2023年华中杯C题计算结果

经过一晚上代码的编写，论文的写作，C题完整版论文已经发布，

注：蓝色字体为说明备注解释字体，不能出现在大家的论文里。黑色字体为论文部分，大家可以根据红色字体的注记进行摘抄。对应的详细的写作视频教程，争取1号晚上发布，

题 目： 空气质量预测与预（可以直接是问题题目，也可以是 基于xxxx模型的空气质量预测与预 根据队伍需求来就可以

例如 基于加权平均预测下的空气质量预测与预警

基于时间序列预测模型的空气质量预测与预警）

5.1 数据预处理

给出的的数据应该是存在很多的缺失值，对于这种的缺失数据，如果不进行处理，我们的后面的模型就很难运行，这里我们把缺失的数值看作一种缺失值，对于缺失值我们将采取插值的方式进行补充。这里大家可以进行不同的发挥，例如利用拟合插值进行补充数据，对于插值拟合的方法有很多种大家可以参考一下，对数据进行补充，这里我用的是拟合得到的结果，大家可以挂上自己感觉很好地模型直接使用我的结果就可以，这里评委不会过于追究的）下面给出了大家三种插值模型的参考，这里大家可以直接进行使用，不过为了降重还是建议大家，在网上自行搜索这三种插值的相关模型，写上。这一部分的思路就是 模型陈述+结果 就可以了。如果最后论文写抄了页数限制，我们可以删除模型陈述，简单的一笔带过也是可以的。

通过观察给出的数据，我们发现附件一中存在异常值，如下所示（附件二没有找到缺失值，但是存在异常值，还是需要进行处理的）

我们可以选择同时建立两个模型比较模型精度，选择精度最高的一个。也可以选择加权预测的方法，下面这种方式，可以同时使用多种预测模型，并且精度还可以。这里我们展示使用ARIMA，与灰色预测加权预测的结果。

表 1 PM2.5 浓度预测的 RMSE 结果(样表)

问题一相关性分析代码 1.3版本更新代码

data = xlsread(‘D:\桌面\xiangguan.xlsx’);

%相关性分析

%默认类型为Pearson系数

Pearson=corr(data’,’type’,’Pearson’) %等效于xiangguan=corr(data,’Type’,’Pearson’)

灰色预测代码1.5版本更新代码

clc;clear;close all;

%% 数据准备

syms a b; %建立符号变量a(发展系数)和b(灰作用量)

c=[a,b]’;

A = [31377 34428 31612 28642 25982 26030 26476 27803 25033 25567 25492 26372 25665 25665 26718 29214

];%原始数列 A

n = length(A); %求出A中元素个数

years=4; %预测未来年数

B = cumsum(A); %对原始数列 A 做累加得到数列 B

for i = 2:n %对数列 B 做紧邻均值生成

C(i) = (B(i) + B(i – 1))/2;

end