基于多因素立体识别的城市雾霾污染区间组合预测模型及应用研究

Faced with the increasingly severe haze pollution problem, how to improve the accuracy of haze pollution forecasting is an important premise to effectively prevent the haze pollution and win the Blue Sky Protection Campaign. Based on the current situations of incomplete identification of influencing factors and imperfect forecasting theories and methods, this research creatively builds a theoretical framework and methodology system of city haze pollution interval combined forecasting based on multi-factor tri-dimensional identification. First, the research starts from feature mining of haze pollution of 362 cities in China. Regarding the Internet search information as a crucial dimension, it is incorporated into the haze pollution evaluation index system to achieve the tri-dimensional identification of multiple factors and index selection. Next, the haze pollution interval combined forecasting model based on multi-objective optimization is built by combining the shallow forecasting and deep learning techniques in the artificial intelligence algorithm. Further, the performance of the interval combined forecasting model is comprehensively evaluated from the perspectives of forecasting accuracy, stability and significance. Finally, in the framework of multi-factor tri-dimensional identification, the design ideas of early-warning mechanism and multi-agent united defense system of city haze pollution is proposed. This research is not only beneficial to perfecting the theories and methods of city haze pollution forecasting, but it can also provide scientific basis for making policies of preventing and controlling the haze pollution.

面对日益严峻的雾霾污染问题，如何提高雾霾污染预测的准确性是有效防治雾霾从而“打赢蓝天保卫战”的重要前提。本项目立足于现有研究对于雾霾污染影响因素识别不全面、预测理论和方法不完善的事实，创新性地基于多因素立体识别的角度，构建城市雾霾污染区间组合预测的理论模型和方法体系。首先，以中国362个城市雾霾污染的特征挖掘为起点，将网络搜索信息作为一个重要维度纳入雾霾污染评价指标体系，实现多因素的立体识别和指标筛选。其次，利用人工智能算法中的“浅”预测技术和深度学习技术，建立基于多目标优化的雾霾污染区间组合预测模型。再次，从预测精度、预测稳定性和预测显著性三方面，对区间组合预测模型的性能进行综合评价。最后，在多因素立体识别的框架下，提出城市雾霾污染预警机制和多主体联防体系的设计思路。本研究不仅有利于完善我国城市雾霾污染预测的理论与方法，而且能够为制定更为有效的防霾治霾政策工具提供科学依据。

“双碳”背景下，环境污染排放问题日益得到关注。该项目围绕碳排放、污染以及能源消耗等问题，基于机器学习、深度学习等人工智能方法构建区间预测模型，实现对污染的精确预测。具体来说，第一，预测模型的建立与应用。提出了一种基于K近邻的深度学习方法来捕获时间序列预测的不确定性，反映电力负荷的波动范围。应用K近邻算法，通过计算寻找与未来值相似的历史电力负荷时间序列特征训练和测试数据集之间的距离，NSGA-II优化算法进行多目标优化找出最小类别K近邻数和最优预测精度，根据预测结果，采用改进的非参数核密度估计方法，得到最优解预测间隔。提出了一种通过建立一个基于高斯分布和改进的卷积神经网络的包含所有预测区间结果的索引表来进行区间预测的方法。构建了基于影响因素识别的混合预测模型来预测碳排放量，模型包括关联规则算法和萤火虫算法优化的灰色预测模型。得出能源消耗、经济增长、产业结构、FDI和城市化是中国碳排放的五大影响因素。除了单一因素外，它们还可以对碳排放产生协同影响。提出模糊预测模型，采用模糊剪影准则来有效、客观地确定模糊区间的最优数目和长度。具有相等和不相等间隔的话语世界通过聚集犹豫的信息而被融合。第二，环境污染规制与治理。利用社会网络分析探究经济合作与发展组织国家碳排放网络以及环境规制对碳排放网络的影响。利用面板数据模型研究了可再生能源和非可再生能源对《巴黎协定》提出国节能减排的重要作用。第三，环境经济。利用倾向得分匹配与双重差分法探究我国的“一带一路”政策对沿线国家节能减排的重要作用。在绿色增长的理论框架下构建了资源型城市转型升级的能源节约、附加值提升和环境友好三维空间，从方向向量内生化、引入相对距离和外生权重三个方面对方向距离函数加以改进，提出资源型城市转型升级压力的测算方法，讨论了经济可持续发展的方向选择问题。