摘要：支持向量機在對非線性復(fù)雜問題進行處理的過程中，展現(xiàn)出來的優(yōu)勢特征非常突出，本文針對霧霾天氣預(yù)測中支持向量機的應(yīng)用做出了進一步探究，對支持向量機的概念、支持向量機的基本思想、建立霧霾預(yù)測模型、預(yù)測試驗給出了詳細的分析。

關(guān)鍵詞：霧霾天氣;預(yù)測;支持向量機

中圖分類號：X16 文獻標(biāo)識碼：A 文章編號：2095-672X（2020）01-0-01

Abstract：Support vector machines show prominent advantages in the process of dealing with non-linear and complex problems.This paper has further explored the application of support vector machines in haze weather prediction.The concept of support vector machines，the basic idea of support vector machine， establishment of haze prediction model，and prediction experiment are given in detail.

Key words：Haze weather;Prediction;Support vector machine

霧霾的預(yù)測和治理目前已經(jīng)成為人們關(guān)注的熱點。而霧霾天氣中，支持向量機的應(yīng)用十分關(guān)鍵。以往應(yīng)用的預(yù)測模式，在預(yù)測模型建立的過程中，需要預(yù)報因子和預(yù)報對象的線性相關(guān)關(guān)系，其中預(yù)報因子之間，存在的線性相關(guān)性比較小。因此，針對之前使用的統(tǒng)計形式，不能解決存在的非線性關(guān)系的霧霾預(yù)測問題。其中，V. Vapnik等學(xué)者，提出了SLT，為統(tǒng)計學(xué)習(xí)理論，屬于小樣本的機器學(xué)習(xí)理論。在此基礎(chǔ)上，對支持向量機方法進行了構(gòu)建和發(fā)展，成為全新的統(tǒng)計學(xué)習(xí)理論方法，能夠?qū)Ψ蔷€性分類和非線性回歸進行科學(xué)處理。

1 支持向量機的概念

1963年，首次提出了支持向量機，在被提出之后獲得了相應(yīng)的發(fā)展，但是21世紀(jì)90年代之后，發(fā)展的速度非?？?，同時衍生出了很多的改進算法及擴展算法[1]。其中便包括了多分類SVM 、最小二乘SVM（Least-Square SVM， LS-SVM）、支持向量回歸、支持向量聚類、半監(jiān)督SVM（semi-supervised SVM， S3VM）等[2]。此外，在人像識別及文本分類中，對支持向量機的應(yīng)用也非常普遍[3]。

2 支持向量機的基本思想

支持向量機的應(yīng)用基本思路是，在高維空間對樣本進行映射，找到將樣本劃分成兩類的最理想線性超平面。其中需要完成的工作包括：根據(jù)Mcrccr核展開定理，利用f，也就是非線性映射，在某個高維或者無窮維特征空間對樣本空間進行有效映射，并在特征空間當(dāng)中對E進行應(yīng)用，將不靈敏函數(shù)進行轉(zhuǎn)換，使其成為誤差函數(shù)[4]。其中，全部的樣本點，對超平面距離的計算，都不大于E時，便可對最理想的回歸超平面問題實施轉(zhuǎn)化，對二次凸規(guī)劃問題進行解決。此外，還能求全局最佳解，使得在對線性學(xué)習(xí)方法進行應(yīng)用的過程中，可以在特征空間中，對高緯非線性分類問題和高緯非線性回歸問題進行有效解決。

3 建立霧霾預(yù)測模型

3.1 PM2.5所產(chǎn)生的危害十分嚴(yán)重，其中最主要的影響因素是氣象因子和大氣污染物濃度

如果需要應(yīng)用氣象因素參數(shù)和數(shù)據(jù)，可以通過中國天氣網(wǎng)進行獲取，而大氣污染物數(shù)據(jù)可通過中國環(huán)境保護部門對空氣質(zhì)量數(shù)據(jù)進行的實時發(fā)布獲取。結(jié)合相關(guān)資料和以往經(jīng)驗，可對當(dāng)日的PM2.5污染物濃度預(yù)報模型進行有效確定，并明確其中的輸入量為可吸入顆粒物、臭氧、一氧化碳、二氧化氮的每日平均濃度，掌握前一天地面最大及最小露點、平均露點和濕度、最低氣壓以及最大風(fēng)速、平均風(fēng)速因子[5]等。

3.2 SVM回歸的霧霆預(yù)報模型分析

（1）支持向量機的核函數(shù)類型的確定。RBF核函數(shù)具備的優(yōu)勢特點十分突出，有著性能好及穩(wěn)定性非常高的特征，并且對于參數(shù)的調(diào)節(jié)比較少。所以，在對RBF核函數(shù)的支持向量回歸模型進行應(yīng)用的過程中，RBF核函數(shù)為：

（2）支持向量機預(yù)測模型當(dāng)中的參數(shù)尋優(yōu)。一般情況下，根據(jù)自己以往的工作經(jīng)驗及相關(guān)的實驗數(shù)據(jù)，便可選擇相應(yīng)的向量機參數(shù)。其中，對于交叉驗證的方法，選擇網(wǎng)格搜索法，可對支持向量機的參數(shù)C和a進行有效尋找。其中，需要將訓(xùn)練集進行劃分，使其有k個子集，這樣每個子集，便成為了不同的測試集，并將剩下的子集當(dāng)做訓(xùn)練集。具體來說便是建模k次，可結(jié)合模型的性能，評估出k次的平均絕對誤差，這樣便可對模型的最優(yōu)參數(shù)進行有效確定。此外，對于網(wǎng)格搜索法的應(yīng)用，需要將網(wǎng)格當(dāng)中的點（C，σ）實施窮舉搜索。其中C，σ當(dāng)中的步長增長，為指數(shù)增和增長。

對于訓(xùn)練樣本，其中的優(yōu)化參數(shù)支持向量機的預(yù)測設(shè)備，可對相應(yīng)的支持向量進行獲取，這樣便能對向量機中的具體結(jié)構(gòu)進行確定。

應(yīng)用完成訓(xùn)練的支持向量預(yù)測器詳細預(yù)測被測試的樣本。

4 預(yù)測試驗分析

4.1 試驗軟件

在選擇試驗軟件的過程中，結(jié)合實際情況，最終確定了LIBSVM軟件。

4.2 預(yù)測實驗

針對菏澤的霧霾預(yù)測，根據(jù)菏澤地區(qū)的氣象資料以及同期大氣環(huán)境檢測資料，對PM2.5進行了詳細的預(yù)測。因此產(chǎn)生霧霾的季節(jié)多發(fā)生在春季及冬季，所以在檢測日期挑選上，選擇了2017年1月到來年3月的相應(yīng)氣象數(shù)據(jù)以及大氣污染數(shù)據(jù)。其中，將2017年冬季共160組數(shù)據(jù)做相應(yīng)的訓(xùn)練樣本，在每組數(shù)據(jù)中，都有12個輸入因子及PM2.5的實際值。同時將2017年11月每日的數(shù)據(jù)做被測試的樣本，在每一組數(shù)據(jù)當(dāng)中，輸入因子數(shù)量為12個，并預(yù)測每天的PM2.5。針對所使用的網(wǎng)格法及交叉驗證，找尋相應(yīng)的參數(shù)。

4.3 實驗結(jié)果分析

實驗應(yīng)用了菏澤地區(qū)2017年10月逐日PM2.5的實測值與預(yù)測值之間的對比。經(jīng)過PM2.5的實測值與預(yù)測值之間的對比分析，可以看出，盡管兩者存在一定的差距，但是從整體角度看，曲線的擬合度并不低。其一，如果PM2.5發(fā)生的波動非常大時，預(yù)測工作會比較理想，其曲線針對預(yù)測的結(jié)果反應(yīng)十分敏感，但從數(shù)值的角度進行分析，存在一定的偏差。其二，PM2.5的預(yù)測數(shù)值和實際測量數(shù)值，產(chǎn)生的線性關(guān)系系數(shù)為0.80，這便有力地說明了在該模型當(dāng)中，對于PM2.5的預(yù)測有著非常大的優(yōu)勢作用，為霧霾的預(yù)測提供了準(zhǔn)確的數(shù)據(jù)依據(jù)。

5 結(jié)束語

總之，由于人們的生活環(huán)境受霧霾影響越來越嚴(yán)重，所以霧霾的預(yù)測和治理已經(jīng)成為人們關(guān)注的熱點。而霧霾天氣中，支持向量機的應(yīng)用十分關(guān)鍵。支持向量機應(yīng)用的基本思路是，在高維空間對樣本進行映射，找到將樣本劃分成兩類的最理想線性超平面。支持向量機對非線性復(fù)雜問題進行處理時，展現(xiàn)出來的優(yōu)勢特征非常突出，對于RBF核函數(shù)當(dāng)中的支持向量回歸模型，可以將PM2.5與其影響因子當(dāng)中產(chǎn)生的非線性關(guān)系進行有效反映，其中展現(xiàn)出來的優(yōu)勢為訓(xùn)練速度非?？?，并且準(zhǔn)確度比較好。

參考文獻

[1]程美英，錢干，倪志偉，朱旭輝.基于虛擬多任務(wù)二元粒子群算法和分形維數(shù)的霧霾天氣預(yù)測方法[J].系統(tǒng)科學(xué)與數(shù)學(xué)，2018，38（05）：623-637.

[2]陸雪華，沙遠峰，黃俊理，梁春朵，何永華.基于BP人工神經(jīng)網(wǎng)絡(luò)的桂林市霧霾天氣預(yù)測[J].影像研究與醫(yī)學(xué)應(yīng)用，2018，2（05）：186-188.

[3]杜二玲，盧秀麗，竇林立.支持向量機在霧霾天氣預(yù)測中的應(yīng)用[J].內(nèi)蒙古科技與經(jīng)濟，2017（17）：57-58.

[4]朱旭輝，倪志偉，倪麗萍，程美英，李敬明，金飛飛.基于相異度的SVM選擇性集成霧霾天氣預(yù)測方法[J].系統(tǒng)科學(xué)與數(shù)學(xué)，2017，37（06）：1480-1493.

[5]侯瓊煌，楊航.基于三次指數(shù)平滑模型的霧霾天氣分析與預(yù)測[J].環(huán)境保護科學(xué)，2014，40（06）：73-77.

收稿日期：2019-10-14

作者簡介：王英（1978-），女，漢族，本科學(xué)歷，工程師，研究方向為中、短期天氣預(yù)報。