基于MEA_SVM 空氣質量指數預測

俆喬王，胡紅萍，白艷萍，王建中

（中北大學 理學院，太原 030051）

當前，營造良好的生態環境作為民生的優先領域，其中最重要的一項便是打贏藍天防御戰，并立足于空氣質量的明顯改善。因此，空氣質量預測對生態環境治理和環保工作具有極其重要的意義。

空氣質量數據具有高度復雜的非線性時間序列，是衡量空氣質量指數（AQI）的重要依據。目前的AQI預測方法有多元線性回歸［1］、BP神經網絡［2-3］、支持向量機［4-7］、遺傳算法對支持向量機進行改進［8］等。

思維進化算法（MEA）是1999年由孫承意等［9］提出的一種新型群體智能優化算法，繼承了遺傳算法中的優點且避免了交叉與變異因子產生基因的雙重性。王芳等［10］對思維進化算法進行設計，增加了子群體遷徙策略和擁擠度控制策略，使得在搜索新解和利用好的解方面達到最佳平衡；俞俊等［11］運用思維進化算法對風電功率進行預測，有效降低了電力系統的運行成本；高帥等［12］對思維進化算法進行改進用來預測空氣質量，取得了良好的效果。

本文針對思維進化算法（MEA）整體搜素的高效率性，結構固有的并行性，良好的泛化性能以及支持向量機（SVM）懲罰函數c和核函數參數g難以尋優的問題，利用思維進化算法（MEA）的模型，將其與支持向量機（SVM）進行結合，得到MEA_SVM評估模型。通過與MEA_SVM、GA_SVM 和PSO_SVM相比，發現其具有較高的空氣質量預測精度，誤差小，評價優良，說明了該優化算法具有良好預測效果。

通過MEA_SVM算法對空氣質量預測準確率以及速度的提高，不僅可以指導人們的生活、工作，為出行提供有效及時的監測手段，還可為醫學領域提供不可或缺的防控機制，在一定程度上對老年人心血管疾病、呼吸系統疾病、妊娠期婦女、兒童發育期等方面起到突出的防控作用，減少病發率，提高治愈率，降低因空氣污染導致發病的占比。此外，在城市環境規劃、大氣污染造成的突發事件預警方面，本研究能全方位、多角度提供相關理論支撐。

1 思維進化算法（MEA）

MEA算法是通過分析遺傳算法（GA）中存在的問題和人類思維的進化提出的。MEA算法將單層種群進化轉化為多層種群進化，繼承了達爾文進化論中種群和進化的概念，模擬了人類社會行為的某些方面，每個人都是在一群人中運作的智能代理。為了在團隊中取得較高的地位，一個人必須向團隊中最成功的人學習。而群體本身也應該遵循同樣的原則，在群體間的競爭中生存下去，大大提高了搜索效率。

MEA算法是一種采用迭代法進行連續進化研究的方法。在學習開始時，將個體隨機分散在求解空間中，分別計算其得分。得分較高的被保留為優勢子種群的原贏家，得分較低的被保留為臨時子種群的原贏家，種群被分成優勢子種群和臨時子種群，其中優勢子種群在整個解空間上記錄了子群之間競爭中優勝者的信息。臨時子種群記錄了整個解空間上子種群之間競爭的中間過程。

MEA有趨同和異化兩個重要的操作。①趨同：在子種群中，個體競爭成為贏家的過程稱為趨同，即判斷子群體中的第一個個體是否為該子群體中的最優個體。趨同算子在子空間上完成子種群內部的競爭，實現局部優化。②異化：在整個解決方案空間中，每個子種群競相成為全局解決方案的贏家并尋找最佳點的過程稱為異化。異化算子在整體解空間上完成了子種群之間的競爭，保持了種群的全局搜索能力，因此避免了早熟，種群進化為全局解決方案。③公告欄：公告欄為個體和各子群體之間的交流提供了機會。子種群中的個體將他們的信息張貼在當地的公告欄上。全球公告欄用于發布子種群信息。趨同與異化在進化過程中交替實現信息交換。

2 MEA_SVM 算法

懲罰參數c和核函數參數g的選擇對支持向量機（SVM）預測結果的評價十分重要，但通常的c、g尋優主要是Cross-Validation（CV）交叉驗證方法下的網格劃分，當參數搜索范圍變大時，優化過程變慢。群體智能的優化方法隨機搜索，全局搜索能力強，因此本文將c和g兩個參數作為MEA算法的優化參數，將訓練集在CV交叉驗證方法下的準確率作為MEA的適應度函數，提出了MEA_SVM算法，分別對AQI的實際值和變化范圍進行預測，算法流程如圖1所示，具體步驟如下：

步驟1原始數據處理。把基礎數據復制1份，1份用于預測AQI的真實值，另1份數據進行粒化，用于預測AQI的變化范圍。

步驟2確定適應度函數。將訓練集CV交叉驗證方法下的準確率作為MEA中的適應度函數。

步驟3參數設置及初始化。按思維進化算法默認參數進行設置，創建初始種群，并且分別以得分最高的前a個個體和前a-2a個體為中心，生產優勝子種群ax和臨時子種群by。

步驟4子種群趨同操作。優勝子種群和臨時子種群利用趨同算子進行更新，判別個種群中第1個個體是否為最優個體，如果是則種群成熟；若優勝子群體尚未成熟，則將最高分數作為新中心，并且該中心產生新的種群。繼續步驟4操作，直到所有子種群都成熟。

步驟5子種群異化操作。找到臨時子種群得分高于優勝子種群的種群并記錄編號，優勝子種群得分低于臨時子種群的種群并記錄編號。分別使高得分的臨時子種群被得分低的優勝子種群取代，取代完成后補充臨時子種群，以保證臨時子種群的個數不變。繼續步驟4操作，直到沒有臨時子種群得分高于優勝子種群，異化操作結束。

步驟6解碼最佳個體。異化操作完成后，MEA算法迭代尋優完成。依據編碼規則，找到最佳的個體進行解碼，從而得到對應的SVM 的c和g。

步驟7訓練SVM及預測。優化后的c和g用作SVM的訓練參數，并利用訓練樣本對SVM進行訓練、學習。訓練結束后，分別對實際值和范圍進行仿真預測并用平方相關系數（R2）和相對誤差（MAPE）進行評估。

3 實驗

3.1 數據來源

本文所采用的污染物濃度數據來源于中華人民共和國環境保護部http：／／datacenter.mep.gov.cn／發布的山西省太原市實時空氣質量數據，采樣時間為2015-06-10—2017-08-17，采樣頻率為每天1次，數據各計800組。

圖1 MEA_SVM流程

依據我國生態環境部發布的《環境空氣質量標準》（GB3095—2012），本文將空氣質量指數（AQI）、細 顆 粒 物（PM2.5）、可 吸 入 顆 粒 物（PM10）、二氧化硫（SO2）、一氧化碳（CO）、二氧化氮（NO2）、臭氧（O3）共7項指標作為SVM的輸入變量，把次日的AQI作為SVM的輸出，并把預測水平分為一級（優）、二級（良）、三級（輕度污染）、四級（中等污染）、五級（重度污染）、六級（嚴重污染）6個等級。AQI濃度劃分表如表1所示。

表1 AQI濃度劃分表

3.2 實驗結果

本文AQI預測的實驗環境是在Windows 64位、12核CPU，24G 內存的PC計算機，Matlab 2014a下進行的，分別運行MEA_SVM算法、GA_SVM算法、PSO_SVM算法進行預測。

采用粒化數據對變化范圍進行預測。數據粒化時采用三角模糊粒子作為隸屬度函數，每4天作為一個粒化窗口，找到每個窗口的Low、R和Up。

隸屬度函數為：

式中：a是最小值Low；m是平均值R；b是最大值Up。

對2015-06-10—2017-08-17共800組數據進行粒化，其中每4天作為一個粒化窗口，共200個粒化窗口，用2015-06-10—2017-08-17 200個粒化窗口的空氣質量的7個指標預測第201個粒化窗口，即2017-08-18—2017-08-21的AQI最小值Low、平均值R和最大值Up。表2為各預測模型對太原市這4天的AQI指數范圍的預測。然后，對用2015-06-10—2017-08-17的800組數據預測2017-08-18—2017-08-21的真實值。表3為2017-08-18—2018-08-21的AQI實測值。

通過運行上述4種預測模型，分別得到MEA_SVM、GA_SVM、PSO_SVM、SVM在AQI預測的最低與最高值及其誤差，預測結果如圖2所示。4種算法的誤差分析如圖3所示。

表2 各預測模型預測范圍的結果比較

表3 各預測模型預測值與實測值結果比較

表4 各預測模型預測值預測速度比較

圖2 4種模型的預測結果

圖3 4種模型的誤差比較

從表2、3中可以看出：MEA_SVM算法預測的AQI變化范圍與實際情況完全符合，平方相關系數接近100%，誤差很小，并且MEA_SVM算法在模型平方相關系數和平均相對誤差方面都優于其他3種模型，從而該算法更優。從表4中可以看出：MEA_SVM算法的優化速度遠高于其他3種模型，耗時最短，顯著提高了預測速度。

由圖2可以看出：MEA_SVM算法與實際數據點更加接近，與實際情況更加吻合，精度高、預測效果更好。由圖3看出：MEA_SVM算法的相對誤差在零附近徘徊且接近于零，誤差分布比較密集，相比另外3種算法相對誤差明顯較小。

通過對MEA_SVM、GA_SVM、PSO_SVM、SVM幾種預測模型的分析比較，在預測范圍方面，MEA_SVM和GA_SVM模型的預測效果遠好于PSO_SVM和SVM模型，MEA_SVM和GA_SVM模型都做到了較好的預測范圍，但MEA_SVM模型相關系數高于GA_SVM模型且平均相對誤差低于GA_SVM模型；在預測每日的AQI值方面，MEA_SVM模型比其他3種模型更接近于實際值，其誤差最小。因此，MEA_SVM 模型更適合于空氣質量的預測。

4 結束語

本文將SVM 與MEA相結合提出了MEA_SVM算法，對山西省太原市2015—2017年間800組污染物數據進行分析和AQI預測。通過實驗發現，預測結果較為可靠、優越、理想。結合AQI預測結果和相對誤差對比，MEA_SVM算法與實際情況較為符合，在預測精度、誤差率和可靠性方面更優。因此，利用MEA_SVM算法對空氣質量預測可以在保證準確率的同時顯著提高預測速度，更適用于預測AQI的變化趨勢及未來幾天的精確值，能更好地指導人們提前做好防范措施，同時為政府相關職能部門制定計劃提供及時、準確的預測數據。