基于神经网络的大气污染预测

摘要：大气污染预测研究是一个复杂的、多因素的非线性问题，近年来人工神经网络已应用到大气污染浓度预报中，BP模型是目前最为广泛应用的神经网络模型之一，BP神经网络法为城市空气污染预报工作提供了一种全新的思路和方法。

资助项目：陕西广播电视大学 2013-2014年度科研课题“基于神经网络的大气污染预测”（课题编号：13D-08-B01）；陕西广播电视大学教学改革研究课题“陕西电大课程教学资源建设研究”（课题编号：13DJ-A12）、“微课程资源建设研究”（课题编号：15DJ-B11）；2015年陕西省教育厅科研计划项目“陕西省主要城市大气污染预报模型研究”(项目编号：15JK1058) 。

陕西高等教育教学改革研究项目“高等继续教育网络学习资源建设研究”。

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

近年来，社会经济的迅猛发展，人们生活水平的不不断提升，对于空气质量的要求越来越高。据德国媒体报道，每年全世界有超过三百万人死于空气污染，全球每一万人中就有5个死于空气污染。有关专家预测如果不采取有效措施来改善空气质量，那么到2050年因空气污染而死亡的人数将翻倍。空气质量问题受到了政府有关部门的重视，引起了人们和相关行业的广泛关注，迫切需要我们积极主动的采取措施来进行空气治理。人工神经网络以其具有的自组织、自适应和容错性的优势在其他行业领域得到了广泛的应用并取得了巨大的成功。大气污染治理的前提是要对大气污染时间进行准确的预测，但大气污染时间的变化是非线性的，传统的方法无法做到精确的预测污染时间，而人工神经网络则是一种好的解决非线性问题的方法 [1]。

1　人工神经网络原理

人工神经网络是一种非线性的动力学系统，由简单元件即神经元构成，简单元件之间相互连接形成了非凸性、非线性、非定常性、非局域性的复杂网络系统，这些神经网络经过“训练”能够掌握大量的知识，可以要求完成各种任务。人工神经网络有众多的算法，其中BP神经网络是使用最广泛的一种，标准BP 算法为训练网络提供了简单的方法，但是由于在训练的过程中存在着学习速率为很小常数的状况，因此存在着收敛速度慢和局部极小的问题。针对神经网络存在的常见问题容易陷入局部极小、收敛速度慢，最小误差为局部极小值、网络范化能力差，有很多改进算法 [1]。下面介绍几种：（1）附加量动法：该方法的优点是不仅考虑了误差在梯度上对神经网络的影响，而且也将误差曲面上的变化的影响因素考虑进去，允许忽略神经网络上的微小变化，但同时由于该方法在操作的时候是以方向传播法为基础，在每一个权值、阈值的变化基础上加上一项正比前次权值、阈值变化量的值，还根据反向传播法来产生新的权值、阈值的改变，这就导致了网络性能对参数调节的敏感度降低，收敛速度减缓，而且当4600迭代次数训练并且目标误差为0.07时，要找到最优的网络权值、阈值还是由一定困难的。（2）弹性BP算法(RPROP) ：它的运作原理是通过更新权值和阈值从而使结果直接发生改变，它采用Resilient(有弹性的)更新值的概念，然后直接修改权步的大小值，因此修改结果不会由于不可预见的梯度性能而变的模糊，由于学习规律清楚、简单，和开始的反向传播算法比较，在计算量上只有很少的耗费，弹性BP算法的主要优点是快速，而且对大量问题不用参数的选择就能够得到最优或接近最优收敛时间。

2　大气污染预测

人工神经网络在大气污染预测中有很多应用。郭庆春等采用陕西省宝鸡市的空气污染指数，建立基于BP神经网络的空气污染指数的预报模型，该模型精确度检验表明：建立的预测模型准确度高，适应性很强，可以进行宝鸡市日空气污染指数的预测预报 [1]。郭庆春等利用西安市空气污染指数，建立空气污染指数的神经网络预测模型，实验结果表明独立样本的空气污染指数的真实值和预测值的相关系数高，该模型具有较高的预测精度 [2]。郭庆春等利用北京市空气污染指数，建立人工神经网络预测模型，从模型实验结果看，模型的拟合效果均较好，实际值和预报值之间的相对误差小，实际值和预报值的相关系数较高，说明了通过设置动态系数、学习率、初始权重等参数可以使基于BP人工神经网络的大气污染预测模型的精度得到很大提高 [3]。郭庆春等利用石家庄市空气污染指数数据分别建立了4个季节的空气污染指数的预测模型，实验结果表明实际值和预测值之间的平均相对误差较小，实际值和预测值的相关系数较高，预报效果较理想 [4]。马雁军等建立了大气污染物浓度的人工神经网络预报模型，将监测值和计算结果进行了验证，计算结果表明：TSP的观测值和计算值之间的绝对误差是4*10-3～3*10-2 mg*m-3，NOX的观测值和计算值之间的绝对误差是5*10-3～2*10-2 mg*m-3，并且相关性较好。龙熙华等提出了一种基于可拓理论的新兴网络结构——可拓神经网络，它可以解决矛盾的区间分类问题，并且避免网络陷入局部最优，同时还使得网络训练速度提高了，运行时间缩短了，然后采用北京市12个区的监测数据作为训练样本，以可吸入颗粒物PM10、NO2、SO2这些主要污染物作为网络输入，以可拓距离作为度量工具建立并且测试网络，模拟结果表明这种算法的有效性和可行性，并且在训练速度和结构上明显优于BP网络。邱梅提出了一种基于时间序列和人工神经网络的城市大气污染预测模型，首先使用时间序列的方法对采集的数据进行统计，再将统计结果作为样本输入人工神经网络模型,然后将神经网络训练后得到的样本数据采用趋势外推法进行预测分析，仿真实验结果表明，基于时间序列和人工神经网络的城市大气污染预测模型的预测结果与实际结果相当接近，该方案切实有效，值得推广使用。

3　结论

在大气污染预测领域中运用神经网络技术，主要是利用神经网络的泛化能力，它是由所学习的知识和经验总结归纳后进行判断的能力。与传统的预测方法相比，人工神经网络在大气污染预测方面显示出了明显的优越性：(1)由于人工神经网络具有较好的逼近效果，训练后的神经网络，在样本上输出期望值(在误差允许范围内)，在非样本点上，能够表现出网络的联想记忆功能；(2)容错性较强，能够处理信息不全的预测问题；(3)动态自适应能力强，能够适应外界新的学习样本，可以使网络知识不断更新；(4)预测速度快；(5)可以将新获取的数据信息应用到人工神经网络中，并及时建立新的预测模型，使预测的精度大幅度提高。