科研之友
微信
新浪微博
Facebook
分享链接
摘要
2020年初，新型冠状病毒肺炎（Corona Virus Disease 2019，COVID-19）疫情在全国多地暴发，针对疫情期间人类活动的减少对我国PM2.5浓度变化也有所影响。结合上海、长春、武汉和北京4市2019与2020年1—3月的气象因素、大气污染物以及天顶对流层延迟（Zenith Tropospheric Delay，ZTD）等数据，构建差分自回归移动平均（ARIMA）模型、BP神经网络模型和粒子群算法优化BP神经网络（PSO-BP）模型，预测疫情发生前后阶段的PM2.5浓度并分析3种模型的适用性。研究结果表明，在非疫情时期（2019年1—3月）和疫情时期（2020年1—3月）中PSO-BP模型预测精度和模型适用性均优于单一的BP神经网络模型和传统的ARIMA模型，且PSO-BP模型在疫情时期城市PM2.5浓度预测中均方根误差均小于8.5μg/m-3，平均绝对误差均小于6.5μg/m-3，同时与非疫情期的RMSE，MAE，MAPE综合分析可知，PSO-BP模型对于疫情时期的城市PM2.5浓度预测的适用性最好，对疫情期间城市PM2.5浓度监测和预警有一定的参考价值。
- 单位
