论文部分内容阅读
做好空气质量的日常监测、精确数据分析、实现质量预测及可视化有利于对城市空气的质量状况进行全面把控。本文旨在空气质量智能化预测方法探索、智能化预测算法改进和智能化预测模型建立。
首先,阐述空气质量预测的基本原理、空气质量指数AQI对应的空气质量分类及各项特征参数所蕴含的信息。然后介绍了BP神经网络的基本原理,进而,选取过去2020年1-2月、4-5月及2021年1-2月重庆市NO2、CO、O3、SO2、PM2.5、PM10日浓度信息与AQI作为样本集,在剔除缺省值与插值后对数据进行归一化处理,以消除量纲和数量级的影响;再进行相关性分析以剔除与空气质量指数AQI相关程度较小的指标,以简化输入数据,最后剔除了CO,为后续建立智能化预测模型打下基础。
其次,为了利用粒子群优化算法(PSO)全局寻优的特性,本文提出了动态领域种群模型对其进行改进。新模型建立在K均值聚类算法基础之上,旨在提升种群的多样性。以若干优化测试函数为研究对象,优化仿真实验结果表明,改进的PSO算法具备更强的全局优化能力,能在更大程度上避免粒子陷入局部极值。
最后,将改进PSO中的粒子维度大小与BP神经网络中的权值和阈值数目保持一致,建立改进的粒子群优化算法之搜索空间与神经网络权值和阈值之间的映射关系。确定神经网络的拓扑结构后可利用改进的BP神经网络进行训练和测试。
为了验证本文提出的改进算法的有效性,与传统的BP神经网络算法进行了对比仿真实验。结果表明改进后的模型的算法精确度和运行效率均有着不同程度的提高,验证了改进算法的优越性;其次,进行网络的仿真测试和实际空气质量指数对比验证,结果表明仿真显示的状态信息与实际空气质量基本一致,准确率达85%以上,这说明了本文所提出的模型的实用性,可实际用于重庆市空气质量预测,有利于环境监测工作的开展。
首先,阐述空气质量预测的基本原理、空气质量指数AQI对应的空气质量分类及各项特征参数所蕴含的信息。然后介绍了BP神经网络的基本原理,进而,选取过去2020年1-2月、4-5月及2021年1-2月重庆市NO2、CO、O3、SO2、PM2.5、PM10日浓度信息与AQI作为样本集,在剔除缺省值与插值后对数据进行归一化处理,以消除量纲和数量级的影响;再进行相关性分析以剔除与空气质量指数AQI相关程度较小的指标,以简化输入数据,最后剔除了CO,为后续建立智能化预测模型打下基础。
其次,为了利用粒子群优化算法(PSO)全局寻优的特性,本文提出了动态领域种群模型对其进行改进。新模型建立在K均值聚类算法基础之上,旨在提升种群的多样性。以若干优化测试函数为研究对象,优化仿真实验结果表明,改进的PSO算法具备更强的全局优化能力,能在更大程度上避免粒子陷入局部极值。
最后,将改进PSO中的粒子维度大小与BP神经网络中的权值和阈值数目保持一致,建立改进的粒子群优化算法之搜索空间与神经网络权值和阈值之间的映射关系。确定神经网络的拓扑结构后可利用改进的BP神经网络进行训练和测试。
为了验证本文提出的改进算法的有效性,与传统的BP神经网络算法进行了对比仿真实验。结果表明改进后的模型的算法精确度和运行效率均有着不同程度的提高,验证了改进算法的优越性;其次,进行网络的仿真测试和实际空气质量指数对比验证,结果表明仿真显示的状态信息与实际空气质量基本一致,准确率达85%以上,这说明了本文所提出的模型的实用性,可实际用于重庆市空气质量预测,有利于环境监测工作的开展。