基于GA-BP神經(jīng)網(wǎng)絡(luò)模型的大氣能見度預(yù)測

蘇靖晰 王圣堂 陳紅敏 王永忠

摘要：為探究成都地區(qū)大氣能見度的區(qū)域特性，構(gòu)建基于GA-BP神經(jīng)網(wǎng)絡(luò)的大氣能見度預(yù)測模型，將空氣中的相對濕度、PM2.5及PMio作為能見度主要影響因子輸入到預(yù)測模型中，輸出預(yù)測時間段每小時的大氣能見度，再與實際值作比較。結(jié)果顯示，經(jīng)過遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型能較好地預(yù)測該地區(qū)的大氣能見度，預(yù)測值基本貼近于實際值，且預(yù)測結(jié)果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

關(guān)鍵詞：大氣能見度;BP神經(jīng)網(wǎng)絡(luò);遺傳算法

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2020）18-0019-03

開放科學（資源服務(wù)）標識碼（OSID）：

大氣能見度是指人們在氣溶膠粒子作用下所能看到物體大致輪廓的最大水平距離，同時也是表征空氣質(zhì)量的一項重要指標[1]。隨著工業(yè)化生產(chǎn)的飛速發(fā)展，低能見度的發(fā)生頻率也越來越高。低能見度不僅影響人們的生活質(zhì)量，同時也嚴重危害到公路及航空運輸?shù)恼＿\行，造成了大量的人員傷亡及財產(chǎn)損失，因此低能見度的精準預(yù)測成為規(guī)避不安全事件的主要手段[2]。

國內(nèi)外針對能見度的預(yù)測研究開始于20世紀50年代[3]，Stuart Naegele和William Sellers[4]對美國的18個機場的能見度與其影響因子做線性回歸分析，發(fā)現(xiàn)相對濕度與氣溶膠粒子濃度能較為準確預(yù)測大氣能見度的數(shù)值，但由于線性函數(shù)的局限性，導(dǎo)致預(yù)測精準度較為粗糙。Srivastava SK等[5]運用ARIMA模型對印度加茲阿巴德市的霧霾發(fā)生概率進行預(yù)測，結(jié)果顯示預(yù)測較傳統(tǒng)預(yù)測方法要好。而國內(nèi)學者宋明等[6]研究能見度與相對濕度和PM2.5及PM10之間的相關(guān)性發(fā)現(xiàn)，多元非線性回歸模型能較好地預(yù)測大氣能見度的變化趨勢。Marzban等[7]對預(yù)測方法進行改進，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測性能較多元非線性回歸預(yù)測要好。

本文所采用的數(shù)據(jù)來源于2014-2018年成都氣象觀測站及環(huán)境監(jiān)測站的大氣能見度、相對濕度、PM25及PM10質(zhì)量濃度的小時數(shù)據(jù)，共28346組。

1 BP神經(jīng)網(wǎng)絡(luò)及遺傳算法的原理及適用性

BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中最常使用的一種網(wǎng)絡(luò)模型，其基于誤差反向傳播來調(diào)整權(quán)重和閾值從而達到進一步減小誤差的方法，經(jīng)過多次迭代調(diào)整從而達到誤差均方滿足精度為止。BP神經(jīng)網(wǎng)絡(luò)一般具有3層或3層以上的層級結(jié)構(gòu)，包含輸入層、輸出層以及隱含層，層級結(jié)構(gòu)內(nèi)部存在有限個節(jié)點，層與層之間進行信息的正向傳播及誤差的反向傳播。信息通過輸入層正向傳播到隱含層再到輸出層，輸出結(jié)果與實際結(jié)果之間的誤差均方不滿足精度要求，則誤差反向傳播并逐層修改權(quán)值及閾值，再進行下一步的信息正向傳輸，如此經(jīng)過多次迭代后得到滿足輸出精度的值為止。

BP神經(jīng)網(wǎng)絡(luò)是一種模仿人類大腦結(jié)構(gòu)和信息處理方式的一種人工模型，它反映了人類大腦的一種智能化信息處理方式，其具有極強的并行處理、自學習和自適應(yīng)等特性。但BP神經(jīng)網(wǎng)絡(luò)也存在著一定的缺陷，隨著樣本數(shù)據(jù)量的增大，BP神經(jīng)網(wǎng)絡(luò)存在著收斂慢、網(wǎng)絡(luò)拓撲結(jié)構(gòu)不穩(wěn)定、易陷入局部最優(yōu)解和平坦區(qū)域等問題，為了解決該類問題，在本文預(yù)測模型中引入遺傳算法對BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，BP神經(jīng)網(wǎng)絡(luò)的層級結(jié)構(gòu)如圖1所示。

遺傳算法是模擬大自然在進化過程所表現(xiàn)出“優(yōu)勝劣汰”的自然選擇和基于遺傳學生物進化過程的一種計算模型，其運算的本質(zhì)是在一個大的數(shù)據(jù)樣本中隨機選取一個特定數(shù)量的種群，種群中的每一個個體代表該問題的一個解決方案，再根據(jù)每一個個體的適應(yīng)度大小，篩選出最優(yōu)個體，被選擇出的最優(yōu)個體通過組合交叉和變異操作，得到一個具有新解集的種群，再對新的解集采取同樣的篩選，對最后一代種群中的最優(yōu)個體進行解碼，得到的即為BP神經(jīng)網(wǎng)絡(luò)預(yù)測的初始權(quán)值及閾值。

2 GA-BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

2.1 遺傳算法模型的構(gòu)建

遺傳算法的主要步驟包括隨機樣本初始化、選擇適應(yīng)度函數(shù)、選擇個體樣本、交叉運算和變異運算。

（1）隨機樣本初始化：為了方便程序運算，樣本編碼均使用二進制編碼，每個樣本均為一個二進制字符串，輸入層到隱含層再到輸出層之間的每個連接權(quán)值及閾值均使用M位的二進制編碼，將數(shù)據(jù)組的所有權(quán)值和閾值編碼連接起來即為一個樣本編碼。

（2）選擇適應(yīng)度函數(shù)：為了使預(yù)測值與實際值之間的殘差平方和盡可能的小，所以選擇采用適應(yīng)度分配函數(shù)：

FitnV= ranking （obj）

（1）

其中obj為目標函數(shù)的輸出。

（3）選擇個體樣本種群：基于（2）中的適應(yīng)度分配函數(shù)選擇最優(yōu)個體樣本群。

（4）交叉運算：交叉操作采用單點交叉算子樣本個體。

（5）變異運算：以一定概率產(chǎn)生變異的基因數(shù)，用隨機的方法選出發(fā)生變異的基因。如果所選的基因編碼為1，則變?yōu)?;如果所選的基因編碼為0，則變?yōu)?.

2.2 BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

構(gòu)建BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型是為對數(shù)據(jù)樣本的未來每小時的能見度均做預(yù)測，選取3個主要影響因子相對濕度、PM2.5及PM10，設(shè)定輸出結(jié)果為大氣能見度VIS。

（1）網(wǎng)絡(luò)輸入層及輸出層

根據(jù)前面確定的3個主要影響因子相對濕度、PM：5及PMio質(zhì)量濃度可知，輸入層神經(jīng)元節(jié)點數(shù)為3，輸出層神經(jīng)元節(jié)點數(shù)根據(jù)需要唯一預(yù)測的能見度確定為1。

（2）網(wǎng)絡(luò)隱含層

BP網(wǎng)絡(luò)隱含層節(jié)點數(shù)的確定關(guān)乎于該預(yù)測模型誤差值的大小及準確度，因此，正確的設(shè)置隱含層節(jié)點數(shù)至關(guān)重要。

l=√m+n+a

（2）

而根據(jù)以前學者針對這類問題的研究總結(jié)出如式（2）的隱含層節(jié)點選擇公式，m為輸入層節(jié)點數(shù)，n為輸出層節(jié)點數(shù)，a為[1，10]區(qū)間的任意整數(shù)值，因為m=3，n=1.故l的取值范圍為[3，121，根據(jù)試湊法對l在[3，12]范圍內(nèi)進行隱含層節(jié)點數(shù)的確定。隨機選取2000組數(shù)據(jù)用作試湊數(shù)據(jù)，不同隱含層節(jié)點個數(shù)的試湊結(jié)果如表2所示。

由表（2）可知，當隱含層節(jié)點數(shù)為4時，試湊結(jié)果與實際值相關(guān)性較高且相對誤差較小，所以選擇隱含層節(jié)點數(shù)為4.

（3）激勵函數(shù)

激勵函數(shù)是位于層與層之間用來傳遞參數(shù)的工具，輸入值根據(jù)激勵函數(shù)得到輸出值。而MATLAB中最常見的2種激勵函數(shù)有線性激勵函數(shù)purelin及雙曲正切S型激勵函數(shù)tan -sigmod.

1）線性激勵函數(shù)purelin：對層與層之間采用線性關(guān)系連接輸出權(quán)值及閾值，輸入值的取值范圍沒有限制，輸出值沒有最大值與最小值的限制，c為正的常數(shù);

y= pureLin（X）= cX

（3）

2）雙曲正切S型激勵函數(shù)tan - sigmod：輸入值與輸出值沒有限制，輸出值的取值范圍為（-1，1），以0為中心，c為旋轉(zhuǎn)度的S型函數(shù)，c為正的常數(shù);

根據(jù)本文數(shù)據(jù)要求，選擇雙曲正切S型激勵函數(shù)為輸入層到隱含層之間的激勵函數(shù)，選擇線性激勵函數(shù)為隱含層到輸出層之間的激勵函數(shù)。

（4）訓練函數(shù)與學習函數(shù)

訓練函數(shù)進行權(quán)值和閾值的求解以及誤差分析得出結(jié)果，再通過學習函數(shù)進行修改權(quán)值與閾值的返回，訓練函數(shù)根據(jù)返回值再次進行數(shù)值求解及誤差分析，并多次循環(huán)迭代使得整體誤差達到最小精度要求，從而得到最優(yōu)值的方法。此處訓練函數(shù)及學習函數(shù)均采用Levenberg-Marquardt算法。

3 GA-BP神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置

GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的BP網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)設(shè)置如表3所示，BP網(wǎng)絡(luò)迭代算法參數(shù)設(shè)置如表4所示，遺傳算法運行參數(shù)設(shè)置如表5所示。

4 實驗結(jié)果的驗證與分析

由圖2可知，圖2（a）與圖2（b）為2個月中能見度實際值與預(yù)測值隨時間變化的曲線，灰色陰影部分為能見度實際值，黑色折線為GA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測值，整體預(yù)測結(jié)果均貼近于實際值，其中擬合度最高的是1月份，最低的是9月份。

5 結(jié)論

經(jīng)過遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型能較好地預(yù)測成都地區(qū)的大氣能見度，其預(yù)測數(shù)值基本貼近于實際值，且對于小于5km范圍的低能見度預(yù)測較為精準，對于大于Skm范圍的能見度預(yù)測相對較差，其原因主要受能見度觀測儀器量程的限制以及短時間內(nèi)能見度的大尺度突變影響。

參考文獻：

[1]黃儀方.航空氣象[M].成都：西南交通大學出版社，2011：55-55.

[2]于庚康，于達人，洪貞銓.專業(yè)氣象預(yù)報服務(wù)系統(tǒng)[J].氣象，1992（1）：18-22.

[3] Holzworth G C，Maga J A. A method for analyzing the trendin visibility [J].

Journal of the Air Pollution Control Associa-tion， 1960，10（6）：430-467.

[4] Naegele P S，Sellers W D.A Study of Visibdity in EighteenCities in the Western and Southwestern United States[Jl.Monthly Weather Review， 2009， 109（11）.

[5] Srivastava S K，Sharma A R，Sachdeva K.An observation-based climatology and forecasts of winter fog in？Ghaziabad， In-dia[Jl. Weather， 2017， 72（1）：16-22.

[6]宋明，韓素芹，張敏，姚青，等.天津大氣能見度與相對濕度和PM_（10）及PMJ2.5）的關(guān)系[J].氣象與環(huán)境學報，2013，29（2）：34-41.

[7] Marzban C，Leyton S，Coleman B.Ceiling and VisibilityForecasts via Neural Networks[Jl. Weather& Forecasting，2006， 22（3）：466-479.

【通聯(lián)編輯：梁書】

基金項目：中國民用航空飛行學院研究生科研創(chuàng)新項目（X2018-39）

作者簡介：蘇靖晰（1992-），男，碩士研究生在讀，主要從事空中交通運行環(huán)境一航空氣象方向的研究。