| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-14页 |
| 1.1 研究背景 | 第7-9页 |
| 1.2 空气污染颗粒物(PM10、PM2.5)国内外研究现状 | 第9-11页 |
| 1.2.1 PM10与PM2.5的基本特征 | 第9-10页 |
| 1.2.2 空气颗粒物的源解析 | 第10-11页 |
| 1.2.3 空气颗粒物(PM10与PM2.5)的预测现状 | 第11页 |
| 1.3 本文的研究工作 | 第11-12页 |
| 1.4 创新点 | 第12-14页 |
| 第二章 关联性分析 | 第14-30页 |
| 2.1 数据来源 | 第14页 |
| 2.2 数据预处理 | 第14-18页 |
| 2.2.1 缺失数据处理——三次样条Hermite插值 | 第14-16页 |
| 2.2.2 异常数据检测与7-5-3-Hanning平滑处理 | 第16-18页 |
| 2.3 相关性分析 | 第18-23页 |
| 2.4 Granger因果关系分析 | 第23-28页 |
| 2.4.1 原理 | 第23-24页 |
| 2.4.2 结果分析 | 第24-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 悬浮颗粒物PM10与PM2.5的确定值预测 | 第30-45页 |
| 3.1 确定值预测性能的评估标准 | 第30页 |
| 3.2 ARIMA模型 | 第30-36页 |
| 3.2.1 模型概述 | 第30-31页 |
| 3.2.2 ARIMA模型建立的过程 | 第31-34页 |
| 3.2.3 预测结果分析 | 第34-36页 |
| 3.3 人工智能优化算法与BP神经网络预测模型 | 第36-44页 |
| 3.3.1 BP神经网络概述 | 第36-38页 |
| 3.3.2 布谷鸟(Cuckoo Search)优化算法 | 第38-39页 |
| 3.3.3 遗传算法(Genetic algorithm) | 第39页 |
| 3.3.4 基于权重选择的人工智能算法优化BP神经网络预测模型 | 第39-40页 |
| 3.3.5 确定值预测结果的分析与讨论 | 第40-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 悬浮颗粒物PM10与PM2.5的区间预测 | 第45-56页 |
| 4.1 预测区间性能评估标准 | 第45-46页 |
| 4.2 基于ARIMA模型的区间预测 | 第46-47页 |
| 4.3 基于CS-BPNN模型的区间预测 | 第47-49页 |
| 4.4 区间预测结果分析 | 第49-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 结论与展望 | 第56-58页 |
| 5.1 结论 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61页 |
