[发明专利]一种基于贝叶斯框架下的大气污染物浓度预测方法

说明书

本发明公开了一种基于贝叶斯框架下的大气污染物浓度预测方法，在贝叶斯框架下预测大气污染物浓度。在此框架下，先验信息和观测值能够妥善地结合起来，获得大气污染物浓度的后验分布。为了克服后验分布的不解析形式，本发明采用MCMC方法抽取后验分布的随机样本点，用样本数字特征来近似总体数字特征。在华北大气污染物浓度和气象学变量数据上评估了分层贝叶斯方法。结果说明了与非线性回归和时空克里金两种方法相比，本发明提出的方法在有效性，精确度和鲁棒性方法都展现出了良好的性能。

技术领域

本发明属于大气污染数据分析技术领域，涉及一种基于贝叶斯框架下的大气污染物浓度预测方法。

背景技术

分层贝叶斯理论在很多领域内取得了巨大成功，尤其适用于复杂的大规模数据计算。时空依赖性建模能够获得更为精确的预测值，被广泛应用于时空大气污染数据分析中。针对时空克里金和非线性回归的不尽如人意的效果，本发明提出在贝叶斯框架下预测大气污染物浓度。在此框架下，先验信息和观测值能够妥善地结合起来，获得大气污染物浓度的后验分布。为了克服后验分布的不解析形式，本发明采用MCMC方法抽取后验分布的随机样本点，用样本数字特征来近似总体数字特征。

发明内容

本发明的目的在于提供一种基于贝叶斯框架下的大气污染物浓度预测方法，该方法利用偏正态分布描述大气污染物浓度与气象因素之间回归残差，提高了大气污染浓度预测鲁棒性。

其具体技术方案为：

一种基于贝叶斯框架下的大气污染物浓度预测方法，包括以下步骤：

步骤1、时空克里金预测，需要获取大气污染监测站点坐标，研究时间区间内各种大气污染物浓度序列，主要是给出大气污染物浓度预测的初始值；

步骤2、偏正态非线性回归，需要大气污染物浓度时间序列和气象学变量时间序列，利用带有偏正态噪声的非线性多元线性回归方法建立浓度和气象学变量之间的关系，估计出回归参数；

步骤3、在分层贝叶斯框架下，将时空克里金方法给出的预测值作为先验分布，然后将偏正态非线性回归获得的方程作为似然函数，从而利用气象学变量修正时空克里金方法所给出的预测值，获得精度更高的大气污染浓度预测值；

步骤4、在分层贝叶斯框架下，获得的后验分布不解析，我们采用包含有Metropolis-Hastings方法的Gibbs采样方法对后验分布抽样 ，获得后验分布的样本值，从而对参数进行估计，获得最终大气污染物浓度预测值。

进一步，步骤1中，所述时空克里金预测过程中包括以下步骤：

1)、对大气污染物浓度做去季节化处理；

2)、根据监测站处大气污染物浓度变量的时空自相关性对未监测点处的大气污染物浓度做出估计，首先计算样本半方差函数，选择有效的时空半方差函数模型；

3)、根据计算出的样本半方差函数和选择的时空半方差模型，拟合出变量的半方差；

4)、根据样本点的地理坐标和时间坐标，估计出未监测点处大气污染物浓度。

进一步，步骤2中，确定影响大气污染物浓度的风速、气温、地表温度等等气象因素；

应用偏正态分布多元线性回归方法拟合噪声偏正态分布参数；

进一步，步骤3中，确定先验正态分布的方差参数；确定似然函数的各项参数；应用MCMC方法获取后验分布的样本点。

进一步，使用R中的package mcmc函数选择先验分布和似然函数，在后验分布的解析形式无法获得的情况下，通过,mcmc采样方法获得后验分布的样本值，利用样本量估计真实后验分布的数字特征。

与现有技术相比，本发明的有益效果：