CIN 计算智能和神经科学 1687 - 5273 1687 - 5265 Hindawi出版公司 10.1155 / 2016/6459873 6459873 研究文章 北京阴霾的长期预测模型集使用时间序列分析 http://orcid.org/0000 - 0002 - 1613 - 843 x 杨 小平 1 http://orcid.org/0000 - 0002 - 0056 - 8750 张 Zhongxia 1 张 仲秋节 2 太阳 Liren 1 徐 崔 1 http://orcid.org/0000 - 0001 - 8503 - 2535 余 李 1 Martinez-Alvarez 旧金山 1 学校的信息 中国人民大学 北京100872年 中国 ruc.edu.cn 2 计算机科学学院 东北大学 沈阳110819 中国 neu.edu.cn 2016年 14 8 2016年 2016年 20. 04 2016年 28 06 2016年 10 07年 2016年 14 8 2016年 2016年 版权©2016年小平杨et al。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

快速工业发展导致间歇性爆发的pm2.5或烟雾在发展中国家,这带来了巨大的环境问题,特别是在大城市,如北京和新德里。我们调查了阴霾的因素和机制变化和现在北京阴霾的长期预测模型集使用时间序列分析。我们构建一个动态结构测量模型日常阴霾的增加和减少模型向量自回归模型。典型案例研究表明,我们的模型执行886年连续天很好第二天的空气质量指数(AQI)预测,在严重污染的情况下(AQI≥300)甚至伊拉克基地组织预测的准确率达到87.8%。一周预测的实验表明,我们的模型具有良好的敏感性突然阴霾破裂或耗散发生时,其结果的准确性良好的长期稳定未来3 - 7天的伊拉克基地组织的预测。

 中国国家自然科学基金 71271209 北京市自然科学基金 4132052 人文和社会科学青年中国教育部的基础 11 yjc630268 1。介绍

行业发展中国家主要集中在大城市,伴随着人口多,消费,和污染。天津市和河北省北部中国已成为地球上最繁荣和受污染的地区之一。到2013年,北京的流动人口是3750万,和空气污染的间歇性爆发极大地影响了每个公民的生活:生理疾病( 1, 2)、抑郁和低能见度在交通 3, 4]。烟雾的主要成分是pm2.5颗粒小于2.5 μm在空气动力学直径),描述了污染的浓度与空气质量指数(驻pm2.5浓度)。中国政府开始监测和记录自2013年以来主要城市pm2.5浓度( 5]。根据该报告的全et al。 6),北京的空气质量指数达到600在霾事件在2013年1月。近年来,越来越多的论文提到了霾事件和中国北方的后果 7- - - - - - 11]。研究人员指出,在未来的几年里,烟雾事件将继续破裂经常在中国北方 12]。

本文提出了一种机能北京基于时间序列分析的预测模型。我们收集了北京的伊拉克基地组织自2013年以来连续29个月的数据,构建了一个动态结构预测模型。统计方法用于获得预测模型的最大似然估计。和短期和长期实验来测试我们模型的准确性和鲁棒性。

本文的其余部分组织如下。节 2最近,我们介绍相关工作。部分 3提出了预测模型,证明了模型是向量自回归模型。实验和评估报告 4。我们在部分总结本文 5未来的工作。

 2。相关工作

一般来说,pm2.5或阴霾,出生主要通过人为因素( 13- - - - - - 16)和消除自然扩散。几天后排放,产生二次pm2.5通过光化学反应indiffusible污染物之一。二级pm2.5的主成分是最严重的烟雾事件在中国( 17]。霾预测的一个典型的方法是使用污染物排放数据(有限公司2, N O x 在模拟( 5, 18]。黄等。 14]分析了pm2.5的化学成分和使用化学质量平衡来确定发射源。其他更复杂的模型提出了引入大气特性、化学成分、和交通因素( 15]。但更常见的情况是,污染物排放数据通常与机能增加或减少同步。太阳( 19]了人口、汽车保有量和GDP的考虑,提出了一个统计指标体系的平均年阴霾一天。他们发现,尽管大多数因素预测pm2.5,年度的平均水平 N O x 负相关,平均严重污染天。摘要( 12)建立了一个三次指数平滑模型通过引入粉尘排放到阴霾的预测。梁等人指出,有各种各样的pm2.5的分布和传播模式 20.]。事实上,王等人提到,政府应该考虑控制策略模型模拟( 9]。

许多研究使用反向传播神经网络的仿真模型( 19, 21]。统计时间序列分析很少使用在阴霾的预测,所以长期阴霾预测当前的方法很难实现( 22]。多元线性回归模型也表现良好日常规模预测( 23, 24]。然而,现有的研究并没有充足的测试数据;例如,[ 21)只有3天的预测精度进行了测试。此外,张等人指出,pm2.5积累在几天前显著影响目前日常pm2.5浓度,还应该关注在建模过程( 22]。

考虑上面的点,本文提出了一种新的预测模型结合机能自然因素、人文因素,和自我进化的因素。

 3所示。北京日报的伊拉克基地组织的预测模型 3.1。预测模型的参数和结构

日常pm2.5浓度的变化取决于两个因素:每天总产量pm2.5的人类活动 P t 和日常整体自然扩散或pm2.5的整体自然积累 C t 。阴霾的生产在很大程度上取决于政府的管制政策向工业燃料的排放 我 t 。烟雾的扩散主要取决于气流 W t 。此外,pm2.5之间可能会发生复杂的化学变化和其他污染物;因此,前一天的pm2.5浓度也会影响空气质量指数,并可能被视为前一天的pm2.5的进化结果,为代表 Y t 。很显然, P t - - - - - - C t 可以直接观察。 P t 是由semimanual生成方法。 P t 主要是人类活动与日常,我们算 P t 从伊拉克基地组织不少于五序列连续晴朗无风的天。特殊情况也考虑。在冬天, P t 会更大,因为供暖系统。汽车的使用限制和临时停工的工厂在2014年亚太经合组织北京也考虑。 C t 然后计算 P t - - - - - - ( P t - - - - - - C t ) 。有时, C t 大于零,这意味着pm2.5因为非人因素积累。

因此,每日pm2.5的净增长 ( P t - - - - - - C t ) 进化是一个函数的结果吗 Y t 工业控制指标 我 t ,风力发电的预测 W t 。认为这个问题是一个动态结构模型,我们的模型可以描述为 (1) P t - - - - - - C t = β 0 + β 1 Y t + β 2 W t + β 3 我 t + β 4 P t - - - - - - 1 - - - - - - C t - - - - - - 1 + μ t D 。

参数 β 1 , β 2 , β 3 分别代表了pm2.5的前一天所造成的影响,风力发电,工业控制指标。前一天的pm2.5的净增长部分影响今天的pm2.5,部分影响了第二天的pm2.5。的参数 β 4 表示这个“部分调整。“干扰 μ t D 代表其他因素影响今天的pm2.5。

 3.2。预测模型的复杂性降低

为了便于研究和建模过程,我们已经证明这个模型可以简化为一个向量自回归模型。

命题1。

公式( 1)是一个向量自回归模型。

 证明。

假设存在序列自相关公式( 1)。自相关是 (2) μ t D = ρ μ t - - - - - - 1 D + υ t D 在这 υ t D 是白噪声。在这里,我们应用Cochrane-Orcutt迭代修改公式( 2): (3) 1 - - - - - - ρ l μ t D = υ t D , 在哪里 l 是滞后算子( l V t ≡ V t - - - - - - 1 ),它可以转换的最后阶段时间序列的当前值。

接下来的工作是找到最满意的价值 ρ 通过逐次迭代法。具体来说,这种方法使用残差来估计未知 ρ 。

假设我们使用之前 p 天的预测今天的伊拉克基地组织机能。乘 ( 1 - - - - - - ρ l ) 两岸的公式( 1);扩张的公式如下: (4) P t = k 1 + β 12 0 C t + β 13 0 我 t + β 14 0 Y t + β 15 0 W t + β 11 1 P t - - - - - - 1 + β 12 1 C t - - - - - - 1 + β 13 1 我 t - - - - - - 1 + β 14 1 Y t - - - - - - 1 + β 15 1 W t - - - - - - 1 + β 11 2 P t - - - - - - 2 + β 12 2 C t - - - - - - 2 + β 13 2 我 t - - - - - - 2 + β 14 2 Y t - - - - - - 2 + β 15 2 W t - - - - - - 2 + ⋯ + β 11 p P t - - - - - - p + β 11 p C t - - - - - - p + β 11 p 我 t - - - - - - p + β 11 p Y t - - - - - - p + β 11 p W t - - - - - - p + υ t D 。

在替换过程中,许多假设忽视了。但普通最小二乘法(OLS估计)不应使用的估计公式( 4),因为OLS只能说明pm2.5日产量和政策控制之间的关系指数,历史的积累pm2.5,风能。前一天的pm2.5的净增长只是这些变量的相关性的原因之一。

政府可以使政策控制pm2.5的生产行业获得“令人满意的”pm2.5的日常生产;也就是说, 我 t 是一个内生变量。和政策控制指数取决于现在的和以前的 p 天的积累历史的pm2.5,风力发电,pm2.5的日常生产和日常pm2.5的扩散: (5) 我 t = k 3 + β 31日 0 P t + β 32 0 C t + β 33 0 Y t + β 34 0 W t + β 31日 1 P t - - - - - - 1 + β 32 1 C t - - - - - - 1 + β 33 1 Y t - - - - - - 1 + β 34 1 W t - - - - - - 1 + β 35 1 我 t - - - - - - 1 + β 31日 2 P t - - - - - - 2 + β 32 2 C t - - - - - - 2 + β 33 2 Y t - - - - - - 2 + β 34 2 W t - - - - - - 2 + β 35 2 我 t - - - - - - 2 + ⋯ + β 31日 p P t - - - - - - p + β 32 P C t - - - - - - p + β 33 P Y t - - - - - - p + β 34 P W t - - - - - - p + β 35 P 我 t - - - - - - p + υ t C , 在哪里 υ t C 代表了其他政策所带来的影响。

前几天的净生长pm2.5和政策控制指数对pm2.5的日常积累也有影响: (6) Y t = k 4 + β 41 0 P t + β 42 0 C t + β 43 0 我 t + β 44 0 W t + β 41 1 P t - - - - - - 1 + β 42 1 C t - - - - - - 1 + β 43 1 我 t - - - - - - 1 + β 44 1 W t - - - - - - 1 + β 45 1 Y t - - - - - - 1 + β 41 2 P t - - - - - - 2 + β 42 2 C t - - - - - - 2 + β 43 2 我 t - - - - - - 2 + β 44 2 W t - - - - - - 2 + β 45 2 Y t - - - - - - 2 + ⋯ + β 41 p P t - - - - - - p + β 42 p C t - - - - - - p + β 43 p 我 t - - - - - - p + β 44 p W t - - - - - - p + β 45 p Y t - - - - - - p + υ t 一个 , 在哪里 υ t 一个 代表其他因素影响pm2.5的日常积累。

喻从公式( 4),( 5)和( 6), C t 和 W t 都可以用一个类似的形式。加入公式( 4),( 5)和( 6)在一起,改写成向量形式: (7) B 0 x t = K + B 1 x t - - - - - - 1 + B 2 x t - - - - - - 2 + ⋯ + B p x t - - - - - - p + υ t 在这 (8) x t = P t , C t , 我 t , Y t , W t T , υ t = υ t D , υ t 年代 , υ t C , υ t 一个 , υ t H T , K = k 1 , k 2 , k 3 , k 4 , k 5 , B 0 = 1 - - - - - - β 12 0 - - - - - - β 13 0 - - - - - - β 14 0 - - - - - - β 15 0 - - - - - - β 21 0 1 - - - - - - β 23 0 - - - - - - β 24 0 - - - - - - β 25 0 - - - - - - β 31日 0 - - - - - - β 32 0 1 - - - - - - β 34 0 - - - - - - β 35 0 - - - - - - β 41 0 - - - - - - β 42 0 - - - - - - β 43 0 1 - - - - - - β 45 0 - - - - - - β 51 0 - - - - - - β 52 0 - - - - - - β 53 0 - - - - - - β 54 0 1 。

在 B 0 中的参数1日,2日,3日,4日和5日行,分别联系起来 P t , C t , 我 t , Y t , W t 其他变量。每一个 B 年代 是一个 5 ∗ 5 矩阵。自左乘公式( 7) B 0 - - - - - - 1 (的逆矩阵 B 0 ): (9) x t = c + Ψ 1 x t - - - - - - 1 + Ψ 2 x t - - - - - - 2 + ⋯ + Ψ p x t - - - - - - p + ε t 在这 (10) c = B 0 - - - - - - 1 K , Ψ 年代 = B 0 - - - - - - 1 B 年代 , ε t = B 0 - - - - - - 1 υ t 。

这是向量自回归模型的标准形式。这证明了我们的预测模型(公式( 1)实际上是一个向量自回归模型。

阴霾的回归参数预测模型可以获得如下。

让 (11) - - - - - - Γ = K B 1 B 2 ⋯ B p , y t = 1 x t - - - - - - 1 x t - - - - - - 2 ⋯ x t - - - - - - p T 。

动态结构系统(公式( 7)国际空间站 (12) B 0 x t = - - - - - - Γ x t + υ t 。

假设干扰条款并不序列相关或相互关联,这意味着 (13) E υ t υ τ T = D , t = τ , 0 , t ≠ τ 。

D 是一个主对角线矩阵。公式( 12)可以写成 (14) x t = Φ T y t + ε t 在这 (15) Φ T = B 0 - - - - - - 1 - - - - - - Γ , ε t = B 0 - - - - - - 1 υ t 。

让 Ω 的variance-covariance矩阵 ε t : (16) Ω = E ε t ε t T = B 0 - - - - - - 1 E υ t υ t T B 0 - - - - - - 1 T = B 0 - - - - - - 1 D B 0 - - - - - - 1 T 。

假设 B 0 是一个下三角矩阵,所有主对角线元素分配1,然后呢 D 是一个主对角线矩阵。的参数 ( B 0 , Γ , D ) 可以通过完整的信息的最大似然估计。的最大似然估计 Ω variance-covariance矩阵可以得到的回归残差。

最后, B ⌢ 0 - - - - - - 1 和 D 通过计算三角分解的 Ω ⌢ ;因此, Γ 可以被评估。

最重要的是,北京伊拉克基地组织的预测模型考虑因素包括工业排放和政策控制,加上前几天的污染的化学变化积累和扩散条件。该模型还考虑这些因素之间的关系,介绍了时间序列霾特征动态结构模型。策略控制指数模拟记录的4严重的烟雾在这个时期。的扩散是由天气评估记录每天的风力发电。

 4所示。模型的评价

我们每天收集了伊拉克基地组织和日常天气信息从2013年10月28日到2016年3月31日。这个完整的序列被用来测试预测模型的准确性。第二天的预测机能实验(部分 4.1(部分)和长期预测机能实验 4.2)都实现。第二天的伊拉克基地组织从两个角度预测评估:每日的准确性预测和统计分析的准确性。

4.1。第二天的伊拉克基地组织的预测

第二天的天气预报信息应用在第二天的伊拉克基地组织的预测。观察和预测每日意味着伊拉克基地组织在北京见图 1。仿真结果表明,预测值与观测值很好地对整个序列的886天。有时候,有严重偏离观测值;例如,2014年2月19日,观察到伊拉克基地组织是89年,209年在我们的模型给出了一个预测,一个偏移量的135%。但事实是,在2月19日下午,北京的风突然改变从西南向东北,7:00和空气质量指数已经达到170,可以被解释成我们的模型成功预测严重烟雾爆发提前几个小时;在接下来的7天内,北京的平均每日机能是305。偶尔出现的“预见”现象是由粗粒度(每天),这种现象是标有红色椭圆图 1。这些标志表明,我们的模型可以“预见”爆发和扩散的急剧变化。大多数霾爆发和扩散可以准确地模拟;一些可以预见但永远不可能被推迟。

(a, b, c)第二天的伊拉克基地组织预测连续886天。

图 2(一个)是一个日常机能的散点图,包括观测值和预测价值。大多数点接近撒谎 y = x (红线)。但是有些点躺在一个队列在底部,这意味着观察到伊拉克基地组织超过200,而预报值小于50。共有15个这样的局外人,7“预见”烟雾扩散,而另8错误点不能很好解释。检查所有的15分,表中列出 1。“✓”意味着“预见”现象,和“吗?”表示错误点。图 2 (b)是一个散点图的年度机能(每日机能在一定年限内的总和)。我们的数据涵盖了只有两个月的2013年和2016年3个月,所以,在这个图中,这两个点位于左下角。

所有的15个异常值图 2(一个)。

日期离群值 标签
2013年11月2日, ✓
2013年12月7日, 吗?
2013年12月25日 ✓
2014年2月14日, 吗?
2014年2月25日, 吗?
2014年3月26日 吗?
2014年10月10日, ✓
2014年10月11日, ✓
2014年11月19日 吗?
2014年11月20日 吗?
2014年11月30日 ✓
2014年12月9日 吗?
2015年1月4日, 吗?
2015年1月15日 ✓
2015年3月7日 ✓

(一)日常伊拉克基地组织的886天。(b)年度伊拉克基地组织从2013年到2016年。

饼图在图 3显示分布的预测精度。预测的偏差和观察到的机能是通过以下公式: (17) D e v t = P r e d 我 c t e d V 一个 l u e - - - - - - O b 年代 e r v e d V 一个 l u e O b 年代 e r v e d V 一个 l u e × One hundred. % 。 图 3显示,55%预言与观测值很好(偏差< 20%)。紫色的部分是主要由“预见”现象引起的。大部分红色部分样本来自天质量。例如,2016年1月12日,空气质量指数预测是40而观察到的机能是29日,这使得37.9%的偏差。事实上,统计数据也表明,我们的模型执行更好的糟糕空气条件(图 4)。样品是正确预测如果一个样本的偏差小于20%或预测空气质量级别比赛观察到的水平。

预测的偏差和观察到的机能。

预测精度不同的空气品质。

 4.2。长期预测机能

在长期的预测,我们使用历史阴霾数据序列和天气预报信息来预测未来7天的机能。样品是正确预测如果一个样本的偏差小于20%或预测空气质量级别比赛观察到的水平。从2015年12月26日到2016年3月31日,我们预测在接下来的7天空气质量指数和检查的准确性 n 天的预测。图 5显示长期预测的准确性在91天的试验。图 5显示精度保持稳定在接下来的3、4、5、6和7天的伊拉克基地组织预测,这说明我们的模型具有良好的鲁棒性的任务长期预测。第二天的预测精度惊人的达到79.1%,这远比实验部分 4.1。原因是,在91天,6烟雾事件袭击北京。这些频繁的袭击并造成很多的整体性能,因为我们的模型是非常敏感的突然变化的机能,包括爆发和扩散(部分 4.1;图 4)。数据 6和 7显示几个霾事件在91天。数据显示的pm2.5变化过程均超过2周。图 6还显示了一个“预见”现象造成的粗粒度,以一个红色椭圆。

长期伊拉克基地组织预测的准确性。

在2016年1月三个烟雾事件。

在2016年2月三个烟雾事件。

 5。结论和未来的工作

本文提出了一个动态结构模型来预测北京的每日的机能。这个模型集成的自然因素、人文因素和自我进化因素的时间序列模型。这种动态结构测量模型日常阴霾的增量是被证明是一个向量自回归模型。该模型的实验反映了两个亮点。首先,我们的模型是非常敏感和执行很好预测突然变化的机能,包括爆发和扩散。其次,模型的鲁棒性任务的长期预测机能。最后,粗粒度时间的限制,我们的模型有时“预见”,但从不延误或错过任何阴霾的突然变化。

许多研究人员使用简单的反向传播神经网络实现非线性预测模型。但由于基于时间序列方法被证明是有效的在阴霾的预测建模中,我们相信,复发性神经网络提供更好的表现在这样一个预测任务。虽然在现有模型相关的因素是有限的,过度拟合的问题依然应该关注,因为,在长期预测,偏差可以传播和被夸大在接下来的天的预测。

 相互竞争的利益

作者宣称没有利益冲突。

 确认

这项研究得到了国家自然科学基金资助下的中国71271209,北京市自然科学基金资助下4132052,和人性和社会科学青年的基础下的中国教育部授予11 yjc630268。

 高 l 贾 G。 张 R。 切 H。 傅 C。 王 T。 张 M。 江 H。 杨ydF4y2Ba P。 视觉范围的趋势在中国的长江三角洲地区,1981 - 2005 空气和废物管理协会杂志》上 2011年 61年 8 843年 849年 10.3155 / 1047 - 3289.61.8.843 2 - s2.0 - 80051744279 刘 Q。 费利克斯 J。 张 Y。 Schauer J·J。 源解析北京空气污染在严冬霾事件和相关的炎性反应肺上皮细胞 大气环境 2016年 126年 28 35 10.1016 / j.atmosenv.2015.11.031 2 - s2.0 - 84949197156 领带 X。 Brasseur g . P。 赵 C。 Granier C。 宏伟的 年代。 秦 Y。 王 P。 王 G。 杨 P。 里希特 一个。 空气污染的化学特征在中国东部和美国东部 大气环境 2006年 40 14 2607年 2625年 10.1016 / j.atmosenv.2005.11.059 2 - s2.0 - 33645409847 邓 J。 王 T。 江 Z。 谢 M。 张 R。 黄 X。 朱 J。 描述在南京可见性及其影响因素,中国 大气研究 2011年 101年 3 681年 691年 10.1016 / j.atmosres.2011.04.016 2 - s2.0 - 79960145571 、(中国环境保护部) 中国环境年鉴 2014年 中国,北京 中国环境年鉴》出版社 全 J。 领带 X。 张 Q。 刘 Q。 李 X。 高 Y。 赵 D。 沉重的气溶胶污染的特点在2012 - 2013年冬天在北京,中国 大气环境 2014年 88年 83年 89年 10.1016 / j.atmosenv.2014.01.058 2 - s2.0 - 84894239955 赵 x J。 赵 p S。 徐 J。 孟 W。 聚氨酯 W·W。 越南盾 F。 他 D。 史 问:F。 冬季区域霾事件分析华北平原及其形成机制 大气化学和物理 2013年 13 11 5685年 5696年 10.5194 / acp - 13 - 5685 - 2013 2 - s2.0 - 84887197034 王 H。 一个 J。 盛ydF4y2Ba l 朱 B。 锅 C。 刘 Z。 刘 X。 段 Q。 刘 X。 王 Y。 亚微米气溶胶的形成和微物理特征的机制在沉重的霾污染集中在长江三角洲、中国 科学的环境 2014年 490年 501年 508年 10.1016 / j.scitotenv.2014.05.009 2 - s2.0 - 84901427335 王 Y。 李 l 程ydF4y2Ba C。 黄 C。 黄 H。 冯 J。 王 年代。 王 H。 张 G。 周 M。 程 P。 吴 M。 盛 G。 傅 J。 胡 Y。 罗素 a·G。 Wumaer 一个。 在秋天的细颗粒物源解析霾事件在上海,中国 地球物理研究杂志》的atm 2014年 119年 4 1903年 1914年 10.1002/2013 jd019630 2 - s2.0 - 84896909274 霁 D。 李 l 王 Y。 张 J。 程 M。 太阳 Y。 刘 Z。 王 l 唐 G。 胡 B。 曹国伟 N。 温 T。 苗族 H。 最重的微粒空气污染事件发生在中国北方今年1月,2013:从观察中获得的见解 大气环境 2014年 92年 546年 556年 10.1016 / j.atmosenv.2014.04.048 2 - s2.0 - 84901046102 胡 J。 王 Y。 应 Q。 张 H。 时空变异性PM2.5和PM10的华北平原和长江三角洲,中国 大气环境 2014年 95年 598年 609年 10.1016 / j.atmosenv.2014.07.019 2 - s2.0 - 84904103448 侯 Q。 杨 H。 阴霾天气的分析和预测的基础上,三次指数平滑模型 环境保护科学 2014年 6 73年 77年 郭 年代。 胡 M。 萨莫拉 m . L。 彭 J。 商 D。 郑 J。 杜 Z。 吴 Z。 邵 M。 曾 l 莫利纳 m·J。 张 R。 阐明严重在中国城市烟雾的形成 美国国家科学院院刊》上的美利坚合众国 2014年 111年 49 17373年 17378年 10.1073 / pnas.1419604111 2 - s2.0 - 84917691429 黄 R.-J。 张 Y。 Bozzetti C。 何 K.-F。 曹 j j。 汉 Y。 Daellenbach k·R。 Slowik j·G。 普拉特 s M。 Canonaco F。 Zotter P。 狼 R。 Pieber s M。 布鲁斯 大肠。 Crippa M。 Ciarelli G。 Piazzalunga 一个。 Schwikowski M。 Abbaszade G。 Schnelle-Kreis J。 齐默尔曼 R。 一个 Z。 Szidat 年代。 水藻 U。 El哈达德 我。 Prevot a . s . H。 高次生气溶胶微粒污染的贡献在霾事件在中国 自然 2015年 514年 7521年 218年 222年 10.1038 / nature13774 2 - s2.0 - 84908317345 Vieno M。 治愈R M。 Hallsworth 年代。 远程运输和国内碳排放的作用在决定大气二次无机粒子浓度在英国 大气化学和物理 2014年 14 8435年 8447年 Kiesewetter G。 Borkenkleefeld J。 Schopp W。 欧洲造型街面pm10浓度:源分配和可能的未来 大气化学和物理 2014年 14 18315年 18354年 张 R。 王 l Khalizov 答:F。 赵 J。 郑 J。 麦格劳 r . L。 莫利纳 l . T。 形成的纳米颗粒的蓝色烟雾增强人为污染 美国国家科学院院刊》上的美利坚合众国 2009年 106年 42 17650年 17654年 10.1073 / pnas.0910125106 2 - s2.0 - 70449568307 里奇 j . M。 计量经济学分析横截面和面板数据 2010年 2日 美国马萨诸塞州剑桥市 麻省理工学院出版社 MR2768559 太阳 Y。 研究基于预测的阴霾天校长Component-BP神经网络模型 2015年 江苏大学 梁 X。 邹 T。 郭 B。 李 年代。 张 H。 张 年代。 黄 H。 程ydF4y2Ba s . X。 评估北京的PM2.5污染:严重性、天气影响,亚太经合组织和冬季供暖 《皇家学会学报:数学、物理和工程科学 2015年 471年 2182年 10.1098 / rspa.2015.0257 2 - s2.0 - 84946077874 人工智能 H。 史 Y。 研究基于BP神经网络预测的阴霾 计算机模拟 2015年 32 402年 405年 张 X。 吴 Y。 顾 B。 霾事件和因素形成的特征使用面板模型 光化层 2016年 149年 320年 327年 10.1016 / j.chemosphere.2016.01.090 李 l 钱 J。 欧 C.-Q。 周 y。 郭 C。 郭 Y。 空气污染指数的时空分析及其timescale-dependent与气象因素的关系在广州,中国,2001 - 2011 环境污染 2014年 190年 75年 81年 10.1016 / j.envpol.2014.03.020 2 - s2.0 - 84898637711 田 G。 乔 Z。 徐 X。 可吸入颗粒物(PM10)的特点及其与气象因素的关系在2001年- 2012年在北京 环境污染 2014年 192年 266年 274年 10.1016 / j.envpol.2014.04.036 2 - s2.0 - 84904068632