Xreferat.com » Рефераты по экономико-математическому моделированию » Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии

Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии

атмосферы с использованием нелинейной регрессии" width="21" height="25" align="BOTTOM" border="0" /> - концентрация озона (мкг/м3), измеренная в 7 часов;

Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии - скорость ветра (м/с) в 6 и 12 часов;

Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии - направление ветра (дес.град) в 6 и 12 часов;

Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии - атмосферное давление (мб) в 6 и 12 часов;

Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии - температура воздуха (°С) в 6 и 12 часов;

Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии - относительная влажность воздуха (%) в 6 и 12 часов;

Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии - атмосферные явления (шифр), наблюдаемые в 6 и 12 часов.

Длина массива данных составляет 273.

Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии

Рис.2. Исходные данные


3.2 Подготовительный этап


Чтобы вычислить коэффициенты функции Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии при каждом из предикторов необходимо подготовить исходные данные. С этой целью:

Ряд значений Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии максимальных за сутки концентраций озона разбивается на обучающую и независимую выборки. Далее все преобразования производятся только с обучающей выборкой.

Осуществляется цензурирование выборки: сортируется массив данных в соответствие с ростом переменной Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии, где Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии - значение Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии за сутки до срока, на который дается прогноз. Находим значение 60%-ного квантиля функции распределения Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии. - В рассматриваемом примере значению 60%-ного квантиля функции распределения Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии соответствует концентрация Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии = 63,42 мкг/м3. Делим исходные данные на две группы. В первую группу, объем которой составляет 60% от общей выборки, войдут значения Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии, сопутствующие метеоусловия и расчетные параметры, которые наблюдались при Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии < 63,42 мкг/м3. Для этой группы прогноз Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии осуществляется по уравнению Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии. Во вторую группу, объем которой составляет 40% от общей выборки, - значения Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии, Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии , Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии, Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии, сопутствующие метеоусловия и расчетные параметры, которые наблюдались при Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии >= 63,42 мкг/м3. Для этой группы прогноз Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии осуществляется с использованием прогностических схем.

3.3 Преобразование предикторов


Линеаризация (рис.3). Исключение нелинейности связей между предиктантом Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии и предикторами.


Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии

Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии

Рис. 3. Линеаризация предикторов


Для повышения эффективности модели в области высоких значений необходимо нормализовать все переменные, входящие в модель (рис. 4). Для этого каждое значение переменной сопоставляем значение обратной функции к функции распределения нормальной случайной величины со средним значением ноль и стандартным отклонением единица. Ее аргументом является значение выборочной функции распределения рассматриваемой случайной величины.

Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии

Рис. 4. Графики функции распределения предиктанта (до и после преобразования)


3.4 Построение регрессионного уравнения


Подготовленные исходные данные применяются для получения коэффициентов уравнения. Применяем метод пошаговой многомерной регрессии. Устанавливаем параметры: F-включения = 2, F-удаления = 1,9. После девяти итераций получаем предикторы, которые необходимо включить в систему. Так как два предиктора, F-6 и F-12, соответствуют одному и тому же метеорологическому параметру, в систему включаем только тот, который больше коррелирует с предиктантом, то есть F-6.


Таблица 1. Оценка предикторов

F-включения F-удаления In/Out Предиктор
89,0213
In

Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии

31,3170
In С7
3,4080
In F-6
6,1487
In D-6
4,7916
In NO2-7
2,2418
In F12
3,5270
In V12
3,0150
In Т-6
2,3492
In NO-7

0,4037 Out Р6

0,0001 Out Т-12

0,0001 Out D12

0,4391 Out V-6

0,0083 Out АЯ-12

0,9863 Out АЯ-6

0,6304 Out Р12

После того как определены наиболее значимые предикторы, ищем коэффициенты b0 и bi. Для этого используем метод наименьших квадратов. В результате получаем прогностическое уравнение:


Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессииСтохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии, (18)


Для того чтобы получить окончательные значения концентрации Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии, необходимо выполнить преобразование, обратное нормализации.


3.5 Оценка эффективности прогностической схемы


По полученному уравнению определяется ожидаемое значение Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии.

Убедимся в эффективности построенной прогностической схемы с помощью корреляционного графика между спрогнозированными и измеренными концентрациями озона для «обучающей выборки» (рис. 5).


Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии

Рис.5. Корреляционный график измеренных и прогностических суточных максимумов концентрации озона

Квадрат коэффициента корреляции между данными измерения и прогноза составил 0,83, а угловой коэффициент регрессии оказался равным 1,06.

Проверим применимость прогностической схемы на «независимой выборке». Корреляционный график, показывающий связь между прогностическими и фактическими концентрациями озона, приведен на рисунке (рис. 6).


Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии

Рис.6. Корреляционный график измеренных и прогностических суточных максимумов концентрации озона


Эффективность построенной прогностической схемы подтверждают выполненные оценки: квадрат коэффициента корреляции между данными измерения и прогноза составил 0,78, а угловой коэффициент регрессии оказался равным 1,09.

Оправдываемость индивидуального прогноза максимальной концентрации примеси Смахпрог за конкретные сутки оценивается с помощью формул 6-7. Прогноз оказался оправдавшимся для «обучающей выборки» в 89% случаев, а для «независимой выборки» - в 87%.

Таким образом, построенную схему прогноза концентраций озона следует считать эффективной.

3.6 Сравнительный анализ результатов


Сравним результаты, построенные с помощью приведённой выше прогностической схемы и с помощью метода инерционного прогноза. Полученные оценки сведём в таблицу.



Прогностическая схема Инерционный прогноз

"Обучающая выборка" "Независимая выборка" "Обучающая выборка" "Независимая выборка"
Уравнение линии тренда

Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии

Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии

Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии

Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии

Квадрат коэффициента регрессии R2 0,8256 0,7808 0,7305 0,6585
Оправдываемость 89% 87% 75% 79%


3.7 Результаты для других городов


Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии

Рис.7. Корреляционный график измеренных и прогностических суточных максимумов концентрации озона (Милан)

прогноз концентрация примесь программа

Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессииСтохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии

Рис.8. Корреляционный график измеренных и прогностических суточных максимумов концентрации озона (Winfield)


Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии

Рис.9. Корреляционный график измеренных и прогностических суточных максимумов концентрации озона (Обнинск)


Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии Стохастическое моделирование и прогноз загрязнения атмосферы с использованием нелинейной регрессии

Рис.9. Корреляционный график измеренных и прогностических суточных максимумов концентрации озона (Новосибирск)

ЗАКЛЮЧЕНИЕ


При выполнении данной работы получены следующие основные результаты:

Разработан статистический метод прогноза максимальных за день концентраций примесей в отдельных точках города и построены соответствующие прогностические схемы (для Санкт-Петербурга, Новосибирска, Милана). Проведенный анализ результатов и графические материалы показали, что применение выбранной стохастической модели позволяет прогнозировать максимальные концентрации в период повышенного загрязнения воздуха достаточно эффективно. Оценка эффективности схем по использованному и независимому материалу показала, что оправдываемость прогнозов наибольших концентраций составила в среднем 80%, а их предсказуемость — 85%.

Разработана и отлажена компьютерная программа на алгоритмическом языке C++, реализующая указанный метод и позволяющая прогнозировать суточные максимумы концентрации вредных примесей в городах. С учетом универсальности использованного алгоритма, модно надеяться, что данная программа может быть также использована для решения задачи прогнозирования в других областях.

Показано, что применение метода множественной линейной регрессии с предварительным исключением нелинейности связей и нормализацией предиктанта позволяет успешно прогнозировать максимальные концентрации и их экстремумы в период повышенного загрязнения воздуха в городе. Необходимость преобразований переменных вызвана нелинейной формой зависимости предиктанта от предикторов и асимметрией распределения функции плотности вероятности.

Выполненная работа направлена на повышение качества оценки уровня загрязнения на основе использования новой методики прогноза в целях повышения эффективности охраны чистоты воздушного бассейна. Полученная модель может быть рекомендована для оперативного использования в промышленных городах, в том числе для составления предупреждений об опасных уровнях загрязнения воздуха.

ЛИТЕРАТУРА


Афифи А., Эйзен С. Статистический анализ: Подход с использованием ЭВМ. Пер. с английского. - М.: Мир, 1982. - 488с.

Берлянд М.Е. Современные проблемы атмосферной диффузии и загрязнения атмосферы.// Л. :Гидрометеоиздат, 1975.—448с.

Кириллова В.И. …. Автореферат диссертации ….. кандидата геогр. наук

Норман Дрейпер, Гарри Смит. Прикладной регрессионный анализ. Множественная регрессия = Applied Regression Analysis. — 3-е изд. — М.: «Диалектика», 2007. — С. 912.

«Руководство по прогнозу загрязнения воздуха» РД 52.04.306-92. // СПб.: Гидрометеоиздат, 1993. - 104 с.

Себер Дж. Линейный регрессионный анализ. М.: Мир, 1980, с. 456.


Размещено на

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: