《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 模擬設(shè)計(jì) > 設(shè)計(jì)應(yīng)用 > 基于灰色BP-NN優(yōu)化組合的PM2.5預(yù)測
基于灰色BP-NN優(yōu)化組合的PM2.5預(yù)測
2020年電子技術(shù)應(yīng)用第6期
黃 鷹1，史愛武2，陳占龍1，張 威1
1.中國地質(zhì)大學(xué)(武漢) 地理與信息工程學(xué)院，湖北 武漢430070；2.武漢紡織大學(xué) 計(jì)算機(jī)學(xué)院，湖北 武漢430070
摘要： 針對傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型無法有效表達(dá)時(shí)間序列數(shù)據(jù)中存在的歷史特征的缺陷，提出利用灰色預(yù)測原理具備發(fā)現(xiàn)事物歷史變化規(guī)律性的優(yōu)勢來解決BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的這一弱點(diǎn)，最后得到的灰色BP-NN優(yōu)化組合模型具備了更高的預(yù)測精度。實(shí)驗(yàn)采用中國氣象站2018年1月至2月北京市10個(gè)監(jiān)測點(diǎn)的PM2.5質(zhì)量濃度及其對應(yīng)的每小時(shí)的空氣污染物濃度、氣象因子建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并采用灰色預(yù)測算法對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)，改進(jìn)后的結(jié)果為：在系統(tǒng)誤差上有了較大的降低，同時(shí)預(yù)測結(jié)果與實(shí)測結(jié)果之間的擬合程度更好。
中圖分類號(hào)： TN711；TP183
文獻(xiàn)標(biāo)識(shí)碼： A
DOI：10.16157/j.issn.0258-7998.191101
中文引用格式： 黃鷹，史愛武，陳占龍，等. 基于灰色BP-NN優(yōu)化組合的PM2.5預(yù)測[J].電子技術(shù)應(yīng)用，2020，46(6)：82-85，92.
英文引用格式： Huang Ying，Shi Aiwu，Chen Zhanlong，et al. PM2.5 prediction based on the optimal combination of grey BP neural network[J]. Application of Electronic Technique，2020，46(6)：82-85，92.
PM2.5 prediction based on the optimal combination of grey BP neural network
Huang Ying1，Shi Aiwu2，Chen Zhanlong1，Zhang Wei1
1.School of Geography Information Engineering，China University of Geosciences，Wuhan 430070，China； 2.School of Mathematics and Computer，Wuhan Textile University，Wuhan 430070，China
Abstract： Aiming at the defect that the traditional BP neural network model cannot effectively express the historical features existing in time series data, a method with the combination of BP neural network and grey forecast principle was proposed. Furthermore, grey forecast principle has the advantage of discovering the laws of historical changes, which can overcome the weakness of BP neural network prediction model and this method have higher prediction accuracy. The neural network prediction model was established by using the PM2.5 mass concentration of ten monitoring stations in Beijing in January and February 2018, as well as the corresponding hourly air pollutant concentration and meteorological factors. Meanwhile, the grey forecast algorithm was used to improve the neural network model. The results indicate that the improved method has the features of lower system error, and better fitting degree between the predicted result and the measured result.
Key words : air pollution；PM2.5 concentration prediction；meteorological factors；neural network；grey forecast algorithm

0 引言

    近年來，基于神經(jīng)網(wǎng)絡(luò)算法預(yù)測PM2.5成為PM2.5監(jiān)測[1]研究的熱點(diǎn)。

    人工神經(jīng)網(wǎng)絡(luò)具有很好的自適應(yīng)性、自組織性和很強(qiáng)的自主學(xué)習(xí)能力[2-4]。采用人工神經(jīng)網(wǎng)絡(luò)的方式去預(yù)測PM2.5濃度值具備很高的適用性[5]。但是直接采用典型的神經(jīng)網(wǎng)絡(luò)方法在收斂速度和泛化能力上并不理想，所以一些學(xué)者通過用相關(guān)性分析的方法降低輸入樣本的維度，可以在一定程度上解決收斂速度的影響。張怡文和李鳳英等人分別采用了逐步回歸和Pearson相關(guān)系數(shù)的方法分析影響PM2.5相關(guān)因素的相關(guān)性，降低輸入樣本的維數(shù)，以此來提高算法的收斂速度[6-7]。針對常用的幾種神經(jīng)網(wǎng)絡(luò)用于預(yù)測PM2.5濃度值的方法存在的局部極值問題，馬天成等人則是將粒子群算法(Particle Swarm Optimization，PSO)與模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行融合，發(fā)揮PSO算法全局尋優(yōu)的特點(diǎn)，預(yù)測PM2.5顆粒物濃度的變化規(guī)律[8]；荊濤、李霖等人通過遺傳算法與BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)算法相結(jié)合的方式也解決了BP神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練過程中的局部極值問題[9]。PM2.5數(shù)據(jù)及其相關(guān)影響因素?cái)?shù)據(jù)都是具有一定時(shí)間相關(guān)性的時(shí)間序列數(shù)據(jù)，其具備一定的歷史特性，而BP神經(jīng)網(wǎng)絡(luò)模型對這種特性無法進(jìn)行有效的表達(dá)。裴雨瀟等人通過把PM2.5的數(shù)據(jù)構(gòu)成時(shí)間序列，并進(jìn)行小波變換，將低頻部分和高頻部分分別用不同的模型進(jìn)行預(yù)測，再將預(yù)測值進(jìn)行疊加，最后得到的結(jié)果比單純用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的效果要理想[10]。目前國內(nèi)外研究PM2.5預(yù)測模型多是基于神經(jīng)網(wǎng)絡(luò)結(jié)合其他算法進(jìn)行模型的改進(jìn)，這種方式相對比單純用神經(jīng)網(wǎng)絡(luò)的方式在預(yù)測精度、泛化能力上都有較大的提升，但是PM2.5受其他因素的影響較大，考慮到從周圍環(huán)境的角度來建立PM2.5模型的方式，預(yù)測精度還可以有所提升。

    傳統(tǒng)的灰色預(yù)測模型(Grey Model，GM(1，1))將時(shí)間序列數(shù)據(jù)看成一個(gè)隨時(shí)間變化的函數(shù)，但經(jīng)過大量的實(shí)驗(yàn)表明經(jīng)典灰色模型缺乏一定的預(yù)測穩(wěn)定性，即使時(shí)間序列為純指數(shù)序列，在做長期預(yù)測時(shí)仍存在較大的偏差[11-12]?；谶@個(gè)原因，謝乃明等人提出離散灰色預(yù)測模型(Discrete Grey Forecasting Model，DGM(1，1))，并經(jīng)過實(shí)驗(yàn)表明，DGM(1，1)相較于傳統(tǒng)的GM(1，1)模型即使在時(shí)間序列數(shù)據(jù)大致符合指數(shù)增長規(guī)律也具有較好的預(yù)測精度，且對于長期預(yù)測有一定的優(yōu)勢[13]。

    氣象因素和空氣質(zhì)量因素均為典型的時(shí)間序列數(shù)據(jù)，但是分析影響PM2.5相關(guān)因素時(shí)，發(fā)現(xiàn)無論是氣象因素還是空氣質(zhì)量因素都是震蕩序列，GM(1，1)和DGM(1，1)兩種模型對于單調(diào)遞增的時(shí)間序列數(shù)據(jù)都具備一定的預(yù)測精度，而對于震蕩序列的預(yù)測精度則不能夠確定。王巖、黃張?jiān)５热颂岢鲆环N基于震蕩序列的灰色預(yù)測模型(Stochastic Discrete Grey Forecasting Model，SDGM(1，1))，在進(jìn)行震蕩序列預(yù)測時(shí)，能夠達(dá)到比較好的精度[14]。




論文詳細(xì)內(nèi)容請下載http://ihrv.cn/resource/share/2000002852




作者信息:

黃  鷹1，史愛武2，陳占龍1，張  威1

(1.中國地質(zhì)大學(xué)(武漢) 地理與信息工程學(xué)院，湖北 武漢430070；2.武漢紡織大學(xué) 計(jì)算機(jī)學(xué)院，湖北 武漢430070)

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。