空气质量统计建模与分析

一、项目基本信息

• 项目名称：城市空气质量多因素统计建模与分析
• 项目来源：全国大学生统计建模大赛

二、团队成员及分工

姓名	负责工作
Yhw050920	负责数据预处理、统计建模、模型构建与优化；拥有final分支Maintainer权限
成员B	负责算法实现、模型评估、数据可视化和仿真分析
成员C	负责项目论文撰写、方法梳理、结果解读与排版

三、项目简要介绍

（一）研究问题

本研究聚焦于城市空气质量的多因素影响分析，通过统计建模方法探究气象条件、工业排放、交通流量等因素对PM2.5浓度的综合影响，旨在为城市空气质量管理提供数据驱动的决策支持。

（二）研究方法

• 数据预处理：缺失值处理、异常值检测、数据标准化
• 相关性分析：Pearson/Spearman相关系数矩阵
• 多元线性回归分析
• 时间序列分析（ARIMA模型）
• Bootstrap重采样置信区间估计
• 模型评估与残差诊断

（三）核心结论

通过多元回归和时间序列分析，识别出影响空气质量的关键因素，建立预测模型并验证其有效性。

四、目录结构说明

 project-root/
    ├── README.md                     ← 项目首页（项目说明文档）
    ├── report/
    │   └── collaboration_practice.md ← 协作练习文件（团队协作核心文件）
    ├── code/
    │   ├── preprocessing.py          ← 数据预处理模块
    │   ├── regression.py             ← 回归分析模块
    │   ├── timeseries.py             ← 时间序列分析模块
    │   └── visualization.py          ← 数据可视化模块
    ├── data/
    │   └── sample_data.csv           ← 示例数据文件
    └── figures/
        └── sample_chart.png          ← 示例图片文件

五、项目进度

模块	状态	负责人
数据预处理	✅ 完成	Yhw050920
可视化模块	✅ 完成	Yhw050920
回归分析	✅ 完成	成员B
时间序列	✅ 完成	成员C

六、使用说明

1. 安装依赖：pip install pandas numpy scikit-learn matplotlib seaborn statsmodels
2. 运行预处理：python code/preprocessing.py
3. 执行回归分析：python code/regression.py
4. 时间序列分析：python code/timeseries.py

七、参考文献

1. Box, G.E.P., Jenkins, G.M. (1976). Time Series Analysis: Forecasting and Control.
2. Draper, N.R., Smith, H. (1998). Applied Regression Analysis.
3. Efron, B., Tibshirani, R.J. (1993). An Introduction to the Bootstrap.
4. 国家环境监测总站. 空气质量监测技术规范.

八、致谢

感谢课程张老师的指导与团队成员的协作。本项目所有代码和分析均可通过Git提交历史追溯。