论文部分内容阅读
空气是人类赖以生存和发展的宝贵财富,是所有生命活动的基本要素之一。国务院已经在相关计划中要求全国各部门建立健全的空气质量监测预警体系,提高监测预警的准确度,及时向公众发布监测预警信息。随着空气质量监测系统的建立,空气质量数据逐渐丰富起来,使得空气质量预测成为可能。为了能够更好地反映环境污染变化趋势,预防严重污染事件发生。本文以北辰经济技术开发区的路灯系统为依托,采用Zigbee组网技术构建空气质量监测网,并用监测网采集的空气质量数据对BP神经网络模型进行训练,然后将训练好的模型移植到Jetson TX2嵌入式AI计算设备上,实现实时预测和监控。因此,开展如下研究:（1）以现有的路灯系统网为基础,通过在园区的九个路口的路灯上安装Zigbee节点和环境监测微基站,组建Zigbee无线传感网络,使路灯成为空气质量数据采集、传输的绝佳节点,实现数据实时采集。在2018年4月15日到9月30日采集了78418组数据,并将数据用于BP神经网络预测模型的训练和测试。（2）通过数学原理推导BP神经网络的正反向传播过程,对BP神经网络存在的问题提出改进方法。根据AQI（环境空气质量指数）的评价标准和计算方法分析空气质量影响因素,确定以温度、湿度、风向和风速四种气象数据与环境监测的PM10、PM2.5、S02、N02、03和CO六种污染物的浓度值作为BP神经网络的输入参数,建立AQI预测模型。然后通过个案剔除法、均值替换法、热卡填充法和K最近距离邻法对缺失数据进行预处理;最后采用经验公式和试凑法确定隐含层层数、隐含层神经元节点数和学习率,并通过分析比较,最终确定激活函数采用Tanh函数,完成BP神经网络模型设计。（3）基于带有双路GTX1080Ti显卡的GPU塔式服务器和Jetson TX2分别构建GPU深度学习平台,作为模型训练平台和模型预测平台,并进行模型训练和模型预测。将训练好的预测模型移植到Jetson TX2的深度学习平台上进行实时预测,提高了模型训练速率和空气质量预测的实时性。（4）将采集的数据划分为训练集和测试集,用训练集对设计好的BP神经网络模型进行训练,并用测试集验证训练好的模型性能。然后通过平均绝对误差和准确率的计算公式,计算出预测结果的平均绝对误差和准确率。最后分析预测结果发现AQI的预测准确率达到93.5%以上。由此,可证明本文提出的基于BP神经网络的空气质量预测模型是有效可行的。