沧州市空气质量预测1沧州市空气质量的时间序列预测理论上讲，历史数据越多，时间序列的预测就会越稳定。本文选择沧州市2013年12月至2018年12月的二氧化硫、二氧化氮和可吸入颗粒物的月平均浓度值作为历史数据，来预测2019年1月至2019年12月这三种污染物的浓度月平均值。原始数据见表5-1。表5-1部分原始数据（单位：g/m）月份2013年12月2014年1月2014年2月2014年3月2014年4月2014年5月2014年6月...2018年5月2018年6月2018年7月2018年8月2018年9月2018年10月2018年11月2018年12月二氧化硫1321187865435134...151381017221729二氧化氮89716368605336...2827212642555657可吸入颗粒物308280232218175174141...103896970841181731733首先，在创建预测模型时，需要定义数据的时间序列和标记。其次，做出时间序列图。二氧化硫、二氧化氮和可吸入颗粒物的时序图如图5-1所示，可以看出，三组数据在12月份数值比较大，8月份数值比较小，三个序列都有着很强的季节特征。-1-由图5-1可以初步判定这三个序列均是不平稳的。并且根据三种污染物的浓度月平均值的自相关和偏自相关图（图略），可知三组数据的自相关函数和偏自相关函数没有衰减到0，得到这三个序列是非平稳序列。图5-1二氧化硫、二氧化氮和可吸入颗粒物的时序图根据模型的各个统计量值，来判断拟合效果。可决系数越高，平稳R方值越高，正态化的BIC值越小，说明模型拟合的效果越好。杨-博克斯Q（18）统计量是对模型中残差误差的随机检验，当其显著性小于0.05时说明残差误差不是随机的。1.1二氧化硫的时间序列预测在SPSS中，对于时间序列的预测，共有三大类预测方法，分别是专家建模器、指数平滑法和ARIMA模型。本文采用的是专家建模器，选择所有模型，并考虑季节性因素，选择年份和月份为自变量，二氧化硫浓度值为因变量，得出二氧化硫的预测模型为温特斯乘性。模型的统计量如表5-2所示。其中，平稳的R方为0.630，R-2-方（可决系数）为0.905，说明模型可以解释原来序列中的90.5%的信息。正态化的BIC值为4.655，值是很小的。杨-博克斯Q（18）统计量的值为24.434，是显著的，同时没有离群值的出现，这些都说明模型拟合效果比较理想。表5-2二氧化硫预测模型的统计量模型平稳R方温特斯乘性.630模型拟合统计量R方.905正态化BIC4.655杨-博克斯Q（18）统计量24.434显著性.0580离群值选择95%的置信区间宽度，其预测结果如图5-2所示，其具体预测值见表5-3。图5-2二氧化硫的简单季节性模型拟合效果和预测图表5-3温特斯乘性模型预测的二氧化硫的2019年月浓度值（单位：g/m）模型二氧化硫预测UCLLCL1月3857202月274683月1837-14月1433-5............8月828-129月828-1310月11月12月932-131238-142468-203把2019年1月至4月的温特斯乘性模型预测的二氧化硫浓度值与已知的实际数值进行误差比对，并计算出各个月份的相对误差，见表5-4。温特斯乘性模型总体的平均相对误差为23.803%。-3-表5-4二氧化硫浓度预测值与实际值误差比对年份2019年1月2019年2月预测值38g/m27g/m33实际值34g/m21g/m33相对误差11.76%28.57%表5-4（续表）年份2019年3月2019年4月预测值18g/m14g/m33实际值14g/m19g/m33相对误差28.57%26.31%1.2二氧化氮的时间序列预测同理，专家建模器给出的二氧化硫的预测模型为简单季节性，模型统计量如表5-5所示。其中，平稳的R方为0.654，R方（可决系数）为0.866，说明模型可以解释原来序列中的86.6%的信息。正态化的BIC值为3.708，值是很小的。杨-博克斯Q（18）统计量的值为9.639，是显著的，同时没有离群值的出现，这些都说明模型拟合效果比较理想。选择95%的置信区间宽度，其预测结果如图5-3所示，其具体的预测值见表5-6。表5-5二氧化氮预测模型的统计量模型平稳R方简单季节性.654模型拟合统计量R方.866正态化BIC3.708杨-博克斯Q（18）统计量9.639显著性.8850离群值-4-图5-3二氧化氮的简单季节性模型拟合效果和预测图表5-6简单季节性模型预测的二氧化氮的2019年月浓度值（单位：g/m）模型二氧化氮预测UCLLCL1月5870462月4055263月4057234月355316............8月2045-59月2855210月11月12月4370154877196191313把2019年1月至...
