第12期 刘杰等：模糊时序与支持向量机建模相结合的PM2s质量浓度预测 ·1697· 用季节划分方式，将2013年3一5月、6一8月、9一 变动、循环变动和部分不规则运动共同决定的.事 11月和12一次年2月四个时间段依次划分为春季、 实上，对于PM2s质量浓度复杂的周期性变动，根据 夏季、秋季和冬季进行研究，并对城六区12个监测 实际的时间长度和样本数，可对时间序列和窗宽进 点四个季节的PM2s质量浓度逐时变化进行统计分 行不同的划分，越长的变化趋势预测通常需要越长 析，原始监测数据由北京市环境监测保护中心所建 时间序列的样本数据.此处结合实际的时间序列长 立的城市空气自动监测站点获取，统计结果如图3 度和样本数据，以2013年2月一2014年3月共12 所示.为全面了解各季节PM25质量浓度分布的离 个月的监测样本为数据基础，四个季节为时间序列， 散程度和变化规律，图3给出了PM25质量浓度变化 质量浓度日变化(1d)为时间子序列，24h变化为窗 范围的最小值和最大值（圆形点）、5%~95%质量 宽，以此建立基于模糊粒化的PM2s质量浓度时序预 浓度值（直线上下须间距）、25%~75%质量浓度值 测模型 (矩形上下间距)、平均值（矩形内方点）和中值（矩 3PM2,s质量浓度时序预测模型的建立 形内横线).由图中平均值可看出，四个季节PM25 质量浓度日变化整体呈现夜间(20：00一23：00)较 3.1监测数据获取及模糊粒化 高、清晨(4：00一7：00)较低的变化规律，这仅是一 以城六区海淀万柳监测点为例，选取该监测点 个近似（伪）周期现象；而四个季节PM25质量浓度 201303-11一2013-05-30（春季）、2013-06-01一 逐时变化幅度也存在显著差异，从5%~95%和 2013-08-30(夏季)、201309-01一2013-11-29（秋 25%~75%质量浓度分位值来看，秋季PM2s质量浓 季)和2013-12-01一201402-27（冬季）的1h质量 度1h均值具有最小的变化幅度，其他三个季节变 浓度均值作为研究对象，即分别应用四个季节的1h 化幅度较大，且PM2s质量浓度在各季节不同时间段 质量浓度均值，预测最后1d(2013-05-31、2013- 也表现出了不同的变化幅度；这些变化都是由季节 08-31、2013-11-30和201402-28)24h的质量浓 160 160 a 140 140 120 120 I00 60 0 40 20 时刻 时刻 180 220 (c) (d) 160 200 . 140 180 160 120 140 120 100 80 20 时刻 时刻 图32013年3月一2014年2月北京城六区PM2.s质量浓度逐时变化.()春季变化(3一5月)：(b)夏季变化(6一8月)：(c)秋季变化(9- 11月)：(d)冬季变化(12一次年2月) Fig.3 Variation of PM2s I average concentration in the six urban areas of Beijing from March 2013 to February 2014:(a)variation in spring (March to May):(b)variation in summer (June to August);(c)variation in autumn (September to November);(d)variation in winter (Decem- ber to February of the next year)第 12 期 刘 杰等: 模糊时序与支持向量机建模相结合的 PM2. 5质量浓度预测 用季节划分方式，将 2013 年 3—5 月、6—8 月、9— 11 月和 12—次年 2 月四个时间段依次划分为春季、 夏季、秋季和冬季进行研究，并对城六区 12 个监测 点四个季节的 PM2. 5质量浓度逐时变化进行统计分 析，原始监测数据由北京市环境监测保护中心所建 立的城市空气自动监测站点获取，统计结果如图 3 所示． 为全面了解各季节 PM2. 5质量浓度分布的离 图 3 2013 年 3 月—2014 年 2 月北京城六区 PM2. 5质量浓度逐时变化． ( a) 春季变化( 3—5 月) ; ( b) 夏季变化( 6—8 月) ; ( c) 秋季变化( 9— 11 月) ; ( d) 冬季变化( 12—次年 2 月) Fig． 3 Variation of PM2. 5 1-h average concentration in the six urban areas of Beijing from March 2013 to February 2014: ( a) variation in spring ( March to May) ; ( b) variation in summer ( June to August) ; ( c) variation in autumn ( September to November) ; ( d) variation in winter ( Decem￾ber to February of the next year) 散程度和变化规律，图 3 给出了 PM2. 5质量浓度变化 范围的最小值和最大值( 圆形点) 、5% ～ 95% 质量 浓度值( 直线上下须间距) 、25% ～ 75% 质量浓度值 ( 矩形上下间距) 、平均值( 矩形内方点) 和中值( 矩 形内横线) ． 由图中平均值可看出，四个季节 PM2. 5 质量浓度日变化整体呈现夜间( 20: 00—23: 00) 较 高、清晨( 4: 00—7: 00) 较低的变化规律，这仅是一 个近似( 伪) 周期现象; 而四个季节 PM2. 5 质量浓度 逐时变化幅度也存在显著差异，从 5% ～ 95% 和 25% ～ 75% 质量浓度分位值来看，秋季 PM2. 5质量浓 度 1 h 均值具有最小的变化幅度，其他三个季节变 化幅度较大，且 PM2. 5质量浓度在各季节不同时间段 也表现出了不同的变化幅度; 这些变化都是由季节 变动、循环变动和部分不规则运动共同决定的． 事 实上，对于 PM2. 5质量浓度复杂的周期性变动，根据 实际的时间长度和样本数，可对时间序列和窗宽进 行不同的划分，越长的变化趋势预测通常需要越长 时间序列的样本数据． 此处结合实际的时间序列长 度和样本数据，以 2013 年 2 月—2014 年 3 月共 12 个月的监测样本为数据基础，四个季节为时间序列， 质量浓度日变化( 1 d) 为时间子序列，24 h 变化为窗 宽，以此建立基于模糊粒化的 PM2. 5质量浓度时序预 测模型． 3 PM2. 5质量浓度时序预测模型的建立 3. 1 监测数据获取及模糊粒化 以城六区海淀万柳监测点为例，选取该监测点 2013--03--11—2013--05--30 ( 春季) 、2013--06--01— 2013--08--30( 夏季) 、2013--09--01—2013--11--29( 秋 季) 和 2013--12--01—2014--02--27( 冬季) 的 1 h 质量 浓度均值作为研究对象，即分别应用四个季节的 1 h 质量浓度均值，预测最后 1 d ( 2013--05--31、2013-- 08--31、2013--11--30 和 2014--02--28) 24 h 的质量浓 · 7961 ·