城市空气污染数据的真实性判别及分析研究

问题重述1.1问题背景空气质量问题始终是政府、环境保护部门和全国人民关注的热点问题。2021年的两会上，全国政协常委、环境保护部副部长吴晓青表示，政府工作报告中提出的今后五年地级市及以上城市空气质量优良天数比率超过80%的目标必须完成。此外，吴晓青表示，很高兴在今年的“十三五”规划草案里看到增加了环境质量的考核指标，并指出增加的指标有几个特点：一是对环境质量的指标考核更加全面、更加完善。二是和老百姓息息相关，切身利益更加贴近、更加结合。三是更加严格。其中，优良天数比率指的是：区域内城镇空气质量优良以上的监测天数占全年监测总天数的比例。然而，由于各种主客观原因，会使所采集到的数据序列体现出一定的异常现象。1.2问题提出在上述问题背景的基础上，结合题目所给资料，要求建立数学模型讨论下列问题： 1、搜集相关空气质量和气候数据，分析空气质量数据的真实性，建立数学模型或者相应指标来确定是否存在数据不真实的现象。2、在此过程中，或利用污染物之间的相关性、或利用污染物变化的连续性、或自行设计指标在时间、空间等各层次上进行对比，来确定数据不真实是否存在并讨论其严重性。3、通过模型分析数据不真实的类型、原因，最终为环境保护和政策制定提供支撑。4、进一步的讨论可以加入社会因素，例如分析空气质量与工业生产（例如钢产量）等数据之间的相关性，分析是否可以通过空气质量数据的变化来展示工业生产（例如钢产量）等数据的实际情况。问题分析本文的主要内容是完成城市空气污染数据的真实性的判别建模，然后根据模型结果，得到京津冀，长三角，珠三角空气污染数据存在的不真实性。针对问题1，通过分析京津冀，长三角，珠三角三个地区中的空气污染数据的波动性，认定空气污染数据的城市具有代表性。根据前面数据波动判断的真实数据，以各个时间的PM10、CO、NO2、SO2四个指标数据作为输入，输出的是PM2.5的指标数据作为输出建立BP神经网络模型。将其他城市的PM10、CO、NO2、SO2四个指标数据代入BP神经网络，得到预测的PM2.5的指标数据。通过比较预测值和实际值的差异性，判断城市空气污染数据的真实性。针对问题2，本文利用相关系数分析法找出各污染物之间的相关性，而后从时间、空间角度进行分析。对于时间角度，我们可以做出各地区污染物随时间变化的趋势；对于空间角度，我们可以对各地区的污染程度进行取平均值。针对问题3，本文通过模型分析数据不真实的类型、原因，最终为环境保护和政策制定提供支撑。对于数据不真实的类型，我们可以从相关性差异、是否连续来讨论；对于数据不真实原因，我们可以从技术层面、人为层面进行分析。针对问题4，本文主要采用搜集到的各个地区的钢产量和煤炭产量数据，通过钢产量数据和空气质量数据的相关性，判断城市空气污染数据的真实性。模型假设1、假设京津冀，长三角，珠三角空气污染数据没有经过二次处理；2、假设AQI指标中的PM2.5、PM10、CO、NO2、SO2具有一定的相关性，某一个指标增加，其他指标也会增加；3、假设可由钢产量和煤炭产量数据来代表社会因素。4、钢产量和煤炭产量数据与空气质量具有很强的相关性。5、同一个区域的城市由于空间的连续性会导致空气质量相差不大。6、空气污染数据处于平均的城市真实性较高。7、AQI指数可以代表空气质量的好坏。8、城市空气污染数据的真实性具有时间连续性，如果这个月数据真实，可以认为下个月数据也真实。符号说明符号解释说明AQI平均值的中间值BP神经网络输出神经网络输入Network1根据廊坊空气建立BP神经网络北京的网络输入北京的网络输出五、模型的建立与求解5.1空气污染数据处理本文搜集到了京津冀，长三角，珠三角空气污染数据（部分），主要包括不同日期（从2013/11/1到2021/2/28）的AQI指数、质量等级、当天AQI排名、PM2.5、PM10、CO、NO2、SO2，为了简化问题，根据AQI指数定性分析空气质量的初步真实性。 京津冀地区北京、天津、石家庄、唐山、保定、廊坊、邢台、张家口、秦皇岛、衡水、邯郸、承德、沧州的从2021/11/1到2021/12/31的AQI指数如表1所示。表1京津冀地区AQI指数日期北京天津石家庄唐山保定廊坊邢台张家口秦皇岛衡水邯郸承德沧州2021/11/12311892882932662453021641282312431041732021/11/22942602632763282822281722302401881482232021/11/38013114419213513315043170132169781402021/11/4578213481168781406878137161631042021/11/518413121414820018919095132115138961072021/11/61892331383452242571611012311821681211632021/11/7591051151339794104761379910661782021/11/810690160104137631549010511297721012021/11/917819024920222666174106981751311142332021/11/1053112133144129581486263157130611772021/11/11477112079105611035472917552652021/11/12778513710211282142649111212865752021/11/131141112691281831112687796151232741242021/11/14170166384177339206351931431522041101722021/11/1595141173154170157205112137155165831172021/11/161091651942331791912001292041711691091292021/11/173371107858881118598510711450732021/11/18194710655795311650528612634572021/11/19224313953975112448528712933662021/11/2074113167120169581515989101131581092021/11/21922123082112631011716499157149702462021/11/2213426839229335928827573149236231802422021/11/2321231349837549136445796294315362943002021/11/241693254204344913144071183954333431023152021/11/255910112914415998127849414892821362021/11/26376811576988013160748411254832021/11/2742771046196831107064939743702021/11/283179915567571136062798336732021/11/2956104908391981525384104133471022021/11/307012712714610710815363103110110721132021/12/15699166116124104180619810312375872021/12/210920627320525720429771135214227821962021/12/3113283361311329228424832003353121023222021/12/49920721518223718031483115306283972482021/12/5832192211872061652577483280205962502021/12/69384169100181104215699211917779842021/12/723320239722242132541386120210275102452021/12/8341309461330470421499911872943361301212021/12/99716324023321318038052158268312761692021/12/1036941119815399159638111018851882021/12/1133811047811478145797310917851872021/12/1236951059511880164538213613351972021/12/1341653196610466135595711711339892021/12/1464963451192251202706267190247431522021/12/15611282771152581334647067244428662132021/12/16922013842222802405007793245480782432021/12/171371483062782673064616498403387912522021/12/18321141971131951242384857213176551462021/12/194998312712101003395349234208461472021/12/2063108480109288935005361385388521882021/12/215098498159380825005365467456562052021/12/221321934402213592734336780263306812372021/12/2319926150034040434350082156360464992432021/12/2420229250022638932650086104500500973662021/12/252782775002104584285001191695005001503062021/12/269126434220425020043076175429387852232021/12/272443656310750123586911513043742021/12/283961846913858127548115111850902021/12/295896898787101116689013111963762021/12/3074129871211121211539211814611983892021/12/31931339610313813212913911516511581101在matlab中处理后得到京津冀地区AQI指数变化趋势如图1所示。图1京津冀地区AQI指数变化趋势可以看到京津冀地区北京、天津、石家庄、唐山、保定、廊坊、邢台、张家口、秦皇岛、衡水、邯郸、承德、沧州的AQI指数在空间上呈现出大致相同的变化趋势，比如北京的AQI指数增加，天津的AQI指数也会增加。下面通过在matlab处理得到AQI的平均值m1，然后绘制平均值如图2所示。然后通过天津唐各城市的平均AQI指数的中间值156.9016，可以看到廊坊的AQI数据处于中间值，初步假定廊坊的空气污染数据真实性比较高。5.2建立BP神经网络查前面得到京津唐地区中廊坊的空气污染数据具有较高的真实性，下面以各个时间廊坊地区的的PM10、CO、NO2、SO2四个指标数据作为输入，输出的是PM2.5的指标数据作为输出建立BP神经网络模型。廊坊的空气污染指标（PM2.5、PM10、CO、NO2、SO2）数据如表2所示。表2廊坊的空气污染指标日期输出输入PM2.5PM10CONO2SO22021/11/11923132.3271182021/11/22263311.7763212021/11/3851801.074792021/11/4411000.862122021/11/51392551.8382392021/11/61443001.6472232021/11/711520.5344142021/11/8092.2167772021/11/91301.9491492021/11/1018680.2932112021/11/1134760.5551222021/11/12551310.8962302021/11/131612792.71104832021/11/141402741.9181442021/11/151313161.887752021/11/16802540.8845382021/11/1717610.535202021/11/1814540.3835172021/11/1921390.6441332021/11/2035571.5477622021/11/21781612.55108902021/11/222684242.911411782021/11/233425123.891631772021/11/241522691.5987872021/11/2526830.5939342021/11/26361330.6436282021/11/2711890.231772021/11/2826680.6646402021/11/29951671.7876912021/11/30681231.2664682021/12/11021531.5377772021/12/22112903.281251472021/12/31171781.8591852021/12/41742402.951021092021/12/5791291.5963792021/12/61452042.1180902021/12/73904825.46144992021/12/83034233.2896532021/12/922610.4933242021/12/10791781.6152572021/12/1143791.0449532021/12/1238900.6238362021/12/13641061.2455682021/12/14901351.7273732021/12/151141672.6385772021/12/162833595.31351032021/12/172002563.74931342021/12/1854810.8249452021/12/1970981.1456542021/12/20671031.2862512021/12/21911201.3182672021/12/223143613.341161422021/12/232653213.451321262021/12/2432338951501492021/12/253804854.57136962021/12/2612570.324132021/12/2729540.6752322021/12/2837560.6646342021/12/291161651.9374942021/12/30721411.470652021/12/311112181.917071本文主要利用matlab神将网络工具箱建立BP神经网络，神经网络工具箱如图3所示，神经网络输入输出分别是变量x,y.图3神经网络工具箱然后建立BP神经网络如图4所示，网络类型是Feed-forwarbackprop，输入变量是x，目标输出是y，网络训练函数采用trainlm，评价函数采用mse。图4BP神经网络参数神经网络结构如图5所示，包含一个输入层，一个输出层，两个隐含层。图5BP神经网络结构图神经网络训练参数如图6所示，可以看到通过7次迭代后达到网络误差要求mu，网络性能是6.62e3。网络训练过程如图7所示。图6神经网络训练参数图7网络训练过程然后将训练得到的BP神经网络network1导出到工作空间。5.3模型求解通过前面建立的BP神经网络，可以通过输入空气污染数据的PM10、CO、NO2、SO2得到PM2.5指标数据。以廊坊的数据为真实依据，将其他城市的污染数据输入到BP神经网络模型中，然后得到预测的PM2.5指标数据，最后根据预测的PM2.5指标数据和测量的PM2.5指标数据判断数据的真实性。以北京地区为例，分析数据的真实性。北京地区的PM10、CO、NO2、SO2指标数据如表3所示，然后以此为输入，代入前面的模型得到预测的PM2.5指标数据。表3北京地区的PM10、CO、NO2、SO2指标数据日期PM10CONO2SO22021/11/12021.89100142021/11/2253211/3820.824552021/11/4600.875492021/11/51882.0695232021/11/61351.475592021/11/7550.354292021/11/81602.2393502021/11/91141.5865392021/11/10390.452782021/11/11560.7549172021/11/12811.3658212021/11/131802.7697482021/11/141031.3155192021/11/151672.1281272021/11/16920.7630112021/11/17210.462062021/11/18160.421862021/11/19410.7737162021/11/20761.6554232021/11/211031.9369342021/11/221302.2883452021/11/231582.996562021/11/241301.1841242021/11/25260.542282021/11/26460.752192021/11/27340.38622021/11/28320.6823112021/11/29711.6957302021/11/30491.0141262021/12/1771.756342021/12/21232.5375532021/12/3881.5854382021/12/41012.0462422021/12/5551.1738302021/12/61582.4677492021/12/72924.34100632021/12/81923.0161482021/12/9160.592192021/12/10440.9629142021/12/11290.7429142021/12/12280.7524102021/12/13631.345292021/12/14471.1840292021/12/15551.5249312021/12/161272.5571592021/12/17451.3438352021/12/18410.8130222021/12/19591.2249292021/12/20461.146282021/12/21841.6469442021/12/221772.7495672021/12/231652.8790612021/12/242684.85123952021/12/252163.292642021/12/26190.42082021/12/27210.5934192021/12/28190.3822112021/12/29861.7375472021/12/30831.0651272021/12/311491.274923北京的空气中PM2.5指标的预测值和实际值变化趋势如图8所示，可以看出两条曲线趋势大致相同，前面的真实性比较低，后面比较高，整体来说数据不是特别真。主要判断是两条曲线的误差平方和error，计算得到北京地区的误差平方和error=116809.95.4模型结果和前面的处理方法一样得到长三角和珠三角地区的真实性判别过程，其中长三角的真实参照选择常州，珠三角区域的真实参照选择东莞。各个地方的误差平方和error结果如表4所示天津唐长三角珠三角北京116809.9上海3427132广州8844050天津5399051南京3756921深圳7208557石家庄953726.9杭州5465538珠海186127.7唐山1465149苏州5619202惠州6747765保定6311412无锡3958222东莞5088廊坊93204常州3981309中山4378202邢台9742216常州53672佛山1170368张家口5708384镇江6575305江门8146817秦皇岛9968502扬州9509152肇庆3248554衡水5535416泰州7223485邯郸5154585南通4000797承德3306821湖州8318713沧州4300018宁波1343383台州604667.7绍兴842470.5嘉兴1638983舟山3242199可以看出北京、石家庄、台州、绍兴、珠海的数据真实性比较差，存在造假嫌疑。六、模型的评价与推广6.1模型评价6.1.1模型优点(1)本文采用BP神经网络进行真实性判别；(2)本文的BP网络的建立过程采用该区域的平均程度比较高的城市；(3)BP神经网络的预测值和真实值的误差和作为评判空气污染数据的真实性，体现的本文建模的独特性。；(4)本文考虑时均分成京津冀、长三角、珠三角这三个地区进行讨论，每个区域都进行了详细的分析，包括模型参考城市选择，BP网络模型建立，和误差和计算。6.2.2模型缺点(1)BP网络模型的预测具有一定的误差；(2)根据误差和判断数据真实性具有一定的不确定性。。6.2模型推广(1)本文对空气污染数据真实性判别及分析研究的思路同样适用于其它地区；(2)本文使用的BP网络建模方法及程序，同样适用于其它相关问题。七、参考文献[1]环境空气质量标准,中华人民共和国国家标准，GB3095-2021.[2]孙敬慧.用秩相关系数分析我省主要城市大气环境变化趋势[J].福建环境,1995(1):11-12.[3]Ghanem,D.,&Zhang,J.(2021).‘Effortlessperfection:’DoChinesecitiesmanipulateairpollutiondata?.JournalofEnvironmentalEconomicsandManagement,68(2),203-225.[4]HaddadMA.IncreasingEnvironmentalPerformanceinaContextofLowGovernmentalEnforcement:EvidenceFromChina.JournalofEnvironmentandDevelopment,2021,24(1):3-25.[4]谢东,张兴,曹仁贤.基于小波变换与神经网络的孤岛检测技术[J].中国电机工程学报,2021,04:537-544.[5]杨雅辉,黄海珍,沈晴霓,吴中海,张英.基于增量式GHSOM神经网络模型的入侵检测研究[J].计算机学报,2021,05:1216-1224.[6]朱坚民,沈正强,李孝茹,齐北川.基于神经网络反馈补偿控制的磁悬浮球位置控制[J].仪器仪表学报,2021,05:976-986.[7]王守相,张娜.基于灰色神经网络组合模型的光伏短期出力预测[J].电力系统自动化,2021,19:37-41.八、附录Matlab代码如下：jjt=[231189288293266245302164128231243104173294260263276328282228172230240188148223801311441921351331504317013216978140578213481168781406878137161631041841312141482001891909513211513896107189233138345224257161101231182168121163591051151339794104761379910661781069016010413763154901051129772101178190249202226661741069817513111423353112133144129581486263157130611774771120791056110354729175526577851371021128214264911121286575114111269128183111268779615123274124170166384177339206351931431522041101729514117315417015720511213715516583117109165194233179191200129204171169109129337110785888111859851071145073194710655795311650528612634572243139539751124485287129336674113167120169581515989101131581099221230821126310117164991571497024613426839229335928827573149236231802422123134983754913644579629431536294300169325420434491314407118395433343102315591011291441599812784941489282136376811576988013160748411254834277104619683110706493974370317991556757113606279833673561049083919815253841041334710270127127146107108153631031101107211356991661161241041806198103123758710920627320525720429771135214227821961132833613113292284248320033531210232299207215182237180314831153062839724883219221187206165257748328020596250938416910018110421569921191777984233202397222421325413861202102751024534130946133047042149991187294336130121971632402332131803805215826831276169369411198153991596381110188518833811047811478145797310917851873695105951188016453821361335197416531966104661355957117113398964963451192251202706267190247431526112827711525813346470672444286621392201384222280240500779324548078243137148306278267306461649840338791252321141971131951242384857213176551464998312712101003395349234208461476310848010928893500536138538852188509849815938082500536546745656205132193440221359273433678026330681237199261500340404343500821563604649924320229250022638932650086104500500973662782775002104584285001191695005001503069126434220425020043076175429387852232443656310750123586911513043743961846913858127548115111850905896898787101116689013111963767412987121112121153921181461198389931339610313813212913911516511581101];plot(jjt)legend('±±¾©','Ìì½ò','ʯ¼Òׯ','ÌÆɽ','±£¶¨','ÀÈ·»','ÐĮ̈','ÕżҿÚ','Çػʵº','ºâË®','ºªµ¦','³ÐµÂ','²×ÖÝ')xlabel('ÈÕÆÚ£¨´Ó2021/11/1¿ªÊ¼)')ylabel('AQIÖ¸Êý')m1=mean(jjt)m2=median(m1)langf=[1923132.3271182263311.776321851801.07479411000.862121392551.8382391443001.64722311520.534414092.2167771301.94914918680.29321134760.555122551310.8962301612792.71104831402741.9181441313161.88775802540.88453817610.5352014540.38351721390.64413335571.547762781612.55108902684242.911411783425123.891631771522691.59878726830.593934361330.64362811890.2317726680.664640951671.787691681231.2664681021531.5377772112903.281251471171781.8591851742402.95102109791291.5963791452042.1180903904825.46144993034233.28965322610.493324791781.61525743791.04495338900.623836641061.245568901351.7273731141672.6385772833595.31351032002563.749313454810.82494570981.145654671031.286251911201.3182673143613.341161422653213.4513212632338951501493804854.571369612570.3241329540.67523237560.6646341161651.937494721411.470651112181.917071];x=langf(:,2:5);y=langf(:,1);x=x';y=y';x2=[2021.89100142532.1410411820.82455600.875491882.0695231351.47559550.354291602.2393501141.586539390.45278560.754917811.3658211802.7697481031.3155191672.128127920.763011210.46206160.42186410.773716761.6554231031.9369341302.2883451582.996561301.184124260.54228460.75219340.3862320.682311711.695730491.014126771.756341232.537553881.5854381012.046242551.1738301582.4677492924.34100631923.016148160.59219440.962914290.742914280.752410631.34529471.184029551.5249311272.557159451.343835410.813022591.224929461.14628841.6469441772.7495671652.8790612684.85123952163.29264190.4208210.593419190.382211861.737547831.0651271491.274923];y2=sim(network1,x2');y22=[1812435336143913212489163255149669240983059891261737014166165634609865833912524817911201915474047104582745306413412622116691611574151];plot([y2',y22])xlabel('ÈÕÆÚ')ylabel('PM2.5')legend('BPÍøÂçÔ¤²âÖµ','ʵ¼ÊÖµ')Error=sum((y2-y22').^2)

咖啡店创业计划书第一部分：背景在中国，人们越来越爱喝咖啡。随之而来的咖啡文化充满生活的每个时刻。无论在家里、还是在办公室或各种社交场合，人们都在品着咖啡。咖啡逐渐与时尚、现代生活联系在一齐。遍布各地的咖啡屋成为人们交谈、听音乐、休息的好地方，咖啡丰富着我们的生活，也缩短了你我之间的距离，咖啡逐渐发展为一种文化。随着咖啡这一有着悠久历史饮品的广为人知，咖啡正在被越来越多的中国人所理解。第二部分：项目介绍第三部分：创业优势目前大学校园的这片市场还是空白，竞争压力小。而且前期投资也不是很高，此刻国家鼓励大学生毕业后自主创业，有一系列的优惠政策以及贷款支持。再者大学生往往对未来充满期望，他们有着年轻的血液、蓬勃的朝气，以及初生牛犊不怕虎的精神，而这些都是一个创业者就应具备的素质。大学生在学校里学到了很多理论性的东西，有着较高层次的技术优势，现代大学生有创新精神，有对传统观念和传统行业挑战的信心和欲望，而这种创新精神也往往造就了大学生创业的动力源泉，成为成功创业的精神基础。大学生创业的最大好处在于能提高自己的潜力、增长经验，以及学以致用;最大的诱人之处是透过成功创业，能够实现自己的理想，证明自己的价值。第四部分：预算1、咖啡店店面费用咖啡店店面是租赁建筑物。与建筑物业主经过协商，以合同形式达成房屋租赁协议。协议资料包括房屋地址、面积、结构、使用年限、租赁费用、支付费用方法等。租赁的优点是投资少、回收期限短。预算10-15平米店面，启动费用大约在9-12万元。2、装修设计费用咖啡店的满座率、桌面的周转率以及气候、节日等因素对收益影响较大。咖啡馆的消费却相对较高，主要针对的也是学生人群，咖啡店布局、格调及采用何种材料和咖啡店效果图、平面图、施工图的设计费用，大约6000元左右3、装修、装饰费用具体费用包括以下几种。(1)外墙装饰费用。包括招牌、墙面、装饰费用。(2)店内装修费用。包括天花板、油漆、装饰费用，木工、等费用。(3)其他装修材料的费用。玻璃、地板、灯具、人工费用也应计算在内。整体预算按标准装修费用为360元/平米，装修费用共360*15=5400元。4、设备设施购买费用具体设备主要有以下种类。(1)沙发、桌、椅、货架。共计2250元(2)音响系统。共计450(3)吧台所用的烹饪设备、储存设备、洗涤设备、加工保温设备。共计600(4)产品制造使用所需的吧台、咖啡杯、冲茶器、各种小碟等。共计300净水机，采用美的品牌，这种净水器每一天能生产12l纯净水，每一天销售咖啡及其他饮料100至200杯，价格大约在人民币1200元上下。咖啡机，咖啡机选取的是电控半自动咖啡机，咖啡机的报价此刻就应在人民币350元左右，加上另外的附件也不会超过1200元。磨豆机，价格在330―480元之间。冰砂机，价格大约是400元一台，有点要说明的是，最好是买两台，不然夏天也许会不够用。制冰机，从制冰量上来说，一般是要留有富余。款制冰机每一天的制冰量是12kg。价格稍高550元，质量较好，所以能够用很多年，这么算来也是比较合算的。5、首次备货费用包括购买常用物品及低值易耗品，吧台用各种咖啡豆、奶、茶、水果、冰淇淋等的费用。大约1000元6、开业费用开业费用主要包括以下几种。(1)营业执照办理费、登记费、保险费;预计3000元(2)营销广告费用;预计450元7、周转金开业初期，咖啡店要准备必须量的流动资金，主要用于咖啡店开业初期的正常运营。预计2000元共计： 120000+6000+5400+2250+450+600+300+1200+1200+480+400+550+1000+3000+450+2000=145280元第五部分：发展计划1、营业额计划那里的营业额是指咖啡店日常营业收入的多少。在拟定营业额目标时，必须要依据目前市场的状况，再思考到咖啡店的经营方向以及当前的物价情形，予以综合衡量。按照目前流动人口以及人们对咖啡的喜好预