基于ARIMA模型的矿区重金属污染时间序列预测

金属矿山 ›› 2010, Vol. 39 ›› Issue (06): 142-146.

基于ARIMA模型的矿区重金属污染时间序列预测

饶运章¹, 徐水太^1,2, 熊灵燕¹

1.江西理工大学；2.北京科技大学

出版日期:2010-06-15 发布日期:2010-11-09
基金资助:
国家自然科学基金项目（编号：50864007）。

Time Series Prediction of Heavy Metal Pollution in Mining Areas Based on ARIMA Model

Rao Yunzhang¹，Xu Shuitai^1,2，Xiong Lingyan¹

1.Jiangxi University of Science and Technology; 2.Beijing University of Science and Technology

Online:2010-06-15 Published:2010-11-09

摘要/Abstract

摘要： 矿区重金属污染具有时间序列的特征，因此可以采用时间序列ARIMA模型对重金属污染进行预测。对南方某铜硫矿，在1995年1月—2008年6月重金属月监测数据的基础上，运用ARIMA模型建立了矿区尾矿库废水总排放口Zn浓度的预测模型，结果表明，ARIMA(1,1,2)模型能较好地拟合2008年1月—2008年6月重金属污染变化规律，经实际计算结果验证所建模型，误差在5%左右，经检验其精度满足要求。预测结果显示，该矿区未来重金属Zn仍然处在污染状态。

关键词: 重金属污染, ARIMA模型, 时间序列, 预测

Abstract: Heavy metal pollution in mining areas possesses the character of time series,so time series ARIMA model can be used to forecast heavy metal pollution.Based on monitoring data on heavy metals for a certain copper-sulfide ore in the South during January 1995 and June 2008,ARIMA model is adopted to build the Zn total prediction in wastewater outfall of the mine tailings.The results indicate that ARIMA (1,1,2) model approximates the alteration rule of heavy metals from January 2008 to June 2008,and the prediction error is around 5% between the calculated and the predicted data of mining areas.The forecasting results show that heavy metal Zn contents in the mining area will be still in the state of pollution in future.

Key words: Heavy Metal Pollution, ARIMA model, Time Series, Prediction

饶运章, 徐水太, 熊灵燕. 基于ARIMA模型的矿区重金属污染时间序列预测[J]. 金属矿山, 2010, 39(06): 142-146.

RAO Yun-Zhang, XU Shui-Tai, XIONG Ling-Yan. Time Series Prediction of Heavy Metal Pollution in Mining Areas Based on ARIMA Model[J]. Metal Mine, 2010, 39(06): 142-146.

[1]	李如仁, 李梦晨, 葛永权, 刘明霞. 融合多源因素回归和ARIMA-LSTM 的露天矿地表形变趋势分析[J]. 金属矿山, 2025, 54(1): 186-.
[2]	杨　军, 李立杰, 刘红岩. 露天台阶爆破智能设计系统研发及应用[J]. 金属矿山, 2025, 54(1): 160-.
[3]	姜庆宏, 张靖雯, 郑春丽, 王　哲, 龙文毫. 鄂尔多斯红庆河采煤矿区生态需水研究[J]. 金属矿山, 2024, 53(9): 260-.
[4]	刘增波, 徐良骥, 张　坤, 刘潇鹏, 曹宗友, 徐　阳. 融合SBAS-InSAR 与CS-SVM 的矿区地表残余沉降预测模型[J]. 金属矿山, 2024, 53(8): 133-.
[5]	王　娟, 吴禄源, 袁　超. 不同裂隙几何特征岩石强度智能预测研究[J]. 金属矿山, 2024, 53(8): 45-.
[6]	伍世虔, 叶　健, 孙继林, 银开州. 露天矿台阶爆破参数优化模型与求解研究[J]. 金属矿山, 2024, 53(7): 146-.
[7]	耿　楠, 吴明春, 李　显, 樊亚男. 尾矿资源化利用制备水泥注浆料的无侧限抗压强度预测[J]. 金属矿山, 2024, 53(6): 242-.
[8]	范明星, 任高峰, 吴文博, 鲁习奎, 李吉民, 张聪瑞. 基于降雨量数据的程潮铁矿涌水量时序性预测模型[J]. 金属矿山, 2024, 53(6): 212-.
[9]	陈延康, 郭广礼, 孟　浩, 张连贵, 郑　辉, 李怀展, 张浩宇. 陕蒙矿区深部开采导水裂隙带发育特征与高度预测方法[J]. 金属矿山, 2024, 53(4): 186-.
[10]	李如仁, 葛永权, 李梦晨, 孙加瑶, 王彦平, 刘明霞. 基于InSAR-COMSOL 的露天矿边坡稳定性分析及形变预测[J]. 金属矿山, 2024, 53(3): 172-.
[11]	徐志华, 杨　旭, 孙钱程, 何钰铭, 张国栋, 叶义成. 基于多变量自优化动态神经网络的“ 阶跃型” 滑坡变形预测[J]. 金属矿山, 2024, 53(3): 74-.
[12]	边艳华, 解　路, 苗　超. 基于深度强化学习和大邻域搜索的矿山巡检机器人路径规划算法[J]. 金属矿山, 2024, 53(2): 212-.
[13]	卜显忠, 杨怡琳, 宛　鹤. 基于浮选泡沫图像预测精矿品位的研究进展[J]. 金属矿山, 2024, 53(2): 25-.
[14]	童保国, 姜福领, 毕寸光, 王　亮, 田坤云. 基于LSTM 改进Transformer 的煤自燃温度预测模型[J]. 金属矿山, 2024, 53(12): 275-.
[15]	朱权洁, 谷　雷, 刘晓云, 尹永明, 朱斯陶. 基于D-InSAR 技术的矿区地表沉降规律分析与趋势预测[J]. 金属矿山, 2024, 53(11): 125-.

扫码分享