杨婳妍,吴育联,朱婧巍,易凡茹,吴小涛

( 黄冈师范学院 数学与统计学院，湖北 黄冈 438000)

细颗粒物(Fine Particulate Matter, PM2.5)是指直径不大于2.5微米的颗粒物，具有直径小、活动能力和吸附有毒物质能力强、总面积大的特征，随着空气流动四处扩散，对人类健康构成威胁[1]。通过对PM2.5日均浓度的预测研究，人们可以及时地获得某个区域的PM2.5浓度，在一定程度上避免去浓度超标的区域活动，保护身体健康，或者提前做好防护工作，消除空气质量的不良影响；政府相关部门也可以进行合理的安排规划，根据具体情况做出正确的决策，为社会公众更好地服务[2]；环保部门更加准确的掌握PM2.5浓度的变化规律，预测结果可以为环保部门治理PM2.5时提供分析依据。综上所述，预测PM2.5日均浓度具有十分重要的现实意义。

近年来，国内外学者对PM2.5浓度预测进行了大量的研究。如冯樷、姚达文等[3-4]采用神经网络模型对PM2.5进行了预测，并与多元统计预测模型比较，发现神经网络模型的预测精度更高，但是模型结构的参数需要经过多次调整，准确率才能有效提高，因此其计算复杂度较大。Zhou等[5]利用集合经验模态分解(EEMD)和广义回归神经网络(GRNN)混合模型对PM2.5浓度进行了预测，虽然预测精度较神经网络模型高，但是在对原始序列进行EEMD后得到的子序列较多，分别建立预测模型使得计算复杂度较大。谢申汝等[6]利用LIBSVM模型对PM2.5浓度进行预测，最大的特点是由于SVM模型只含有两个参数，调整起来很方便，但是并没有给出这两个参数的优化算法。……