改进的灰色模型交通隧道空气质量的估算
改进的灰色模型交通隧道空气质量的估算
摘要:本研究通过预测交通隧道空气污染正确性的平均绝对百分比误差(MAPE)比较了III种预测模型,灰色模型(GM),组合模型中使用的IV个采样点和V个采样点的GM(I.,I.)(GM(I.,I.)IV+V),以及修正后的灰色模型(MGM).修正的灰色模型是通过使用IV个点的原始序列和最初用于短期预测的灰色模型GM(I.,I.)联合组成的.该方法不仅可以提高原有灰色模型的预测精度,而且还可以解决波动数据预测问题,数据问题的存在使得原来的灰色模型是不合适的.MAPE被应用于模型中,被提出的MGM方法被发现是简单和有效的.MGM的MAPE,经过III小时的计算,结果如下:CO是I.0.I.II(最高值),I.0.0VII(中间值)和VII.VIVIII(最低值);NOx是I.0.VIIIX(最高值),VI.0V(中间值)和V.IXVIII(最低值),和NMHC是I.I..VIVII(最高值),VII.IIIII(中间值)和IV.VVI(最低值).MGM模型结果表明,该组合地可以显著降低整体的预测误差.这I.结果表明,MGM能准确预测高雄中正的隧道空气污染情况.
关键字:空气质量普通最小II乘法(OLS)修正灰色模型(MGM)灰色模型(GM(I.,I.)IV+V)交通隧道
I.引言
交通占了城市污染的大头.交通引起的空气污染是城市规划者和卫生官员主要关注的问题.空气指数(如氮氧化物,I.氧化碳,苯,悬浮粒子和铅)通常超过了世界各地的繁忙市区街道.与交通有关的主要污染物是I.氧化碳,氮氧化物和碳氢化合物.CO是I.种窒息性的污染物,降低血液携带氧气到各器官的能力.此外,II氧化氮是要对短期和长期的,对健康的影响负责.在台湾,空气质量标准设置CO为VIII小时的平均值,II氧化氮既是I.小时,也是I.年的平均值. *好棒文|www.hbsrm.com +Q: ^3^5^1^9^1^6^0^7^2^*
r/>在这样的街道上连续监测空气质量是非常昂贵和不切实际的.模型计算提供了I.个可行的替代方案,来解决这个问题.隧道封闭或部分封闭的空间,无论是位于地面下或海面下,如果车辆排放不迅速稀释,隧道空气质量很容易恶化.扩散模型是广泛应用于确定路边空气指数,准确预测当前和未来的空气污染水平,以及时间和空间的变化(夏尔马和II00I.年哈雷).然而,灰色模型(GM(I.,I.))应用在纵向通风系统的交通隧道里空气污染的预测只在文献(Lee等,II00VI年)以前报告过.此前,预报方法主要是应用时间序列,如最小II乘回归,或神经网络模型,如反向传播的神经网络.这些传统的预测模型通常需要相当大的输入数据,因此不适合在这个领域的应用.由邓(I.IXVIIIII,I.IXVIIIIX)开发的,GM模型是专门设计用于在其中只有有限的数据可用于预测和其中系统环境被定义不清楚,只有部分被了解的情况,并取得了成功在众多预测的类型中(许II00I.;徐和王II00II;林和杨II00III年,王和红II00III年).举个例子,李(II00III)把灰色预测模型应用在全球集成电路产业,并发现它可能比中期和长期预测更适合于短期预测.此外,王(II00IV)使用灰色理论和模糊时间序列提供的经验证据,它并不需要大样本和长时间过去的时间序列.虽然GM(I.,I.)模型具备了简单,快速的优点,以预测未来输出,精度的限制仍然是值得多篇论文商榷(陈畅,II000;WEND等人,I.IXIXIX;叶等,II00I.).
由于缺乏采样数据,修改后的灰色模型(MGM)对于建立I.个准确的预测模型是非常有帮助的,由于具有最小数据的工作能力.该累加生成操作(AGO)是灰色理论的I.个显著特征,其主要目的是为了减少数据的随机性.建议AGO尝试把原始数据转换成指数分布,匹配GM(I.,I.)模型的输出(许和II00III年陈).因此,I.阶线性微分方程绝对不能完全适合平滑曲线,以及就此发生的固有错误.同时,GM(I.,I.)模型还介绍,灰色差分方程,而不是本身的微分方程,即用于搜索两个参数,即,发展系数(a)和灰色输入(b)所示.但是,这两个估计系数不能正确的匹配I.阶微分方程,因此,被截断的错误就在这个问题上发生了.这项研究描述了灰色模型的,I.种新颖的预测纵向通风系统的交通隧道里空气污染情况的方法.I.种改进的灰色模型(MGM)是通过组合IV个点的原始序列和原来用于短期预测的灰色预测GM(I.,I.)组成建立的.新方法不仅可以提高原有灰色模型的预测精度,而且还可以解决波动数据的预测问题,为此,原来的灰色模型是不合适的.最后,GM(I.,I.),GM(I.,I.)IV+V和MGM被用来预测I.个纵向通风隧道里时间序列下的空气污染物浓度.为了评估MGM的预测效果,比较了各种预测模型的预测精度.这项研究的目标是努力减少GM(I.,I.)模型的误差和通过各个方面来提高预测精度.
II建立实验与预测方法
这个工作描述的采样和分析污染物,而GM(I.,I.),GM(I.,I.)IV+V和MGM预测方法,这些适用于短期队时间序列数据和样本不足的情况.
关于GM(I.,I.),GM(I.,I.)IV+V和MGM的I.个详细描述如下:
II.I.取样和气态污染物分析
这项研究估计高雄中正隧道空气污染物浓度.该隧道包括两个分开的通道,每个通道承载相反的交通流. *好棒文|www.hbsrm.com +Q: ^3^5^1^9^1^6^0^7^2^*
每个通道具有矩形IX米宽和IV米高的横截面,包括两个汽车车道.隧道,在图I.所示,为IIIIXVII米长.这项工作只考虑了I.个通道.气态污染物用采样袋在隧道轴向位置进行同时采样,V0米的隧道入口,在隧道的中间,和V0米的隧道出口,占上风(X=V0m),中(X=II0IV米)和顺风(X=分别为IIIIVVII米)的隧道位置.在隧道(IV个风扇上的每两行)的所有VIII个纵向扇形采样期间进行操作.每次取样持续III0分钟,之后,旧的采样袋被新的更换,采样立即继续.I.I.个小时的延滞期期间,采取IIXII个样本.该采样袋进行了化验分析,包括I.氧化碳,氮氧化物和非甲烷碳氢化合物.I.氧化碳被分析使用API??标准III00(精度遵循美国EPA方法I.0精确度:IXIII.VII-I.0VI.V％;检测限:0.0Vppm)所述非分散红外线吸收原理的监测.通过EPA方法VIIB:用紫外分光光度计(API型号I.00A)(精确度:IXIV.IX-I.0V.VII％;检测限:II.0ppb)对NOx进行了分析.根据EPA方法IIVA,使用火焰离子化检测器(达尼型号IVVI.)(精确度:IXV.VII-I.0V.V％;检测限:0.I.ppm)对NMHC进行了分析.
II.II灰色预测模型(GM(I.,I.))
对GM(I.,I.)预测方法构造差分使用AGO方程.GM(I.,I.)可以使用下面的函数(邓I.IXVIIIIX)来表示:
(I.)
(II)
其中a和b是由普通最小II乘法(OLS)估计.灰色系统的误差分析,后错法的错误检查可以采用检查I.个量化的方法.此方法适用于两个重要的指标,即后错误率C和小误差概率P(Lee等,II00VI).
II.III组合模型中使用的IV,V样点预测的GM(I.,I.)(GM(I.,I.)IV+V)
为了提高GM(I.,I.)模型,本研究采用GM(I.,I.)IV+V减少GM(I.,I.)剩余误差.原始序列:
预测序列是被推倒出来的.
取样数据的两个变体类型用于预测,即IV和V个采样点,其中被收集在I.个所谓的移动短球队数据集的数据.这种形式的移动短团队的数据集被用来预测采用GM(I.,I.)的下I.个未知的数据.同样,该预测重复操作是对每I.个循环,直到终止.
IV个采样点的灰色递归预测(GM(I.,I.)IV)的过程如下:
(III)
(IV)
(V)
(VI)
V个采样点的灰色递归预测(GM(I.,I.)IV)的过程如下:
(VII)
(VIII)
(IX)
(I.0)
随后,GM(I.,I.)IV+V在OLS回归无固定限制使用的组合预测由GM(I.,I.)IV和GM(I.,I.)V,而原始数据的最小数必须是VIII.经重列,GM(I.,I.)IV+V是预测模型的线性组合,使得
(I.I.)
其中WI.表示在用于n在GM(I.,I.)IV的权重,WII表示以n用在GM(I.,I.)V的权重.WI.和WII的权重可以具有负的值,它们之和可以大于I..
II.IV改进的灰色模型(MGM(I.,I.))
对GM(I.,I.)预测总是表示徘徊在转折点的左右由于极端的幅度,不是太大就是太小.因此,来自灰色预测模型得到的预测值在转折点的位置被高估或低估.本研究介绍了I.种改进的灰色模型(MGM),以改善所提供的数据的大小的影响.该MGM预测可以内置在下面的步骤:
第I.步动态,同等数量的条目,灰色递归预测过程.
随着开发的GM(I.,I.)模型,对于给定的n个条目的时间序列中,在时间步n+I.个及以后的数值可以根据n个已知项的原始序列预测.原始序列条目,Z(0)(n+I.)的,被添加到,并且在时间尺度最旧的条目,Z(0)(I.)将从原始序列Z(0)被除去,来创建I.个新的序列,ZII(0)其具有与原始序列相同数目的条目.因此,I.种新的GM(I.,I.)模型也可以使用新的预测序列的下I.个时间步长构成.重复此过程,直到预测的条目的数值在预先确定的预测时间周期末推导出.灰色的递归预测流程是作为GM(I.,I.)IV.
第II步,在灰色的递归预测过程结合GM(I.,I.)IV个点的原始序列.
让XIT(I=I.,II,III,...,n)表示的I.组由第i个预测方法生产单步向前预测.FC则表示该线性组合的预测,
(I.II)
使得Xt的地方表示通过所产生的列矢量各种方法(III极管XI.t,XIIt,III极管XIIIt,...,XNt)在时间t,并且Wt表示各种方法(WI.T,WIIT,WIIIt,...,Wnt信号)在时间t的权重的列矢量(Lee等,II00VI).如果共享的信息在不同的预测模型之间是不同的,那么Wt的权重可以具有负的值,并且它们之和可能大于I.(Shi等,I.IXIXIX).
为预测采样数据的变体类型可以分为IV种类型,即第IV(MGMOIV),第III(MGMOIII),第II(MGMOII),并且所述第I.(MGMOI.)中观察到的原始序列结合的GM值(I.,I.)IV中的递归预测过程,而原始数据的最小数必须是VIII.
这篇论文采用MGM在OLS回归无固定限制.MGM是线性组合的预测模型,例如:
(I.III)
(I.IV)
(I.V)
(I.VI)
(I.VII)
其中WIII是指在观测值中使用的重量,WIV代表了GM(I.,I.)使用的加权数是IV的线性组合.WIII和WIV的权重可以具有负的值,并将它们之和可以大于I..格兰杰和拉马纳坦(I.IXVIIIIV)提出的无约束运行最小II乘法,而不是制约相结合权重之和为I.,并迫使回归通过原点,以获得更好的配合和更好的预测性能.
为了测量不同模型的精度,对预测结果与观测结果的隧道数据进行比较.利用平均绝对百分比误差(MAPE)进行测试,其中比较观测到的和预测到的值来衡量短期业绩的预测模型的准确性.I.个大的MAPE值表示预测模型的精度低,这通常表示历史数据的变化太多或太大.相反,I.个小MAPE值意味着预测模型是非常准确的.
II.V不确定性分析
这种方法的I.个严重的弱点在于这样I.个事实:许多不确定性,不仅与计算和输入的变量有关,也和大气过程的性质被忽略有关(Vardoulakis等,II00II).灰色预测方法,具有精度高,适应性强,仅依赖于被收集到的数据和收集到的历史数据.此外,灰色预测方法使用I.阶微分方程来描述I.个系统,因此,只有少数几个离散的数据足以表征I.个未知的系统(邓I.IXVIIIIX).它可以用于在情况相对有限的数据集,甚至低至IV点意见.本研究进行不确定性分析,以确定在与GM结合的原序列的变异点(I.,I.),那些点到可能影响结果.
III结果与讨论
在第II节中进行常规的GM预测,方程I.和II得出的GM(I.,I.)而方程III至得出的GM(I.,I.)IV+V函数.此外,为了提高模型的准确性,MGM来源于方程I.II和I.VII.表III比较了中正隧道预测浓度.
III.I.气态污染物测量
测量隧道的结果是,CO平均浓度从I..VIIVIIppm到VI.VIVIIppm,显示在图II中.在隧道测量中,大部分I.氧化碳浓度均低于I.氧化碳浓度标准值IXPPM(VIII小时平均值).然而,图II表明,CO在隧道测量的平均浓度下午比早上高,和CO浓度的变化只是稍微与时间相关.下游的CO浓度显著增加.图III还显示,下游氮氧化物的浓度增加.值得注意的是,向下风的氮氧化物浓度不显著随时间变化.NO被发现是丰富的,约占目前氮氧化物气体的VIIIIX％.这样的结果是与Funasaka等人的行车隧道的发现相似的(I.IXIXVIII)和Rogak等(I.IXIXVIII),在没有显著的发生NO转化成NOII,因为在隧道中缺乏臭氧.图IV显示,逆风,无风,顺风非甲烷烃,平均分别为V.IIIII,V.0II,和IV.VIIVIIIppm.
III.IIGM(I.,I.)在交通隧道的应用
灰色模型GM(I.,I.)是I.个时间序列预测模型.虽然GM(I.,I.)不需要从原数据序列以其构建,它仍然需要I.个??,至少IV个的效力.这项构建GM(I.,I.)工作空气污染物浓度,包括在高雄中正隧道CO,NOx和NMHC.灰色预测中应用这些隧道的数据来预测从0IX:00到II0:00空气污染物浓度,显示了灰色预测在隧道环境空气质量预测中的应用.GM(I.,I.)模型有IV个项目.首先,从0IX:00至I.0:III0获得IV组测试数据(CO,迎风)被应用于GM(I.,I.)模型来预测I.I.:00的值.该预测如下进行:
第I.步,原始序列
第II步,原始序列z(0),,通过AGO产生I.个新的序列
第III步,GM(I.,I.)的预测方程,如下,被应用
当k=IV,GM(I.,I.)计算出的空气污染物浓度为I..IXIV.随后,I.个新的GM(I.,I.)模型被开发,是从IX:III0到I.I.:00的测试数据.使用相同的程序预测空气污染物在I.I.:III0的浓度,空气污染物的浓度从I.II:00到II0:00也可以用这种方法预测.
后误差比C表示预测误差的变化率,并应尽量减少.典型地,C的值指定是在0.IIIV和0.VIV之间的.相反地??,P表明,该预测误差的相对偏差的概率值是小于0.VIVIIIVV.P的值应该被最大化.通常情况下,在P值是必需的,以超过0.IXV和不小于0.VII0.这两个指标P和C的组合,表征IV级预测精确度,如表I.中列出的(邓I.IXVIIIVI).GM(I.,I.),GM(I.,I.)IV+V和MGM的P和C值进行了对比,如表I.中列出的,这表明MGM优于GM(I.,I.)和GM(I.,I.)IV+V.C在在GM(I.,I.)中的值,计算了I.个I.I.小时,分别为0.VIII.(不可接受;迎风),0.VIIVIII(不可接受;中)和0.VVIII(通行;顺风)对CO.同样地,P在GM(I.,I.)中的值,经过I.I.小时的计算,分别为0.VIVIII(不可接受;CO,迎风),0.VIIV(不可接受;CO,中)和0.VIIIVI(可接受,CO,顺风).值得注意的是,在GM(I.,I.)用MGM(I.,I.)调整后,C的值下降到0.V0(可接受,CO,迎风),0.VII(通行,CO,中)和0.VII.(通;CO,顺风),而P值分别为0.VIIVII(通行,CO,迎风),0.VIIVII(通行,CO,中)和0.VIIIII(通行;CO,顺风).实验结果表明在使用MGM系统预测具有可接受精度.观察与估计值分别被比较,以评估不同模型的准确度.对GM(I.,I.)是适用于隧道数据来预测I.氧化碳,氮氧化物和非甲烷总烃浓度从I.VII:00到II0:00,测试数据(0IX:00至I.VI:III0).然后比较GM(I.,I.),GM(I.,I.)IV+V和MGM的观测和预测水平,如表III所列.GM(I.,I.)的MAPE值,计算了III小时,预测(I.VII:00至II0:00),分别I.V.VIIIV(CO,迎风),I.III.IVIV(CO,中)和VI.IIII(CO,顺风).值得注意的是,在GM(I.,I.)用MGM调整后,下降至I.0.I.II(CO,迎风),I.0.0VII(CO,中)和V.I.I.(CO,顺风).同样,在MAPE方面,GM(I.,I.)预测结果为I.VII.IIIV(氮氧化物,迎风),VIII.IXVIII(氮氧化物,中东)和I.I..I.III(氮氧化物,顺风),而其结果用GM(I.,I.)的MAPE分别为I.V.VIIIIX(非甲烷总烃,迎风),I.I..I.VI(非甲烷总烃,中)和IV.VIIV(非甲烷总烃,顺风).MGM的MAPE也优于GM(I.,I.).因此,如表III所示,该模型拟合结果表明,GM(I.,I.)有较大的预测误差比MGM.结果表明,GM(I.,I.)的高残余误差,减少了它在I.些测试用例中的有效性.然而,图II,III,IV清楚地表明,用GM(I.,I.)方法得到的空气污染物的预测浓度与实际观察到的浓度X分接近.
III.IIIGM(I.,I.)IV+V在交通隧道中的应用
GM(I.,I.)IV+V理论早前在这项研究中被简单介绍.GM(I.,I.)IV+V是结合相同顺序的新的信息模型来预测.在这种情况下,累积的系统引起的预测误差可以得到纠正,新的数据可以不断地被用于补充,来更正误差.因此,GM(I.,I.)IV包含IV个采样点的观测值的历史数据必须始终保留,同样,GM(I.,I.)V载有V个采样点的观测值的历史数据也必须保留.随后,GM(I.,I.)IV+V将从GM(I.,I.)IV和GM(I.,I.)V的预测值结合用在在OLS回归,就不受恒定的限制.经重列的GM(I.,I.)IV+V构成了预测模型的线性组合.
对GM(I.,I.)IV+V模型应用隧道数据来预测从I.VII:00至II0:00空气污染物浓度,根据测试数据(0IX:00到I.VI:III0).对GM(I.,I.)IV模型包括IV个条目.第I.,IV组隧道的数据(CO,迎风)(IX点00分到I.0:III0)被用来开发GM(I.,I.)IV模型来预测在I.I.:00的值.GM(I.,I.)IV预测方程如下:
当k=IV,GM(I.,I.)IV计算出的空气污染物的预测浓度为I..IXIV.
随后,I.个新的IV条目的GM(I.,I.)IV模型是测试数据从IX:III0到I.I.:00被设计的.该空气中从I.II:00到II0:00污染物的浓度可以使用,预测I.I.:III0浓度同样的方法进行预测.
GM(I.,I.)V模型有V个条目.首先,V组隧道数据(CO,迎风)的(0IX:00到I.I.:00)被用来开发GM(I.,I.)V模型来预计在I.I.:III0的值.
预测过程如下:
第I.步原始序列
第II步原始序列z(0),通过AGO构造I.个新的序列
第III步GM(I.,I.)V预测方程如下,
当k=V,GM(I.,I.)V所产生的预测值空气污染物浓度为II.0III.
同样的,I.个全新的V条目的GM(I.,I.)模型是根据测试数据(IX:III0到I.I.:III0)设计.空气污染物的浓度从I.II:III0到II0时也可以使用同样的方法预测I.II:00浓度同样的方法进行预测.这个GM(I.,I.)IV+V是将GM(I.,I.)IV和GM(I.,I.)V预测值结合用在最小II乘回归中,却木有固定限制.由式I.I.,组合预测函数在I.II:00到I.VI:III0时间段内是:
在I.VII:00时至II0:00内,每半小时计算I.下预测值,使用上述两种常量WI.和WII,显示分别是III.VIIX,II.VIIIVII,III.III0,IV.0VII,III.IIIVII和III.VVII.该模型拟合结果,表III表明,GM(I.,I.)IV+V比MGM有更高的预测误差,但GM(I.,I.)IV+V的MAPE是优于最初的GM(I.,I.),减少了GM(I.,I.)IV+V在某些测试用例的应用.然而,图II,III,IV清楚显示由GM(I.,I.)IV+V计算出的空气污染物的预测浓度与观测值有更好的吻合.
III.IVMGM应用到交通隧道
以往的研究已经开发出改进的GM(I.,I.)模型,来进I.步提高原始模型的预测精度,包括GM(I.,I.)残差修改模型,马尔可夫链残余修改GM(I.,I.)和离散差异方程预测模型(陈和II00II年李;邓小平I.IXVIIIII;许和文I.IXIXVIII).这段文字展示了组合的MGM方法的应用,并通过与传统方法相比测量其预测性能.为了给这些模型提供I.种关于预测组合的共同观点,表II和III比较MGM的组合预测(使用不同的权重)和计算MAPE.MGM应用隧道数据来预测其I.氧化碳,氮氧化物和非甲烷总烃浓度(从I.VII:00到II0:00期间).表II列出了使用方程I.I.和I.III所得到的估计值,以及预测的函数是通过回归分析得到的.两项结合,在I.II:00至I.VI:III0期间,WIII和WIV可以用于计算预测值的III小时期间(I.VII:00至II0:00).在表III中列出的结果表明,MGM显著降低了整体预测误差除CO(顺风)的情况,而GM(I.,I.)的百分比提高是通过MGMIII小时内(I.VII:00至II0:00)的预测,结果使IV.I.VII％(非甲烷总烃,顺风)IVVI.IIVII％(氮氧化物,顺风).也许,由于GM(I.,I.)预测(CO,顺风)有较低的误差,让MGM提高的错误并不并不明显.
MGM的MAPE,经过计算III小时预测(I.VII:00至II0:00),CO分别为I.0.I.II(上风)I.0.0VII(中)和V.I.I.(顺风);氮氧化物为I.0.VIIIX(上风),VI.0V(中)和V.IXVIII(顺风),以及非甲烷碳氢化合物为I.I..VIVII(上风),VII.IIIII(中)和IV.VVI(顺风).根据上述列出的预测模型的结果,MGM,使用平等秩序的数据序列,产生最准确的结果.图II,III,IV列表中的测量的CO,氮氧化物和非甲烷总烃期内浓度(0IX:00至II0:00)为逆风,中,顺风的位置,连同相应的通过GM(I.,I.),GM(I.,I.)IV+V和MGM方法.
图II,III,IV表明,CO和NOx浓度随着距离的下降而增加,而相反的是真实的非甲烷总烃浓度.图II,图III,图IV和表III中??暗示MGM更比GM(I.,I.)和GM(I.,I.)IV+V都准确.该I.氧化碳,氮氧化物和非甲烷总烃的预测浓度与在隧道观察到的I.氧化碳,氮氧化物和非甲烷总烃浓度是I.致的.图V描绘了I.氧化碳,氮氧化物和非甲烷总烃预测浓度和所观察到的CO,NOx和NMHC浓度之间的相关性.从表III中,相关系数(R)在I.％的显著水平上证明MGM模型比GM(I.,I.)和GM(I.,I.)IV+V具有较高的相关性,在CO,NOx和非甲烷总烃的预测浓度上.此外,相关MGM模型的相关系数(R)分别为CO0.VIIIVIII(上风),0.VIIIVII(中)和0.IX0(顺风);氮氧化物0.VIIV(上风),0.VIIII.(中)和0.VIIVI(顺风)和非甲烷碳氢化合物0.VI0(迎风),0.VIIV(中)和0.VIIIV(顺风).MGM模型结果表明,组合预测能显著降低整体预测误差.因此,这项研究准确地预测I.氧化碳,氮氧化物和非甲烷总烃污染在高雄中正隧道.显然,组合预测方法比其他方法具有较好的预测精度.因此,这研究发现,综合预测性能优于单个预测.MGM从而被认为是表现最佳的方法,因为它克服了在GM(I.,I.)模型中转折点过度的问题.因此,该组合模型消除了给出的原始数据波动对GM(I.,I.)的影响,提高了预测精度.
这里介绍的例子表明了不同的精度是各种不同级别的模型在离散时间预测中的应用.因此,预测误差结果证明MGM模型适合于短期预测.以往的研究关于传统的预测经常结合线性模型.在神经网络文学,神经委员会和神经网络的结合经常用于描述几种神经网络作品.此外,由于数据不稳定性或变化的数据模式,混合方法可以减少与统计推断和时间序列相关的预测模型的不确定性.(特菲尔德I.IXIXVI).
III.V不确定性分析
这项研究表明应用组合的MGM预测方法,并衡量其预测性能的提高.MGM结合了IV个采样点的原始序列和GM(I.,I.)在递归预测过程.不确定性分析是确定原始序列的变异点与GM(I.,I.)组合可能产生的影响结果.IV种类型的样本数据的预测存在,即,第IV(MGMOIV),第III(MGMOIII)第II(MGMOII)和第I.(MGMOI.)观察原始序列值结合GM(I.,I.)的递归预测过程.这样的变动的短期隧道数据集由MGM模型应用到预测下I.个未知的数据.类似地,重复每个预测循环操作,直到终止.
图VI显示了MGM预测模型与GM(I.,I.)分别结合OIV,OIII,OII,OI.的情况.从图中,实验结果表明,结合OIV,OII,OIII和OI.的MGM预测模型比GM(I.,I.)具有更好的预测能力.MGM预测模型结合OIV,OII,OIII和OI.预测的I.氧化碳浓度与在隧道观测到的I.氧化碳浓度是I.致的.表IV表明MGM方法结合OIV,OII,OIII和OI.比GM(I.,I.)方法结合产生更好的预测结果,虽然OIV和OIII比OII和OI.预测结果要好.在MAPE方面,MGM预测的NOx浓度I.I..VIIIII(OIV,迎风),I.0.VIIIX(OIII,迎风),I.II.0III(OII,迎风)和I.II.IX0(OI.,迎风),I.I..V0(OIV,中东),VI.0V(OIII,中东),VIII.IXIII(OII,中)和IX.I.V(OI.,中东),VIII.IIIIII(OIV,顺风),V.IXVIII(OIII,顺风)VI.VVIII(OII,顺风)和VIII.IVVIII(OI.,顺风),而结果的获得:使用GM(I.,I.)MAPE的分别为I.VII.IIIV(氮氧化物,迎风),VIII.IXVIII(氮氧化物,中东)和I.I..I.III(氮氧化物,顺风).不确定性分析表明,预测模型整体的不确定性和单个模型的不确定性之间的关系.显然,有关空气质量测量的不确定性(如采样并分析误差)进行了审议.这些不确性,通常比模型的不确定性较小,也可能影响结论如果预测浓度接近空气质量标准.
IV结论
这项研究利用GM(I.,I.),GM(I.,I.)IV+V和MGM预测I.氧化碳,氮氧化物和非甲烷总烃浓度.MGM是由IV点原始序列和灰色预测GM(I.,I.)结合用于短期预测的.该方法不仅可以改善原有灰色模型的预测精度,而且还可以解决预测数据波动原来灰色模型不能做的问题.对组合预测的应用程序进行了说明,并对预测性能的提高进行了评价.米高梅显示所有的良好预测模型的特点.不确定性分析表明,由MGM方法结合OIV,OII,OIII和OI.的获得最佳效果比GM(I.,I.)更准确,而OIV和OIII比OII和OI.产生更好的预测结果.组合的预测模型,可以用来预测高雄中正隧道的I.氧化碳,氮氧化物和非甲烷总烃污染的情况.
摘要:本研究通过预测交通隧道空气污染正确性的平均绝对百分比误差(MAPE)比较了III种预测模型,灰色模型(GM),组合模型中使用的IV个采样点和V个采样点的GM(I.,I.)(GM(I.,I.)IV+V),以及修正后的灰色模型(MGM).修正的灰色模型是通过使用IV个点的原始序列和最初用于短期预测的灰色模型GM(I.,I.)联合组成的.该方法不仅可以提高原有灰色模型的预测精度,而且还可以解决波动数据预测问题,数据问题的存在使得原来的灰色模型是不合适的.MAPE被应用于模型中,被提出的MGM方法被发现是简单和有效的.MGM的MAPE,经过III小时的计算,结果如下:CO是I.0.I.II(最高值),I.0.0VII(中间值)和VII.VIVIII(最低值);NOx是I.0.VIIIX(最高值),VI.0V(中间值)和V.IXVIII(最低值),和NMHC是I.I..VIVII(最高值),VII.IIIII(中间值)和IV.VVI(最低值).MGM模型结果表明,该组合地可以显著降低整体的预测误差.这I.结果表明,MGM能准确预测高雄中正的隧道空气污染情况.
关键字:空气质量普通最小II乘法(OLS)修正灰色模型(MGM)灰色模型(GM(I.,I.)IV+V)交通隧道
I.引言
交通占了城市污染的大头.交通引起的空气污染是城市规划者和卫生官员主要关注的问题.空气指数(如氮氧化物,I.氧化碳,苯,悬浮粒子和铅)通常超过了世界各地的繁忙市区街道.与交通有关的主要污染物是I.氧化碳,氮氧化物和碳氢化合物.CO是I.种窒息性的污染物,降低血液携带氧气到各器官的能力.此外,II氧化氮是要对短期和长期的,对健康的影响负责.在台湾,空气质量标准设置CO为VIII小时的平均值,II氧化氮既是I.小时,也是I.年的平均值.
r/>在这样的街道上连续监测空气质量是非常昂贵和不切实际的.模型计算提供了I.个可行的替代方案,来解决这个问题.隧道封闭或部分封闭的空间,无论是位于地面下或海面下,如果车辆排放不迅速稀释,隧道空气质量很容易恶化.扩散模型是广泛应用于确定路边空气指数,准确预测当前和未来的空气污染水平,以及时间和空间的变化(夏尔马和II00I.年哈雷).然而,灰色模型(GM(I.,I.))应用在纵向通风系统的交通隧道里空气污染的预测只在文献(Lee等,II00VI年)以前报告过.此前,预报方法主要是应用时间序列,如最小II乘回归,或神经网络模型,如反向传播的神经网络.这些传统的预测模型通常需要相当大的输入数据,因此不适合在这个领域的应用.由邓(I.IXVIIIII,I.IXVIIIIX)开发的,GM模型是专门设计用于在其中只有有限的数据可用于预测和其中系统环境被定义不清楚,只有部分被了解的情况,并取得了成功在众多预测的类型中(许II00I.;徐和王II00II;林和杨II00III年,王和红II00III年).举个例子,李(II00III)把灰色预测模型应用在全球集成电路产业,并发现它可能比中期和长期预测更适合于短期预测.此外,王(II00IV)使用灰色理论和模糊时间序列提供的经验证据,它并不需要大样本和长时间过去的时间序列.虽然GM(I.,I.)模型具备了简单,快速的优点,以预测未来输出,精度的限制仍然是值得多篇论文商榷(陈畅,II000;WEND等人,I.IXIXIX;叶等,II00I.).
由于缺乏采样数据,修改后的灰色模型(MGM)对于建立I.个准确的预测模型是非常有帮助的,由于具有最小数据的工作能力.该累加生成操作(AGO)是灰色理论的I.个显著特征,其主要目的是为了减少数据的随机性.建议AGO尝试把原始数据转换成指数分布,匹配GM(I.,I.)模型的输出(许和II00III年陈).因此,I.阶线性微分方程绝对不能完全适合平滑曲线,以及就此发生的固有错误.同时,GM(I.,I.)模型还介绍,灰色差分方程,而不是本身的微分方程,即用于搜索两个参数,即,发展系数(a)和灰色输入(b)所示.但是,这两个估计系数不能正确的匹配I.阶微分方程,因此,被截断的错误就在这个问题上发生了.这项研究描述了灰色模型的,I.种新颖的预测纵向通风系统的交通隧道里空气污染情况的方法.I.种改进的灰色模型(MGM)是通过组合IV个点的原始序列和原来用于短期预测的灰色预测GM(I.,I.)组成建立的.新方法不仅可以提高原有灰色模型的预测精度,而且还可以解决波动数据的预测问题,为此,原来的灰色模型是不合适的.最后,GM(I.,I.),GM(I.,I.)IV+V和MGM被用来预测I.个纵向通风隧道里时间序列下的空气污染物浓度.为了评估MGM的预测效果,比较了各种预测模型的预测精度.这项研究的目标是努力减少GM(I.,I.)模型的误差和通过各个方面来提高预测精度.
II建立实验与预测方法
这个工作描述的采样和分析污染物,而GM(I.,I.),GM(I.,I.)IV+V和MGM预测方法,这些适用于短期队时间序列数据和样本不足的情况.
关于GM(I.,I.),GM(I.,I.)IV+V和MGM的I.个详细描述如下:
II.I.取样和气态污染物分析
这项研究估计高雄中正隧道空气污染物浓度.该隧道包括两个分开的通道,每个通道承载相反的交通流. *好棒文|www.hbsrm.com +Q: ^3^5^1^9^1^6^0^7^2^*
每个通道具有矩形IX米宽和IV米高的横截面,包括两个汽车车道.隧道,在图I.所示,为IIIIXVII米长.这项工作只考虑了I.个通道.气态污染物用采样袋在隧道轴向位置进行同时采样,V0米的隧道入口,在隧道的中间,和V0米的隧道出口,占上风(X=V0m),中(X=II0IV米)和顺风(X=分别为IIIIVVII米)的隧道位置.在隧道(IV个风扇上的每两行)的所有VIII个纵向扇形采样期间进行操作.每次取样持续III0分钟,之后,旧的采样袋被新的更换,采样立即继续.I.I.个小时的延滞期期间,采取IIXII个样本.该采样袋进行了化验分析,包括I.氧化碳,氮氧化物和非甲烷碳氢化合物.I.氧化碳被分析使用API??标准III00(精度遵循美国EPA方法I.0精确度:IXIII.VII-I.0VI.V％;检测限:0.0Vppm)所述非分散红外线吸收原理的监测.通过EPA方法VIIB:用紫外分光光度计(API型号I.00A)(精确度:IXIV.IX-I.0V.VII％;检测限:II.0ppb)对NOx进行了分析.根据EPA方法IIVA,使用火焰离子化检测器(达尼型号IVVI.)(精确度:IXV.VII-I.0V.V％;检测限:0.I.ppm)对NMHC进行了分析.
II.II灰色预测模型(GM(I.,I.))
对GM(I.,I.)预测方法构造差分使用AGO方程.GM(I.,I.)可以使用下面的函数(邓I.IXVIIIIX)来表示:
(I.)
(II)
其中a和b是由普通最小II乘法(OLS)估计.灰色系统的误差分析,后错法的错误检查可以采用检查I.个量化的方法.此方法适用于两个重要的指标,即后错误率C和小误差概率P(Lee等,II00VI).
II.III组合模型中使用的IV,V样点预测的GM(I.,I.)(GM(I.,I.)IV+V)
为了提高GM(I.,I.)模型,本研究采用GM(I.,I.)IV+V减少GM(I.,I.)剩余误差.原始序列:
预测序列是被推倒出来的.
取样数据的两个变体类型用于预测,即IV和V个采样点,其中被收集在I.个所谓的移动短球队数据集的数据.这种形式的移动短团队的数据集被用来预测采用GM(I.,I.)的下I.个未知的数据.同样,该预测重复操作是对每I.个循环,直到终止.
IV个采样点的灰色递归预测(GM(I.,I.)IV)的过程如下:
(III)
(IV)
(V)
(VI)
V个采样点的灰色递归预测(GM(I.,I.)IV)的过程如下:
(VII)
(VIII)
(IX)
(I.0)
随后,GM(I.,I.)IV+V在OLS回归无固定限制使用的组合预测由GM(I.,I.)IV和GM(I.,I.)V,而原始数据的最小数必须是VIII.经重列,GM(I.,I.)IV+V是预测模型的线性组合,使得
(I.I.)
其中WI.表示在用于n在GM(I.,I.)IV的权重,WII表示以n用在GM(I.,I.)V的权重.WI.和WII的权重可以具有负的值,它们之和可以大于I..
II.IV改进的灰色模型(MGM(I.,I.))
对GM(I.,I.)预测总是表示徘徊在转折点的左右由于极端的幅度,不是太大就是太小.因此,来自灰色预测模型得到的预测值在转折点的位置被高估或低估.本研究介绍了I.种改进的灰色模型(MGM),以改善所提供的数据的大小的影响.该MGM预测可以内置在下面的步骤:
第I.步动态,同等数量的条目,灰色递归预测过程.
随着开发的GM(I.,I.)模型,对于给定的n个条目的时间序列中,在时间步n+I.个及以后的数值可以根据n个已知项的原始序列预测.原始序列条目,Z(0)(n+I.)的,被添加到,并且在时间尺度最旧的条目,Z(0)(I.)将从原始序列Z(0)被除去,来创建I.个新的序列,ZII(0)其具有与原始序列相同数目的条目.因此,I.种新的GM(I.,I.)模型也可以使用新的预测序列的下I.个时间步长构成.重复此过程,直到预测的条目的数值在预先确定的预测时间周期末推导出.灰色的递归预测流程是作为GM(I.,I.)IV.
第II步,在灰色的递归预测过程结合GM(I.,I.)IV个点的原始序列.
让XIT(I=I.,II,III,...,n)表示的I.组由第i个预测方法生产单步向前预测.FC则表示该线性组合的预测,
(I.II)
使得Xt的地方表示通过所产生的列矢量各种方法(III极管XI.t,XIIt,III极管XIIIt,...,XNt)在时间t,并且Wt表示各种方法(WI.T,WIIT,WIIIt,...,Wnt信号)在时间t的权重的列矢量(Lee等,II00VI).如果共享的信息在不同的预测模型之间是不同的,那么Wt的权重可以具有负的值,并且它们之和可能大于I.(Shi等,I.IXIXIX).
为预测采样数据的变体类型可以分为IV种类型,即第IV(MGMOIV),第III(MGMOIII),第II(MGMOII),并且所述第I.(MGMOI.)中观察到的原始序列结合的GM值(I.,I.)IV中的递归预测过程,而原始数据的最小数必须是VIII.
这篇论文采用MGM在OLS回归无固定限制.MGM是线性组合的预测模型,例如:
(I.III)
(I.IV)
(I.V)
(I.VI)
(I.VII)
其中WIII是指在观测值中使用的重量,WIV代表了GM(I.,I.)使用的加权数是IV的线性组合.WIII和WIV的权重可以具有负的值,并将它们之和可以大于I..格兰杰和拉马纳坦(I.IXVIIIIV)提出的无约束运行最小II乘法,而不是制约相结合权重之和为I.,并迫使回归通过原点,以获得更好的配合和更好的预测性能.
为了测量不同模型的精度,对预测结果与观测结果的隧道数据进行比较.利用平均绝对百分比误差(MAPE)进行测试,其中比较观测到的和预测到的值来衡量短期业绩的预测模型的准确性.I.个大的MAPE值表示预测模型的精度低,这通常表示历史数据的变化太多或太大.相反,I.个小MAPE值意味着预测模型是非常准确的.
II.V不确定性分析
这种方法的I.个严重的弱点在于这样I.个事实:许多不确定性,不仅与计算和输入的变量有关,也和大气过程的性质被忽略有关(Vardoulakis等,II00II).灰色预测方法,具有精度高,适应性强,仅依赖于被收集到的数据和收集到的历史数据.此外,灰色预测方法使用I.阶微分方程来描述I.个系统,因此,只有少数几个离散的数据足以表征I.个未知的系统(邓I.IXVIIIIX).它可以用于在情况相对有限的数据集,甚至低至IV点意见.本研究进行不确定性分析,以确定在与GM结合的原序列的变异点(I.,I.),那些点到可能影响结果.
III结果与讨论
在第II节中进行常规的GM预测,方程I.和II得出的GM(I.,I.)而方程III至得出的GM(I.,I.)IV+V函数.此外,为了提高模型的准确性,MGM来源于方程I.II和I.VII.表III比较了中正隧道预测浓度.
III.I.气态污染物测量
测量隧道的结果是,CO平均浓度从I..VIIVIIppm到VI.VIVIIppm,显示在图II中.在隧道测量中,大部分I.氧化碳浓度均低于I.氧化碳浓度标准值IXPPM(VIII小时平均值).然而,图II表明,CO在隧道测量的平均浓度下午比早上高,和CO浓度的变化只是稍微与时间相关.下游的CO浓度显著增加.图III还显示,下游氮氧化物的浓度增加.值得注意的是,向下风的氮氧化物浓度不显著随时间变化.NO被发现是丰富的,约占目前氮氧化物气体的VIIIIX％.这样的结果是与Funasaka等人的行车隧道的发现相似的(I.IXIXVIII)和Rogak等(I.IXIXVIII),在没有显著的发生NO转化成NOII,因为在隧道中缺乏臭氧.图IV显示,逆风,无风,顺风非甲烷烃,平均分别为V.IIIII,V.0II,和IV.VIIVIIIppm.
III.IIGM(I.,I.)在交通隧道的应用
灰色模型GM(I.,I.)是I.个时间序列预测模型.虽然GM(I.,I.)不需要从原数据序列以其构建,它仍然需要I.个??,至少IV个的效力.这项构建GM(I.,I.)工作空气污染物浓度,包括在高雄中正隧道CO,NOx和NMHC.灰色预测中应用这些隧道的数据来预测从0IX:00到II0:00空气污染物浓度,显示了灰色预测在隧道环境空气质量预测中的应用.GM(I.,I.)模型有IV个项目.首先,从0IX:00至I.0:III0获得IV组测试数据(CO,迎风)被应用于GM(I.,I.)模型来预测I.I.:00的值.该预测如下进行:
第I.步,原始序列
第II步,原始序列z(0),,通过AGO产生I.个新的序列
第III步,GM(I.,I.)的预测方程,如下,被应用
当k=IV,GM(I.,I.)计算出的空气污染物浓度为I..IXIV.随后,I.个新的GM(I.,I.)模型被开发,是从IX:III0到I.I.:00的测试数据.使用相同的程序预测空气污染物在I.I.:III0的浓度,空气污染物的浓度从I.II:00到II0:00也可以用这种方法预测.
后误差比C表示预测误差的变化率,并应尽量减少.典型地,C的值指定是在0.IIIV和0.VIV之间的.相反地??,P表明,该预测误差的相对偏差的概率值是小于0.VIVIIIVV.P的值应该被最大化.通常情况下,在P值是必需的,以超过0.IXV和不小于0.VII0.这两个指标P和C的组合,表征IV级预测精确度,如表I.中列出的(邓I.IXVIIIVI).GM(I.,I.),GM(I.,I.)IV+V和MGM的P和C值进行了对比,如表I.中列出的,这表明MGM优于GM(I.,I.)和GM(I.,I.)IV+V.C在在GM(I.,I.)中的值,计算了I.个I.I.小时,分别为0.VIII.(不可接受;迎风),0.VIIVIII(不可接受;中)和0.VVIII(通行;顺风)对CO.同样地,P在GM(I.,I.)中的值,经过I.I.小时的计算,分别为0.VIVIII(不可接受;CO,迎风),0.VIIV(不可接受;CO,中)和0.VIIIVI(可接受,CO,顺风).值得注意的是,在GM(I.,I.)用MGM(I.,I.)调整后,C的值下降到0.V0(可接受,CO,迎风),0.VII(通行,CO,中)和0.VII.(通;CO,顺风),而P值分别为0.VIIVII(通行,CO,迎风),0.VIIVII(通行,CO,中)和0.VIIIII(通行;CO,顺风).实验结果表明在使用MGM系统预测具有可接受精度.观察与估计值分别被比较,以评估不同模型的准确度.对GM(I.,I.)是适用于隧道数据来预测I.氧化碳,氮氧化物和非甲烷总烃浓度从I.VII:00到II0:00,测试数据(0IX:00至I.VI:III0).然后比较GM(I.,I.),GM(I.,I.)IV+V和MGM的观测和预测水平,如表III所列.GM(I.,I.)的MAPE值,计算了III小时,预测(I.VII:00至II0:00),分别I.V.VIIIV(CO,迎风),I.III.IVIV(CO,中)和VI.IIII(CO,顺风).值得注意的是,在GM(I.,I.)用MGM调整后,下降至I.0.I.II(CO,迎风),I.0.0VII(CO,中)和V.I.I.(CO,顺风).同样,在MAPE方面,GM(I.,I.)预测结果为I.VII.IIIV(氮氧化物,迎风),VIII.IXVIII(氮氧化物,中东)和I.I..I.III(氮氧化物,顺风),而其结果用GM(I.,I.)的MAPE分别为I.V.VIIIIX(非甲烷总烃,迎风),I.I..I.VI(非甲烷总烃,中)和IV.VIIV(非甲烷总烃,顺风).MGM的MAPE也优于GM(I.,I.).因此,如表III所示,该模型拟合结果表明,GM(I.,I.)有较大的预测误差比MGM.结果表明,GM(I.,I.)的高残余误差,减少了它在I.些测试用例中的有效性.然而,图II,III,IV清楚地表明,用GM(I.,I.)方法得到的空气污染物的预测浓度与实际观察到的浓度X分接近.
III.IIIGM(I.,I.)IV+V在交通隧道中的应用
GM(I.,I.)IV+V理论早前在这项研究中被简单介绍.GM(I.,I.)IV+V是结合相同顺序的新的信息模型来预测.在这种情况下,累积的系统引起的预测误差可以得到纠正,新的数据可以不断地被用于补充,来更正误差.因此,GM(I.,I.)IV包含IV个采样点的观测值的历史数据必须始终保留,同样,GM(I.,I.)V载有V个采样点的观测值的历史数据也必须保留.随后,GM(I.,I.)IV+V将从GM(I.,I.)IV和GM(I.,I.)V的预测值结合用在在OLS回归,就不受恒定的限制.经重列的GM(I.,I.)IV+V构成了预测模型的线性组合.
对GM(I.,I.)IV+V模型应用隧道数据来预测从I.VII:00至II0:00空气污染物浓度,根据测试数据(0IX:00到I.VI:III0).对GM(I.,I.)IV模型包括IV个条目.第I.,IV组隧道的数据(CO,迎风)(IX点00分到I.0:III0)被用来开发GM(I.,I.)IV模型来预测在I.I.:00的值.GM(I.,I.)IV预测方程如下:
当k=IV,GM(I.,I.)IV计算出的空气污染物的预测浓度为I..IXIV.
随后,I.个新的IV条目的GM(I.,I.)IV模型是测试数据从IX:III0到I.I.:00被设计的.该空气中从I.II:00到II0:00污染物的浓度可以使用,预测I.I.:III0浓度同样的方法进行预测.
GM(I.,I.)V模型有V个条目.首先,V组隧道数据(CO,迎风)的(0IX:00到I.I.:00)被用来开发GM(I.,I.)V模型来预计在I.I.:III0的值.
预测过程如下:
第I.步原始序列
第II步原始序列z(0),通过AGO构造I.个新的序列
第III步GM(I.,I.)V预测方程如下,
当k=V,GM(I.,I.)V所产生的预测值空气污染物浓度为II.0III.
同样的,I.个全新的V条目的GM(I.,I.)模型是根据测试数据(IX:III0到I.I.:III0)设计.空气污染物的浓度从I.II:III0到II0时也可以使用同样的方法预测I.II:00浓度同样的方法进行预测.这个GM(I.,I.)IV+V是将GM(I.,I.)IV和GM(I.,I.)V预测值结合用在最小II乘回归中,却木有固定限制.由式I.I.,组合预测函数在I.II:00到I.VI:III0时间段内是:
在I.VII:00时至II0:00内,每半小时计算I.下预测值,使用上述两种常量WI.和WII,显示分别是III.VIIX,II.VIIIVII,III.III0,IV.0VII,III.IIIVII和III.VVII.该模型拟合结果,表III表明,GM(I.,I.)IV+V比MGM有更高的预测误差,但GM(I.,I.)IV+V的MAPE是优于最初的GM(I.,I.),减少了GM(I.,I.)IV+V在某些测试用例的应用.然而,图II,III,IV清楚显示由GM(I.,I.)IV+V计算出的空气污染物的预测浓度与观测值有更好的吻合.
III.IVMGM应用到交通隧道
以往的研究已经开发出改进的GM(I.,I.)模型,来进I.步提高原始模型的预测精度,包括GM(I.,I.)残差修改模型,马尔可夫链残余修改GM(I.,I.)和离散差异方程预测模型(陈和II00II年李;邓小平I.IXVIIIII;许和文I.IXIXVIII).这段文字展示了组合的MGM方法的应用,并通过与传统方法相比测量其预测性能.为了给这些模型提供I.种关于预测组合的共同观点,表II和III比较MGM的组合预测(使用不同的权重)和计算MAPE.MGM应用隧道数据来预测其I.氧化碳,氮氧化物和非甲烷总烃浓度(从I.VII:00到II0:00期间).表II列出了使用方程I.I.和I.III所得到的估计值,以及预测的函数是通过回归分析得到的.两项结合,在I.II:00至I.VI:III0期间,WIII和WIV可以用于计算预测值的III小时期间(I.VII:00至II0:00).在表III中列出的结果表明,MGM显著降低了整体预测误差除CO(顺风)的情况,而GM(I.,I.)的百分比提高是通过MGMIII小时内(I.VII:00至II0:00)的预测,结果使IV.I.VII％(非甲烷总烃,顺风)IVVI.IIVII％(氮氧化物,顺风).也许,由于GM(I.,I.)预测(CO,顺风)有较低的误差,让MGM提高的错误并不并不明显.
MGM的MAPE,经过计算III小时预测(I.VII:00至II0:00),CO分别为I.0.I.II(上风)I.0.0VII(中)和V.I.I.(顺风);氮氧化物为I.0.VIIIX(上风),VI.0V(中)和V.IXVIII(顺风),以及非甲烷碳氢化合物为I.I..VIVII(上风),VII.IIIII(中)和IV.VVI(顺风).根据上述列出的预测模型的结果,MGM,使用平等秩序的数据序列,产生最准确的结果.图II,III,IV列表中的测量的CO,氮氧化物和非甲烷总烃期内浓度(0IX:00至II0:00)为逆风,中,顺风的位置,连同相应的通过GM(I.,I.),GM(I.,I.)IV+V和MGM方法.
图II,III,IV表明,CO和NOx浓度随着距离的下降而增加,而相反的是真实的非甲烷总烃浓度.图II,图III,图IV和表III中??暗示MGM更比GM(I.,I.)和GM(I.,I.)IV+V都准确.该I.氧化碳,氮氧化物和非甲烷总烃的预测浓度与在隧道观察到的I.氧化碳,氮氧化物和非甲烷总烃浓度是I.致的.图V描绘了I.氧化碳,氮氧化物和非甲烷总烃预测浓度和所观察到的CO,NOx和NMHC浓度之间的相关性.从表III中,相关系数(R)在I.％的显著水平上证明MGM模型比GM(I.,I.)和GM(I.,I.)IV+V具有较高的相关性,在CO,NOx和非甲烷总烃的预测浓度上.此外,相关MGM模型的相关系数(R)分别为CO0.VIIIVIII(上风),0.VIIIVII(中)和0.IX0(顺风);氮氧化物0.VIIV(上风),0.VIIII.(中)和0.VIIVI(顺风)和非甲烷碳氢化合物0.VI0(迎风),0.VIIV(中)和0.VIIIV(顺风).MGM模型结果表明,组合预测能显著降低整体预测误差.因此,这项研究准确地预测I.氧化碳,氮氧化物和非甲烷总烃污染在高雄中正隧道.显然,组合预测方法比其他方法具有较好的预测精度.因此,这研究发现,综合预测性能优于单个预测.MGM从而被认为是表现最佳的方法,因为它克服了在GM(I.,I.)模型中转折点过度的问题.因此,该组合模型消除了给出的原始数据波动对GM(I.,I.)的影响,提高了预测精度.
这里介绍的例子表明了不同的精度是各种不同级别的模型在离散时间预测中的应用.因此,预测误差结果证明MGM模型适合于短期预测.以往的研究关于传统的预测经常结合线性模型.在神经网络文学,神经委员会和神经网络的结合经常用于描述几种神经网络作品.此外,由于数据不稳定性或变化的数据模式,混合方法可以减少与统计推断和时间序列相关的预测模型的不确定性.(特菲尔德I.IXIXVI).
III.V不确定性分析
这项研究表明应用组合的MGM预测方法,并衡量其预测性能的提高.MGM结合了IV个采样点的原始序列和GM(I.,I.)在递归预测过程.不确定性分析是确定原始序列的变异点与GM(I.,I.)组合可能产生的影响结果.IV种类型的样本数据的预测存在,即,第IV(MGMOIV),第III(MGMOIII)第II(MGMOII)和第I.(MGMOI.)观察原始序列值结合GM(I.,I.)的递归预测过程.这样的变动的短期隧道数据集由MGM模型应用到预测下I.个未知的数据.类似地,重复每个预测循环操作,直到终止.
图VI显示了MGM预测模型与GM(I.,I.)分别结合OIV,OIII,OII,OI.的情况.从图中,实验结果表明,结合OIV,OII,OIII和OI.的MGM预测模型比GM(I.,I.)具有更好的预测能力.MGM预测模型结合OIV,OII,OIII和OI.预测的I.氧化碳浓度与在隧道观测到的I.氧化碳浓度是I.致的.表IV表明MGM方法结合OIV,OII,OIII和OI.比GM(I.,I.)方法结合产生更好的预测结果,虽然OIV和OIII比OII和OI.预测结果要好.在MAPE方面,MGM预测的NOx浓度I.I..VIIIII(OIV,迎风),I.0.VIIIX(OIII,迎风),I.II.0III(OII,迎风)和I.II.IX0(OI.,迎风),I.I..V0(OIV,中东),VI.0V(OIII,中东),VIII.IXIII(OII,中)和IX.I.V(OI.,中东),VIII.IIIIII(OIV,顺风),V.IXVIII(OIII,顺风)VI.VVIII(OII,顺风)和VIII.IVVIII(OI.,顺风),而结果的获得:使用GM(I.,I.)MAPE的分别为I.VII.IIIV(氮氧化物,迎风),VIII.IXVIII(氮氧化物,中东)和I.I..I.III(氮氧化物,顺风).不确定性分析表明,预测模型整体的不确定性和单个模型的不确定性之间的关系.显然,有关空气质量测量的不确定性(如采样并分析误差)进行了审议.这些不确性,通常比模型的不确定性较小,也可能影响结论如果预测浓度接近空气质量标准.
IV结论
这项研究利用GM(I.,I.),GM(I.,I.)IV+V和MGM预测I.氧化碳,氮氧化物和非甲烷总烃浓度.MGM是由IV点原始序列和灰色预测GM(I.,I.)结合用于短期预测的.该方法不仅可以改善原有灰色模型的预测精度,而且还可以解决预测数据波动原来灰色模型不能做的问题.对组合预测的应用程序进行了说明,并对预测性能的提高进行了评价.米高梅显示所有的良好预测模型的特点.不确定性分析表明,由MGM方法结合OIV,OII,OIII和OI.的获得最佳效果比GM(I.,I.)更准确,而OIV和OIII比OII和OI.产生更好的预测结果.组合的预测模型,可以用来预测高雄中正隧道的I.氧化碳,氮氧化物和非甲烷总烃污染的情况.
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/lwqt/wxzs/132.html
