基于ARIMA模型的天津市空氣質量各項指標的預測分析

孟慶云 張若晴 袁朱紅 李智坤 冀德剛

摘要 通過分析天津市2017年1月1日至2018年4月20日空氣質量6項指標SO2、PM2.5、PM10、O3、CO、NO2逐日數據，應用時間序列分析法建立ARIMA（p，d，q） （P，D，Q）模型。利用SPSS軟件預測2018年4月21—27日各指標數據，將預測結果和已有數據進行對比，擬合效果很好，認為該模型預測結果較理想。再用其預測未來7 d各項空氣指標數據，觀察數據的變化趨勢，分析原因并提出可行性解決方案。

關鍵詞 空氣質量；時間序列分析；ARIMA；預測

中圖分類號：R122 文獻標識碼：A 文章編號：2095-3305（2018）05-044-02

DOI： 10.19383/j.cnki.nyzhyj.2018.05.016

近年來，城市空氣質量已成為大眾關注焦點問題。SO2、PM2.5、PM10、O3、CO、NO2作為天津市最主要的污染物，嚴重危害人民的身體健康，對生產、生活以及經濟的發展都有較大的影響。隨著人們對空氣質量的關注度的日益提升，空氣質量的預測分析已勢在必行。

目前，常用的預測方法有灰色預測、BP神經網絡和時間序列分析法[1]等，其中神經網絡預測模型應用較廣，該模型收斂效果較好，精度高，但其具有易陷入局部最優、過擬合、網絡容錯能力差等問題，影響了預測模型的泛化能力[2] 。基于此，文中應用時間序列分析建立ARIMA模型，對未來天津市空氣質量各項指標進行了預測，根據預測結果，分析了各污染物變化趨勢的原因，并提出改進建議。

1 模型的建立

1.1 數據預處理

選取天津市2017年1月1日至2018年4月20日NO2逐日數據，令Xt表示t時刻天津市NO2數據。首先用Q-Q圖檢驗數據是否符合正態分布，然后繪制序列圖，顯示出序列Xt具有周期性和季節性，是非平穩序列，故進行一階差分變換得到yt。再根據時間序列平穩性的檢測方法，可認為序列yt是平穩的。由于數據具有周期性和季節性，則需對數據進行季節性差分和季節分解，再對序列Xt建立ARIMA（p，d，q） （P，D，Q）模型。

1.2 模型定階

根據d階差分自相關函數和偏相關函數的截尾性來判定模型的階[3]。如圖1所示，自相關函數在k=2時截尾，偏相關函數在k=2之后呈現拖尾，因此初步判定模型為ARIMA（2，1，2）.同時由于Xt的一階季節差分的偏自相關系數在k=3時截尾，故考慮季節性ARIMA（3，1，1）。同時考慮ARIMA（1，1，2） （3，1，1）、ARIMA（1，1，3）（3，1，1）、ARIMA（1，1，2）（4，1，1）和ARIMA（1，1，2） （3，1，2）模型對數據的擬合效果.通過比較ARIMA（1，1，2） （3，1，2）模型的平穩的R方最大，統計量最小同時BIC[4]最小，因此可以認為ARIMA（1，1，2） （3，1，2）模型對Xt進行擬合較為合適。

2 模型的檢驗

2.1 NO2的預測

預測2018年4月21—27日NO2數據，與真實數據進行對比，檢驗模型的預測效果。從圖2可以看出該模型的預測效果很好，可應用該模型對2018年4月28日至2018年5月4日天津市NO2進行預測，預測結果如表1所示。

2.2 其他5項指標的預測

運用同樣的方法對天津市空氣質量其他5項指標進行模型的建立與檢驗，SO2的模型是ARIMA（5，1，3）×（4，1，0），O3的模型是ARIMA（2，1，2）×（4，1，0），PM2.5的模型是ARIMA（1，1，2）×（3，1，3），PM10的模型是ARIMA（3，1，3）×（2，1，2），CO的模型是ARIMA（3，0，8）×（2，0，2），用其模型預測2018年4月28日至5月4日的空氣指標的值如表1所示。

3 小結

根據預測結果，天津市的空氣質量呈好轉趨勢，并出現以一年為周期的規律性變化，同時季節因素也不容忽視。夏季的空氣質量較冬季明顯改善，究其原因可能與季節、氣象和政策有關，分析原因如下： ①夏季燃煤量減少，顆粒污染減輕；②夏季較頻繁的降雨及大氣天氣，有利于PM2.5的擴散和清除，使其濃度下降。SO2易溶于水，充沛的雨水對空氣中的污染物起到沖刷作用；③夏季天氣炎熱，空氣對流強烈，大氣層下墊面抬高，大氣聯合穩定度下降，污染物容易擴散，空氣污染指數降低；④天津市2018年深入推進污染防治攻堅戰，著力改善生態環境質量.全面完成控煤、控車、控塵、控工業污染等目標任務；⑤為加強環保審批服務，創造良好營商環境，天津出臺了“津八條”。

為了使空氣質量得到進一步的改善，提出以下建議：①加強小工廠的整治力度，改變能源結構；②工業合理布局，搞好環境規劃，倡導植樹造林，綠化生態環境；③強化環境督察管理。

參考文獻

[1] 牛玉霞. 基于遺傳算法和BP神經網絡的空氣質量預測與模型研究[J]. 國際IT傳媒品牌，2017，38（12）：49-53.

[2] 牟敬鋒，趙星，樊靜潔，等. 基于ARIMA模型的深圳市空氣質量指數時間序列預測研究[J]. 環境衛生學雜志，2017，2 （7）：102-117.

[3] 李媛.ARIMA模型在平均工資預測中的應用[J].電子技術與軟件工程，2018（9）：172-174.

[4] 李燕婷，張宏偉，任宏，等. 上海市流感樣病例發病趨勢的時間序列分析和預測模型研究[J]. 中華預防醫學雜志，2007，41 （6）：496-498.

責任編輯：劉赟