祁柏林,郭昆鹏1,,杨 彬,杜毅明,刘 闽,王继娜

1(中国科学院大学,北京 100049)

2(中国科学院 沈阳计算技术研究所,沈阳 110168)

3(辽宁省沈阳生态环境监测中心,沈阳 110000)

4(辽宁省先进装备制造业基地建设工程中心,沈阳 110001)

1 引言

近年来随着科学技术的不断发展,各种传感器,电子元器件的体积进一步减小,精度进一步提高,而这些传感器和电子技术的快速发展又进一步推动环境监测从区域化粗粒度监测向更细粒度的区域网格化监测发展.同时网格化监测手段与大数据技术的有机结合,又使得环境监测部门可以获得更多尺度、更加详细的空气污染信息,通过分析这些空气污染数据不但可以迅速的发现污染源头,快速治理,还可以对网格化监测区域内未来的空气污染状况进行预测,因此挖掘空气污染数据的潜在信息对于推动我国生态文明建设,改善空气质量污染状况,提升人民生活的幸福度具有一定的意义.

长期以来,空气质量的预测一直是国内外空气污染监测与治理相关领域的研究热点之一.按照研究手段分类,空气质量预测可以分为统计预测、数值预测和以机器学习为代表的人工智能算法预测这3 种方案[1],其中统计预测是指通过分析空气中污染物的变化规律来进行预测,常用的模型有灰度模型和回归模型.但是单一的灰度模型或者回归模型又各自存在一些缺陷,有的学者提出了将基于残差修正的灰度模型[2]应用到空气质……