CN110297034A - 一种城市生态环境的动态变化及预测方法 - Google Patents

Abstract

本发明公开了一种城市生态环境的动态变化及预测方法，通过设置监测系统实时获取监测数据，对并对数据进行平稳性处理，将不平稳序列转化为平稳序列，构建整合移动平均自回归(ARIMA)模型对环境动态变化进行预测；通过上述方式，本发明能够实现对城市生态环境的动态变化的准确检测和预测，并提升监测设备的精度和使用寿命，且预测模型简单，预测结果误差较小，适用范围广。

Description

一种城市生态环境的动态变化及预测方法

技术领域

本发明涉及生态环境预测领域，特别是涉及一种城市生态环境的动态变化及预测方法。

背景技术

城市生态环境是人类在改造和适应自然环境的基础上建立起来的特殊的人工生态环境，其对环境污染的自动净化能力远不如自然生态环境，而随着城市化进程的加剧，涌入的人口在带来各行业空前发展的同时，也让城市生态环境面临着巨大的冲击，空气污染、水体污染、垃圾围城等问题日益严峻，其中，本就短缺的水资源在水体污染下变得更为匮乏，对人类日常生活和经济社会发展造成了极大的威胁，因此，为了有效防治水体污染，对其进行动态监测及趋势预测具有重要意义。

常见的水体污染包括无机物污染、重金属污染、耗氧物质污染和植物营养物质污染等，而在众多污染物中，重金属污染因其危害大、范围广且具有富集性引起人们的普遍关注；有毒的重金属离子，尤其是广泛应用于冶金、摄影材料和电子工业的铅离子和镉离子，随工业生产中的废液排出后，可被微生物吸收，并逐渐积累到食物链中，最终在高营养生物体中能达到危害物种的水平，对人类来说，高浓度重金属铅离子和镉离子会导致运动、语言和听力障碍，甚至导致死亡，这些重金属对人类健康和生态环境的危害是显而易见的，因此迫切需要对水体中的相应重金属进行准确监测。

传统的重金属离子监测普遍采用的是分光光度、电感耦合、原子吸收法和电位滴定等方法，但上述方法或因易受样品颜色和浊度干扰而需繁琐的预处理，或因仪器价格昂贵、分析成本高而难以推广，在实际应用中受到局限；与传统的方法相比，电化学测定方法因其操作简便、选择性好、灵敏度高和易于在线监测自动分析等优点，逐渐应用于过程控制和环境监测等领域，基于电化学方法构建的传感器也被用于重金属离子的监测，而监测结果的准确性则与传感器中工作电极的材料密切相关。

基于获得的监测数据，对其进行趋势预测也是水污染防治的重要环节。当前常见的水质预测方法包括回归分析法、灰色预测法、人工神经网络预测法和时间序列法等，其中，回归分析法可以在难以推断影响因素主次关系时建立水质预测模型，但由于没有对自变量进行优化，导致计算量增加而回归效果降低；灰色预测法因建模过程简单且结果易求而应用较为广泛，但当原始数据波动性较大、规律性较弱时预测所得结果与实际偏差较大，拟合精度较低；人工神经网络预测法对于不确定、非线性问题具有较好的适用性，但其所需训练数据量较大，不适用于样本相对较少的情况；时间序列法则可以通过对有限样本进行概率论方法的分析，建立具有一定精度的模型，但更适用于平稳的水质变化，当前仍缺乏普适性的预测方法。

发明内容

基于现有技术存在的监测系统检测精度不高和预测方法缺乏普适性等问题，本发明提供一种城市生态环境的动态变化及预测方法，通过制备滤膜和传感器电极材料，提高监测系统使用寿命和数据检测精度；通过差分的方式将非稳态数据转化为稳态，并采用整合移动平均自回归(ARIMA)模型进行预测，对稳态和非稳态环境均适用，从而实现对城市生态环境的动态变化的准确检测和预测。

为实现上述目的，本发明提供了一种城市生态环境的动态变化及预测方法，包括如下步骤：

(1)生态信息采集：在研究区内设置监测点位置并安装水质监测系统，获取监测数据；

(2)数据处理：对获取的序列数据进行预处理，包括数据的清洗和平稳性处理；

(3)参数计算：分析并计算ARIMA(p,d,q)模型中的p值和q值；

(4)动态变化预测：采用ARIMA(p,d,q)模型进行预测，并分析预测结果的准确性。

进一步地，步骤(1)中设置监测点位置时，应避开死水区和回水区，远离紧靠渠壁、河岸的位置，选择河段顺直、河床稳定、水流平稳、无急流浅滩处进行设置。

步骤(1)中水质监测系统设置于监测点的位置，用于监测并传输监测点的水质指标监测数据，其中，水质指标监测数据包括：水温、pH值、化学需氧量(COD)，高锰酸盐指数、氨氮浓度和重金属浓度。

所述水质监测系统包括采样单元、检测单元和数据采集单元，其中，采样单元两端含有过滤层，用于阻挡水中颗粒和浮游藻类进入采样单元，提高其使用寿命；检测单元包括重金属传感器和由温度传感器、酸碱度传感器、COD传感器、盐度传感器和氨氮传感器五个传感器集成的常规五参数水质监测仪，用于检测各项水质指标数据；数据采集单元包括控制模块、数据传输模块、定位模块和电源模块，其中，控制模块用于对现场信号、设备的监测和控制，数据传输模块用于将检测数据通过无线通信网络进行传送，定位模块和电源模块分别用于定位及提供电源，满足远程及户外使用需求。

所述过滤层为再生纤维滤膜，通过将纤维直接溶于溶剂中形成高分子溶液，由相转化法在凝固浴中再生制膜，制备步骤如下：

a、按NaOH质量分数为7％、尿素质量分数为12％配制100g溶液作为溶剂，添加质量分数为3％的LiCl作为添加剂，在冰箱内预冷至-15℃；

b、称取5g小麦秸秆，加入上述溶剂中，在室温下快速搅拌5min，即得5％纤维素铸膜液；

c、将铸膜液在离心机内离心15min进行脱泡，脱泡后倒于干净玻璃板上并迅速刮膜；

d、将刮得的膜迅速放入5wt％H₂SO₄/10wt％Na₂SO₄溶液中再生10min，然后水洗至中性；

e、将再生、水洗后的膜置于真空冷冻干燥机内，干燥条件为-50℃，2Pa，干燥12h后即得再生纤维滤膜，并在滤膜表面喷涂一层硅酸钇抗水氧侵蚀涂层。

所述重金属传感器为伏安型电化学传感器，其工作电极为石墨烯复合材料修饰电极，通过将石墨烯与磷化物复合，提高对重金属离子的吸附能力，并能同时对镉离子和铅离子进行检测，所述工作电极制备步骤如下：

a、氧化石墨烯的制备：在冰水浴中放入200mL圆底烧瓶，依次加入46mL浓硫酸、2g鳞片石墨和1g硝酸钠，并缓慢加入6g高锰酸钾，通过磁力搅拌器搅拌90min；再将冰水浴换成油浴锅，使用磁力搅拌器将温度控制在35℃，继续搅拌30min；再加入88mL去离子水，控制温度在98℃，搅拌15min后停止加热，待冷却至室温时加入10mL浓度为30％的过氧化氢，搅拌3h后离心处理，并用10％的HCl溶液清洗5次后冷冻干燥；

b、石墨烯-磷化物复合材料制备：称取0.2g氧化石墨烯，加入200mL圆底烧瓶中，加入100mL去离子水，搅拌、超声1h，用1mol/L的KOH溶液调节pH至7-8，制得氧化石墨烯悬浮液，保存备用；称取0.4g磷化三钠，加入80mL去离子水，搅拌、超声1h后在氮气保护下滴加至氧化石墨烯悬浮液中，在80℃回流24h后将溶液抽滤洗涤，冷冻干燥，即得石墨烯-磷化物复合材料；

c、修饰电极：称取0.008g石墨烯-磷化物复合材料，将其分散于4mL去离子水中，超声10min后作为前驱体溶液备用，将铂电极在0.3μm和0.05μm的氧化铝粉末中打磨抛光3min，然后分别置于乙醇和水中超声3min，用氮气吹干，放置于前驱体溶液中，设置电化学扫描范围为-1.0v～0.6v，扫速100mv/s，扫描15圈，在电化学合成过程中持续搅拌，取出后在室温下自然干燥，即得石墨烯-磷化物复合材料修饰电极。

进一步地，步骤(2)中数据的清洗包括去除噪声和数据填充，其中数据填充目的是维持数据的完整性，对于实际检测过程中由于断电、维修、更换部件等原因出现的数据中断现象，则使用前后数据的均值来进行填充；

步骤(2)中平稳性处理包括稳态检测和差分处理，目的是检测数据的平稳性，并将不平稳的序列通过差分转化为平稳序列：将所测数据导入Eviews系统，生成时间序列，采用ADF检验来判断数据的平稳性，对于非稳态的序列，则采取差分的形式处理非平稳数据，通过d次差分后，序列变成平稳序列，则建立ARIMA(p,d,q)模型，模型中的阶数d表示的就是进行差分的次数。

所述ADF检验是Eviews软件中一种检查序列平稳性的单位根检验方法，若不存在单位根，则表示序列平稳，反之，存在单位根则表示序列不平稳。对于不平稳的序列，则要进行差分；所述差分即用原序列的每一个观测值减去前面一个观测值，所形成的就是对原序列的一阶差分。

所述ARIMA(p,d,q)模型为整合移动平均自回归模型，在该模型中，随着时间的推移，预测指标形成了一系列的数据序列，将该数据序列视为一个随机序列，这组随机变量所具有的的依存关系体现着原始数据在时间上的延续性，其可以定义为：

其中，参数a_i为自回归参数，δ_j为移动平均参数，p表示预测模型中采用的时序数据本身的滞后值，q表示预测模型中采用的预测误差的滞后值。

进一步地，步骤(3)中模型的参数计算方法是采用自相关函数和偏自相关函数来判别ARIMA(p,d,q)模型中的p值和q值；其中，自相关函数描述的是时间序列观测值与其过去的观测值之间的线性相关性，根据自相关函数拖尾起始点确定p值；偏自相关函数描述的是在给定中间观测值的条件下时间序列观测值与其过去的观测值之间的线性相关性，根据偏相关函数拖尾起始点确定q值。

进一步地，所述步骤(4)中动态变化预测需将得到的ARIMA(p,d,q)模型构建完整的序列，对各项参数进行预测，并将预测数据和实测数据进行对比，验证预测结果的准确性并分析误差。

本发明的有益效果是：

1、本发明通过设置监测系统实时获取监测数据，并采用整合移动平均自回归(ARIMA)模型对数据趋势进行预测，实现了对城市生态环境的动态变化的准确检测和预测，且预测模型简单，预测结果误差较小；

2、本发明通过在采样单元两端设置抗水氧侵蚀的再生纤维滤膜，代替传统监测系统内的过滤和清洗设备，既能简化系统中的设备，又能有效阻挡水中颗粒和浮游藻类进入采样单元，提高监测系统的使用寿命；

3、本发明通过使用石墨烯-磷化物复合材料修饰电极对水体中的镉离子和铅离子进行测定，提高电极对重金属离子的富集能力和检测精度；

4、本发明通过差分的方式将非稳态数据转化为稳态数据，扩大了该预测方法的适用范围。

附图说明

图1是本发明提供的一种城市生态环境的动态变化及预测方法的流程图；

图2是本发明水质监测系统的结构示意图；

图3是本发明实施例中Cd²⁺和Pb²⁺的标准曲线图；

图4是本发明实施例中Cd²⁺和Pb²⁺的DPASV曲线图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

本发明实施例以研究区A内的水质变化情况为例，提供了一种城市生态环境的动态变化及预测方法，流程如图1所示，包括如下步骤：

(1)生态信息采集：在研究区内设置监测点位置并安装水质监测系统，获取监测数据。

在设置监测点时，避开死水区和回水区，远离紧靠渠壁、河岸的位置，选择河段顺直、河床稳定、水流平稳、无急流浅滩处进行设置。

所述水质监测系统设置于监测点的位置，用于监测并传输监测点的水质指标监测数据，其中，水质指标监测数据包括：水温、pH值、化学需氧量(COD)，高锰酸盐指数、氨氮浓度和重金属浓度。

所述水质监测装置包括采样单元、检测单元和数据采集单元，如图2所示，其中，采样单元两端含有过滤层，用于阻挡水中颗粒和浮游藻类进入采样单元，提高其使用寿命；检测单元包括重金属传感器和由温度传感器、酸碱度传感器、COD传感器、盐度传感器和氨氮传感器五个传感器集成的常规五参数水质监测仪，用于检测各项水质指标数据；数据采集单元包括控制模块、数据传输模块、定位模块和电源模块，其中，控制模块用于对现场信号、设备的监测和控制，数据传输模块用于将检测数据通过无线通信网络进行传送，定位模块和电源模块分别用于定位及提供电源，满足远程及户外使用需求。

所述过滤层为再生纤维滤膜，通过将纤维直接溶于溶剂中形成高分子溶液，由相转化法在凝固浴中再生制膜，制备步骤如下：

a、按NaOH质量分数为7％、尿素质量分数为12％配制100g溶液作为溶剂，添加质量分数为3％的LiCl作为添加剂，在冰箱内预冷至-15℃；

b、称取5g小麦秸秆，加入上述溶剂中，在室温下快速搅拌5min，即得5％纤维素铸膜液；

c、将铸膜液在离心机内离心15min进行脱泡，脱泡后倒于干净玻璃板上并迅速刮膜；

d、将刮得的膜迅速放入5wt％H₂SO₄/10wt％Na₂SO₄溶液中再生10min，然后水洗至中性；

e、将再生、水洗后的膜置于真空冷冻干燥机内，干燥条件为-50℃，2Pa，干燥12h后即得再生纤维滤膜，并在滤膜表面喷涂一层硅酸钇抗水氧侵蚀涂层。

对制得的再生纤维滤膜孔隙率、孔径、厚度、结晶度和拉伸强度进行测定，结果如表1所示：

由表1可以看出，所制得的再生纤维滤膜孔隙率较高且孔径大小适宜，有利于保证水的顺畅滤出，排除颗粒和浮游藻类等干扰因素；同时，所制得的再生纤维滤膜拉伸强度较大，且表面涂有抗水氧侵蚀涂层，在实际应用中不易破损或被侵蚀，使用寿命长。

表1再生纤维滤膜的孔隙率、孔径、厚度、结晶度和拉伸强度

孔隙率/％	孔径/nm	厚度/mm	结晶度/％	拉伸强度/MPa
					91.53	65.87	0.176	46.13	85.6

所述重金属传感器为伏安型电化学传感器，通过对传统的电极表面进行改性设计，构建化学修饰电极，本发明提供的工作电极为石墨烯复合材料修饰电极，通过将石墨烯与磷化物复合，提高对重金属离子的吸附能力，并同时对镉离子和铅离子进行检测，其制备步骤如下：

a、氧化石墨烯的制备：在冰水浴中放入200mL圆底烧瓶，依次加入46mL浓硫酸、2g鳞片石墨和1g硝酸钠，并缓慢加入6g高锰酸钾，通过磁力搅拌器搅拌90min；再将冰水浴换成油浴锅，使用磁力搅拌器将温度控制在35℃，继续搅拌30min；再加入88mL去离子水，控制温度在98℃，搅拌15min后停止加热，待冷却至室温时加入10mL浓度为30％的过氧化氢，搅拌3h后离心处理，并用10％的HCl溶液清洗5次后冷冻干燥；

b、石墨烯-磷化物复合材料制备：称取0.2g氧化石墨烯，加入200mL圆底烧瓶中，加入100mL去离子水，搅拌、超声1h，用1mol/L的KOH溶液调节pH至7-8，制得氧化石墨烯悬浮液，保存备用；称取0.4g磷化三钠，加入80mL去离子水，搅拌、超声1h后在氮气保护下滴加至氧化石墨烯悬浮液中，在80℃回流24h后将溶液抽滤洗涤，冷冻干燥，即得石墨烯-磷化物复合材料；

c、修饰电极：称取0.008g石墨烯-磷化物复合材料，将其分散于4mL去离子水中，超声10min后作为前驱体溶液备用，将铂电极在0.3μm和0.05μm的氧化铝粉末中打磨抛光3min，然后分别置于乙醇和水中超声3min，用氮气吹干，放置于前驱体溶液中，设置电化学扫描范围为-1.0v～0.6v，扫速100mv/s，扫描15圈，在电化学合成过程中持续搅拌，取出后在室温下自然干燥，即得石墨烯-磷化物复合材料修饰电极。

为研究基于所述石墨烯-磷化物复合材料修饰电极制得的传感器对Cd²⁺和Pb²⁺的检测精度，首先对不同浓度Cd²⁺和Pb²⁺的标准溶液进行检测，采用微分脉冲阳极溶出伏安法(DPASV)进行电化学表征，扫描范围为-1.0v～0.6v，脉冲宽度为50ms，振幅为50mV，增幅为4mV，脉冲周期为0.2s，分别得到检测Cd²⁺和Pb²⁺的标准曲线，如图3所示。

由图3可以看出，当Cd²⁺浓度从2.0μg/L增加到500μg/L和Pb²⁺浓度从1.0μg/L增加到500μg/L时显示出Cd²⁺和Pb²⁺的DPASV响应同时呈线性增加；所得Cd²⁺的标准曲线方程为y(μA)＝0.019x(μg/L)－0.0342，R²＝0.996；所得Pb²⁺的标准曲线方程为y(μA)＝0.041x(μg/L)+0.0738，R²＝0.998。

采集自来水样品作为空白样品，通过标准加入法，在空白样品中分别加入有50μg/L和100μg/L的Cd²⁺和Pb²⁺并进行检测，得到Cd²⁺和Pb²⁺的DPASV曲线，如图4所示。

由图4可以看出，当Cd²⁺和Pb²⁺加入量为50μg/L时，曲线在电位为-0.80v处产生了Cd²⁺的对应峰，峰值对应的电流强度为0.95μA，在电位为-0.55v处产生了Pb²⁺的对应峰，峰值对应的电流强度为2.05μA；当Cd²⁺和Pb²⁺加入量为100μg/L时，在-0.80v处Cd²⁺的峰值对应的电流强度为1.91μA，在-0.55v处Pb²⁺的峰值对应的电流强度为4.08μA。

将各电流强度值代入对应的标准曲线进行计算，得到Cd²⁺和Pb²⁺的浓度及回收率，结果如表2所示；

表2在自来水中测定Cd²⁺和Pb²⁺的浓度

由表2可以看出，对分别加有50μg/L和100μg/L的Cd²⁺和Pb²⁺的标准样进行检测时，回收率较高，表明由石墨烯-磷化物复合材料修饰电极制得传感器具有精确测定Cd²⁺和Pb²⁺的能力，能满足实际应用的需求。

(2)数据处理：对获得的各水质监测数据的时间序列进行预处理，包括数据的清洗和平稳性处理；

所述数据的清洗包括去除噪声和数据填充，其中数据填充目的是维持数据的完整性，对于实际检测过程中由于断电、维修、更换部件等原因出现的数据中断现象，则使用前后数据的均值来进行填充；

所述平稳性处理包括稳态检测和差分处理，目的是检测数据的平稳性，并将不平稳的序列通过差分转化为平稳序列：将所测数据导入Eviews系统，生成时间序列，采用ADF检验来判断数据的平稳性，对于非稳态的序列，则采取差分的形式处理非平稳数据，通过d次差分后，序列变成平稳序列，则建立ARIMA(p,d,q)模型，模型中的阶数d表示的就是进行差分的次数。

所述ADF检验是Eviews软件中一种检查序列平稳性的单位根检验方法，若不存在单位根，则表示序列平稳，反之，存在单位根则表示序列不平稳。对于不平稳的序列，则要进行差分；所述差分即用原序列的每一个观测值减去前面一个观测值，所形成的就是对原序列的一阶差分。

所述ARIMA(p,d,q)模型为整合移动平均自回归模型，在该模型中，随着时间的推移，预测指标形成了一系列的数据序列，将该数据序列视为一个随机序列，这组随机变量所具有的的依存关系体现着原始数据在时间上的延续性，其可以定义为：

其中，参数a_i为自回归参数，δ_j为移动平均参数，p表示预测模型中采用的时序数据本身的滞后值，q表示预测模型中采用的预测误差的滞后值。

(3)参数计算：分析并计算ARIMA(p,d,q)模型中的p值和q值；

采用自相关函数和偏自相关函数来判别ARIMA(p,d,q)模型中的p值和q值；其中，自相关函数描述的是时间序列观测值与其过去的观测值之间的线性相关性，根据自相关函数拖尾起始点确定p值；偏自相关函数描述的是在给定中间观测值的条件下时间序列观测值与其过去的观测值之间的线性相关性，根据偏相关函数拖尾起始点确定q值。

运用Eviews软件提取各水质指标时间序列的自相关函数和偏相关函数的拖尾起始点，确定参数模型：重金属浓度和高锰酸盐指数的参数为ARIMA(3,2,2)，水温、pH值和化学需氧量的参数为ARIMA(2,1,2)，氨氮浓度的参数为ARIMA(5,1,5)。

(4)动态变化预测：对各水质指标采用对应的ARIMA(p,d,q)模型进行预测，并分析预测结果的准确性；

以2018年9月1日-2018年10月31日的水质监测数据为基础，运用Eviews软件生成对应时间序列，按步骤(3)中所得参数分别对各水质指标进行预测，并输出各水质指标的预测结果，将2018年11月1日各水质指标的预测数据与实际测得数据(当日均值)进行对比，计算相对误差，结果如表3所示：

表3水质预测误差分析

由表3可以看出，各项水质指标预测值与实测值相差不大，预测结果较为准确，误差较小，能满足实际应用的需求。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种城市生态环境的动态变化及预测方法，其特征在于，包括如下步骤：

(1)生态信息采集：在研究区内设置监测点位置并设置水质监测系统，获取监测数据；

(2)数据处理：对获取的序列数据进行预处理，包括数据的清洗和平稳性处理；

(3)参数计算：分析并计算ARIMA(p,d,q)模型中的p值和q值；

(4)动态变化预测：采用ARIMA(p,d,q)模型进行预测，并分析预测结果的准确性。

2.根据权利要求1所述的一种城市生态环境的动态变化及预测方法，其特征在于：步骤(1)中水质监测系统设置于监测点的位置，用于监测并传输监测点的水质指标监测数据，其中，水质指标监测数据包括：水温、pH值、化学需氧量(COD)，高锰酸盐指数、氨氮浓度和重金属浓度。

3.根据权利要求1所述的一种城市生态环境的动态变化及预测方法，其特征在于：步骤(1)中水质监测系统包括采样单元、检测单元和数据采集单元，其中，采样单元两端含有过滤层；检测单元包括重金属传感器和由温度传感器、酸碱度传感器、COD传感器、盐度传感器和氨氮传感器五个传感器集成的常规五参数水质监测仪；数据采集单元包括控制模块、数据传输模块、定位模块和电源模块。

4.根据权利要求4所述的一种城市生态环境的动态变化及预测方法，其特征在于：所述过滤层为抗水氧侵蚀的再生纤维滤膜。

5.根据权利要求4所述的一种城市生态环境的动态变化及预测方法，其特征在于：所述重金属传感器为伏安型电化学传感器，其工作电极为石墨烯-磷化物复合材料修饰电极。

6.根据权利要求1所述的一种城市生态环境的动态变化及预测方法，其特征在于：步骤(2)中数据的清洗包括去除噪声和数据填充，其中数据填充是对偶然数据中断现象使用前后数据的均值来进行填充。

7.根据权利要求1所述的一种城市生态环境的动态变化及预测方法，其特征在于：步骤(2)中平稳性处理包括稳态检测和差分处理，首先采用ADF单位根检验来判断数据的平稳性，对于不平稳的序列，则采取差分的形式处理，通过d次差分后，序列变成平稳序列，则建立ARIMA(p,d,q)模型，模型中的阶数d表示进行差分的次数。

8.根据权利要求1所述的一种城市生态环境的动态变化及预测方法，其特征在于：步骤(3)中模型的参数计算方法是采用自相关函数和偏自相关函数对ARIMA(p,d,q)模型中的p值和q值进行判别。

9.根据权利要求1所述的一种城市生态环境的动态变化及预测方法，其特征在于：步骤(4)中动态变化预测需将得到的ARIMA(p,d,q)模型构建完整的序列，对各项参数进行预测，并将预测数据和实测数据进行对比，验证预测结果的准确性并分析误差。