【正文】 我們得出了這是一個比較典型的層次模型，目標層是空氣質量的排名，因素是三種污染物的濃度情況，對象是題目給出的6個城市（按月求解），運用權重得出排名：F、A、E、B、D、C。樣本取自2010年1月1日至9月14日，構造ARIMA(p,d,q)模型，借助SPSS軟件，確定模型階數，完成參數估計，進行相應的檢驗，得到一周的預測值，并做出觀察值和擬合值的圖像。3．分析空氣質量與氣象參數之間的關系。四， 符號說明符號說明污染物實測濃度（、PM10類比）污染物實測濃度所屬區(qū)間上（下）限污染物實測濃度對應指數區(qū)間的上（下）限空氣污染指數A城實測值（B、C城類比）A城空氣污染指數分指數（B、C城類比）實際包含等級數最大特征值層次模型的一致性指標隨機一致性指標一致性比率第一層權重向量（排名等級）第二層權重向量（等級城市）自相關系數偏自相關系數置信區(qū)間上下限殘差平方和、回歸平方和回歸變量自由度、觀察值組數復相關系數、F檢驗統(tǒng)計量、分別為大氣壓強、溫度、濕度和地面平均風速A城市空氣因子濃度回歸系數個可以精確測量或控制的變量，及回歸因子不可觀測的隨機誤差注：其他符號在文中使用處另做說明五， 建立模型及求解數據預處理 我們根據實際情況，首先用Excel將數據進行篩選，利用圖形去掉不符合邏輯的數據，去掉的數據在計算中將不予以考慮。 用層次分析法（AHP）解決排序問題 要得到城市的空氣質量的排名，我們選取按日求解的API作為突破口來衡量各個城市的空氣質量以解決問題的第二部分。 四）AHP模型的檢驗總的一致性檢驗：由于我們構造出的矩陣使得所有的CI值均為0，所以對于總排序的檢驗： 通過了一致性檢驗。作圖得：2利用F檢驗和復相關系數R用來判別回歸方程在統(tǒng)計上是否合理，F檢驗的計算公式見式：其中，為回歸變量的自由度，為觀察值的組數，回歸平方和和殘差平方和的計算公式見公式如下：復相關系數R的計算公式見式如下： 正文中我們只對A城市的空氣質量因子分兩個時段與氣象參數進行多元線性回歸分析。預測模型的復相關系數R2為 ，表明濃度與氣象因子(p、t、f、v)之間的關系為高度正相關。如上面表格所示，可得如下圖表： 相關指標污染物FR2NO2PM10同樣由上面的表可以看出，我們建立的各個污染物與天氣參數之間的關系式都是合理的。政府、各企事業(yè)單位、學校加強對人民群眾的思想教育，從根本上改善污染問題。b. 因變量: VAR00008系數a模型非標準化系數標準系數tSig.B標準 誤差試用版1(常量).288.803VAR00001.000.000.014.342.733VAR00002.000.000.059.135VAR00003.000.000.056.172VAR00004.009.003.132.001a. 因變量: VAR00008：模型匯總模型RR 方調整 R 方標準 估計的誤差1.219a.048.042.01598a. 預測變量: (常量), VAR00004, VAR00001, VAR00002, 。b. 因變量: VAR00013系數a模型非標準化系數標準系數tSig.B標準 誤差試用版1(常量).506.683VAR00001.000.001.019.477.634VAR00002.000.000.052.183VAR00003.001.000.102.013VAR00004.018.005.148.000: VAR000132月——12月：模型匯總模型RR 方調整 R 方標準 估計的誤差1.362a.131.123.06478a. 預測變量: (常量), VAR00004, VAR00002, VAR00001, VAR00003。b. 因變量: VAR00011系數a模型非標準化系數標準系數tSig.B標準 誤差試用版1(常量).241.177.175VAR00001.000.000.213VAR00002.000.055.168VAR00003.000.000.050.226VAR00004.005.002.114.004: VAR00011模型匯總模型RR 方調整 R 方標準 估計的誤差1.192a.037.031.01846a. 預測變量: (常量), VAR00004, VAR00001, VAR00002, VAR00003。該模型具有以下缺點： 對某些特殊數據處理沒有大到最好的效果。再有，推廣清潔燃料、使用清潔生產工藝。b. 因變量: VAR00006復相關系數模型RR 方調整 R 方標準 估計的誤差1.188a.035.029.01956a. 預測變量: (常量), VAR00004, VAR00001, VAR00002, VAR00003。A城市可吸入顆粒物PM10與氣壓呈正相關與風速呈負相關，且相關系數均較大。城市A未來7天SO2濃度預測模型 252 253 254 255 256 257258預測UCLLCL .021.018.021.020.018.017.016.061.066.073.076.079.082.085 類似地，我們可以求出ABCDE五個城市各自的三種污染物的預測值，以及四項氣象參數的預測值。因此，將6個城市的權重值,按照從小到大依次排序，得出的結果便是6個城市的空氣污染嚴重程度的排名。C與D城市類型大致一樣，污染都不是很嚴重，適宜居住。三， 模型假設剔除明顯壞值，其余各組數據真實可信，無人為設備上的誤差。 本文運用了層次分析（AHP）、時間序列以及多元線性回歸方程解決了幾個城市的空氣質量的排序、空氣質量和各氣象參數的預測以及空氣質量和氣象參數值之間的關系的問題，經檢驗，得出了滿意的結果。特殊的，由于F城無近期數據，所以對F城的預測只進行定性分析。4．就空氣質量的控制對相關部門提出你的建議。針對問題一 在解決幾個城市空氣質量排序問題上，針對各項指標我們對數據進行按日處理，以便得到更精確的結果；對于各城市的空氣特點，為了便于定性分析，進行按月處理，其中，我們對三種污染物指標全為0的數據進行了舍去處理，以免其對圖形進行干擾。一）數據處理1）利用MATLAB求出最大特征值： 其中為待計算特征值的矩陣，為對角矩陣，其對角元素為的特征值，最大的即為。自相關系數表達式如下： 手工計算很繁瑣，SPSS可直接給出一個時間序列的自相關圖和偏自相關圖。其他城市的分析結果見附錄。預測模型的標準誤差由相關表達式計算得，因此，表明預測模型的擬合程度很高。其他城市的各個污染物與天氣參數之間的關系式見附錄。建立空氣質量監(jiān)測機制，落實國家的環(huán)境保護政策。Anovab模型平方和df均方FSig.1回歸.0084.002.000a殘差.168656.000總計.176660a. 預測變量: (常量), VAR00004, VAR00001, VAR00002, VAR00003。Anovab模型平方和df均方FSig.1回歸.2654.066.000a殘差419.004總計423a. 預測變量: (常量), VAR00004, VAR00002, VAR00001, VAR00003。Anovab模型平方和df均方FSig.1回歸.0154.004.015a殘差.779656.001總計.794660a. 預測變量: (常量), VAR00004, VAR00001, VAR00002, VAR00003。三、多元線性回歸模型該模型具有以下優(yōu)點：該模型用最簡單的方法快捷有效的獲得了空氣質量各因素與大氣壓強、溫度、濕度和地面平均風速之間的關系。燃放煙花爆竹按習俗，在古代是過年的時候才燃放的，所以我們現在也沒有必要在普通節(jié)假日過多讓放煙花爆竹，制造不必要的空氣污染。F檢驗統(tǒng)計量模型平方和df均方FSig.1回歸.0094.002.000a殘差.251656.000總計.260660a. 預測變量: (常量), VAR00004, VAR00001, VAR00002, VAR00003。
A城市PM10的濃度擬合模型為：由SPSS求得的PM10與氣象參數相關系數模型非標準化系數標準系數tSig.B標準 誤差試用版1(常量).325.000VAR00001.003.000.245.000VAR0000