环境与发展论坛 (原名：环境与发展)

基于时间序列 ARMA 模型的车内污染物浓度预测

陈 立新

天津商业大学 机械工程学院

王 志强

天津商业大学 机械工程学院

DOI: https://doi.org/10.59429/hjfz.v7i5.10252

Keywords: 车内污染物；时间序列；ARMA 模型；浓度预测

---

Abstract

本研究旨在利用时间序列 ARMA 模型对车内污染物浓度进行预测，为车内空气质量的监测和改善提供科学 依据。为了预测车内污染物浓度，实验选取车内的甲苯和甲醛作为本次研究的主要目标，通过实验测得车内污染物 浓度变化并作为原始数据集，随后建立时间序列 ARMA 对未来 6 小时车内污染物浓度进行预测。结果表明，时间序 列 ARMA 模型在车内污染物浓度预测具有较高的精度和可靠性，为车内污染物浓度的控制和监测提供了有效的手段。 该研究成果说明时间序列分析方法可大大地改善参数的估计精度，提高模型的预测效果。

---

References

[1] 李慧,李世雄,张学敏,等.车内可吸入颗粒物的研究现状与发展趋势[J].环境工程,2015,33(S1):438-442.

[2] Moon J, Hossain MB, Chon K H.AR和ARMA模型阶数选择用于使用ImageNet分类进行时间序列建模[J].信号处理,2021(183):108026.

[3] 许有俊,秦浩斌,李文博,等.浅埋暗挖隧道近距离平行上跨对既有盾构隧道的变形影响分析[J].现代隧道技术,2022,59(3):118-127.

[4] 艾洪福,石莹.基于BP人工神经网络的雾霾天气预测研究[J].计算机仿真,2015,32(1):402-405+415.

[5] 胡聿文.基于优化LSTM模型的股票预测[J].计算机科学,2021,48(S1):151-157.

[6] 曾国治,魏子清,岳宝,等.基于CNN-RNN组合模型的办公建筑能耗预测[J].上海交通大学学报,2022,56(9):1256-1261.

[7] 陈振宇,刘金波,李晨,等.基于LSTM与XGBoost组合模型的超短期电力负荷预测[J].电网技术,2020,44(2):614-620.

[8] 于佳卉,苗芮,孙玫玲.气候变化背景下天津地区采暖期变化特征分析[J].内蒙古气象,2024(4):51-56.

[9] 陈颖,王罗轩,周文迪.公共安全事件多发背景下对公交车司机工作现状的调查与应对思考——以上海市为例[J].时代汽车,2019(17):22-24.