论文部分内容阅读
摘 要：本文主要基于BP算法对机动车进行环污检测，希望能为当前机动车的环境污染现状提供参考依据。
关键词：机动车;BP算法;环污检测
当前我国经济飞速发展，城市居民交通问题也变得愈发复杂。随着机动车的普及，各种各样的问题也都随之出现，常见的有：交通事故频发、乱停乱放、环境污染等，这一方面对城市交通和公众素质提出了考验，另一方面也对相关机构的管理方法提出了更多的要求。本文从当前机动车的环污检测出发，以BP算法技术为基础，进而构建完整的预测模型，为当前机动车的环境污染现状提供参考依据。
一、实验设计
1.算法选择
机动车的环境污染在各个时间段呈现不同的状态，所以在进行相关算法的选择时要特别注意对预测方法的选择，常用的预测方法包括：德尔菲法、神经网络、时间序列法、机器学习、回归分析法、弹性系数法和灰色预测法等。在结合实际情况下，对各种方法进行分析和讨论之后，最终决定使用神经网络中的BP算法来构建相关的模型。
2.样本来源
本次数据来源基于某环境监测部门的内部数据，记录某区域在一段时间内的车辆使用人数1274人，选取样本的时间为2019年8月25日，当天某环境监测部门的整体数据样本为1000条。本实验将这些参数共划分为记录编号（id）、1天内某企业机动车的整体环境污染量（y）、某环境监测部门所在的城市（city）、时间变量（hour）、节假日（is 0 workday）、工作日（is 1 workday）、所在城市当日温度（temp）、所在城市当天天气（weather）8个特征变量。
3.模型构建
基于上述8个特征变量，本次试验BP神经网络结构预测模型的构建步骤为：首先在构建模型之间需要对BP神经网络结构预测模型的拓扑结构进行分析和设置，BP神经网络结构预测模型的结构特点为其输入层、隐层和输出层，三层都可以完成由n维到m维的映射，进而可以将节假日（is 0 workday）、工作日（is 1 workday）、所在城市当日温度（temp）、所在城市当天天气（weather）、时间变量（hour）作为本次预测模型的特征变量，将1天内某企业机动车的整体环境污染量（y）作为本次实验预测模型的目标变量;其次是对隐含层内的神经元数量和最大迭代次数进行设置，根据本次机动车预测模型的环境污染，本实验将最大迭代次数设置为300，将隐含层神经元的数量设置为150，在对数值的计算方面选择了大规模数值计算较好的L-BFGS算法进行计算;最后根据相关拓扑结构代入参数，其中Xn代表相应的特征变量，Y代表1天内某企业机动车的整体环境污染量，Wn则代表了相关的阈值。
二、实验结果
1.模型預测
激活函数负责将神经元的输入映射到输出端，常用的激活函数有Tanh函数?Logistic函数?Relu函数?Identiey函数。本研究采用这四种激活函数依次对模型进行评估，从而找到最适合的预测模型。模型评估采用四种方法：RMSE均方根误差?MSE均方误差?MAE平均绝对误差?R2模型拟合度。RMSE均方根误差法计算的是观测值与其真实值，或者观测值与其模拟值之间的偏差。MSE均方误差法是指参数估计值与参数真值之差平方的期望值。MSE可以评价数据的变化情况，MSE的值越小，说明预测模型描述实验数据具有更好的精确度。MAE平均绝对误差是绝对误差的平均值，平均绝对误差能更好地反应预测值误差的实际情况。R2是用来说明回归直线对观测值的拟合程度，R2最大值为1，R2的值越接近1，说明回归直线对观测值的拟合程度越好;反之，R2的值越小，说明回归直线对观测值的拟合程度越差。
2.预测结果
在采用四种激活函数的情况下，检测评价数据结果表明：在激活函数为Tanh情况下，拟合优度R2的值最大，其值为0.819;MSE的值最小，其值为188.508;RMSE值最小，其值13.014;MAE的值最小，其值为9.804。从检验测试数据的结果来看，在激活函数为Tanh的情况下，拟合优度R2的值最大，其值为0.775;MSE的值最小，其值为308.650;RMSE值最小，其值16.771;MAE的值最小，其值为10.574。因此，BP神经网络的激活函数为Tanh函数作为已经找到的机动车预测模型，选择城市1的数据集，以is_workday?weather?temp?wind?hour?为特征变量，id作为编号，过滤掉其他的无关变量，预测未来一段时间（不同时间点）机动车的环境污染量情况。
三、总结
研究表明，工作日和温度适宜的情况下居民用车概率增高，使得环境污染程度增加。而天气不好的情况或者节假日，居民则会减少机动车出行，环境污染程度也有所降低。
参考文献
[1] 詹志明，尹文君.环保大数据及其在环境污染防治管理创新中的应用[J].环境保护，2016，44（06）：44-48.
[2] 祁娟.“大数据”助力交通治污减排——京津冀首个交通节能减排实验室成立[J].运输经理世界，2015（21）：42-44.
关键词：机动车;BP算法;环污检测
当前我国经济飞速发展，城市居民交通问题也变得愈发复杂。随着机动车的普及，各种各样的问题也都随之出现，常见的有：交通事故频发、乱停乱放、环境污染等，这一方面对城市交通和公众素质提出了考验，另一方面也对相关机构的管理方法提出了更多的要求。本文从当前机动车的环污检测出发，以BP算法技术为基础，进而构建完整的预测模型，为当前机动车的环境污染现状提供参考依据。
一、实验设计
1.算法选择
机动车的环境污染在各个时间段呈现不同的状态，所以在进行相关算法的选择时要特别注意对预测方法的选择，常用的预测方法包括：德尔菲法、神经网络、时间序列法、机器学习、回归分析法、弹性系数法和灰色预测法等。在结合实际情况下，对各种方法进行分析和讨论之后，最终决定使用神经网络中的BP算法来构建相关的模型。
2.样本来源
本次数据来源基于某环境监测部门的内部数据，记录某区域在一段时间内的车辆使用人数1274人，选取样本的时间为2019年8月25日，当天某环境监测部门的整体数据样本为1000条。本实验将这些参数共划分为记录编号（id）、1天内某企业机动车的整体环境污染量（y）、某环境监测部门所在的城市（city）、时间变量（hour）、节假日（is 0 workday）、工作日（is 1 workday）、所在城市当日温度（temp）、所在城市当天天气（weather）8个特征变量。
3.模型构建
基于上述8个特征变量，本次试验BP神经网络结构预测模型的构建步骤为：首先在构建模型之间需要对BP神经网络结构预测模型的拓扑结构进行分析和设置，BP神经网络结构预测模型的结构特点为其输入层、隐层和输出层，三层都可以完成由n维到m维的映射，进而可以将节假日（is 0 workday）、工作日（is 1 workday）、所在城市当日温度（temp）、所在城市当天天气（weather）、时间变量（hour）作为本次预测模型的特征变量，将1天内某企业机动车的整体环境污染量（y）作为本次实验预测模型的目标变量;其次是对隐含层内的神经元数量和最大迭代次数进行设置，根据本次机动车预测模型的环境污染，本实验将最大迭代次数设置为300，将隐含层神经元的数量设置为150，在对数值的计算方面选择了大规模数值计算较好的L-BFGS算法进行计算;最后根据相关拓扑结构代入参数，其中Xn代表相应的特征变量，Y代表1天内某企业机动车的整体环境污染量，Wn则代表了相关的阈值。
二、实验结果
1.模型預测
激活函数负责将神经元的输入映射到输出端，常用的激活函数有Tanh函数?Logistic函数?Relu函数?Identiey函数。本研究采用这四种激活函数依次对模型进行评估，从而找到最适合的预测模型。模型评估采用四种方法：RMSE均方根误差?MSE均方误差?MAE平均绝对误差?R2模型拟合度。RMSE均方根误差法计算的是观测值与其真实值，或者观测值与其模拟值之间的偏差。MSE均方误差法是指参数估计值与参数真值之差平方的期望值。MSE可以评价数据的变化情况，MSE的值越小，说明预测模型描述实验数据具有更好的精确度。MAE平均绝对误差是绝对误差的平均值，平均绝对误差能更好地反应预测值误差的实际情况。R2是用来说明回归直线对观测值的拟合程度，R2最大值为1，R2的值越接近1，说明回归直线对观测值的拟合程度越好;反之，R2的值越小，说明回归直线对观测值的拟合程度越差。
2.预测结果
在采用四种激活函数的情况下，检测评价数据结果表明：在激活函数为Tanh情况下，拟合优度R2的值最大，其值为0.819;MSE的值最小，其值为188.508;RMSE值最小，其值13.014;MAE的值最小，其值为9.804。从检验测试数据的结果来看，在激活函数为Tanh的情况下，拟合优度R2的值最大，其值为0.775;MSE的值最小，其值为308.650;RMSE值最小，其值16.771;MAE的值最小，其值为10.574。因此，BP神经网络的激活函数为Tanh函数作为已经找到的机动车预测模型，选择城市1的数据集，以is_workday?weather?temp?wind?hour?为特征变量，id作为编号，过滤掉其他的无关变量，预测未来一段时间（不同时间点）机动车的环境污染量情况。
三、总结
研究表明，工作日和温度适宜的情况下居民用车概率增高，使得环境污染程度增加。而天气不好的情况或者节假日，居民则会减少机动车出行，环境污染程度也有所降低。
参考文献
[1] 詹志明，尹文君.环保大数据及其在环境污染防治管理创新中的应用[J].环境保护，2016，44（06）：44-48.
[2] 祁娟.“大数据”助力交通治污减排——京津冀首个交通节能减排实验室成立[J].运输经理世界，2015（21）：42-44.