add:ques1 and ques3.1

.gitignore

@@ -0,0 +1,6 @@
+.idea/
+.ipynb_checkpoints/
+checkpoint/
+__pycache__/
+.DS_Store
+jupyter/

heatmap.py

@@ -3,7 +3,7 @@ import seaborn as sns
 import matplotlib.pyplot as plt
 def plot_heatmap(matrix, len, wid, title="Heatmap", save_path="heatmap.png"):
     # 设置支持中文的字体
-    plt.rcParams['font.family'] = 'SimHei'
+    # plt.rcParams['font.family'] = 'SimHei'
 
     # 解决负号显示问题
     plt.rcParams['axes.unicode_minus'] = False

jupyter:/Users/syy/PythonProjects/Beijing_air_quality_prediction/air_quality_prediction.ipynb

@@ -0,0 +1,65 @@
+{
+ "cells": [
+  {
+   "metadata": {},
+   "cell_type": "code",
+   "outputs": [],
+   "execution_count": null,
+   "source": [
+    "\n",
+    "# 绘制各指标小时均值变化趋势（标准化后）折线图\n",
+    "for i, indicator in enumerate(indicators):\n",
+    "    plt.plot(normalized.index, normalized[indicator], \n",
+    "             marker='o',label=indicator, color=colors[i], linewidth=2)\n",
+    "\n",
+    "plt.title('各指标小时均值变化趋势（标准化后）', fontsize=14)\n",
+    "plt.xlabel('小时', fontsize=12)\n",
+    "plt.ylabel('标准化值', fontsize=12)\n",
+    "plt.xticks(range(0, 24))\n",
+    "plt.grid(alpha=0.3)\n",
+    "plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left')\n",
+    "plt.tight_layout()\n",
+    "\n",
+    "# 新增保存代码\n",
+    "plt.savefig('images/hourly_trends_combined.png', dpi=300, bbox_inches='tight')  # 保存组合大图\n",
+    "plt.show()\n",
+    "\n",
+    "# 新增保存子图代码\n",
+    "for i, indicator in enumerate(indicators):\n",
+    "    plt.figure(figsize=(8, 5))\n",
+    "    plt.plot(normalized.index, normalized[indicator], \n",
+    "             marker='o', color=colors[i], linewidth=2)\n",
+    "    plt.title(f'{indicator}小时均值变化趋势（标准化后）')\n",
+    "    plt.xlabel('小时')\n",
+    "    plt.ylabel('标准化值')\n",
+    "    plt.xticks(range(0, 24))\n",
+    "    plt.grid(alpha=0.3)\n",
+    "    plt.tight_layout()\n",
+    "    plt.savefig(f'images/hourly_{indicator}.png', dpi=300)  # 保存单个指标子图\n",
+    "    plt.close()"
+   ],
+   "id": "bc314c8f5ab643d4"
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "Python 3",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 2
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython2",
+   "version": "2.7.6"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 5
+}

readme.md

@@ -1,4 +1,21 @@
-## 热力图解读
+## 题目1
+### 结果分析：
+#### 折线图
+
+从图中标准化后的空气质量指标小时均值变化趋势可见，各指标在 24 小时时间维度上呈现一定周期性特征：
+各指标在每日相同时段表现出规律性波动，如部分指标于特定小时（如 19—23 时）出现标准化值峰值，在其他小时（如 4—5 时）形成谷值，且 “波峰 — 波谷” 的波动模式在每日 24 小时周期内稳定重复。这种以自然日为单位、在相同日时段内可重复的规律性变化，一定程度上体现了空气质量指标小时均值以 24 小时为周期的周期性特征，反映出其变化遵循固定时间循环规律。
+
+#### ACF图
+
+1. 在 O3 ACF 图中，自相关系数呈现规律性波动：滞后 24 小时、48 小时、72 小时处多次显著超出置信区间（阴影区域），形成明显峰值，且峰值间隔固定为 24 小时。这直接表明 O3 指标的小时均值变化存在 24 小时周期性，即数据以自然日为周期循环波动，符合 “日周期” 特征。
+
+2. NO2 ACF 图中，自相关系数出现一定起伏波动，尤其在滞后 12 小时、24 小时等间隔处，呈现相对规律的波动趋势。尽管规律性弱于 O3，仍暗示 NO2 指标可能存在周期性，需结合其他分析进一步验证。
+
+3. AQI、PM2.5、PM10、CO、SO2 的 ACF 图中，自相关系数随滞后小时数增加逐渐衰减，未出现如 O3 般规律的周期性峰值，也无固定间隔的显著波动，说明这些指标在 72 小时滞后范围内，周期性特征不明显。
+
+## 题目2
+
+### 热力图解读
 热力图显示了各指标之间的相关性。颜色越深表示相关性越强，颜色越浅表示相关性越弱，偏红色表示正相关，偏蓝色表示负相关。
 1. 图形大致可分为四个部分：
    - 左上角的颜色较深的矩形反映了AQI与数个观测指标（污染物）的关系。
@@ -7,7 +24,7 @@
    - 右下角的颜色较深的矩形主要反映各环境指标间的相关关系。
 2. 空气质量指数（AQI）与PM2.5、PM10有很强正相关关系，与CO、NO2、SO2呈现较强正相关关系。同时跟VV（水平能见度）有较强负相关关系。后者的原因显然。经过查阅资料，前者数个指标本就为AQI的计算所考虑的指标，而同为考虑指标的O3相关性低，不知道为什么，需要进一步调研。
 3. 小时（hour)与O3等指标呈现一定正相关关系，这或许反映O3浓度变化具有日周期。且与U（地面高度2米处的相对湿度）等指标呈现一定负相关关系。
-## 主成分分析解读
+### 主成分分析解读
 1. 检验指标：
    - KMO值: 0.762>0.7。
    - 巴赫利特检验卡方值: 90424.712, p值: 0.0，显著。
@@ -42,7 +59,10 @@
    6) 交叉载荷与特殊变量
       - O3（臭氧）：在Factor1和Factor3上均有载荷，可能需结合气象与化学机制进一步分析。
       - VV（能见度）：受Factor3（风速）和Factor2（颗粒物）共同影响，符合实际物理规律。
-## XGBOOST模型解读
+
+## 题目3
+
+### XGBOOST模型解读
 1. 该模型使用历史AQI数据，并进行周期性编码和滞后特征构建（3小时粒度的滞后特征（最多7天）），作为特征工程。
 2. 每次预测均采用该时间点以前的真实数据，即每次预测均为单步预测。
 3. 使用随机搜索法参数调优。
@@ -51,4 +71,4 @@
    - R-squared: 0.92
    - MAE: 7.87
 5. 重要特征：观察图，AQI_lag_1,2,3最为重要，即该时刻的AQI主要由前3个观测时刻决定。day_of_week显示影响较小，但不是完全没有。
-6. 其实也做了利用递归直接预测一整个月的，![效果看图就很明了了]（XG_pred_by_recursion.png)
+6. 其实也做了利用递归直接预测一整个月的，效果看图就很明了了![图](./images/XG_pred_by_recursion.png)