網(wǎng)站的報價怎么做sem優(yōu)化策略
1. 研究背景及意義
近年來,隨著我國科技和經(jīng)濟(jì)高速發(fā)展,人們生活質(zhì)量也隨之顯著提高。但是, 環(huán)境污染問題也日趨嚴(yán)重,給人們的生活質(zhì)量和社會生產(chǎn)的各個方面都造成了許多不 利的影響??諝馕廴咀鳛榄h(huán)境污染主要方面,更是嚴(yán)重危害著人們身體健康,為有效地改善人們生活環(huán)境,開展大氣污染防治工作刻不容緩。
空氣污染影響因素有很多,如工廠廢氣、汽車尾氣的排放等。除此之外,不同的 地理區(qū)域?qū)τ诳諝馕廴疽灿兄煌挠绊?#xff0c;例如冬季北方的空氣質(zhì)量普遍較差等?,F(xiàn)研究中對于空氣污染狀況的衡量指標(biāo)有兩類,分別是單個指標(biāo)和綜合指標(biāo)。單個指標(biāo)包括PM2.5,PM10,CO,SO2,NO2,O3六種污染物。綜合指標(biāo)有空氣污染指標(biāo)(API) 和空氣質(zhì)量指標(biāo)(AQI)。API只統(tǒng)計了NO2,PM10,SO2三種污染物,而AQI是統(tǒng)計 了六種污染物,相比較API可以更為準(zhǔn)確地概述空氣質(zhì)量狀況。
2.研究現(xiàn)狀
關(guān)于空氣質(zhì)量指數(shù)的影響因素,直觀上是空氣中六種污染物濃度。但是空氣污染 是一個復(fù)雜的現(xiàn)象,污染物濃度的變化會受到許多因素的影響。一方面是污染物排放 影響,如車輛尾氣排放,工業(yè)生產(chǎn)中廢氣排放,垃圾焚燒和居民取暖等。另一方面受 當(dāng)?shù)氐匦蔚孛病⑷丝诎l(fā)展密度及氣象條件等影響。相關(guān)因素對空氣質(zhì)量影響強(qiáng)度的評估也有許多方法,最常見的有圖表相關(guān)分析,協(xié)方差及協(xié)方差矩陣,相關(guān)系數(shù)及互信 息數(shù)等等。....
3.本文數(shù)據(jù)介紹
本文所運(yùn)用到的數(shù)據(jù)來源于全球暖化數(shù)據(jù)集中世界主要國家空氣污染指數(shù)表(年)的數(shù)據(jù),本文主要是針對芬蘭的空氣污染指數(shù)進(jìn)行分析和預(yù)測,在處理數(shù)據(jù)時,將特征進(jìn)行了篩選,最終選擇了氮氧化物、PM2.5、PM10等特征,原始數(shù)據(jù)展示如下:
代碼加數(shù)據(jù)
4.數(shù)據(jù)展示和模型構(gòu)建
首先,讀取數(shù)據(jù),查看數(shù)據(jù)屬性:
library(openxlsx)
# 文件名+sheet的序號
KQWR_data<- read.xlsx("芬蘭空氣污染.xlsx", sheet = 1)
View(KQWR_data)KQWR_datasummary(KQWR_data)#####描述性統(tǒng)計分析
從圖三可以看出,對數(shù)據(jù)進(jìn)行了描述性統(tǒng)計,其中氮氧化物的最小值為53.01,最大值為130.93,PM2.5的最小值為55.82,最大值為175.44,PM10指數(shù)的最小值為58.25,最大值為175.44。接下來分別畫出指標(biāo)的條形圖
###氮氧化物
KQWR_Emi<-KQWR_data$EmiIndex_2000
KQWR_Emi
barplot(KQWR_Emi,xlab="年份",ylab="排放指數(shù)",col="pink",main="氮氧化物排放指數(shù)",border="blue")
從上面三個指標(biāo)的條形圖可以看出,氮氧化物、PM2.5以及PM10隨著時間的變化但是在逐步下降,這也歸功于世界各地的節(jié)能減排措施的執(zhí)行,雖然PM2.5和PM10在后幾年有小幅的上升但是總體趨勢還是逐漸下降的。隨后畫出氮氧化物的時序圖,如下:
###氧化物時間序列圖
KQWR_Emi
TS_KQWR_Emi<-ts(KQWR_data$EmiIndex_2000,start=c(1990),frequency=1)
TS_KQWR_Emi
plot(TS_KQWR_Emi,type="o",pch=20,main="時間序列圖",xlab = "年份/Y",ylab="氣溫",col = "yellow")
在可視化之后,隨后進(jìn)行模型的構(gòu)建,但是在構(gòu)建模型之前,還需要對序列數(shù)據(jù)進(jìn)行純隨機(jī)性檢驗,具體結(jié)果如下:?
畫出該序列的自相關(guān)和偏自相關(guān)圖
隨后進(jìn)行ADF檢驗
#ADF檢驗
library(aTSA)
adf.test((TS_KQWR_Emi))
隨后進(jìn)行定階處理,下面進(jìn)行自動定階的函數(shù),計算得到模型應(yīng)該采用ARIMA(0,1,1),擬合得到模型系數(shù)
隨后查看序列的正態(tài)分布情況:
下面進(jìn)行模型的殘差檢驗:
###殘差檢驗
Box.test(TS_KQWR_Emi.fit $residuals,type = "Ljung-Box")
從殘差結(jié)果顯示,P值為0.8188,顯然大于0.05,故在顯著性水平5%下,沒有理由拒絕原假設(shè)。說明殘差是白噪聲。接下來進(jìn)行最終的預(yù)測,本文預(yù)測h=5,表明預(yù)測5年芬蘭的空氣污染指數(shù)(氮氧化物)的污染指數(shù),具體結(jié)果如下:
5.結(jié)論
本文對數(shù)據(jù)進(jìn)行了預(yù)處理以及相關(guān)分析。首先,對數(shù)據(jù)進(jìn)行了數(shù)據(jù)指標(biāo)的整合處理,保證模型可以更好地對數(shù)據(jù)進(jìn)行學(xué)習(xí)。其次,對原始數(shù)據(jù)進(jìn)行可視化并分析其趨勢,隨后在建模前進(jìn)行相應(yīng)的檢驗工作,最終進(jìn)行建模分析,發(fā)現(xiàn)RIMA模型對于單一序列的線性擬合效果較好.....
本文報告和數(shù)據(jù)加代碼
報告(英文版)加代碼(英文版)加數(shù)據(jù)
創(chuàng)作不易,希望大家多多點贊收藏和評論!