基于神經(jīng)網(wǎng)絡的大氣污染預測

摘要：大氣污染預測研究是一個復雜的、多因素的非線性問題，近年來人工神經(jīng)網(wǎng)絡已應用到大氣污染濃度預報中，BP模型是目前最為廣泛應用的神經(jīng)網(wǎng)絡模型之一，BP神經(jīng)網(wǎng)絡法為城市空氣污染預報工作提供了一種全新的思路和方法。

資助項目：陜西廣播電視大學 2013-2014年度科研課題“基于神經(jīng)網(wǎng)絡的大氣污染預測”（課題編號：13D-08-B01）；陜西廣播電視大學教學改革研究課題“陜西電大課程教學資源建設研究”（課題編號：13DJ-A12）、“微課程資源建設研究”（課題編號：15DJ-B11）；2015年陜西省教育廳科研計劃項目“陜西省主要城市大氣污染預報模型研究”(項目編號：15JK1058) 。

陜西高等教育教學改革研究項目“高等繼續(xù)教育網(wǎng)絡學習資源建設研究”。

Atmospheric Pollution Prediction Based on Neural Network

Guo Qingchun

（Shaanxi Radio & TV University,Shanxi Xi'an,710119）

Abstract：The forecasting of atmospheric pollution is a complexity nonlinear problem with multiple factors. Artificial neural networkhas been applied to atmospheric pollution forecast. BP model has been applied widely, So,BP neural network model has supplied a new way for the atmospheric pollution forecast.

Keywords：Artificial neural network;atmospheric pollution; algorithm

近年來，社會經(jīng)濟的迅猛發(fā)展，人們生活水平的不不斷提升，對于空氣質(zhì)量的要求越來越高。據(jù)德國媒體報道，每年全世界有超過三百萬人死于空氣污染，全球每一萬人中就有5個死于空氣污染。有關(guān)專家預測如果不采取有效措施來改善空氣質(zhì)量，那么到2050年因空氣污染而死亡的人數(shù)將翻倍。空氣質(zhì)量問題受到了政府有關(guān)部門的重視，引起了人們和相關(guān)行業(yè)的廣泛關(guān)注，迫切需要我們積極主動的采取措施來進行空氣治理。人工神經(jīng)網(wǎng)絡以其具有的自組織、自適應和容錯性的優(yōu)勢在其他行業(yè)領(lǐng)域得到了廣泛的應用并取得了巨大的成功。大氣污染治理的前提是要對大氣污染時間進行準確的預測，但大氣污染時間的變化是非線性的，傳統(tǒng)的方法無法做到精確的預測污染時間，而人工神經(jīng)網(wǎng)絡則是一種好的解決非線性問題的方法 [1]。

1　人工神經(jīng)網(wǎng)絡原理

人工神經(jīng)網(wǎng)絡是一種非線性的動力學系統(tǒng)，由簡單元件即神經(jīng)元構(gòu)成，簡單元件之間相互連接形成了非凸性、非線性、非定常性、非局域性的復雜網(wǎng)絡系統(tǒng)，這些神經(jīng)網(wǎng)絡經(jīng)過“訓練”能夠掌握大量的知識，可以要求完成各種任務。人工神經(jīng)網(wǎng)絡有眾多的算法，其中BP神經(jīng)網(wǎng)絡是使用最廣泛的一種，標準BP 算法為訓練網(wǎng)絡提供了簡單的方法，但是由于在訓練的過程中存在著學習速率為很小常數(shù)的狀況，因此存在著收斂速度慢和局部極小的問題。針對神經(jīng)網(wǎng)絡存在的常見問題容易陷入局部極小、收斂速度慢，最小誤差為局部極小值、網(wǎng)絡范化能力差，有很多改進算法 [1]。下面介紹幾種：（1）附加量動法：該方法的優(yōu)點是不僅考慮了誤差在梯度上對神經(jīng)網(wǎng)絡的影響，而且也將誤差曲面上的變化的影響因素考慮進去，允許忽略神經(jīng)網(wǎng)絡上的微小變化，但同時由于該方法在操作的時候是以方向傳播法為基礎(chǔ)，在每一個權(quán)值、閾值的變化基礎(chǔ)上加上一項正比前次權(quán)值、閾值變化量的值，還根據(jù)反向傳播法來產(chǎn)生新的權(quán)值、閾值的改變，這就導致了網(wǎng)絡性能對參數(shù)調(diào)節(jié)的敏感度降低，收斂速度減緩，而且當4600迭代次數(shù)訓練并且目標誤差為0.07時，要找到最優(yōu)的網(wǎng)絡權(quán)值、閾值還是由一定困難的。（2）彈性BP算法(RPROP) ：它的運作原理是通過更新權(quán)值和閾值從而使結(jié)果直接發(fā)生改變，它采用Resilient(有彈性的)更新值的概念，然后直接修改權(quán)步的大小值，因此修改結(jié)果不會由于不可預見的梯度性能而變的模糊，由于學習規(guī)律清楚、簡單，和開始的反向傳播算法比較，在計算量上只有很少的耗費，彈性BP算法的主要優(yōu)點是快速，而且對大量問題不用參數(shù)的選擇就能夠得到最優(yōu)或接近最優(yōu)收斂時間。

2　大氣污染預測

人工神經(jīng)網(wǎng)絡在大氣污染預測中有很多應用。郭慶春等采用陜西省寶雞市的空氣污染指數(shù)，建立基于BP神經(jīng)網(wǎng)絡的空氣污染指數(shù)的預報模型，該模型精確度檢驗表明：建立的預測模型準確度高，適應性很強，可以進行寶雞市日空氣污染指數(shù)的預測預報 [1]。郭慶春等利用西安市空氣污染指數(shù)，建立空氣污染指數(shù)的神經(jīng)網(wǎng)絡預測模型，實驗結(jié)果表明獨立樣本的空氣污染指數(shù)的真實值和預測值的相關(guān)系數(shù)高，該模型具有較高的預測精度 [2]。郭慶春等利用北京市空氣污染指數(shù)，建立人工神經(jīng)網(wǎng)絡預測模型，從模型實驗結(jié)果看，模型的擬合效果均較好，實際值和預報值之間的相對誤差小，實際值和預報值的相關(guān)系數(shù)較高，說明了通過設置動態(tài)系數(shù)、學習率、初始權(quán)重等參數(shù)可以使基于BP人工神經(jīng)網(wǎng)絡的大氣污染預測模型的精度得到很大提高 [3]。郭慶春等利用石家莊市空氣污染指數(shù)數(shù)據(jù)分別建立了4個季節(jié)的空氣污染指數(shù)的預測模型，實驗結(jié)果表明實際值和預測值之間的平均相對誤差較小，實際值和預測值的相關(guān)系數(shù)較高，預報效果較理想 [4]。馬雁軍等建立了大氣污染物濃度的人工神經(jīng)網(wǎng)絡預報模型，將監(jiān)測值和計算結(jié)果進行了驗證，計算結(jié)果表明：TSP的觀測值和計算值之間的絕對誤差是4*10-3～3*10-2 mg*m-3，NOX的觀測值和計算值之間的絕對誤差是5*10-3～2*10-2 mg*m-3，并且相關(guān)性較好。龍熙華等提出了一種基于可拓理論的新興網(wǎng)絡結(jié)構(gòu)——可拓神經(jīng)網(wǎng)絡，它可以解決矛盾的區(qū)間分類問題，并且避免網(wǎng)絡陷入局部最優(yōu)，同時還使得網(wǎng)絡訓練速度提高了，運行時間縮短了，然后采用北京市12個區(qū)的監(jiān)測數(shù)據(jù)作為訓練樣本，以可吸入顆粒物PM10、NO2、SO2這些主要污染物作為網(wǎng)絡輸入，以可拓距離作為度量工具建立并且測試網(wǎng)絡，模擬結(jié)果表明這種算法的有效性和可行性，并且在訓練速度和結(jié)構(gòu)上明顯優(yōu)于BP網(wǎng)絡。邱梅提出了一種基于時間序列和人工神經(jīng)網(wǎng)絡的城市大氣污染預測模型，首先使用時間序列的方法對采集的數(shù)據(jù)進行統(tǒng)計，再將統(tǒng)計結(jié)果作為樣本輸入人工神經(jīng)網(wǎng)絡模型,然后將神經(jīng)網(wǎng)絡訓練后得到的樣本數(shù)據(jù)采用趨勢外推法進行預測分析，仿真實驗結(jié)果表明，基于時間序列和人工神經(jīng)網(wǎng)絡的城市大氣污染預測模型的預測結(jié)果與實際結(jié)果相當接近，該方案切實有效，值得推廣使用。

3　結(jié)論

在大氣污染預測領(lǐng)域中運用神經(jīng)網(wǎng)絡技術(shù)，主要是利用神經(jīng)網(wǎng)絡的泛化能力，它是由所學習的知識和經(jīng)驗總結(jié)歸納后進行判斷的能力。與傳統(tǒng)的預測方法相比，人工神經(jīng)網(wǎng)絡在大氣污染預測方面顯示出了明顯的優(yōu)越性：(1)由于人工神經(jīng)網(wǎng)絡具有較好的逼近效果，訓練后的神經(jīng)網(wǎng)絡，在樣本上輸出期望值(在誤差允許范圍內(nèi))，在非樣本點上，能夠表現(xiàn)出網(wǎng)絡的聯(lián)想記憶功能；(2)容錯性較強，能夠處理信息不全的預測問題；(3)動態(tài)自適應能力強，能夠適應外界新的學習樣本，可以使網(wǎng)絡知識不斷更新；(4)預測速度快；(5)可以將新獲取的數(shù)據(jù)信息應用到人工神經(jīng)網(wǎng)絡中，并及時建立新的預測模型，使預測的精度大幅度提高。