| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 选题背景与意义 | 第11-12页 |
| 1.1.1 雾霾天气概述 | 第11页 |
| 1.1.2 我国的雾霾天气 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文研究内容 | 第14-16页 |
| 第二章 数据分析方法介绍 | 第16-25页 |
| 2.1 数据挖掘概述 | 第16页 |
| 2.2 空间分析 | 第16-19页 |
| 2.2.1 空间自相关 | 第16-19页 |
| 2.2.1.1 全局空间自相关 | 第17-18页 |
| 2.2.1.2 局部空间自相关 | 第18页 |
| 2.2.1.3 Moran散点图 | 第18-19页 |
| 2.2.1.4 空间权重矩阵 | 第19页 |
| 2.3 Pearson相关分析 | 第19页 |
| 2.4 灰色关联分析 | 第19-21页 |
| 2.4.1 灰色关联分析基础理论 | 第19-20页 |
| 2.4.2 灰色关联分析模型 | 第20-21页 |
| 2.4.3 与传统数理统计的对比 | 第21页 |
| 2.5 B-P神经网络算法 | 第21-25页 |
| 2.5.1 B-P神经网络模型 | 第22页 |
| 2.5.2 B-P神经网络模型的构建 | 第22-24页 |
| 2.5.3 B-P神经网络模型的优势与局限 | 第24-25页 |
| 第三章 空间区域影响因子 | 第25-41页 |
| 3.2 数据准备 | 第26-27页 |
| 3.2.1 数据预处理 | 第26页 |
| 3.2.2 制作空间数据 | 第26-27页 |
| 3.3 K-nearest空间权重矩阵 | 第27-28页 |
| 3.4 全局空间自相关分析 | 第28-31页 |
| 3.4.1 可吸入颗粒物全局指数 | 第28-29页 |
| 3.4.2 二氧化硫全局指数 | 第29-30页 |
| 3.4.3 可吸入颗粒物与二氧化硫的对比分析 | 第30-31页 |
| 3.5 局部空间自相关分析 | 第31-38页 |
| 3.5.1 可吸入颗粒物的Moran散点图 | 第32-35页 |
| 3.5.2 二氧化硫的Moran散点图 | 第35-38页 |
| 3.6 空间影响结果分析 | 第38-39页 |
| 3.7 本章小结 | 第39-41页 |
| 第四章 社会发展影响因子 | 第41-49页 |
| 4.1 数据准备 | 第41-42页 |
| 4.2 社会发展因子的影响 | 第42-46页 |
| 4.2.1 社会发展因子的灰色关联分析 | 第42-44页 |
| 4.2.2 基础设施投资的灰色关联分析 | 第44-46页 |
| 4.3 结果合理性分析 | 第46-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 空气动力学影响因子 | 第49-72页 |
| 5.1 数据准备 | 第49页 |
| 5.2 PM_(2.5) 与空气动力学因子的相关分析 | 第49-57页 |
| 5.2.1 温度 | 第49-51页 |
| 5.2.2 露点 | 第51-52页 |
| 5.2.3 湿度 | 第52-53页 |
| 5.2.4 气压 | 第53-54页 |
| 5.2.5 风速 | 第54-56页 |
| 5.2.6 能见度 | 第56-57页 |
| 5.3 PM_(2.5) 与空气动力学因子的灰色关联分析 | 第57-60页 |
| 5.3.1 基于时间窗的灰色关联分析 | 第57-58页 |
| 5.3.2 平均灰色关联度 | 第58-60页 |
| 5.4 PM_(2.5) 与空间动力学因子的非线性影响关系 | 第60-71页 |
| 5.4.1 构建B-P神经网络模型 | 第60-61页 |
| 5.4.2 B-P模型训练与预测分析 | 第61-71页 |
| 5.4.2.1 春季模型训练与预测 | 第61-63页 |
| 5.4.2.2 夏季模型训练与预测 | 第63-66页 |
| 5.4.2.3 秋季模型训练与预测 | 第66-68页 |
| 5.4.2.4 冬季模型训练与预测 | 第68-71页 |
| 5.5 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 全文工作总结 | 第72-73页 |
| 6.2 工作展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-80页 |
