1. 毕业设计（论文）主要目标：
(1) 本文将基于核函数构造高斯过程模型，并通过matlab编程进行参数估计；(2) 本研究不仅运用逐月月均数据分析时间序列变化过程，还将运用两个不同变量数据分析其相关性，并且对比基于不用模型方法所得的预测结果的准确性；(3) 本文将分别搜集整理南京2016-2018年各月的PM2.5、PM10的日均值数据进行实例分析，通过建立高斯过程模型得出两个指标的时间变化状态，然后结合卷积计算分析两指标变量间的相关关系，同时针对计算结果提出相应的政策建议。
2. 毕业设计（论文）主要内容：
AQI，即空气质量指数，是由空气中最大污染物浓度定义的，能够表示城市的短期空气质量状况和变化趋势，但对各污染物的状态与其间相关性并未深入研究。
本课题结合南京2016-2018年各月的PM2.5、PM10的日均值数据，通过建立高斯过程模型得出两个指标的时间变化状态，对接下来的一段短期时间的数据进行预测。
其次结合卷积分析变量间相关性。
3. 主要参考文献
[1] 陈艳,王子健,赵泽,李栋,崔莉.传感器网络环境监测时间序列数据的高斯过程建模与多步预测[J].通信学报,2015, 36(10): 252-262.[2] 沈赟. 基于高斯过程的时间序列分析[D]. 上海交通大学, 2009.[3] 庞蕊. 高斯过程回归在气象数据方面的应用研究[D]. 西安建筑科技大学, 2018.[4] 常和玲. 高斯过程混合模型在时间序列预测中的应用研究[D]. 河北工业大学,2017.[5] 李军, 张友鹏. 基于高斯过程的混沌时间序列单步与多步预测[J]. 物理学报, 2011, 60(7): 70513-070513.[6] 周楠. 基于高斯过程机器学习方法的证券预测模型研究[D]. 电子科技大学, 2012.[7] 孙斌, 姚海涛, 刘婷. 基于高斯过程回归的短期风速预测[J].中国电机工程学报, 2012, 32(29): 104-109 5.[8] 何志昆, 刘光斌, 赵曦晶, 王明昊. 高斯过程回归方法综述[J].控制与决策, 2013, 28(08): 1121-1129 1137. [9] 杜雪. 基于高斯过程的风电功率概率预测[D]. 兰州交通大学, 2017.[10] Crainiceanu C M, Diggle P J, Rowlingson B. Bivariate binomial spatial modeling of Loa loa prevalence in tropical Africa[J]. Journal of the American Statistical Association, 2008, 103(481): 21-37.
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
