(zhì)量較好的城市而言，S區(qū)的能源結(jié)構(gòu)多以水泥、石化等高排放的大型工廠為主，這就造成S區(qū)空氣質(zhì)量的污染物排放量居高不下，惡化了S區(qū)的空氣質(zhì)量。(4)車輛控制手段單一。S區(qū)是河北省人口聚集的地方，車輛眾多，而S區(qū)缺乏對(duì)車輛數(shù)量的限制和重點(diǎn)路段限流的情況。而且，新能源汽車的推廣也比較緩慢，大量汽車排放的尾氣成為S區(qū)空氣質(zhì)量的一大殺手。2.2.3S區(qū)空氣污染物的相關(guān)性分析由表2.3可知，各污染物之間均通過了0.01顯著性水平檢驗(yàn)，存在較大的相關(guān)性。其中PM10與PM2.5、Co之間的相關(guān)性很強(qiáng)，相關(guān)系數(shù)分別為:0.899、0.754;PM2.5與SO2、NO2、co之間也呈現(xiàn)很強(qiáng)的相關(guān)性，相關(guān)系數(shù)分別為:0.620、0.702、0.878;此外，NO2和SO2、Co之間的相關(guān)系數(shù)也分別高達(dá)0.613、0.771，也通過顯著性檢驗(yàn)。O3與其他各污染物之間呈不顯著的負(fù)相關(guān)。表2.3PM2.5PM10SO2NO2COO3PM2.510.899**0.620**0.702**0.878**-0.355PM1010.583**0.674**0.754**-0.268SO210.613**0.640**-0.410NO210.771**-0.453CO1-0.404O3-0.355注:**表示在0.01水平(雙側(cè))上顯著相關(guān)。由于CO、SO2、NO2與PM2.5、PM10的來源一致，所以他們之間的相關(guān)性比較強(qiáng)?？諝庵械腃O、SO2、NO2的主要來源為機(jī)動(dòng)車尾氣排放以及化石燃料的燃燒，而汽車尾氣的排放與化石燃料燃燒的同時(shí)也是空氣顆粒物的主要來源，這就是CO、SO2、NQ2之間存在相關(guān)性的主要原因。CO、SO2、NO2與PM2.5、PM10的主要來源相同使得他們之間的相關(guān)性較高，冬季燃煤供暖以及大量汽車尾氣的排放使得CO、SO2、NO2、PM2.5、PM10之間的相關(guān)性提高。2.3多元回歸模型的應(yīng)用為了研究S區(qū)的空氣質(zhì)量受哪個(gè)因素影響最大，需要建立AQI與PM2.5、PM10、so2、NO3、Co、O3的回歸方程，通過系數(shù)的大小來判斷對(duì)AQI影響的大小。2.3.1散點(diǎn)圖擬合由圖3.2可知S區(qū)空氣質(zhì)量指數(shù)與PM2.5成正相關(guān)，而AQI與O3的關(guān)系用反比例曲.線擬合較好，即AQI增加時(shí)PM2s會(huì)增加。通過上述的相關(guān)分析發(fā)現(xiàn)空氣質(zhì)量AQI與多個(gè)影響因素有關(guān)。PM2.5、PM10、so2、NO2、Co、O3的變化都會(huì)引起空氣質(zhì)量指數(shù)AQI的變化，因此對(duì)因變量AQI與自變量PM2.5、PM10、so2、NO2、CO、O2進(jìn)行多元回歸分析，多元回歸方程可以初步表示為為了使結(jié)果更準(zhǔn)確，接下來要對(duì)回歸模型進(jìn)行修正，直到找到準(zhǔn)確的回歸模型方程為止。在建立回歸方程的過程中，還需要進(jìn)行關(guān)鍵的一步一多重共線性的檢驗(yàn)。2.3.2多重共線性檢驗(yàn)我們用xTx表示自變量x1，X2，X3，X4，X5，X6標(biāo)準(zhǔn)化得到的矩陣，其本質(zhì)就是.由自變量生成的相關(guān)矩陣。自變量之間的相關(guān)矩陣xTx如下:我們用條件數(shù)來代表xTx的特征值的差異。一般認(rèn)為當(dāng)K<100時(shí)，多重共線性存在的概率很小;當(dāng)100≤K≤1000時(shí)，多重共線性存在的的概率為中等;當(dāng)K>1000時(shí)，多重共線性嚴(yán)重存在。通過R語言的運(yùn)行結(jié)果顯示K=59.76794<100，所以我們認(rèn)為自變量之間多重共線性的程度很小。表3.4回歸方程的顯著性檢驗(yàn)表3.5區(qū)間估計(jì)結(jié)果顯示從表3.5的結(jié)果知xs回歸系數(shù)的區(qū)間估計(jì)是[-1.73469765，3.18823943]，它包含了0，即x5回歸系數(shù)的值可能會(huì)是0.去掉xs的一次項(xiàng)，再進(jìn)行分析，結(jié)果如表3.6可知模型既通過了F檢驗(yàn)也通過了t檢驗(yàn)，R2=0.9545，模型的效果較好。所以，最終的模型確定為:y=23.33921+0.55626X1+0.40765X2+0.05140X3+0.21865X4+99.12676X6,即:AQI=23.339+0.556PM2.5+0.408PM10+0.051SO2+0.219NO2+99.12703從方程可以看出，AQI與PM2.5、PM10、NO2、SO2是呈正相關(guān)的，與O3是反比相關(guān)。由方程系數(shù)看出PM2.5對(duì)空氣質(zhì)量指數(shù)的影響最大。2.4S區(qū)主要污染物PM2.5的防治2.4.1污染物PM2.5的來源及危害PM2.5的粒徑非常狹小，相當(dāng)于人的頭發(fā)絲的1/20，容易隨著人的呼吸進(jìn)入人體肺部，在肺部發(fā)生氣體交換，引發(fā)各種呼吸道疾病，因此被稱為可入肺顆粒物。PM2.5中的增多容易造成霧霾天氣，導(dǎo)致城市的能見度極低，對(duì)環(huán)境和人體健康的危害都極大。2.4.2污染物PM2.5的治理(1)控制源頭，加強(qiáng)工業(yè)粉塵治理PM2.5的主要來源于工業(yè)制造中的粉塵。因此，要想加強(qiáng)對(duì)PM2.5的防止就要從源頭切斷傳播，嚴(yán)格控制工業(yè)粉塵的排放。我們可以將人為控制與高新技術(shù)相結(jié)合，在人為控制粉塵治理的同時(shí)，也可以運(yùn)用BME生物抑塵技術(shù)對(duì)其控制。(2)改善能源消耗結(jié)構(gòu)濟(jì)南成為新舊動(dòng)能轉(zhuǎn)換的先行區(qū)，淘汰落后的舊產(chǎn)能，培育或引進(jìn)代表先進(jìn)生產(chǎn)力的新產(chǎn)能，例如:高新設(shè)備、生物醫(yī)藥、文化傳媒等。在原有經(jīng)濟(jì)規(guī)模不變的情況下，對(duì)經(jīng)濟(jì)結(jié)構(gòu)進(jìn)行換血。(3)控制尾氣排放S區(qū)環(huán)保局建議推廣新能源車輛，以電的實(shí)用為主的汽車，分階段淘汰高污染排放車輛。同時(shí)，我們積極倡導(dǎo)環(huán)保出行。現(xiàn)在，摩拜單車，小黃車，0FO車是環(huán)保出行的一大重要途徑。在節(jié)省能源的同時(shí)又保護(hù)了環(huán)境。多元統(tǒng)計(jì)分析得出對(duì)空氣污染其主要危害作用的是可入肺顆粒物PM2.5，進(jìn)而針對(duì)防治PM2.5提出一系列的改進(jìn)措施，但要想分析出S區(qū)未來一段時(shí)間空氣質(zhì)量的變化單靠多元統(tǒng)計(jì)的方法不能完成。因此，需要用到時(shí)間序列對(duì)S區(qū)未來一段時(shí)間內(nèi)的空氣質(zhì)量進(jìn)行預(yù)測(cè)。2.5時(shí)間序列模型的應(yīng)用圖2.6分位數(shù)-分位數(shù)圖圖2.7由圖2.6中可以看出，差分后序列的QQ圖是一條直線，說明其服從某一特定的分布。由圖2.7中可以看出差分之后S區(qū)空氣質(zhì)量時(shí)間序列的特征參數(shù):(1)I代表樣本容量是1337個(gè)。(2)Mean代表均值是-0.000470。(3)Std.Dev.代表標(biāo)準(zhǔn)差是0.363503.(5)Median代表的是樣本的中位數(shù)0.031416。(6)Kurtosis代表的是樣本的峰度系數(shù)。若K約等于3，服從正態(tài)分布。著K>3，說明序列概率分布的尾巴較厚較短:著KS3，說明序列有長(zhǎng)長(zhǎng)的尾巴。此時(shí)K=4.403265>3，說明序列是尖峰厚尾的。(7)Skewness是偏度系數(shù)用來度量分布是否對(duì)稱。正態(tài)分布的S=0，若S>0表明該分布具有右側(cè)較長(zhǎng)尾部:若S<0表明有左側(cè)較長(zhǎng)尾部:若S=-0.642632，可以知道分布的左側(cè)有較長(zhǎng)的尾部，圖像是左偏的，從直方圖中也可以看出。圖2.8對(duì)數(shù)化后一階差分序列ADF檢驗(yàn)檢驗(yàn)序列的平穩(wěn)性用單位根檢驗(yàn)，在這里我們用到Eviews軟件處理差分后的數(shù)據(jù)，得到ADF檢驗(yàn)的結(jié)果，如圖2.8所示。ADF檢驗(yàn)的原假設(shè)為序列有單位根，圖2.8結(jié)果表明，t統(tǒng)計(jì)量的絕對(duì)值大于檢驗(yàn)水平1%、5%、10%的統(tǒng)計(jì)量臨界值，相應(yīng)的P值為0.0000,.p<a=0.05，因此拒絕存在單位根的原假設(shè)，即認(rèn)為一階差分后S區(qū)空氣質(zhì)量時(shí)間序列是平穩(wěn)的。同時(shí)，可以確定ARMA模型的階數(shù)是1階。2.5.3模型的建立及參數(shù)估計(jì)對(duì)原始數(shù)據(jù)進(jìn)行取對(duì)數(shù)運(yùn)算，1階差分運(yùn)算之后，非平穩(wěn)的時(shí)間序列變成平穩(wěn)的時(shí)間序列。然后對(duì)S區(qū)空氣質(zhì)量平穩(wěn)的時(shí)間序列進(jìn)行建模，建立合適的模型，利用模型對(duì)未來一段時(shí)間內(nèi)S區(qū)空氣質(zhì)量進(jìn)行預(yù)測(cè)。表2.7模型識(shí)別方法AR(p)MA(q)ARMA(P,q)自相關(guān)函數(shù)拖尾q步截尾拖尾偏相關(guān)函數(shù)P步截尾拖尾拖尾我們要建立好適當(dāng)?shù)哪Ｐ途托枰x取好恰當(dāng)?shù)腜,q階數(shù)，畫出其自相關(guān)圖(ACF)與偏自相關(guān)圖(PACF),如圖2.9所示。從圖2.9可以看出，Q統(tǒng)計(jì)量的伴隨概率p<0=0.05,因此拒絕原假設(shè)(原假設(shè):序列是白噪聲序列)，即差分之后的序列是非白噪聲的序列。從圖2.9可以看出，自相關(guān)函數(shù)截尾，且在四步之后落在兩倍誤差的范圍內(nèi)，大小呈現(xiàn)波動(dòng)的趨勢(shì)，q取值可能是4,偏自相關(guān)函數(shù)可以看出是拖尾的，可以初步判斷為MA(4)模型，結(jié)合前面進(jìn)行了1階差分，所以初步考慮用ARIM4(0,1,4)模型擬合原序列。同時(shí)，在實(shí)際的建模過程中，需要考慮諸多條件來判定模型的最佳階數(shù)。列舉選出不同的參數(shù)通過比較選出最優(yōu)的一個(gè)。表2.8模型參數(shù)結(jié)果模型類型調(diào)整的R2AICAIC殘差平方和ARIMA(0,1,1)0.2595-2.702-2.7020.123ARIMA(0,1,2)0.2599-2.676-2.6760.119ARIMA(0,1,3)0.3716-3.048-3.0480.072ARIMA(0,1,4)0.4614-2.961.-2.9610.086表2.8的4種模型中，ARIM4(0,11)和ARIMA(0,1,2)模型的調(diào)整的R2是最小的兩個(gè)，但是殘差平方和卻是最大的兩個(gè)，故首先排除模型ARIM4(0,1,1)與模型ARM4(01,2)。接下來只需要對(duì)剩下的兩個(gè)模型進(jìn)行比較即可，ARIM4(01,3)和ARIM4(0,1,4)殘差平方和相差不大，但是模型ARIM4(0,1,4)調(diào)整的R2最大，而根據(jù)AIC準(zhǔn)則和SC準(zhǔn)則，模型ARIMA(0,1,4)的擬合效果最好。綜合以上的結(jié)果，最終確定用ARMA(01,4)模型來擬合序列。同時(shí)，通過做單位根檢驗(yàn)圖3.10可以得到，模型系數(shù)多項(xiàng)式的根的倒數(shù)都在單位圓內(nèi)，即模小于1。因此，模型系數(shù)的多項(xiàng)式的根在單位圓外，滿足平穩(wěn)條件。2.5.4殘差的白噪聲檢驗(yàn)在對(duì)模型數(shù)據(jù)進(jìn)行預(yù)測(cè)之前，需要對(duì)殘差序列進(jìn)行白噪聲檢驗(yàn)。我們需要檢驗(yàn)信息是否提取完全充分，若是白噪聲即可進(jìn)行下一步，若不是白噪聲序列，則需要對(duì)模型進(jìn)行修正，直至通過白噪聲檢驗(yàn)為止。圖2.11即為殘差的白噪聲檢驗(yàn)。圖2.11殘差的自相關(guān)和偏相關(guān)函數(shù)檢驗(yàn)結(jié)果LB檢驗(yàn)的原假設(shè)和備擇假設(shè)分別為:原假設(shè)Hg:數(shù)據(jù)是相互獨(dú)立的，總體的相關(guān)系數(shù)為0，即原假設(shè)認(rèn)為序列是白噪聲序列。備擇假設(shè)H:數(shù)據(jù)是不獨(dú)立的，即至少存在某個(gè)pk2≠0,其中k≤h，備擇假設(shè)認(rèn)為序列是非白噪聲序列。構(gòu)造的統(tǒng)計(jì)量是:其中n是樣本數(shù)量，p:f是樣本k階之后的相關(guān)系數(shù)，該統(tǒng)計(jì)量服從自由度為h的卡方分布。給性顯著性水平a，若P>0，則接受原假設(shè)，認(rèn)為序列是白噪聲序列;反之，若p<a，則拒絕原假設(shè)，認(rèn)為序列是非白噪聲序列。分析圖2.11得到LB檢驗(yàn)的結(jié)果，可以看到P>a=0.05。此時(shí)的殘差序列可以認(rèn)為是白噪聲序列，說明信息提取完全，模型擬合顯著有效。3.智能環(huán)保分析體系3.1總體框架本章所建立的S區(qū)智能環(huán)保分析系統(tǒng)是建立在網(wǎng)絡(luò)通訊平臺(tái)的基礎(chǔ)上的，以智能數(shù)據(jù)分析為中心，主要包含四個(gè)體系:空氣質(zhì)量管理體系、空氣質(zhì)量分析體系、空氣質(zhì)量保護(hù)體系和空氣質(zhì)量監(jiān)督體系。在四個(gè)體系中以空氣質(zhì)量分析體系為主，空氣質(zhì)量管理體系存儲(chǔ)的是空氣質(zhì)量總體信息，空氣質(zhì)量保護(hù)體系存儲(chǔ)的是保護(hù)空氣質(zhì)量的信息，監(jiān)督體系存儲(chǔ)的是監(jiān)督信息。每個(gè)體系的功能各不相同，每個(gè)體系通過數(shù)據(jù)交換實(shí)現(xiàn)彼此之間的聯(lián)系,平臺(tái)的總體設(shè)計(jì)框架如下圖3.1。圖3.1智能環(huán)保體系總體框架3.2基本流程智能環(huán)保系統(tǒng)環(huán)境分析的基本流程大體分為三個(gè)過程:數(shù)據(jù)庫(kù)導(dǎo)入數(shù)據(jù)分析數(shù)據(jù)的首要步驟就是將數(shù)據(jù)庫(kù)的數(shù)據(jù)導(dǎo)入到所要分析的平臺(tái)。智能數(shù)據(jù)中心存儲(chǔ)著海量的數(shù)據(jù)，人們可以根據(jù)自己的需要從中查詢到自己想要的數(shù)據(jù)。(2)模塊選擇人們將想要分析的數(shù)據(jù)調(diào)用到數(shù)據(jù)交換平臺(tái)中，數(shù)據(jù)交換平臺(tái)中不同的功能模塊有著不同的分工。因此，對(duì)數(shù)據(jù)分析就要選好模塊。有數(shù)據(jù)統(tǒng)計(jì)，數(shù)據(jù)分析，還有數(shù)據(jù)預(yù)測(cè)分析的。(3)結(jié)果展示對(duì)數(shù)據(jù)分析結(jié)束之后，最終需要通過數(shù)據(jù)交換平臺(tái)將分析的結(jié)果進(jìn)行可視化展示，基本流程圖如圖3.2。圖3.2智能環(huán)保平臺(tái)設(shè)計(jì)流程圖3.3功能模塊智能環(huán)保平臺(tái)中最為關(guān)鍵的體系是空氣質(zhì)量分析體系，體系中包含不同的功能模塊，直觀圖如圖3.3，下面對(duì)這些模塊進(jìn)行簡(jiǎn)單介紹，(1)空氣質(zhì)量統(tǒng)計(jì)空氣質(zhì)量的統(tǒng)計(jì)主要包含空氣中污染物種類的統(tǒng)計(jì)、污染物數(shù)據(jù)的統(tǒng)計(jì),以及污染物檢測(cè)。(2)空氣質(zhì)量分析空氣質(zhì)量分析主要包含污染物排放的分析、污染物與空氣質(zhì)量的相關(guān)性分析以及時(shí)間序列分析等。(3)空氣質(zhì)量預(yù)測(cè)空氣質(zhì)量預(yù)測(cè)主要包含污染物排放預(yù)警、空氣量的預(yù)測(cè)以及針對(duì)發(fā)現(xiàn)問題之后空氣質(zhì)量的改善問題?？諝赓|(zhì)量預(yù)測(cè)的子模塊的運(yùn)行，也有自己的流程，流程圖如圖3.4。圖3.3空氣質(zhì)量分析模塊圖圖3.4數(shù)據(jù)交換平臺(tái)預(yù)測(cè)模塊流程圖3.4數(shù)據(jù)可視化智能環(huán)保平臺(tái)構(gòu)建完成后最終目標(biāo)就是在人力物力資源條件有限的情況下，人們可以通過操作智能環(huán)保平臺(tái)上的模塊，就可以在短時(shí)間內(nèi)找到自己所需的內(nèi)容。如果需要分析預(yù)測(cè)，可以通過智能環(huán)保平臺(tái).上的空氣質(zhì)量分析體系，利用數(shù)據(jù)分析的子模塊對(duì)海量數(shù)據(jù)進(jìn)行快速智能化處理分析，最終將結(jié)果直觀的呈現(xiàn)出來，達(dá)到數(shù)據(jù)可視化的理想結(jié)果。4總結(jié)與展望4.1總結(jié)本文研究的問題主要有三方面:第一部分，運(yùn)用多元統(tǒng)計(jì)分析的方法建立回歸模型，并通過了實(shí)證分析驗(yàn)證了其可行之處。這一部分主要是通過R語言分析出影響空氣質(zhì)量指數(shù)最大的污染物是PM.s，針對(duì)污染物PM2s對(duì)S區(qū)的空氣污染提出一些防治措施，有的放矢。單靠多元統(tǒng)計(jì)分析的方法預(yù)測(cè)不出S區(qū)未來一段時(shí)間內(nèi)的空氣質(zhì)量變化。因此，第二部分，對(duì)S區(qū)的空氣質(zhì)量指數(shù)AQI建立時(shí)間序列模型，主要是通過Eviews6.0對(duì)S區(qū)2021年1月至6月的數(shù)據(jù)進(jìn)行分析，最終建立ARIMA(0,1.4)模型，并通過模型檢驗(yàn)。利用模型對(duì)3月份的數(shù)據(jù)進(jìn)行預(yù)測(cè)，并與實(shí)際的3月份數(shù)據(jù)進(jìn)行對(duì)比，發(fā)現(xiàn)預(yù)測(cè)偏差在可接受的范圍內(nèi)，說明模型的擬合效果良好。第三部分，運(yùn)用大數(shù)據(jù)搭建出一個(gè)理.論的智能環(huán)保平臺(tái)，能夠?qū)區(qū)的空氣質(zhì)量結(jié)果直觀呈現(xiàn)出來。本文通過對(duì)S區(qū)空氣質(zhì)量的分析與預(yù)測(cè)可以看出S區(qū)的空氣質(zhì)量呈現(xiàn)出季節(jié)性周期波動(dòng)，且從總體的趨勢(shì)上來看S區(qū)的空氣質(zhì)量正在處于一個(gè)慢慢變好的狀態(tài)。這其中離不開國(guó)家出臺(tái)的各項(xiàng)關(guān)于保護(hù)環(huán)境的政策，這些政策對(duì)環(huán)境起到保駕護(hù)航的作用，推動(dòng)著生態(tài)文明建設(shè)不斷向前。因此，預(yù)期S區(qū)的空氣質(zhì)量也會(huì)逐步得到改善。4.2展望本文在研究S區(qū)的空氣質(zhì)量時(shí)綜合運(yùn)用了多元統(tǒng)計(jì)分析和時(shí)間序列分析的方法，考慮的問題比較全面。同時(shí)，在論文最后提出了智能環(huán)保平臺(tái)，符合新時(shí)代的潮流。但是本文仍存在一些不足需要改善:1.所做的時(shí)間序列分析只能預(yù)測(cè)短時(shí)間內(nèi)空氣質(zhì)量的變化，并不能長(zhǎng)時(shí)間監(jiān)控預(yù)測(cè)。因?yàn)殡S著預(yù)測(cè)時(shí)間的增長(zhǎng)，預(yù)測(cè)的誤差會(huì)變大，造成預(yù)測(cè)結(jié)果并不準(zhǔn)確。因此，在后續(xù)的建模過程中，可以考慮其他方法建立復(fù)雜的時(shí)間序列模型進(jìn)行長(zhǎng)期的預(yù)測(cè)。2.智能環(huán)保平臺(tái)雖然是符合當(dāng)今時(shí)代發(fā)展的潮流，但只是基于理論的分析，是一種創(chuàng)新的理論，并沒有得到實(shí)踐的驗(yàn)證，后期可以進(jìn)行深一步的研究驗(yàn)證。參考文獻(xiàn)[1]方帆,許雪艷.基于STM32的便攜式室內(nèi)空氣質(zhì)量檢測(cè)系統(tǒng)設(shè)計(jì)[J].蚌埠學(xué)院學(xué)報(bào),2022,11(02):51-54.DOI:10.13900/ki.jbc.2022.02.009.[2]張?jiān)?頂空氣相色譜法測(cè)定水中三氯甲烷和四氯化碳的方法優(yōu)化[J].食品安全導(dǎo)刊,2022(07):128-131.DOI:10.16043/ki.cfs.2022.07.037.[3]曹陽明,李苗,陸奇志,崔丹丹,潘飛.基于物聯(lián)網(wǎng)技術(shù)的車內(nèi)空氣質(zhì)量監(jiān)測(cè)與防護(hù)系統(tǒng)設(shè)計(jì)[J].汽車工業(yè)研究,2022(01):52-54.[4]余冠男.環(huán)境空氣質(zhì)量自動(dòng)監(jiān)測(cè)的質(zhì)量保證與控制[J].化學(xué)工程與裝備,2022(02):248-249.DOI:10.19566/35-1285/tq.2022.02.092.[5]李玉丹,王禎禎,余彥瓊.基于技能大賽的多功能通用型空氣質(zhì)量檢測(cè)儀的設(shè)計(jì)[J].電子測(cè)試,2022,36(02):17-19.DOI:10.16520/ki