基于BP神經網絡的空氣質量模型分類預測研究

邱晨 羅璟 趙朝文

摘? 要： 隨著工業社會的發展，空氣質量問題已經成為環保任務的主要焦點。BP神經網絡作為深度學習的一種，已經在大部分領域被廣泛使用。為了讓廣大市民更好的了解空氣質量情況，本文以云南省昆明市為例，收集當地近6年的空氣質量數據，并基于Python語言，在Anaconda環境下的Numpy包建立了三層神經網絡數學模型，對空氣質量等級進行分類預測。通過訓練樣本對神經網絡模型的訓練以及相關參數的調試，得到較好的分類預測模型。將分類結果與實際結果進行比較，結果顯示，本次的神經網絡模型的分類預測準確率達到90%，能夠較好的分析空氣質量，達到預期需求。

關鍵詞： 神經網絡;深度學習;空氣質量;分類預測

【Abstract】： With the development of industrial economy， air quality issues have become the main focus of environmental protection tasks. As a kind of deep learning， BP neural network has been used widely in most fields. In order to let the general public understand the air quality situation better， this paper takes Kunming City， Yunnan Province as an example， collects the local air quality data for the past 6 years， and builds a three-layer neural network mathematics model based on the Python language in the Numpy package under the Anaconda environment to classify and predict the air quality levels. Through the training sample training of the neural network model and the debugging of related parameters， a better classification prediction model is obtained. Comparing the classification results with the actual data， the results show that the classification prediction accuracy of this neural network model reaches 90%， which can better analyze the air quality and meet the expected demand.

【Key words】： Neural network; Deep learning; Air quality; Classification prediction

0? 引言

近年來，席卷全國的霧霾讓廣大群眾“談霾色變”，大氣污染的防治成為了各省區市環保工作的重中之重。而空氣質量作為檢驗大氣污染程度的重要指標，一直是氣象部門的重要依據。在我國，空氣質量評價的主要污染物為細顆粒物（PM2.5）、可吸入顆粒物（PM10）、二氧化硫（SO2）、二氧化氮（NO2）、臭氧（O3）、一氧化碳（CO）等六項。傳統的空氣質量指數AQI（Air Quality Index）計算方法如下：

這種AQI的計算方法雖然比較規范，但是計算復雜，數據容易混淆。本文采用了BP神經網絡的方法，這是一種由David Rumelhart和J.McClelland于1985年提出的誤差反向后傳BP（Back propagation）學習算法。利用輸出后的誤差來估計輸出層的直接前導層的誤差，再用這個誤差估計更前一層的誤差，如此一層一層的反傳下去，就獲得了所有其他各層的誤差估計。因為網絡較強的數據處理能力，以及廣泛的適應能力，所以BP神經網絡常應用在計算機科學、模式識別技術、人工智能領域[3]。

3? 結語

本文基于Python語言，在Anaconda環境下構建了BP神經網絡模型，通過對模型重要參數的選取，對昆明市空氣質量情況進行分類預測。由于BP神經網絡的局限性，所以引入動量因子來加速模型的收斂，避免陷入局部最優。最終的結果表明，該網絡模型訓練效果良好，具有較好的空氣質量的分類識別功能，識別率達到90%。同時，該網絡模型仍有些許誤差，對于以后預測分類模型的精度的提高提供了進一步的研究方向。

參考文獻

高慶先， 劉俊蓉， 李文濤， 高文康. 中美空氣質量指數（AQI）對比研究及啟示[J]. 環境科學， 2015， 36（4）： 1141- 1147.

呂霽洲. 基于AQI和BP神經網絡的空氣質量評價及預測[J]. 電子世界， 2018， （11）：23-24.

何曉云， 羅澤蓉， 李明悅， 李亞斌， 趙盛萍. 基于BP神經網絡的空氣質量建模分析[J]. 山東工業技術， 2018， （17）： 239-240.

白鶴鳴， 沈潤平， 師華定， 董鈺春. 基于BP神經網絡的空氣污染指數預測模型研究[J]. 環境科學與技術， 2013， 36（3）： 186-189.

唐立力， 陳國彬， 基于MEA優化BP神經網絡的農機滾動軸承故障診斷[J]. 農機化研究， 2019， （3）： 214-218.

甘宇， 何沂， 逯宇佳， 呂雪松. 基于機器學習的孔隙度預測方法研究[J]. 油氣地球物理， 2018， 16（3）： 54-57.

蔣美云. 基于模擬退火算法優化的BP神經網絡預測模型[J]. 軟件工程， 2018， （7）： 36-38.

周國亮， 劉希玉， 武魯英. BP神經網絡在空氣質量級別評價中的應用[J]. 計算機工程與設計， 2009， 30（2）： 392-394.

張東. BP神經網絡算法的技術分析[J]. 軟件， 2016， 37（12）： 227-229.

吳超， 羅璟. 基于隨機森林的偷漏稅行為自動識別[J]. 軟件導刊， 2018，17（8）： 13-16.