西安空气质量检测报告

目录
一、问题重述........................................................ 2 二、模型假设........................................................ 2 三、符号说明........................................................ 3 四、问题分析........................................................ 3 五、模型的建立与求解................................................ 4 5.1 问题一的解法与评价 .......................................... 4 5.1.1 AQI 与 API 的计算 ...................................... 4 5.1.2 API 与 AQI 的对比与分析 .................................... 6 5.2.1 模型的建立............................................ 6 5.2.2 模型的求解............................................ 7 5.2.2 季节及其他因素的影响 .................................. 9 5.3 问题三模型的建立与求解 ..................................... 12 5.3.1 模型Ⅰ：时间序列模型 ................................. 12 5.3.2 模型Ⅱ： B P 神经网络模型 .............................. 12 5.4 问题四的解析 ............................................... 15 六、模型的评价与优化............................................... 16 6.1 模型的优点 ................................................. 16 6.2 模型的缺点 ................................................. 16 6.3 模型的优化 ................................................. 16 七、参考文献....................................................... 16
1

一、问题重述
随着我国经济社会的快速发展， 大气环境污染随之加重， 雾霾现象频繁发生， 从而对各地空气质量构成巨大压力， 环境空气质量评价标准以及污染治理等问题 再次引起大众的关注。 2012 年 2 月 29 日之前，我国以《环境空气质量标准》为依据，通过空气污 染指数（API）主要监测大气中的 SO2、NO2 和可吸入颗粒物等来判断空气质量； 近几年，以煤炭为主的能源消耗大幅攀升，机动车保有量急剧增加，经济发达地 NOX 和 VOCS 排放量显著增长，O3 和细颗粒物污染加剧，目前包括京津冀、长三 角、珠三角的城市群，以及各省省会，全部实施了新的空气质量标准 GB3095-1996，以及新的空气质量评价体系，即空气质量指数（AQI） 。 新标准中对大气质量的监测主要是监测大气中二氧化硫 （SO2） 二氧化氮 、 （NO2） 、 一氧化碳（CO） 、臭氧（O3） 、可吸入颗粒物（PM10）以及细颗粒物（PM2.5）等 六类基本项目和总悬浮颗粒物 （TSP） 氮氧化物 、 （NOX） 铅 、 （Pb） 苯并[a]芘 、 （BaP） 四类其他项目的浓度。此外，研究表明，城市环境空气质量好坏与季节、城市能 源消费结构等因素的关系十分密切。 现有西安市 13 个监测点从 2010 年 1 月 1 日至 2013 年 4 月 28 日污染物浓度 的监测数据，本文需要回答以下问题： 问题一：分别利用附件给出的空气污染指数（API） （旧标准）和环境空气质 量指数（AQI） （新标准）对西安市的空气质量进行评价，并对两种评价结果进行 对比、分析，得出结论； 问题二： 根据问题一的结论及附件所给资料，建立模型分析影响城市空气污 染程度的主要因素是什么？ 问题三：对未来一周（取 2013 年 4 月 30 日至 5 月 6 日）西安市空气质量状 况进行预测； 问题四： 根据上述结论，试就环境空气质量的监测与控制对西安市环保部门提出 建议。
二、模型假设
1) 2) 3) 4) 5) 假设题目给出的各组数据真实可信， 不考虑人为因素， 具有统计、 预测意义。 假设影响大气环境的各项因素不会出现非预期的剧烈变化。 假设相关数据具有独立性，各个指标也不相互影响。 空气质量相同等级的污染程度相同。 不考虑突发事件或造成的空气质量突变。
2

三、符号说明
符号
API
AQI
表示意义
空气污染指数 空气质量指数 空气污染分指数 空气质量分指数 某污染物的浓度 各污染物综合后的指标 指标在公共因子上的载荷 两种污染物之间的相关系数 时间序列
IA P I
IA Q I
xi
zi
lij rij
? X t?
四、问题分析
近来空气质量的降低引起了大众对空气质量问题的关注。 针对空气质量的评 判，国家先后发布了两套不同的评判标准。本文旨在通过对已有数据的分析，进 行两个标准的比较，并建立模型对以后的空气质量进行预测及建议。 本文主要解决四个问题。首先通过量化的数学指标来进行两个标准的对比与 分析。 其次通过关联度的分析求出影响西安空气质量的原因。近而利用已有数据 对未来一周的空气情况预测。最后根据前三问的过程给出自己的建议。 问题一：为了从 API 和 AQI 两个指数对西安市的空气质量进行评价，我们 首先应根据其各自的计算公式算出两者的值， 同一段时间内优良及各类污染的比 例是否有差异，通过折线图进行直观的对比。然后搜集资料，对比两个标准，分 析出二者的不同。 问题二：由于 AQI 的指标与 SO2、NO2、PM10、CO、O3、PM2.5 六项有直接的 关系， 且测量结果较为准确， 可以用灰色关联度模型， 通过模型计算出各项与 AQI 的关联度，找出影响较大的污染物，从而进一步分析原因。
3

然后由于数据给的比较充足，可以对数据处理画出从 2010 年开始的各月份 平均 AQI 走势图， 以此分析空气质量是否和季节有关；另外我们利用附录 6 的工 业生产总值，通过数据处理分析工业的影响。 问题三：西安空气的 AQI 指标是衡量西安空气质量的标准。因此我们需要对 西安的 AQI 指标进行预测， AQI 指标与二氧化硫，氮氧化合物及颗粒有着直接 而 的关系， 故而我们可以通过对 6 项污染物的预测来得出相应的 AQI 的值，为了简 便， 我们开始直接用 AQI 的历史数据依据时间序列模型来预测未来一周的值，但 是通过检验发现有较大的误差，进一步对模型优化，考虑 6 项污染物的数据，来 一起预测未来的大气质量，这样会减小误差，比较准确。 问题四：该问要求从环境空气质量的监测与控制两方面对环保部门提出建 议，应针对几种影响因素（即上述问题所得结论）提出有效可行的应对措施，可 查阅相应资料进行更加合理的建议。
五、模型的建立与求解
5.1 问题一的解法与评价 5.1.1 AQI 与 API 的计算 由于 AQI 所需要的六项指标在附录中只有 2013 年的数据是完整的，为了便 于每一天的对比，我们对 2013 年附录 5 中西安市平均污染物进行处理。这里有 一些争议，不明确污染物的单位是浓度还是分指数，对此我们进行了取样计算， 发现当 PM2.5 为 145 时，若按浓度算则为中度污染，然而首要污染物一栏中却 显示为轻度污染， 与计算结果矛盾。另外我们从西安市的环境保护局的网站上发 现单位为分指数，所以下面的数据处理全部按照各项的分指数计算 利用附录 5 中的数据，通过对 API 以及对 AQI 的计算，分别用它们来对西 安市的空气质量进行评估。 通过查阅相关资料， 三项污染物中某一项污染物项目 P 的空气质量分指数按 式（1）计算：
IA P I H i ? IA P I L o B PH i ? B PL o
IA P I P ?
? C P ? B PL o ? ? IA P I L o
?1 ?
当各种污染物的污染分指数计算出后，空气质量指数按式（2）计算：
A P I ? m ax ? IA P I 1 , IA P I 2 , IA P I 3 , ? , IA P I n ?
?2?
其中 ? i 表示第 i 种污染物的污染分指数 ? n 表示污染物的个数。
4

API预 测 空 气 质 量 比 例 图 11% 17% 3%
良及以上 轻微污染 轻度污染 中度污染 中度重污染 重度污染 8%
30%
30%
图 5.1.1
上图是利用 API 计算所得的西安全市平均的各类空气质量的比列。 AQI 的空气质量分指数计算公式与 API 相同，然后根据 AQI 的空气质量类 别信息表来判断当天的空气类别。故我们利用相似的方法求得 AQI 的数值比例， 如下图：
AQI预 测 空 气 质 量 比 例 12% 22% 良及以上 轻度 中度 重度 严重
22%
19%
24%
图 5.1.2
5

通过以上两个饼状图，可以看出用 AQI 得到的空气质量和 API 的比例差别 很大。 5.1.2 API 与 AQI 的对比与分析 为了更加清晰的进行两种标准的对比， 我们用 MatLab 分别计算出 2013 年 1 月 1 日至 2013 年 4 月 26 日期间的 API 及 AQI 的值，并画出折线图（其中红线 代表 AQI,蓝线代表 API）
2013年 空 气 质 量 比 较 500 450 400
API(蓝 线 ) AQI(红 线 )
350 300 250 200 150 100 50
0
20
40
60 时间序列
80
100
120
图 5.1.3 API 与 AQIS 数值折线图
从上图中我们可以看出虽然 API 和 AQI 的走势基本相同，但是 AQI 的值基 本都在 API 之上，我们需要分析造成这种差异的原因： （1）API 与 AQI 在相同日期的数值却不同，主要原因是 AQI 是对于 6 项污 染物的检测，而 API 是对 3 项污染物的检测，而 PM2.5 却是不可忽略的因素， 因为评测指标是看分指标的最大值，例如雾霾天气中有很多可吸入颗粒物，对于 把它忽略掉是不客观的，所以 AQI 的评测更加客观，全面。 （2） AQI 在测试时增加了测试的频率， 这样无疑会对优良空气质量的要求更 加严格，要求其方差不能太大，维持在一个稳定的状态。 （3）两者评判的不同，通过对比 API 和 AQI 的评判标准（见附录） ，可以看 出试行的 AQI 更加的严格，而且空气质量等级更加明确，有六个等级。 综合以上原因，可以看出 AQI 是更加严格，更加合理全面的评测标准。 5.2 问题二模型的建立与求解 5.2.1 模型的建立 主成分分析是利用原变量之间的相关关系， 用较少的新变量代替原来较多的 变量， 并使这些少数变量尽可能多的保留原来较多的变量所反应的信息，这样问 题就简单化了。 而对于该问题， 原有变量的综合显然可以看成影响西安空气质量 的原因。 我们用主成分分析法对六种污染物浓度进行处理。记六种污染物浓度分别为
6

自 变 量 X1,X2,X3,X4,X5,X6, 设 他 们 降 维 处 理 后 的 综 合 指 标 ， 即 新 变 量 为 Z1,Z2,Z3,Z4,Z5,Z6 则
? z 1 ? l1 1 x 1 ? l1 2 x 2 ? ? ? l1 p x p ? ? z 2 ? l 2 1 x1 ? l 2 2 x ? ? ? l 2 p x p ? ?? ? ? z m ? l m 1 x1 ? l m 2 x 2 ? ? ? l m p x p ?
其中， l ij 是指标 zi 在公共因子 x j 上的载荷，因子载荷的统计含义是指标在 zi 公共因子上的相关系数，表示 zi 与 x j 线性相关程度。li1,li2,…lim 说明了指标 zi 依赖于各个公共因子的程度。1j,l2j,…lmj 说明了公共因子 x j 与各个指标的联系 l 程度。 故根据该列绝对值较大的因子载荷所对应的指标来解释这个公共因子的实 际意义。而且，从数学上可以证明，它们分别是相关矩阵 m 个较大的特征值所对 应的特征向量。 5.2.2 模型的求解 （1）计算相关系数矩阵，
? r1 1 ? r2 1 R ? ? ? ? ? ? rp1 ?
r1 2 r2 2 ? rp 2
? ?
?
r1 p ? ? r2 p ? ? ? ? rpp ? ?
公式 1
rij ( i , j ? 1, 2, ..., p )
为原变量 Xi 与 Xj 的相关系数，
rij=rji，其计算公式为
? (x
rij ?
k ?1
n
ki
? x i )( x kj ? x j )
2
?
k ?1
n
( x ki ? x i )
? (x
k ?1
n
kj
? xj)
2
公式 2
结果如下：
7

表 5.2 相关矩阵
SO2 SO2 NO2 PM10 CO O3_1 O3_8 PM2.5 AQI 1.000 .495 .386 .647 -.449 -.536 .674 .539 NO2 .495 1.000 .381 .376 -.102 -.093 .517 .413 PM10 .386 .381 1.000 .300 -.282 -.294 .744 .930 CO .647 .376 .300 1.000 -.469 -.455 .742 .528 O3_1 -.449 -.102 -.282 -.469 1.000 .903 -.434 -.411 O3_8 -.536 -.093 -.294 -.455 .903 1.000 -.467 -.431 PM2.5 .674 .517 .744 .742 -.434 -.467 1.000 .900 AQI .539 .413 .930 .528 -.411 -.431 .900 1.000
（2）计算特征值与特征向量 解特征方程 小顺序排列
?1 ? ? 2 ? ? ? ? p ? 0
?I ? R ? 0
，常用雅可比法（Jacobi）求出特征值，并使其按大
分别求出对应于特征值? i 的特征向量 e i ( i
p
? 1, 2, ? , p )
，要求
ei
=1，即
?
j?1
e ij ? 1
2
其中 e ij 表示向量e i 的第 j 个分量。
(3）计算主成分贡献率及累计贡献率
?i
( i ? 1, 2 , ? , p )
??
累计贡献率：
k ?1
i
k
贡献率：
?
k ?1
p
?k
??
k ?1
p
( i ? 1, 2 , ? , p )
k
由下图可以看出， 前三个因子的累计贡献率达到 86%， 即这三个主成分能够 反映足够的信息。
表5
成份 合计 1 2 3 4 5 6 7 8 4.570 1.433 .928 .542 .339 .099 .071 .020
特征值和累计贡献率表
提取平方和载入 累积 % 57.120 75.026 86.623 93.396 97.628 98.865 99.746 100.000 合计 4.570 1.433 方差的 % 57.120 17.906 累积 % 57.120 75.026
初始特征值 方差的 % 57.120 17.906 11.597 6.772 4.232 1.237 .881 .254
（4）对于特征值分别求出特征向量 l1,l2 即为主成分载荷。
l ij ? p ( z i , x j ) ?
? i e ij ( i , j ? 1 , 2 , L , p )
8

结果如下表：
成份得分系数矩阵 成份 1 AQI SO2 NO2 PM10 O3_1 CO O3_8 PM2.5 .256 .153 .147 .228 -.034 .225 -.064 .257 2 -.005 .182 .212 .087 .396 -.140 .394 -.029 3 -.347 .467 .437 -.346 -.173 .296 -.114 -.187
同时我们利用灰色相关度模型来验证主成分分析法， 从而得到各相关污染物 和 AQI 的相关度，得到的的相关度的矩阵如下：
相关矩阵 AQI AQI SO2 NO2 相 关 PM10 O3_1 CO O3_8 PM2.5 1.000 .250 .227 .905 -.037 .545 -.158 .899 SO2 .250 1.000 .653 .340 .197 .440 .198 .260 NO2 .227 .653 1.000 .292 .293 .386 .252 .327 PM10 .905 .340 .292 1.000 .136 .351 .041 .683
a
O3_1 -.037 .197 .293 .136 1.000 -.440 .959 -.075
CO .545 .440 .386 .351 -.440 1.000 -.486 .686
O3_8 -.158 .198 .252 .041 .959 -.486 1.000 -.219
PM2.5 .899 .260 .327 .683 -.075 .686 -.219 1.000
结果分析：
对两个模型结果的分析，得到影响 AQI 的主要因素，结论如下 ① PM2.5,PM10 是影响 AQI 的最主要因素，而产生这种颗粒污染物的原因可 能是化石燃料的燃烧，工厂废气，植被破坏导致沙尘等。 ②SO2,NO2 的影响也不容忽视，NO2 主要是汽车尾气，而 SO2 则主要是煤 的燃烧。 显然用这两个主成分代替原来的 6 个变量，描述影响西安空气质量的原 因，可以使问题更近一步简化，明了。 由这些污染物的来源，自然可以推知影响西安空气质量的因素主要有这四 类：燃料燃烧、机动车尾气、城市扬尘、工业废气排放。 5.2.2 季节及其他因素的影响 （1）季节因素 通过对所给数据的分析， 还发现西安环境空气质量好坏与季节、城市能源消
9

费结构的关系十分密切： 我们对西安地区从 2010 年 1 月到 2013 年 4 月的污染物指标求取每个月的 AQI 平均值，并由此画出 AQI 随时间的变化情况图：
API随 月 份 推 移 的 变 化 情 况 220 200 180 160 140
API
120 100 80 60 40 0
5
10
15 20 25 自 2000年 以 来 的 月 份
30
35
40
我们从图中可以看出大概每 12 个月份出现一次峰值,而每次峰值出现在冬季 前后。也就是说，冬季污染最为严重。原因可想而知，冬季相对于其他季节，需 要燃烧大量煤炭进行取暖，这就会产生大量污染。因此，季节也是影响空气质量 状况的因素。 （2）工业因素 根据附录中提供的西安各地区的 AQI 的变化，选择有代表性的三个地区分 别代表工业区，城市和郊区，然后对数据处理得到下面的变化趋势：
10

由上图可知， 各监测点污染物浓度总体趋势相近，可大致代表西安市的整体 空气质量。再对比各个监测点，长安区的曲线位于最下端，小寨的曲线居中，而 高压锅炉厂的曲线最高。说明工业区的污染最为严重，其次是商业区，而郊区污 染由于远离工业污染，空气质量比较好。
上图是西安各区生产总值与 AQI 的关系对比图，大概趋势为工业生产总值 高的地区，其 AQI 越大，也就是污染程度越高。 综合以上两点，可见城市能源消费结构与空气质量有密切关系。
11

5.3 问题三模型的建立与求解 西安空气的 AQI 指标是衡量西安空气质量的标准。因此我们需要对西安的 AQI 指标进行预测，而 AQI 指标与二氧化硫，氮氧化合物及颗粒有着直接的关 系，故而我们可以通过对 6 项污染物的预测来得出相应的 AQI 的值，为了简便， 我们开始直接用 AQI 的历史数据依据时间序列模型来预测未来一周的值，但是 通过检验发现有较大的误差，进一步对模型优化，考虑 6 项污染物的数据，来一 起预测未来的大气质量，这样会减小误差，比较准确。 5.3.1 模型Ⅰ：时间序列模型 首先，我们直接对 AQI 进行预测，即用原来的 AQI 的值来预测未来的 AQI 值，并利用时间序列模型来进行预测，这种模型优点在于比较简单，不用考虑其 他因素。 模型思想： y(t)=f(y(t-1),…y(t-d)） 通过 MATLAB 工具箱，拟合来测试其误差：
Response of Output Element 1 for Time-Series 1
250 Training Targets Training Outputs Validation Targets Validation Outputs Test Targets Test Outputs Errors Response
Output and Target
200
150
100
50 200 Targets - Outputs
Error
100 0 -100
2
4
6
8
10
12
Time
虽然大多数预测值在真值附近，还是有个别点的误差比较大的，我们进一 步分析利用多个影响因素来拟合并预测 AQI，即 BP 神经网络模型。 5.3.2 模型Ⅱ： B P 神经网络模型 考虑到历史 AQI 指标具有明显地非线性映射关系，因此考虑建立 B P 神经网 络模型去刻画 AQI 指标随时间变化的关系。
12

? 模型的建立 B P 神经网络是由输入层、输出层以及一个或多个隐层节点互连而成的一种 多层网, 这种结构使多层前馈网络可在输入和输出间建立合适的线性或非线性 关系。而本文就此建立三层 B P 神经网络，输入层为 SO2、NO2、PM10、CO、 O3、PM2.5 六项指标，输出层为对应的 AQI 的预测值，其示意图如图 7 所示：
图 5.3.1 三层 B P 神经网络示意图
由相关文献 ，可得三层 B P 神经网络的学习算法： （1） 初始化网络及学习参数， 给各连接权系数 之间的随机值 ? i =1,2, ? , m
; j= 1 ,2 , ? ,n ? 。
?8 ?
? ij
、 j 及阀值
?
?
j
? 、 赋予 ? -
? 2
2 ? ? ? m m? ,
（2） 随机选取一模式对 （3） 用输入模式
X
p
X p = ? x p 1 ,x p 2 ,? , x p m ? ? ?
，
j
dp
提供给网络。
,连接权系数
? ij
及阀值
?
计算各隐含单元的输出：
m ? ?? -( ? ? ij x ij - ? j ) ? ? ? ? i =1 ??
m ? o p j = f ? n e t p j ? = f ( ? ? ij x ij - ? j ) = 1 / ?1+ e x p i =1 ?
i =1,2, ? , m ; j= 1 ,2 , ? ,n
（4）用网络期望输出
?
p
dp
，网络实际输出
op
计算输出层的校正误差
= ? d p - o p ? o p ? 1- o p
?
（5）用 阈值：
? j ,? p ,o pj
和 ? 计算下一次的隐含层和输出层之间新的连接权值及神经元
? j ? t +1 ? = ? j (t)+ ? ? t ? ? p o p j + ? ? ? j ? t ? - j ? t -1 ? ? ? ?
? ? t +1 ? = ? ? t ? + ? ? t ? ? p + ? ?? ? t ? - ? (t-1 ) ? ? ?
? ? t ? = ? 0 ? 1?
13
?
? ? T +M ? t

（6）用 ? ij , ? p j , x p j 和 ? 计算下一次的输入层和隐含层之间新的连接权值及隐含神 经元阈值：
? ij ? t +1 ? = ? ij ? t ? + ? ? t ? ?
? j (t+ 1 ) = ?
pj
x p j + ? ? ? ij (t)- ? ij ? t -1 ? ? ? ?
j
? t ? + ? (t) ? p j + ? ?? j ? t ? - ? j ? t -1 ? ? ? ?
（7）随机选下一个学习模式对提供给网络，返回到第（3）步，直至全部 m 个模 式对训练完。 ? 样本选取： 根据附录 5 中全市平均数据作为样本，为了检验最终建立的网络效果，我们 共取最近的 43 天作为输入端，取六项指标的 30 项指标和其 AQI 作为 B P 神经网 络的训练样本。余下的最近 13 个样品将用作检验训练后的 B P 神经网络是否可 信。 ? 模型的求解 利用 M A T L A B 建立 B P 神经网络， 编写程序分别将预测的最近的 13 个数据点 与实际值进行比较，程序见附录： 利用训练好的 B P 神经网络，对原来指标数据进行仿真，得到仿真值，并与 实 际 值 对 比 ， 见 图 ， 由 此 可 得 拟 合 效 果 良 好 。
300 300
200
200
100
100
0
0
2
4
6
8
10
12
0 14
图 5.3.2 AQI 仿真对比图
真实值 预测值
93 98.983
105 107.959
98 92.407
158 157.331
243 141.370
98 100.166
92 94.704
真实值 预测值
148 145.157
仿真值与预测之间的数值关系 182 145 145 141 185.070 143.108 148.132 136.824
132 134.904
14

从结果可以看出 AQI 预测与实际值相近，故我们可以用神经网络模型对未 来的 AQI 进行预测，这时候由于不知道未来 SO2、NO2、PM10、CO、O3、PM2.5 六项指标，故需要利用 matlab 对这六项指标进行拟合，用拟合的值作为输入端， 进一步求出预测值，预测图像见下表。 （途中星号为未来六天的预测值）
近 日 走 势 及 未 来 几 天 AQI值 的 预 测 260 240 220 200 180
AQI
160 140 120 100 80 0
2
4
6
8
10 12 天 数 /day
14
16
18
20
日期 预测值
4月30 159
表 未来AQI的预测值 5月1日 5月2日 5月3日 157 109 99
5月4日 115
5月5日 109
从总体走势上看， 虽然没有未来的数值，但是还是比较符合整体的走 势的， 由于未来几天的污染物浓度是根据已有数值进行拟合的， 所以时间的增加， 误差会增大，在未来几天内，我们可以把当天的值也作为输入端，以此可减小误 差，对模型进行校正。 5.4 问题四的解析 根据上面对空气质量的计算与分析，我们可以从以下方面给环境保护部门 提出合理的建议。 监测方面： (1) 加强对空气质量的监测，从多方面进行监测，这样才更能反映空气的质 量，当污染较严重时及时告知民众，并做好预测工作。 (2) 以提高监测水平，完善空气质量评价技术方法与信息发布机制。 (3) 加强组织，协调推进。各级环保部门应加强组织领导，建立工作协调机 制， 编制本辖区内环境空气质量监测能力建设方案，将各项工作任务分解落实到
15

相关部门和单位，做到有部署、有检查，发现问题及时解决。 (4)定期评估，加强考核，及时掌握情况。 控制空气质量方面： (1) 推行清洁能源，降低原煤消耗所占的比例，特别是在冬季供暖季节，应 鼓励集中供暖。 (2) 加强工业污染的防治，以循环经济模式发展工业经济。如加强大型火电 厂的脱硫、除尘以及低氮燃烧等措施。 (3) 调整工业企业的合理空间布局，将城区的大气污染企业按照产业特点分 别进驻各类特色工业园区， 远离居民区，加强工业污染源的监管力度对重点工业 污染源实行在线监测。  (4) 加强城市绿化，对裸地实行绿化硬化和植树种草，修建绿化带和组团绿。  (5) 加强机动车尾气污染治理消除机动车冒黑烟现象。严格执行机动车维 护、改造、报废制度。
六、模型的评价与优化
6.1 模型的优点 在问题二采用主成分分析模型，清晰地说明了各污染物与 AQI 的之间的关 系，并用灰色关联法进行检验。 问题三首先用时间序列，很好地解决了具有时序性，随机性，前后时刻具有 相依性，呈现某种趋势，或周期性的数据序列，但是由于只有一项数据，误差还 是比较大的， 而后来的神经网络模型充分考虑了各个影响因素，可以更加准确的 预测出未来 AQI 的值。 6.2 模型的缺点 在神经网络模型中，我们的考虑了 6 种污染物，却没有考虑天气，湿度等原 因，并且不适宜长期预测。 6.3 模型的优化 1.问题二如果采用适应不同环境的分辨系数和基于信息熵的权重计算的灰色关 联法进行分析，会使分析结果更加客观、公正和准确。 2.问题三如果加上各气象因子作为自变量，会使预测结果更加有说服力。
七、参考文献
[1]姜启源，谢金星，叶 俊， 《数学模型》 （第三版） ，北京：高等教育出版社， 2003 年 [2]中华人民共和国环境保护部，关于加强环境空气质量监测能力建设的意见
16

https://www.360docs.net/doc/d86149031.html,, 2013 年 5 月 1 日 [3]全国大学生数学建模竞赛组委会.全国大学生数学建模竞赛优秀论文汇编.北 京：中国物价出版社，2002 [4]徐全智等.数学建模入门.成都，电子科技大学出版社，1996 [5]https://www.360docs.net/doc/d86149031.html,/ 西安环境局网站,2013
17