论文部分内容阅读
空气质量预测是空气质量评价、管理和决策的基础。基于空气质量数据不足及波动较大的情况，本文在掌握灰色系统基本理论及人工神经网络的基本原理和算法的基础上，建立了两种灰色神经网络组合模型，并分别将其应用到空气质量预测领域，在空气质量预测方面进行了一些探索性的研究，为提高空气质量预测精度及可靠性做出了努力。在考虑自然因素、经济发展及国家产业政策等不发生重大变化的情况下，将灰色GM（1,1）模型与人工神经网络模型组合并改进，建立改进型灰色神经网络组合模型（IGNNM）。该模型能发挥灰色GM（1,1）模型少数据建模及BP神经网络非线性拟合的优势，弥补灰色GM（1,1）模型对波动较大的数据拟合性差和BP神经网络需要大样本才能跟踪数据变化的不足，做到优势互补。利用天津市20012008年PM10、SO2、NO2年均值作为原始数据，预测20092011年PM10、SO2、NO2的浓度以对该模型进行精度检验，最后利用该模型预测20122016年天津市空气质量状况。结果表明：与灰色GM（1,1）模型、传统灰色神经网络组合模型相比，改进型灰色神经网络组合模型相对模拟误差小，预测结果更为可靠。因此，在空气质量数据不发生突变的情况下，该模型可以用于空气质量预测。在综合考虑影响空气中污染物含量的各个因素的情况下，建立基于因素分析的灰色神经网络组合模型（FA-GNNM），该模型充分考虑了污染物源强对污染物含量的影响，建模更具说服力。利用天津市20012008年环境空气中PM10、SO2、NO2的年均值及20012010年的相关影响因素数据进行模型的建立，并预测20092010的空气质量数据以对模型进行验证，预测相对误差都在5%以下，得到较好的预测结果，表明该预测方法具有可行性。比较两种预测方法可知，IGNNM数据简单易得，建模简单，但未考虑污染源强对污染物浓度的影响，在空气质量变化较大时，预测准确性不够理想；FA-GNNM模型充分考虑了污染物源强的影响，建模更为合理，但数据统计工作繁杂、数据获取困难。在将来的研究中应由此入手对两个模型进行改进。