1、近年來隨著國內(nèi)越來越多的城市爆發(fā)霧霾問題，有關(guān)空氣污染對人體健康狀況的影響得到人民普遍的關(guān)注，如何在現(xiàn)代化城市建設(shè)中保持環(huán)境的協(xié)調(diào)發(fā)展已經(jīng)成為政府的工作重心、社會的關(guān)注焦點。在針對性地對現(xiàn)有的空氣污染問題進行整治前，必須從科學(xué)的角度認識空氣污染與空氣質(zhì)量問題，并從中找出影響空氣質(zhì)量的核心指標參數(shù)，從而進行全面的、合理的治理策劃。目前國內(nèi)關(guān)于空氣質(zhì)量預(yù)測模型的研究并沒有絕對統(tǒng)一的評價體系，而是受到很大程度的主觀因素影響，因此很多時候研究人

2、員不能很好地確定空氣污染物指標和空氣質(zhì)量之間的非線性關(guān)系，使得相應(yīng)的空氣質(zhì)量預(yù)測精度偏低，且難以大范圍推廣。
　　支持向量機（SVM）方法是一種以統(tǒng)計學(xué)習(xí)理論為理論基礎(chǔ)的機器學(xué)習(xí)技術(shù)，以系統(tǒng)結(jié)構(gòu)風(fēng)險最小化原則為預(yù)測思路，從上世紀被提出以來，幾十年來得到了國內(nèi)外學(xué)者的深入研究和不斷發(fā)展。為了有效解決其他預(yù)測方法存在的“過學(xué)習(xí)”問題，支持向量機引入了核函數(shù)、松弛變量以及基于結(jié)構(gòu)風(fēng)險化最低準則等概念，從而很好地解決了非線性的數(shù)據(jù)分類問題

3、。目前支持向量機方法已經(jīng)廣泛應(yīng)用于金融、生物信息識別、建筑科學(xué)等學(xué)科的線性不可分問題。
　　本文將粒子群優(yōu)化算法（P SO）與支持向量機方法進行結(jié)合，構(gòu)建了P SO-SVM預(yù)測模型；理論上，通過使用粒子群優(yōu)化算法對支持向量機的核心參數(shù)進行參數(shù)尋優(yōu)，可以有效保證支持向量機的核心參數(shù)的準確度，從而不僅可以大大縮短P SO-SVM預(yù)測模型的計算運行時間，更能大大提高預(yù)測模型的整體預(yù)測效果。本論文為驗證P SO-SVM預(yù)測模型的實際預(yù)測精

4、度，將針對典型的地下建筑—武漢市漢口火車站地下車站的空氣質(zhì)量問題進行實證分析，分別使用傳統(tǒng)的支持向量機模型、基于遺傳算法（GA）的支持向量機模型以及基于粒子群優(yōu)化算法的支持向量機模型對該地下區(qū)域的空氣質(zhì)量問題進行回歸預(yù)測，通過對比、分析相應(yīng)結(jié)果，從而確定出對地下建筑空氣質(zhì)量預(yù)測精度最高的預(yù)測模型。
　　本論文將粒子群優(yōu)化算法以及支持向量機的理論研究結(jié)合于當下實際民生熱點，不僅從理論上驗證了基于粒子群優(yōu)化算法的支持向量機預(yù)測模型的精