1. 研究目的与意义
我国经济发展和城市化进程的快速推进，工业排放、生活废气、娱乐消费、城市人口、交通运输、能源消耗等产生的空气污染物不断增加，造成严重的空气污染问题。空气污染不仅破坏生态环境、损害人民群众的身心健康，而且对城市的投资环境、经济发展等许多方面带来负面影响。治理空气污染对于城市的可持续发展有着重大的意义，已成为被各国政府提到的国家战略发展的高度来对待，因而也成为相关企业、科研机构和学者们研究的热点。治理空气污染需要重点解决两方面的问题：一方面是确定污染物的来源，另一方面是制定消除或减少污染物的方案。因此，探索空气污染物的传播过程，研究污染物的成因和它们之间的关联性是空气污染物研究问题的关键。然而，城市空气污染物的传播是一个复杂的问题，受到天气条件、地理条件等因素的影响，导致研究城市空气污染源的问题难度加大。
2. 研究内容和预期目标
(1)挖掘城市空气污染物数据之间的关联性，提出周边城市空气污染物与目标城市空气污染物有效关联的判别方法。具体地说，周边城市空气污染物与目标城市空气污染物是有效关联的，即相关的地理数据、气象数据和空气质量监测数据满足以下三个匹配条件：(a)周边城市所处位置与风向匹配，即周边城市的空气污染物向目标城市方向扩散；(b)周边城市与目标城市的距离、周边城市的风速、周边城市数据的时间戳与目标城市数据时间戳(有延迟)匹配；(c)周边城市风向数据(带时间戳)与目标城市风向数据(带延迟时间戳)匹配。
(2)提出城市空气污染物时间序列数据上升趋势、下降趋势和平稳趋势等三个有效模式，采用基于自底向上的线性分割法对空气污染物时间序列数据进行分割处理，有效滤除了原始空气污染物数据中的噪音，并利用模式匹配的方法评估周边城市各种空气污染物对目标城市的具体影响程度。此外，利用 http://beijingair.sinaapp.com/及“中国气象数据网”所公布的数据对本文所提出的方法进行了实验验证。
3. 国内外研究现状
国内在空气污染方面的研究大约始于上世纪 80 年代。在此期间，中央气象局、北京市气象局等单位联合对北京地区空气污染（SO2）进行潜势 24 小时的预报，北京、沈阳、南京等地的气象部门及各大知名高校展开了相关污染的预报研究。国务院环委会决定自1997 年 6 月开始在北京、上海、天津、沈阳、西安、广州、武汉、重庆、南京、杭州、深圳、昆明、成都、珠海、汕头、湛江、桂林等城市进行空气质量现状周报（内部试报）。针对日益加重的空气污染，研究者们提出了多种多样用于城市空气污染预报的方法。早期用得较多的是线性回归方法，近期有基于神经网络、大数据、贝叶斯网络等方法。
在基于线性回归预测方法的研究方面，周势俊等人采用基于 Kalman 的滤波法，并结合回归法对大连市的空气污染物进行了预报。其主要采用误差递归反馈的思想对预报方程不断进行修整，以提高预报精度。该法所需历史资料少，便于建立方程。1997 年，针对污染源调查工作的不确定性会给预报研究带来阻碍的问题，中国气象科学研究院城市空气污染数值预报系统 CAPPS，对城市的空气污染潜势指数(PPI)和污染指数（API）进行预报，该系统的显著优势是其对污染源的源信息没有强依赖性。朱蓉等人结合CAPPS 系统进一步对北京和上海的空气污染进行预报，由预报结果可知，CAPPS系统的预报精确度与其他发达国家预报模式水平相当。
在基于神经网络、大数据与深度学习预测方法的研究方面，吴小红等人提出一种基于 BP 神经网络快速收敛算法，用于预测中小城市空气污染指数。韩道汶等人在具有城市重点污染源的排放数据的条件下，利用人工神经网络模型来预测城市空气质量，以此提高空气质量预测的准确性。郭庆春等人利用石家庄市 2005~2009 年四个季节的数据分别建立了一个基于时间序列的神经网络模型，并用 2009~2010 年春季、夏季、秋季、冬季的数据作为测试样本来对实验结果进行检验。结果表明，BP 网络模型不需要建立数学模型，就能够呈现很好的预测精度。文献提出了使用异构城市数据推断和预测细粒度空气质量的数据驱动方法，他们都是利用城市大数据（空气质量、气象环境、交通流量、道路网络结构和兴趣点 POI 等数据）对空气污染物进行推断和预测。尹文君等人提出了一种基于深度学习的城市空气质量预报方法，将空气质量、气象等数据在原空间的特征表示转换到具有语义特征的新特征空间，可自主学习到层次化的特征表示，从而提高预报性能。董婷等人进一步采用时空优化深度神经网络来对 AQI 等级进行预测，针对现有空气质量对噪声敏感的问题，提出了一种基于堆栈降噪自编码（SDAE）模型的 AQI 等级预测方法。刘燕等人采用基于大数据和物联网的预测方法对空气污染物的监测展开研究，并提出了一种基于大数据分析处理的空气质量预测系统，构建了基于物联网的空气质量监测系统，以监测当前的和预测未来的空气质量情况。
4. 计划与进度安排
研究计划：
2022年8月7日-2022年9月21日 完成文献综述
2022年9月22日-2022年11月20日 完成论文的开题工作
5. 参考文献
1989. Model results and comparisonithobservations[J].Atmospheric Environment.Part A.General Topics, 1993, 27(6):921-943. [10] WMO. Report of the Meeting of Experts on Atmospheric Urban Pollution and the Role of National M eteorological Services[R]. Geneva:World Meteorological Organization Global Atmosphere Watch , 1996. [11] Setl H, Viippola V, Rantalainen AL, et al. Does urban vegetation mitigate air pollution in northern onditions?[J]. Environmental Pollution, 2013,183:104-112. [12] Keats A ,Yee E , Lien F S . Bayesian inference for source determination with applications to a complex urban environment[J]. Atmospheric Environment, 2007, 41(3):465-479. [13] Lee S ,Liu W , Wang Y H, et al. Source apportionment of PM2.5: Comparing PMF and CMB results for fourambientmonitoringsitesinthesoutheasternUnitedStates[J].AtmosphericEnvironment,2008, 42(18):4126-4137. [14] Mesjasz-Lech A. Urban Air Pollution Challenge for Green Logistics[J]. Transportation Research Procedia, 2016,16:355-365.[15] Shakir M, Rakesh N.InvestigationonAirPollutantDataSetsusingDataMiningTool[C]//20182nd International Conference on I-SMAC. IEEE,2018:480-485.[16] Paraschiv S, Paraschiv L S. Analysis of traffic and industrial source contributions to ambient air pollution with nitrogen dioxide in two urban areas in Romania[J]. Energy Procedia, 2019, 157:1553-1560.
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
