论文部分内容阅读
随着全球经济的快速发展,城市人口、机动车辆及工业开发区的不断增多,城市空气污染问题变得愈发严重,大气环境面临的压力也与日俱增。一个城市的空气质量优劣不仅影响着居民的生产生活和身心健康,还影响着城市的整体竞争力。针对空气污染问题,若能从历史环境数据中挖掘出空气质量变化的规律,就可以提前预测未来的空气质量情况,对可能出现的空气污染做好防范,为环境管理部门制定空气污染防控措施提供可靠帮助。此外,空气质量预测可以让民众提前了解未来的空气质量情况,为其出行提供一定参考,还可以提高民众对空气质量变化的重视程度,加强民众的环保意识。传统的空气质量预测方法主要为统计预测与数值预测两种,虽然这两种方法的预测精度比早期的潜势预测更高,但也存在着一些缺点。统计预测常需要大量、长期的监测数据,而数值预测耗费时间较多,实现难度较大。人工神经网络(ANN)是一种模仿人脑功能特性的信息处理系统,其具有强大的非线性处理能力及良好的容错能力。本文主要是将人工神经网络与空气质量指数(AQI)预测进行结合,利用人工神经网络强大的非线性映射能力找到历史污染物浓度及气象数据与未来空气质量指数之间的关系,建立预测模型,实现城市空气质量预测,并针对模型的缺点进行改进,进一步提高模型的训练效率及预测精度。本文的主要工作如下:1.研究人工神经网络在空气质量预测领域中的国内外发展现状,研究人工神经网络及BP神经网络的基本原理,了解空气质量指数(AQI)的相关概念及计算方法。2.收集整理南昌市2016年1月到2019年12月的空气污染物浓度数据及气象数据,设计一种利用历史污染物浓度数据及气象数据来预测未来空气质量指数的预测模型,同时,构建训练样本及测试样本,并对样本的缺失值与特殊值进行处理。3.选定BP神经网络的结构,建立基于BP神经网络的空气质量指数预测模型,在使用训练样本对模型进行训练后,对2019年南昌市某几个月的空气质量指数进行预测,并对BP神经网络的预测效果及不足之处进行分析。4.研究主成分分析法(PCA)及LM(Levenberg-Marquardt)算法的原理,建立经LM算法改进的BP神经网络预测模型与经PCA及LM算法共同改进的BP神经网络预测模型。首先,为了探究普通BP模型与两个改进模型之间训练效率的差异,将各模型的训练时间与占用空间的大小做对比实验,并对实验结果进行分析。其次,为了探究普通BP模型与两个改进模型之间预测精度的差异,将各模型的AQI预测精度以月份、季度、年份三个角度做对比实验,并对实验结果进行分析。最后,说明两种改进模型各自的优点,并为如何进一步改进预测模型给出一些建议。最终实验结果表明,两种改进BP模型相较于普通BP模型更具优势。其中,基于PCA-LM算法的BP神经网络模型训练速度最快,占用空间最小,且在受干扰较强的情况下表现最好;而基于LM算法的BP神经网络模型大部分情况下预测效果最好,但在干扰较强的情况下没有PCA-LM-BP模型表现的好。同时,实验也证明了使用基于改进BP神经网络的空气质量指数预测模型来预测南昌市的空气质量是可行、有效的,为后续的空气质量预测研究提供了一些思路和方法。