摘要
2020年初,新型冠状病毒肺炎(Corona Virus Disease 2019,COVID-19)疫情在全国多地爆发,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月—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(Autoregressive Integrated Moving Average, 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月—3月)和疫情时期(2020年1月—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/m3,平均绝对误差均小于6.5μg/m3,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