下载文档原格式
城市空气质量评估及预测摘要: 本文对我国十个城市的空气质量进行了深入的研究，利用统计学等相关原理，结合我国现行的“创模”和“城考”体系中的环境空气质量指标，就城市空气污染程度，空气质量的预测和影响因素等问题建立出相应的数学模型。
利用层次分析法和Perron-Frobenions等相关原理建立数学模型对中国十大城市的空气污染严重程度给出分析并排名。
运用GM（1,1）灰色预测模型，结合相关数据运用excel软件进行数据统计，对成都市2010年11月份的空气质量状况进行预测。
使用优势分析原理分析空气中可吸入颗粒、二氧化硫、二氧化氮等因素对空气质量的影响程度。
关键词：空气质量，层次分析，判断矩阵，相对权重，排名，灰色预测，优势分析，可吸入颗粒，二氧化硫，二氧化氮一、问题的提出1.1背景介绍随着中国经济的进一步发展，环境问题已是制约我国发展的关键因素之一，而环境问题最突出的就是空气污染。
“十一五”“创模”考核指标“空气污染指数”要求：API指数≤100的天数超过全年天数85%。
“城考”依据API指数≤100的天数占全年天数的比例来确定空气质量得分。
“API指数≤100的天数”，通常又被称为空气质量达到二级以上的天数。
根据已有数据，运用数学建模的方法，对中国空气质量做出分析和预测是一个重要问题，同时通过对影响空气质量因素的分析，以正确做好环境保护措施也极为重要。
本文主要针对以下几个问题进行相关分析：（1）利用已知的数据，建立数学模型通过分析给出十个城市空气污染严重程度的科学排名。
（2）建立模型对成都市11月的空气质量状况进行预测。
（3）收集必要的数据，建立模型分析影响城市空气污染程度的主要因素是什么。
二、基本假设1）表格中已有的数据具有权威性，值得相信，具有使用价值。
2）空气质量相同等级的污染程度相同。
3）假设该市各种影响空气质量的软因素（如工业发展，人口数量）保持平稳变化。
4）不考虑突发事件即人为因素（如工业事故）造成的空气质量突变。
城市空气质量评估及预测摘要: 本文对我国十个城市的空气质量进行了深入的研究，利用统计学等相关原理，结合我国现行的“创模”和“城考”体系中的环境空气质量指标，就城市空气污染程度，空气质量的预测和影响因素等问题建立出相应的数学模型。
利用层次分析法和Perron-Frobenions等相关原理建立数学模型对中国十大城市的空气污染严重程度给出分析并排名。
运用GM（1,1）灰色预测模型，结合相关数据运用excel软件进行数据统计，对成都市2010年11月份的空气质量状况进行预测。
使用优势分析原理分析空气中可吸入颗粒、二氧化硫、二氧化氮等因素对空气质量的影响程度。
关键词：空气质量，层次分析，判断矩阵，相对权重，排名，灰色预测，优势分析，可吸入颗粒，二氧化硫，二氧化氮一、问题的提出1.1背景介绍随着中国经济的进一步发展，环境问题已是制约我国发展的关键因素之一，而环境问题最突出的就是空气污染。
“十一五”“创模”考核指标“空气污染指数”要求：API指数≤100的天数超过全年天数85%。
“城考”依据API指数≤100的天数占全年天数的比例来确定空气质量得分。
“API指数≤100的天数”，通常又被称为空气质量达到二级以上的天数。
根据已有数据，运用数学建模的方法，对中国空气质量做出分析和预测是一个重要问题，同时通过对影响空气质量因素的分析，以正确做好环境保护措施也极为重要。
本文主要针对以下几个问题进行相关分析：（1）利用已知的数据，建立数学模型通过分析给出十个城市空气污染严重程度的科学排名。
（2）建立模型对成都市11月的空气质量状况进行预测。
（3）收集必要的数据，建立模型分析影响城市空气污染程度的主要因素是什么。
二、基本假设1）表格中已有的数据具有权威性，值得相信，具有使用价值。
2）空气质量相同等级的污染程度相同。
3）假设该市各种影响空气质量的软因素（如工业发展，人口数量）保持平稳变化。
4）不考虑突发事件即人为因素（如工业事故）造成的空气质量突变。
基于数值预报的空气质量猜测模型的探究摘要：空气质量猜测是一项关键的环境保卫工作，对于人们的健康和生活品质具有重要影响。
在过去的几十年中，随着数值模拟技术的不息进步，基于数值预报的空气质量猜测模型也得到了极大的改进和应用。
本文通过综合探究相关领域的文献，并结合实际应用的需要，对基于数值预报的空气质量猜测模型进行了详尽的探究和分析。
探究表明，数值模拟技术在空气质量猜测中具有较强的优势，可以提供准确的空气质量猜测信息。
然而，数值预报模型依旧面临一些挑战，如模型精度、数据得到与处理、模型参数确定等问题。
通过对这些问题的探究和分析，可以进一步提高基于数值预报的空气质量猜测模型的准确性和可靠性。
关键词：数值预报；空气质量猜测；数值模拟技术；模型精度；数据处理1. 引言随着人们对环境保卫意识的不息提升，空气质量问题越来越受到人们的关注。
空气污染不仅对人们的健康产生负面影响，也对农作物生长、生态环境等产生很大的危害。
因此，准确猜测空气质量，准时实行相应的控制措施，对于改善空气质量、保卫人民健康具有至关重要的意义。
在过去的几十年中，随着计算机技术的快速进步，数值模拟技术被广泛应用于各个领域，其中包括环境科学领域。
数值模拟技术通过建立适当的模型，利用计算机进行模拟，可以对大气运动和传输过程进行准确的数值计算，从而提供准确的空气质量猜测信息。
2. 基于数值预报的空气质量猜测模型的原理基于数值预报的空气质量猜测模型主要基于数值模拟技术，通过建立适当的数学模型，利用计算机进行模拟，猜测空气质量的变化趋势。
数值模拟技术通过将大气划分为离散的网格点，然后利用物理方程和数值方法对每个网格点进行计算，得到大气的运动和传输过程。
然后，通过对大气中污染物的排放源、扩散过程、化学反应等进行数值计算，可以得到污染物在大气中的浓度分布状况。
3. 基于数值预报的空气质量猜测模型的探究现状目前，基于数值预报的空气质量猜测模型已经得到了广泛的探究和应用。
计算机建模及其在空气质量模拟和预测中的应用摘要：在计算机工程技术管理领域，关于工程管理、军事管理、交通科学、生命科学、人文领域，都会有所涉及。
本文围绕计算机建模及其在空气质量模拟和预测中的应用展开论述，对计算机在空气污染之力中的运用的优势和劣势加以分析，愚弄空气质量建模的方法，对比了各类模型的建模机理，特别是当今被广泛应用的cMAQ模型，欧拉三维格点的模型结构、区域性环境规划等的特征，作用、准确度加以详细的论证，对于各个敏感度板块的控制污染预警、预报等方面的评估，决策中的运用等展开了总结和展望，针对未来的空气质量建模的发展提出了建设性的意见和建议。
关键词：计算机模型；空气污染治理；响应面模型人类对世界的认知，很多时候可以通过数学模型的建立来达到目的。
通过不断完善知识积累，人们在这个基础上将数学模型加以修正，得到了关于世界的认识的方向，得到了有利的决策，并加以演变，增加了人们的认识的水平，预测事物的发展方向，掌握了得到了研究对象的复杂的认识度。
将这个决策参与到事物的演化过程中，对复杂的研究对象进行了掌握后，再进行简化，将模型沿着时间轴的方向不断地延到了典型性的指标，描述为一个过程，的不同性质的研究目标，最终降低了观测、试验、计算等的成本。
在条件允许的情况下，通过因子的调整，得到了研究对象的准确的逼近值，得到了事物的最终的发展轨迹。
1.计算机与数学建模经过模型的建立，问题被转化为了数学问题。
为了得到数学模型的求解，将大量的数学推力运用计算的方法加以计算。
数学建模的载体是电子计算机。
在二战期间，美国使用了大量的军用数据进行导弹飞行轨迹的计算，这些数据需要一种工具来进行大量的计算，为了解决这一难题，电子计算机应运而生。
随着计算机建模技术的快速发展，工程领域被扩展到了非工程领域。
数学建模得到了实际的解决，实际问题拥有了解决的道路，现代的数学建模大部分是在计算机上进行的。
2.计算机建模与空气质量的模拟大气研究应用计算机建模技术已经相当的广泛。
数学建模在空气质量评估中的应用随着城市化进程的加速和工业化的快速发展，城市空气质量成为人们关注的焦点。
空气污染对人体健康和环境的影响不容忽视，因此精确评估空气质量显得尤为重要。
在这一过程中，数学建模发挥了重要的作用，帮助我们理解和评估空气质量。
本文将探讨数学建模在空气质量评估中的应用，并介绍其中的常见方法和技术。
一、数学建模在空气质量监测中的应用空气质量监测是评估空气质量的基础，数学建模在此过程中起到了关键的作用。
通过分析监测数据，建立数学模型可以帮助我们预测和评估空气污染的程度，以及其对人体健康和环境的影响。
1.1 时间序列模型时间序列模型是一种通过分析时间序列数据，预测空气质量的方法。
它根据过去的数据趋势和模式，推断未来的空气质量水平。
常见的时间序列模型包括ARIMA模型和GARCH模型。
ARIMA模型利用自回归、滑动平均和差分的方法，分析和预测时间序列数据的趋势和周期性。
GARCH模型则适用于分析和预测时间序列数据的方差，帮助我们了解空气质量的波动性。
1.2 空间插值模型空间插值模型是通过已知的空气质量监测点数据，预测未知地点的空气质量。
常见的空间插值模型包括克里金插值和反距离加权插值。
克里金插值利用已知数据的空间相关性，估计未知点的数值。
反距离加权插值则根据已知点与未知点之间的距离，赋予不同的权重，计算未知点的数值。
这些模型可以帮助我们绘制空气质量分布图，发现不同地区的污染状况。
1.3 空气质量预警模型空气质量预警模型是根据劣质空气质量的监测数据，预测未来一段时间内的空气质量是否会超标，并进行预警。
预警模型常用的方法有回归分析、神经网络和支持向量机等。
这些模型可以根据现有的数据和模式，预测未来的空气质量状况，帮助政府和公众采取相应的措施，防范空气污染带来的危害。
二、数学建模在空气质量改善中的应用除了评估空气质量，数学建模还可以帮助我们找到改善空气质量的方法和措施。
通过模拟和优化，可以发现降低污染物排放、改变城市规划和交通布局等方法，以改善空气质量。
空气质量观测数据建模与预测方法在当今全球环境污染问题日益严重的背景下，人们对于空气质量的关注越来越高。
为了有效地管理和改善空气质量，空气质量观测数据的建模和预测变得非常重要。
本文将探讨空气质量观测数据的建模与预测方法，并提供几种常用的技术。
首先，空气质量观测数据的建模是指将现实世界的观测数据转化为可用于分析和预测的模型。
建模的关键在于找到空气质量与不同因素之间的关系。
一种常用的建模方法是回归分析，通过建立一种数学函数来描述变量之间的关系。
回归分析可以帮助我们确定空气质量与气象、人类活动和污染源等因素之间的关系。
另一个重要的建模方法是时间序列分析。
时间序列分析是对时间序列数据进行建模和预测的统计方法。
对于空气质量观测数据，我们可以将其视为一个时间序列，通过对以往观测数据的统计分析来预测未来的空气质量。
时间序列分析可以帮助我们发现空气质量的周期性变化和趋势，进而预测未来的空气质量状况。
除了建模，预测空气质量也是非常重要的。
准确预测空气质量可以帮助政府和公众采取相应的措施，减少人们的健康风险。
常用的预测方法有以下几种。
首先是基于时间序列的预测方法，如ARIMA模型和指数平滑法。
ARIMA模型是一种常用的时间序列预测模型，它通过建立自回归、差分和移动平均的组合来预测未来的数值。
指数平滑法则是一种基于移动平均的方法，它通过对历史数据进行加权平均来预测未来的数值。
这些方法都能够根据过去的观测数据来预测未来的空气质量，但需要注意的是，它们假设未来的填充数据与过去的数据具有一定的相关性。
其次是基于机器学习的预测方法，如支持向量机（SVM）和随机森林（Random Forest）。
机器学习是一种利用算法和模型来分析数据并进行预测的方法。
这些方法通过训练模型来找到空气质量观测数据与其他变量之间的关系，从而进行预测。
对于这些方法来说，关键在于选择合适的特征和调整模型参数，以提高预测的准确性。
此外，还有一些其他的预测方法，如神经网络和贝叶斯网络。
全国大学生统计建模大赛获奖论文概述本文介绍了我们在全国大学生统计建模大赛中获得奖项的获奖论文。
我们小组成员在比赛中运用统计建模方法，对给定的问题进行了深入研究和分析，并提出了有效的解决方案。
本文将介绍我们的问题背景、研究方法、结果和结论。
问题背景我们研究的问题是某城市的空气质量问题。
空气污染对人们的健康和环境有着严重的影响，因此对于空气质量的监测和预测非常重要。
我们的目标是通过建立合适的统计模型，对该城市未来一段时间内的空气质量进行预测。
数据收集和处理我们首先收集了大量关于空气质量的数据，包括空气中各项污染物的浓度、天气条件和人口密度等。
为了处理这些数据，我们使用了Python编程语言和相关的数据处理库。
我们对数据进行了清洗和预处理，包括去除异常值和缺失数据的处理。
通过分析数据的统计特征，我们了解了各项污染物浓度的变化趋势和与天气条件的相关性。
数据分析和建模在数据预处理后，我们进行了进一步的数据分析和建模。
我们采用了多种统计建模方法，包括回归分析、时间序列分析和人工神经网络等。
首先，我们进行了回归分析，建立了空气污染物浓度与天气因素之间的数学模型。
通过回归分析，我们找到了与空气污染物浓度关系最密切的天气因素，并根据这些因素对未来空气质量进行了预测。
其次，我们进行了时间序列分析，研究了空气污染物浓度的时间变化规律。
通过时间序列分析，我们可以了解空气污染物浓度的周期性变化和趋势性变化，并进一步预测未来空气质量的变化趋势。
最后，我们尝试了人工神经网络模型，在建立了充分训练的神经网络之后，我们将历史的空气质量数据作为输入，预测未来一段时间的空气质量变化。
结果与讨论在我们的研究中，我们成功地建立了多个统计模型，对该城市未来一段时间的空气质量进行了预测。
通过交叉验证和比较实际观测值，我们发现我们的模型的预测结果与实际数据相符合，证明了我们模型的有效性。
通过对预测结果的进一步分析，我们发现该城市的空气质量在未来一段时间内有所改善的趋势。
2023华中杯数学建模c题空气质量预测与预警一、引言2023华中杯数学建模c题中，空气质量预测与预警是一个备受关注的话题。
随着全球环境问题日益凸显，空气质量成为人们关注的焦点之一。
对空气质量进行准确预测和及时预警，对于环境保护和人们健康具有重要意义。
二、对空气质量预测与预警的广度和深度评估1. 空气质量概念空气质量是指大气中污染物浓度及其在时间和空间上的分布，以及与人类健康、生态环境等的影响程度。
了解空气质量的概念，有助于我们深入探讨预测与预警的必要性。
2. 空气质量预测方法空气质量预测主要通过监测和数据分析的方式进行。
常见的方法包括传感器监测、气象数据、环境模型等。
这些方法在实际应用中都具有一定的优势和局限性，需要综合考虑。
3. 空气质量预警体系空气质量预警体系是对预测结果进行等级划分和及时发布，提醒社会公众采取相应的防护措施，保障公众健康。
构建健全的预警体系是空气质量预测工作中至关重要的一环。
4. 空气质量预测与预警的意义空气质量预测与预警对于环境保护、城市规划和人们健康具有重大意义。
通过准确预测和及时预警，可以有效降低污染物对人体健康的危害，也有助于引导政府和社会采取有效的环保措施。
三、总结与展望2023华中杯数学建模c题中的空气质量预测与预警，涉及到了多个领域的知识，需要我们综合考虑。
希望未来的研究和实践能够进一步完善空气质量预测与预警体系，为环境保护和人们健康提供更有效的保障。
个人观点：在未来的发展中，空气质量预测与预警将成为环境保护的重要手段，需要不断加强研究和实践，以应对日益严峻的环境挑战。
以上是对2023华中杯数学建模c题空气质量预测与预警的一次全面评估和探讨，希望能对你有所帮助。
空气质量是人们生活中不可忽视的重要因素，它直接关系着我们的健康和生活环境。
对空气质量进行有效的预测和预警就显得尤为重要。
随着科技的不断发展和数据的不断积累，空气质量预测与预警系统也越发完善和精准。
本文将从空气质量预测方法、预警体系建设、意义及未来展望等方面展开深入探讨。
空气质量预测模型研究与应用近年来，全球范围内空气质量问题成为了一个日益严重的环境挑战。
由于人类活动和自然因素的影响，空气质量不仅对人们的健康和生活质量产生重大影响，还对生态系统和气候变化产生了负面影响。
因此，为了确保公众的健康和可持续发展，准确预测和评估空气质量变化越来越成为一项重要的任务。
空气质量预测模型的研究和应用能够提供有价值的空气质量信息和预警，以帮助政府、企事业单位及个人做出科学决策和行动。
在这篇文章中，我们将介绍一些常见的空气质量预测模型，并探讨它们的研究和应用情况。
一、时间序列模型时间序列模型是一种常用的空气质量预测方法。
该模型基于历史数据和时间因素来预测未来的空气质量状况。
常见的时间序列模型包括自回归移动平均模型（ARMA）、自回归积分移动平均模型（ARIMA）和季节性自回归积分移动平均模型（SARIMA）等。
这些模型通过分析和建模历史数据的空气质量变化，探索其与时间和其他相关因素之间的关系，并进行预测。
二、统计回归模型统计回归模型是另一种常见的空气质量预测方法。
该方法通过建立多元线性回归模型来预测空气质量，通过考虑多个影响因素的综合作用，对未来的空气质量进行预测。
常见的统计回归模型包括多元线性回归模型、逐步回归模型和岭回归模型等。
这些模型通过分析和建模空气质量的影响因素，如天气、交通状况、工业排放等，从而预测未来的空气质量。
三、机器学习模型机器学习模型是近年来快速发展的一种空气质量预测方法。
这些模型通过从大量数据中学习，并自动调整模型参数，以预测未来的空气质量。
常见的机器学习模型包括支持向量机（SVM）、人工神经网络（ANN）和随机森林（Random Forest）等。
这些模型在处理非线性、多变量和高维数据方面具有较强的优势，能够更准确地预测未来的空气质量。
四、深度学习模型深度学习模型是机器学习的一种分支，利用神经网络模拟人脑的学习和处理过程。
在空气质量预测方面，深度学习模型可以通过学习复杂的数据特征和模式，提高预测的准确性。
成 绩 评 定 表 学生姓名 舒小娟 班级学号 1309010102 课程设计题目 城市空气质量的预测及治理措施研究
评 语 组长签字：
成绩 日期 20 年 月 日 课程设计任务书 学 院 理学院 专 业 信息与计算科学 学生姓名 舒小娟 班级学号 1309010102 课程设计题目 城市空气质量的预测及治理措施研究 实践教学要求与任务: 任务： 根据所给资料在A,B题中任选一题，独立完成一篇建模论文。 要求： 1.不许抄袭，在问题的提法或方法上有一定的改进或创新。 2. 建模：要求思路清晰、处理恰当、构思新颖。 3. 分析：数学应用合理恰当，应用知识综合，内容丰富。 4. 结论：要有一定的广度、深度、实用程度。 5. 表达：文字通顺、语言流畅、论述简洁、推理严谨。
工作计划与进度安排: 第一周：学习数学建模算法与应用指定部分实践内容 第二周：撰写建模论文
指导教师： 201 年 月 日 专业负责人： 201 年 月 日 学院教学副院长： 201 年 月 日 城市空气质量的预测及治理措施研究 摘要 近年来，随着工业生产的发展和城市人口的迅速增长，城市大气污染日趋严重，这使人民的生命和财产受到了严重的威胁，因此我们在生产力发展的同时迫切需要保护和改善环境，尤其是空气环境，空气质量的好坏严重影响了人民的日常生活，为此研究不同时空的空气质量的变化，对于改善空气环境、防治空气污染具有重要的意义。 本文对广州市空气质量变化趋势、影响广州空气质量的主要因素、未来5年空气质量情况和判断汽车尾气是否是影响空气质量的主要因素进行了分析研究。针对我国现行的空气质量评估标准——AQI分级制中的不足，在AQI评估基础上进行修改完善使之更加科学，同时还收集了必要的数据来研究影响城市空气污染程度的主要因素。影响城市空气污染程度的主要因素建立于网上所查的国家颁布的数据之上，总的来说，大气污染源主要可分为自然源和人为源两大类。人为源包括车辆、船舶、飞机的尾气、工业企业生产排放、居民生活和取暖、垃圾焚烧等。城市的发展密度、地形地貌和气象等也是影响空气质量的重要因素。将某种污染源的所有污染物的等标污染负荷按数值大小排列，从小到大分别计算百分比和累计百分比，将累计百分比大于80%的污染物确定为该污染源的主要污染物污染源，即影响广州空气质量的主要因素。本文对广州市近几年的空气质量详细列表进行科学分析，利用ARIMA时间序列和曲线拟合等数学建模方法对其空气质量进行评价与预测，综合考虑各种因素建立如下数学模型： 一、对广州市空气质量趋势进行描述。本文通过对广州市2014年的AQI指数利用excel进行统计描述，得到大致的趋势。 二、影响广州市空气质量的主要因素。本文通过对影响广州空气质量的因素进行统计，如首要污染物 SO2、NO2、PM10、PM2.5以及污染指数、空气质量级别等进行统计。利用SPSS软件进行主成分分析对数据进行处理，根据数据处理结果得到影响广州市空气质量的主要因素。 三、对广州市未来5年的空气质量情况。建立ARIMA时间序列模型对未来5年空气质量进行预测。 关键词：SPSS软件、ARIMA时间序列模型、空气质量、主成分分析 目录 一．问题重述........................................................ 1 1.1 问题背景 .................................................... 1 1.2 问题重述 .................................................... 1 二 问题分析......................................................... 2 三 模型假设及符号说明............................................... 2 3.1模型假设..................................................... 2 3.2符号说明..................................................... 3 四 模型求解......................................................... 4 4.1 广州市空气质量变化趋势 ...................................... 4 4.2 影响广州市空气质量的主要因素 ................................ 6 4.3 预测5年内质量变化情况 ..................................... 10 4.4 汽车尾气是否是影响当地空气质量的主要因素之一 ............... 16 4.5 给出建议与方案 ............................................. 17 五 结果分析........................................................ 19 参考文献........................................................... 20 附录............................................................... 21 1
一．问题重述 1.1 问题背景 随着中国经济的进一步发展，环境问题已是制约我国发展的关键因素之一，而环境问题最突出的就是空气污染。“十一五”“创模”考核指标“空气污染指数”要求：AQI指数≤100的天数超过全年天数85%。“城考”依据AQI指数≤100的天数占全年天数的比例来确定空气质量得分。“AQI指数≤100的天数”，通常又被称为空气质量达到二级以上的天数。根据已有数据，运用数学建模的方法，对中国空气质量做出分析和预测是一个重要问题，同时通过对影响空气质量因素的分析，以正确做好环境保护措施也极为重要。
1.2 问题重述 空气质量问题始终是政府、环境保护部门和全国人民关注的热点问题。2016年的两会上,全国政协常委、环境保护部副部长吴晓青表示，政府工作报告中提出的今后五年地级市及以上城市空气质量优良天数比率超过80％的目标必须完成。此外, 吴晓青表示，很高兴在今年的“十三五”规划草案里看到增加了环境质量的考核指标，并指出增加的指标有几个特点：一是对环境质量的指标考核更加全面、更加完善。二是和老百姓息息相关，切身利益更加贴近、更加结合。三是更加严格。其中，优良天数比率指的是：区域内城镇空气质量优良以上的监测天数占全年监测总天数的比例。 本文根据所给数据完成以下问题： 1、根据附件中的数据资料，自己选取合适的指标描述给出的某地区（或城市）的空气质量变化趋势。 2、建立数学模型，分析该地区影响空气质量的主要因素。 3、假设该地区对环境问题不进行干预，保持原有的环境政策和发展模式，预测5年内空气质量变化情况。 2
4.结合给出的数据及自己调研，明确指出汽车尾气是否是影响当地空气质量的主要因素之一。 5、根据你的模型，给当地政府部门提出切实可行的环境治理、规划方案，以保证2016年的两会政府工作报告中提出的今后五年地级市及以上城市空气质量优良天数比率超过80％的目标顺利实现。
二 问题分析 1.第一个问题为描述空气质量变化趋势。根据所给广州市2014年的空气质量相关数据，利用简单数学软件处理所选指标数据给出趋势图。 2.第二个问题为分析广州市影响空气质量的主要因素。本文主要考虑计入空气污染指数的三个指标。通过计算可吸入颗粒、二氧化硫、二氧化氮的关联度，分析得知哪个因素对空气质量影响较大，哪个因素对空气质量影响较小。 3.第三个问题为根据现有数据预测5年内空气质量变化。本文主要通过应用ARIMA时间序列模型对空气质量进行模型识别、模型拟合及检验，并运用拟合模型预测5年内空气质量变化的趋势，对预测误差分析检验，判断模型的可靠性及预测效果。 4.第四个问题为判断汽车尾气是否是影响空气质量的主要因素之一。 5.第五个问题为给当地政府部门提出切实可行的环境治理、规划方案，以保证2016年的两会政府工作报告中提出的今后五年地级市及以上城市空气质量优良天数比率超过80％的目标顺利实现。
三 模型假设及符号说明 3.1模型假设 1）表格中已有的数据具有权威性，值得相信，具有使用价值。 2）空气质量相同等级的污染程度相同。 3）假设该市各种影响空气质量的软因素（如工业发展，人口数量）保持平稳变化。 3
4）不考虑突发事件即人为因素（如工业事故）造成的空气质量突变。 5）假设各种因素对环境的影响最终主要表现在可吸入颗粒、二氧化硫、二氧化氮上，不考虑其他随机因素的影响。 6）广州未来一段时间内，政府没有出台关于大规模工业的迁入迁出政策；
3.2符号说明 Fi 第i个综合指标
𝑎𝑝𝑖 X的协方差矩阵的特征值对应的特征向量
𝑋𝑖 第i个原变量
𝑆𝑖𝑗 样品数据的协方差矩阵
𝑋𝑖
−
平均值
i 第i个变量对应的特征值 𝛼𝑖 第i个主成分的方差贡献率
G(m) 第m个主成分的累计贡献率 𝑋𝑖𝑗
∗ 原始变量经过标准化处理的值
rij
原变量的相关系数
R 相关系数矩阵 𝑒𝑖 相关系数矩阵的特征值对应的特征方程
Iij
主成分载荷
Z 主成分得分 p 自相关截尾数 q 偏自相关的截尾数 ∆𝑋𝑡 第t个时间序列对应的值
