基于MIV-BP神经网络的公交场站污染物暴露水平测评

徐 磊，张学连，肖 琼，彭金栓

(重庆交通大学交通运输学院，重庆 400074)

近年来，随着城市工业经济大力发展，生态环境也面临着愈发严重的污染问题，影响城市居民的正常生活和健康的最大环境问题之一就是空气污染。中国许多城市相继出现雾霾(如PM2.5)等恶劣天气，有害气体大量排放，这些都对人类赖以生存的空气和生态环境造成不可逆转的破坏。机动车保有量的持续增加导致了城市交通负荷的加重，交通拥堵日益严重，机动车尾气大量排放(如CO)对空气质量产生的负面影响已经威胁到居民的健康，各种呼吸类疾病困扰着人们。对交通网络中的出行者而言，持续暴露在污染物浓度较为集中的区域对其自身健康的影响相较于分散区域更为严重，而交通环境下影响污染物浓度大小的因素包含多个方面，中外研究针对交通环境下和公交场站周边的污染物暴露水平进行了大量研究。

城市交通对于污染物暴露浓度的影响是不可忽略的。针对不同交通方式对空气污染的影响程度，Huang等[1]研究了地铁、公交车(有空调、无空调)、出租车、自行车等不同通勤方式出行的污染物暴露水平，根据Kaur等[2]对不同出行方式下CO和PM2.5的浓度检测，结果发现公交车和出租车的CO暴露浓度显著高于步行和骑自行车。郭咏梅等[3]研究了汽车尾气随时间的变化规律，结果表明交叉口处机动车尾气污染程度比路段中严重得多。

除了交通出行方式，不同季节下的气象条件也会影响污染物的暴露水平。

针对不同时间段对污染物暴露水平的影响分析，龙连芳等[4]调查发现有一半采样站点的CO浓度受交通高峰的影响呈现出双峰特征，而PM2.5浓度在白天期间变化不大，晚上九点左右出现高峰；PM2.5的浓度变化与车流量的相关性较CO显著。Hess等[5]研究发现早高峰时站点污染物的浓度比午高峰高；Chelani等[6]也根据算法验证了CO浓度随时间变化的规律；高嵩等[7]分析了长三角地区PM2.5质量浓度的变化规律及其与气象条件的相关性，发现长三角地区PM2.5浓度的总达标率总体表现为夏季最高，冬季最低的态势，也就是说PM2.5浓度夏季最低，冬季最高；PM2.5浓度与风速、气温和相对湿度均负相关；张永宏等[8]研究了PM2.5浓度的时空变化特征，结果表明PM2.5浓度日变化规律表现为白天降低，夜间升高；季节变化按冬季、春季、秋季、夏季依次降低；王明莹等[9]也得出一致的季节变化结论；而刘艳萍等[10]针对PM2.5浓度的季节变化得出冬季>秋季>春季>夏季的不同结论，且重度污染主要集中在12月和1月。

对于污染物暴露浓度其他影响因素的分析，王省身[11]研究结果表明，有无站台对公交站污染物的暴露有比较大的影响。石江伟[12]研究了公交站的颗粒物(PM)和超细粒子(UFP)暴露浓度，发现PM与气象、温度、湿度有关，颗粒物粒径越小,温度和湿度的影响越显著；UFP受公交车的影响最大。Moore等[13-14]研究了公交站点的颗粒物浓度与风向、风速、交通量等因素的相关性，发现颗粒物浓度与站点开口朝向、周围环境、风向等因素有关，其中道路交通流对其的影响最大。根据相关研究，站亭内部的污染物因不易消散，其浓度比站亭外部的要高，所以站亭的设计和位置也可能会造成PM2.5浓度的差异[5]。

通过对交通环境下不同通勤方式和公交站点周边环境的污染物暴露水平的影响因素进行国内外研究文献梳理，发现目前对于污染物浓度的影响分析主要集中于交通因素、时间因素与少数气象因子等方面，在具体精确性评估公交场站的污染物浓度方面尚需完善影响因子及方法。系统地提出交通环境、公交场站、气象条件、站点周边环境等对污染物浓度的影响程度，根据调查采样分析影响公交场站污染物暴露浓度的主要因素，并基于MIV(mean impact value)算法，改进BP(back propagation)神经网络模型，对公交场站周边PM2.5和CO暴露浓度进行测评，提出改善居民健康出行的建议。

1 实验设计及数据

1.1 实验设计

根据前言部分对交通环境下污染物暴露水平影响因素的研究文献梳理，选定重庆主城区的10个公交站，分别在7:00—9:00、12:00—14:00、17:00—19:00进行PM2.5浓度、CO浓度、风速、温度、湿度、降雨量、气压、车流量、大车流量、小车流量的测量。考虑到公交站停靠类型和周边用地类型(如工业园区、商圈以及住宅区)对污染物暴露浓度的影响，选取的十个公交站分布于重庆南岸区、江北区、渝中区、大渡口区，部分站点如图1所示，对于其所处的周边环境主要考虑到车流量与人流量以及绿化程度。

图1 部分公交站实际采样图景Fig.1 Partial actual sampling of bus stations

数据采样仪器如图2所示，应用PM2.5汉王霾表M1，其精度可达0.01 μg/m3，每秒可生成一次数据；CO便携式气体检测仪，其精度为0.01 mg/m3，每2.5 min读取一次数据。实际测量时，采取时间间隔为2.5 min记录PM2.5和CO浓度测量值。

图2 采样仪器Fig.2 Sampling instrument

检测时段的气象数据选择实时更新的中国天气网进行温度、湿度、气压、降雨量、风速等数据收集。

1.2 数据分析

根据同一时段前后两次检测数据相差大于10倍的数据视为异常值[15]，剔除异常数据。为防止某种原因造成污染物浓度的突变，对每个站点连续3 d采样，最终根据同一时间的3个数据求平均值整理得到实验数据。统计10个公交站PM2.5和CO浓度在早、中、晚3个时段内的平均值，每个站全天的平均值、均值、众数、中位数、最大值、最小值和超出浓度限值比例，以及早中晚温度、湿度、气压等气象因素的平均值。应用SPSS软件分析公交站点PM2.5、CO暴露浓度与各影响因子的相关性。采用单因素方差分析，比较站点周边环境、车流量、不同时段、气象条件及公交站类型等对污染物暴露浓度的显著影响。

2 公交站PM2.5和CO暴露浓度影响因素

研究期间PM2.5的浓度范围在18.22～329.21 μg/m3，平均暴露浓度为51.44 μg/m3，众数为48.63 μg/m3，中位数为52.16 μg/m3，其中有108个采样值超过浓度限值，比重为7.5%。CO浓度为0～24.6 mg/m3，平均暴露浓度为1.59 mg/m3，众数为0.7 mg/m3，中位数为1.2 mg/m3，有85个采样值超过浓度限值，其比例为5.9%。部分采样如表1所示。

表1 不同站点各时段PM2.5和CO浓度值Table 1 PM2.5 and CO concentrations at different stations at different time periods

2.1 环境因素

根据表2不同环境下PM2.5和CO暴露浓度的单因素方差分析可知，在住宅区、商圈、工业园区环境下PM2.5浓度依次降低，且P>0.001，表明公交站周围的用地类型对PM2.5暴露水平无显著性影响；而CO浓度在商圈、住宅区、工业园区依次降低，且P<0.001，说明CO暴露水平与站点周边用地类型显著相关。

表2 不同环境下PM2.5和CO暴露浓度Table 2 PM2.5 and CO exposure concentration in different environments

2.2 交通量

根据回归相关性分析，车流量、大车流量、小车流量对PM2.5和CO暴露浓度均有显著性影响(P<0.001)。图3为车流量对PM2.5和CO暴露水平的影响，随着车流量的增加，两者浓度均呈上升趋势。

图3 车流量影响规律Fig.3 Influence law of vehicle flow

根据不同停靠站类型及公交车停靠数量对暴露浓度的影响数据分析可知，直线式停靠站的PM2.5浓度小于港湾式的，由相关性检验结果可知公交停靠站类型对PM2.5暴露水平无显著性影响(P>0.001)；直线式停靠站的CO浓度(2.22 mg/m3)>港湾式的暴露浓度(1.39 mg/m3)，且P<0.001，说明CO暴露浓度与公交停靠站类型显著相关。其次，公交车停靠数量多少对PM2.5浓度的影响不显著，但CO浓度与公交车停靠数具有显著相关性(P<0.001)，且随着停靠车辆数的增加，站点 CO暴露浓度也相应增大。

2.3 时间因素

由表3可知，早、中、晚3个时段内PM2.5和CO的浓度差异性显著，随着时间的推移，PM2.5和CO的暴露浓度均降低。

表3 不同时段PM2.5和CO暴露浓度情况Table 3 PM2.5 and CO exposure concentrations at different times

2.4 气象因素

根据气象因素与PM2.5和CO暴露浓度的相关性分析，风速和湿度与PM2.5、CO浓度的相关性均表现显著；温度对PM2.5浓度无统计学意义，但与CO浓度具有显著的相关性；降雨量对PM2.5浓度的影响较为显著，而与CO暴露浓度相关性不大；气压对PM2.5、CO暴露浓度均无统计学意义。图4(a)、图4(b)分别为气象因素对PM2.5、CO暴露浓度的影响。PM2.5浓度分别随着风速和降雨量的增加而降低，而湿度的增大会增加其浓度。风速和湿度对CO浓度的影响与PM2.5一致，而CO浓度受到温度的影响，随着温度的上升，其浓度降低。

图4 气象因子对暴露浓度的影响Fig.4 Influence of meteorological factors on exposure concentration

3 PM2.5和CO暴露水平测评模型

3.1 基于MIV-BP神经网络的预测模型

3.1.1 BP神经网络结构的构建

采用三层BP神经网络模型，包括输入层、隐含层、输出层。网络输入层将影响公交站PM2.5和CO浓度的各个因素作为输入参数，具体为车流量、大车流量、小车流量、风速、温度、湿度、降雨量、气压。输出参数为PM2.5和CO的浓度。图5为BP神经网络拓扑结构图。

X1，X2，…，Xn为输入值；wij为输入层与隐含层之间的权值；Y1，Y2，…，Ym为输出值图5 BP神经网络拓扑结构Fig.5 BP neural network topology

BP神经网络算法步骤如图6所示。

Hj为隐含层输出值；f为隐含层激励函数即Sigmoid函数；α为隐含层阈值；l为隐含层节点数；n、m分别为输入层、输出层神经元个数；a为取1～10的常数；wjk为隐含层与输出层之间的权值；b为输出层阈值；xmin、xmax分别为数据系列中的最小值和最大值图6 BP神经网络算法步骤Fig.6 BP neural network algorithm steps

3.1.2 MIV算法筛选网络变量

MIV算法主要应用于输入网络的自变量对结果的影响程度，它被认为是在神经网络中评价变量相关性最好的指标之一，其中正负号代表方向[16]。MIV算法步骤如下。

(1)当BP神经网络完成训练之后，将训练样本中的每个变量分别增加10%和减少10%，利用这种方法形成两个新样本。

(2)将以上两个新样本分别作为仿真样本，利用已建成的网络对其进行模拟仿真，可得到两个仿真结果；对得到的两个结果进行差值计算，得到的值就是该变量对预测结果的影响变化量。

(3)根据现有的样本计算影响变化量，得到平均数，即可得该自变量对应的MIV。

(4)重复上述步骤，依次计算各自变量的MIV。

(5)对计算出的各个变量的MIV进行排序，得到各个输入参数对预测结果的影响权重。

依据上述方法，分别对网络输入参数的各个变量进行MIV计算，结果如表4所示。

由表4中各输入参数对预测结果的影响权重分析可知，降雨量对公交站PM2.5浓度的影响最大，其权重为2.231 9，其他对公交站PM2.5浓度影响较大的依次为车流量、风速、小车流量、大车流量、湿度、公交停靠站类型；停靠车辆数对公交站CO浓度的影响最大，其权重为2.351 9，风速、停靠站类型、湿度、车流量、温度、大车流量、小车流量对CO浓度的影响程度依次降低。根据分析结果，在进行预测时，选择影响程度较大的变量作为网络输入参数，进而提高模型预测精度。

表4 输入参数MIV的比较Table 4 Comparison of input parameter MIV

经过变量筛选后，PM2.5浓度作为输出参数时，选取权重大于1.5的因素作为输入参数，包括降雨量、车流量、风速、小车流量、大车流量、湿度、公交停靠站类型；CO浓度作为输出参数时，与PM2.5输入参数选取规则一致，输入参数为停靠车辆数、风速、停靠站类型、湿度、车流量、温度。

3.1.3 网络训练

基于MIV-BP神经网络模型，PM2.5、CO网络输入层的神经元个数分别为7、6，输出层为1个，并且根据最终误差的大小，分别选择最佳的隐含层个数为7、14。随机选取1 300组数据作为网络训练样本，140组数据为网络测试样本。利用MATLAB软件对构建的MIV-BP神经网络进行训练学习，设置网络迭代次数为1 000，训练误差目标为0.001，学习率为0.01。图7、图8为训练后的回归效果。其中Y为实际输出值，T为期望输出值，当Y=T时，网络学习过程结束。PM2.5和CO浓度的模型训练测试及所有数据的拟合R为0.88～0.97，拟合效果良好，可用于准确预测二者浓度水平。

图7 PM2.5回归效果Fig.7 PM2.5 regression effect

图8 CO回归效果Fig.8 CO regression effect

3.2 MIV-BP预测模型输出结果

基于MIV-BP神经网络模型预测结果如图9、图10所示，PM2.5和CO浓度预测后的决定系数均在0.95以上，说明该模型能够在允许误差范围内准确测评出公交场站PM2.5、CO暴露水平，由表5可知，MIV-BP神经网络模型与BP神经网络预测得到的结果相对误差均小于0.3，且二者相对误差比总小于或等于0.5，即说明前者预测误差相对更小，可精确地用于评估公交场站PM2.5和CO浓度，为居民绿色健康的出行提供交通环境下污染物暴露水平参考，提前做好防护措施。

表5 部分结果预测表Table 5 Partial Results Forecast Table

图9 基于MIV的PM2.5真实值与预测结果Fig.9 MIV-based PM2.5 real values and prediction results

图10 基于MIV的CO真实值与预测结果Fig.10 MIV-based CO real values and prediction results

4 结果分析

4.1 影响因素分析

根据MIV-BP神经网络模型对PM2.5、CO暴露浓度的预测结果以及预测精度分析,可知选择出的影响变量如降雨量、车流量、风速、小车流量、大车流量、湿度、公交停靠站类型能够有效表征PM2.5暴露水平，与Hess等[5]对PM2.5浓度的影响研究得到的结论部分一致，其中公交站亭的设计和位置对PM2.5浓度有显著性影响。然而，针对PM2.5浓度的影响分析增加了气象条件这一重要因素，使得模型评估更加可靠和全面，对于准确预测公交站点的污染物暴露水平有显著效果。

影响CO浓度的主要因素包括为停靠车辆数、风速、停靠站类型、湿度、车流量、温度。Moore等[13-14]研究认为，颗粒物浓度与站点开口朝向、周围环境、风向等因素有关，其中道路交通流对其的影响最大，与得出的结论即停靠车辆数对CO浓度的影响最大相吻合。同时，石江伟[12]认为公交站污染物暴露浓度主要受气象、温度、湿度以及公交车数量的影响，与研究结论相比，缺少公交停靠站类型、其他气象因素对CO浓度的影响，这会降低模型预测的精确性和可靠性，不利于全面而深入地探究公交站点污染物暴露水平。

根据MIV-BP神经网络预测结果表明，筛选出的影响因子能够有效表征PM2.5和CO的暴露水平，模型预测精度高，对公交场站污染物暴露水平的测评具有可靠性、精确性和有效性。

4.2 基于健康视角提出改善建议

(1)设置合适的停靠站。在车流量大、公交线路多、公交到达率高的地段，设置港湾式公交站，减小对道路上其他车辆的影响。

(2)升级能源。车流量是影响PM2.5和CO浓度的因素之一，加快机动车能源升级对改善交通环境中PM2.5和CO暴露浓度的影响至关重要。

(3)优化公交站站亭。公交站点将广告挡板换成透明的钢化玻璃材质或者改为半封闭式站亭，其他设施不变，保证提供完整信息和原有功能的前提下，减少PM2.5和CO等污染物对出行者造成的伤害。

5 结论

(1)利用实际采样数据建立数据集，对其进行网络训练和测试。预测结果表明基于MIV-BP神经网络模型能较好地预测公交站PM2.5和CO暴露浓度，该模型的预测精度比原BP神经网络高。采样公交站的PM2.5和CO暴露浓度90%以上没有超出国家规定的浓度限值，但是公交站的PM2.5和CO浓度仍然比一般室内高。

(2)公交站PM2.5暴露浓度主要与降雨量、车流量有关，风速、小车流量、大车流量、湿度、公交停靠站类型等因素对PM2.5暴露水平的影响也较为显著。其浓度随着小车流量、大车流量、车流量、湿度的增加而增加，与风速、降雨量负相关，直线式公交停靠站的污染比港湾式严重。

(3)公交站CO的暴露浓度主要与风速、公交车停靠数量、停靠站类型有关，车流量、湿度、温度等因素影响程度次之。其中CO浓度与风速负相关，与湿度和瞬时公交车停靠数量正相关，直线式公交车停靠站的CO暴露浓度高于港湾式。