王航

[摘 要]现有时空序列预测方法在建模时没有考虑时空数据的异质性，为此，本文以北京市PM2.5浓度的预测为例研究了时空ELM模型的建模方法。该方法考虑时空数据的异质性，将研究区域用聚类的方法划分为若干均质子区域，同时考虑时空数据的自相关特性，对每个均质的子区域构建ELM模型进行预测。最后，用本文提出的方法对北京市PM2.5浓度进行预测分析，实验结果表明本文所提方法的有效、正确。

[关键词]时空预测；时空异质性；ELM；PM2.5

中图分类号：TM721 文献标识码：A 文章编号：1009-914X（2017）12-0381-01

1 引言

时空序列预测分析作为时空数据挖掘中一个重要技术，是对在空间上有相互关系的多个时间序列演变趋势与规律进行研究，推测未来时空序列数据的取值或变化趋势。时空序列预测广泛地应用于交通控制、气象预报、传染病防治、环境监测等领域。

时空序列数据除了存在自相关性外，还具有异质性，这里的异质性我们主要是讨论空间异质性。空间异质性的存在使得在地理空间数据分析中，需要提高对局部异质性识别与分析能力，否则很难保证分析结果的可靠性，甚至在局部问题认识上产生错误的结论[9]。地理学中的空间分布模式或过程受到诸多因素的影响，并随着区域不同而发生改变，也就难以用一个统一的全局模型来表达。由于以上的限制，本文提出一种解决异质性时空序列预测的新策略。首先，ELM由于其在极限快速学习中的良好生成表现，被选作预测模型。……