| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第8-12页 |
| 1.1 课题背景及研究意义 | 第8页 |
| 1.2 研究现状 | 第8-10页 |
| 1.2.1 PM2.5预测研究现状 | 第8-9页 |
| 1.2.2 灰色理论与支持向量机发展现状 | 第9-10页 |
| 1.3 研究路线 | 第10-11页 |
| 1.4 创新之处 | 第11页 |
| 1.5 论文主要内容 | 第11-12页 |
| 2 主要研究方法与数据预处理 | 第12-34页 |
| 2.1 主要研究方法 | 第12-26页 |
| 2.1.1 灰色系统理论 | 第12-21页 |
| 2.1.1.1 灰色关联分析 | 第12-14页 |
| 2.1.1.2 GM(1,1)预测模型 | 第14页 |
| 2.1.1.3 MGM(1,N)预测模型 | 第14-16页 |
| 2.1.1.4 背景值优化模型 | 第16-18页 |
| 2.1.1.5 光滑度优化模型 | 第18-20页 |
| 2.1.1.6 初值优化模型 | 第20页 |
| 2.1.1.7 模型精度检验方法 | 第20-21页 |
| 2.1.2 支持向量机相关理论 | 第21-26页 |
| 2.1.2.1 理论基础 | 第21-22页 |
| 2.1.2.2 基于ε-SVR算法的支持向量机 | 第22-26页 |
| 2.2 研究数据与预处理 | 第26-33页 |
| 2.2.1 PM2.5原始数据及缺失数据补全 | 第26-28页 |
| 2.2.1.1 PM2.5原始数据 | 第26页 |
| 2.2.1.2 PM2.5缺失数据补全 | 第26-28页 |
| 2.2.2 PM2.5数据分析 | 第28-31页 |
| 2.2.2.1 PM2.5日数据分析 | 第28-30页 |
| 2.2.2.2 PM2.5月数据分析 | 第30页 |
| 2.2.2.3 PM2.5季度数据分析 | 第30-31页 |
| 2.2.3 历史气象数据及其缺失数据补全 | 第31-33页 |
| 2.2.3.1 原始历史气象数据 | 第31页 |
| 2.2.3.2 历史气象数据预处理 | 第31-33页 |
| 2.3 本章小结 | 第33-34页 |
| 3 基于灰色理论的PM2.5浓度预测 | 第34-51页 |
| 3.1 基于GM(1,1)模型的PM2.5浓度预测 | 第34-38页 |
| 3.1.1 数据选取方法 | 第34-35页 |
| 3.1.2 基于GM(1,1)模型的预测 | 第35页 |
| 3.1.3 基于背景值优化GM(1,1)模型的预测 | 第35-36页 |
| 3.1.4 基于光滑度优化GM(1,1)模型的预测 | 第36-37页 |
| 3.1.5 基于初值优化GM(1,1)模型的预测 | 第37-38页 |
| 3.2 基于MGM模型的PM2.5浓度预测 | 第38-50页 |
| 3.2.1 灰色关联分析 | 第38-40页 |
| 3.2.2 数据选取方法 | 第40-46页 |
| 3.2.2.1 确定训练集数量 | 第40-42页 |
| 3.2.2.2 确定输入因子 | 第42-46页 |
| 3.2.3 基于MGM(1,N)模型的预测 | 第46-47页 |
| 3.2.4 基于背景值优化MGM(1,N)模型的预测 | 第47-48页 |
| 3.2.5 基于初值优化MGM(1,N)模型的预测 | 第48-50页 |
| 3.3 本章小结 | 第50-51页 |
| 4 基于支持向量回归机的PM2.5浓度预测 | 第51-53页 |
| 4.1 数据选取方法 | 第51页 |
| 4.2 基于SVR的PM2.5预测 | 第51-52页 |
| 4.3 本章小结 | 第52-53页 |
| 5 预测模型对比与选择 | 第53-57页 |
| 5.1 灰色理论模型与支持向量机模型预测结果对比 | 第53页 |
| 5.2 模型分析 | 第53-56页 |
| 5.3 本章小结 | 第56-57页 |
| 6 结论与展望 | 第57-59页 |
| 6.1 全文总结 | 第57-58页 |
| 6.2 未来工作展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64页 |
