这篇文档属于类型a，即报告了一项单篇原创研究的学术论文。以下是针对该研究的详细学术报告：
作者及研究机构
本研究由刘茂、汪庆庆、丁震共同完成，研究机构为江苏省疾病预防控制中心环境与健康所。研究发表在《环境与健康杂志》上，网络首发时间为2024年11月1日。
学术背景
本研究的主要科学领域为环境健康与大气污染预测。随着全球经济的持续发展，环境污染问题日益严重，尤其是大气中的二氧化硫（SO2）对人群健康的影响备受关注。SO2是一种主要的大气污染物，主要来源于燃料燃烧和车辆排放，长期暴露于高浓度SO2环境中可能导致呼吸道疾病、心血管疾病等健康问题。因此，准确预测SO2浓度的变化对于提前发布污染预警、保护公众健康具有重要意义。
本研究的背景知识包括时间序列分析中的自回归滑动平均模型（ARIMA, Auto-Regressive Integrated Moving Average）和灰色模型（GM, Grey Model）。ARIMA模型是一种广泛应用于时间序列预测的统计方法，能够捕捉时间序列中的趋势和周期性变化。灰色模型则是一种基于少量数据进行预测的模型，适用于数据不完整或不规则的情况。
本研究的主要目的是通过建立ARIMA模型，预测南京市大气中SO2浓度的变化，并比较ARIMA模型与灰色模型的预测效果，为探索高效可靠的SO2浓度预测方法提供参考。
研究流程
本研究包括以下几个主要步骤：
1. 数据收集与预处理
研究数据来源于中国疾病预防控制中心大气污染人群健康影响监测网报系统，收集了南京市2016年1月1日至2018年12月31日逐日SO2浓度监测数据。由于设备故障等原因，部分数据缺失，研究采用多重填补方法对缺失数据进行插值填补。
时间序列平稳性检验
研究首先绘制了SO2浓度的时间序列图，初步判断序列的平稳性。结果显示，SO2浓度序列波动较大，且可能存在12个月的周期性波动，整体呈现非平稳状态。为进一步验证，研究采用了ADF检验、KPSS检验和PP检验三种方法进行平稳性检验。结果显示，原始序列为非平稳序列。研究对原始序列进行对数转换和一阶差分处理，得到平稳序列，为后续ARIMA模型的建立奠定了基础。
ARIMA模型建立与参数估计
研究利用R软件中的tsa包计算了差分后序列的自相关系数（ACF）和偏自相关系数（PACF），并结合贝叶斯信息准则（BIC）确定了ARIMA模型的参数p和q。最终，研究选取了ARIMA（0,1,4）模型，并通过极大似然估计法（ML）对模型参数进行了估计。
模型检验
研究对ARIMA（0,1,4）模型的残差进行了白噪声检验。结果显示，模型残差序列的自相关系数在0附近波动，且连续滞后10阶的Ljung-Box检验统计量p值均大于0.05，表明模型残差为白噪声序列，模型拟合效果良好。
模型预测与评价
研究利用ARIMA（0,1,4）模型和灰色GM（1,1）模型对2019年1月1日至4日的SO2浓度进行一步预测，并将预测结果与实际监测值进行比较。结果显示，ARIMA模型的预测效果优于灰色模型，其均方根误差（RMSE）和平均绝对误差（MAE）均小于灰色模型。
主要结果
1. 模型选择与拟合
研究最终选择了ARIMA（0,1,4）模型，其AIC值为-16.39。模型残差序列通过白噪声检验，表明模型拟合效果良好。
预测结果比较
研究对2019年1月1日至4日的SO2浓度进行了预测，结果显示，ARIMA模型的预测值与实际监测值的平均相对误差为26.09%，灰色模型的平均相对误差为25.53%。虽然灰色模型的平均相对误差略低，但ARIMA模型的RMSE和MAE均小于灰色模型，表明ARIMA模型在预测精度上更具优势。
模型稳定性分析
研究指出，仅基于过往SO2浓度序列的模型预测结果存在不稳定性，尤其是在SO2浓度出现较大波动时，模型的预测误差显著增加。因此，研究建议在模型中纳入影响SO2浓度的相关因素，以提高预测精度。
结论
本研究通过建立ARIMA模型，成功预测了南京市大气中SO2浓度的短期变化，并比较了ARIMA模型与灰色模型的预测效果。结果表明，ARIMA模型在预测精度上优于灰色模型，但其预测结果仍存在一定的不稳定性。为了提高预测精度，未来研究应考虑纳入更多影响SO2浓度的相关因素，并采用多步预测方法对模型进行优化。
研究亮点
1. 创新性
本研究首次将ARIMA模型应用于南京市SO2浓度的时间序列预测，为大气污染物的短期预测提供了新的方法。
实用性
研究结果为南京市大气污染预警系统的建设提供了科学依据，有助于提前发布污染预警信息，保护公众健康。
方法学贡献
研究详细展示了ARIMA模型的建立、检验和预测流程，为其他研究者提供了可借鉴的方法学框架。
其他有价值的内容
研究还探讨了SO2浓度对人群健康的影响，强调了SO2与呼吸道疾病、心血管疾病之间的关联，进一步凸显了本研究的重要性和现实意义。
本研究通过科学的时间序列分析方法，为南京市大气SO2浓度的预测提供了有效工具，并为未来相关研究提供了重要的参考依据。