基于改进Apriori算法的环境空气NO2浓度变化的关联因素分析
王敏亦
丁卉
徐锐
刘永红
中山大学智能工程学院,广东广州510006;广东省交通环境智能监测与治理工程技术研究中心,广东广州510275;广东省智能交通系统重点实验室,广东广州510275
摘要：环境空气污染是一种复杂的非线性动态现象,受道路网络上的交通流、气象条件等因素的影响,定量揭示这些因素与空气污染物浓度的变化关系,是空气质量预测与改善的重要基础.以广东省佛山市南海区气象局空气质量监测站点周边1.5 km的半径区域为研究范围,利用改进后的关联规则算法对监测站点不同方位的道路交通流,引入气象条件,定量分析对空气污染物NO2浓度的影响,并通过线性相关分析验证关联规则的结果.(1)传统的Apriori算法计算效率低,得到的规则多为无效、不可靠.将原算法对数据库多次扫描,改变为对上一频繁K项集的元素进行扫描.并引入新的可靠性衡量指标"提升度",及加入对关联规则结果的筛选过程.改进后的算法只需扫描数据库一次,新增的两类改进方法使Apriori算法计算效率得到提升,且增强了强关联规则挖掘的可靠性.(2)从强关联规则得出:影响NO2浓度变化的主要因素是风速、温度和气压,风速和温度与NO2浓度的变化呈负相关,气压与NO2浓度变化呈正相关.(3)引入道路交通流,结合气象因素对NO2的影响:道路交通流量大且扩散条件好,不会导致污染物迅速上升,具体表现为:当道路交通流量较大时,伴随气压较低、风速较大或者温度较高,NO2浓度处于低浓度等级,置信度较高(90％～100％);而道路交通流小且气象条件差,会导致污染物逐渐累积,具体表现为:道路交通流较小时,伴随气压较高、风速较低或气温较低,不利于NO2扩散,且量化的置信度存在一定的偏差;考虑风向条件时,道路位于上下风向,对NO2浓度的影响也不同.(4)基于强关联规则识别的关键影响因素,与NO2进行线性拟合并计算皮尔逊相关系数,所得结果与关联规则算法的结论一致.通过以上结果,表明关联规则算法在挖掘定量关系具有较高的效率性和准确性,可为区域空气治理和预测提供技术支持.
关键词：空气污染物NO2关联因素Apriori算法改进交通流和气象
分类号：X16(环境气象学)
资助基金：国家重点研发计划(2018YFB1601100)国家自然科学基金(41975165)重庆市科技项目(cstc2019jscx-fxydX0035)广东省自然科学基金面上项目(2019A1515010812)东莞市社会科技发展(重点)项目(2019507101161)
论文发表日期：2022-12-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：11( 890-900 )
英文信息