基于ABC算法優化BP神經網絡的霧霾天氣預測模型研究

劉云　張平華

摘 要：本文首先闡述了BP神經網絡和ABC算法的基本概念，結合現階段環境空氣質量需求，明確了霧霾天氣預測預警的必要性，然后結合安徽省大氣質量指數數據，從空氣質量等級評估、預測指標體系構建和霧霾天氣預測模型選擇等方面，研究了基于ABC算法優化BP神經網絡的霧霾天氣預警模型，以期進一步提高霧霾等級評估與預測的準確性，提高政府相關部門決策的時效性。

關鍵詞：BP神經網絡;ABC算法;霧霾天氣;體系構建;預測預警

中圖分類號：TP183 文獻標識碼：A 文章編號：1003-5168（2019）32-0026-03

Study?on?Forecasting?Model?of?Haze?Weather?Based?on?ABC

Algorithm?to?Optimize?BP?Neural?Network

LIU?Yun ZHANG?Pinghua

（Hefei?Vocational?and?Technical?College，Hefei?Anhui?230051）

Abstract：?This?paper?first?expounded?the?basic?concepts?of?BP?neural?network?and?ABC?algorithm，?combined?with?the?current?ambient?air?quality?requirements，?clarified?the?necessity?of?forecasting?and?early?warning?of?smog?weather.?Then?combining?with?Anhui?Province's?air?quality?index?data，?from?the?aspects?of?air?quality?rating?assessment，?construction?of?prediction?index?system?and?selection?of?haze?weather?forecasting?model，?a?haze?weather?early?warning?model?based?on?ABC?algorithm?to?optimize?BP?neural?network?model?was?studied，?with?a?view?to?further?improving?the?accuracy?of?the?assessment?and?prediction?of?the?haze?level?and?the?timeliness?of?decision-making?by?relevant?government?departments.

Keywords：?BP?neural?network;ABC?algorithm;haze?weather;construct?system;early?warning?forecast

近年來，隨著工業化和城市化的飛速發展，空氣污染已經成為重要的環境污染問題。黨的十九大報告明確指出，構建中國生態文明和綠色發展道路[1]。隨著信息化發展以及公眾對綠色發展需求的增加，人們越來越重視環境空氣質量。因此，要借助BP神經網絡數據挖掘技術構建霧霾天氣預測模型，從霧霾天氣中的復雜數據中提取有價值的數據和信息，為霧霾天氣等級劃分的評估與預測提供依據，給政府及相關部門工作提供決策依據，從而為社會公眾的生活工作提供參考意見。

1 基本概念

1.1 BP神經網絡結構

BP神經網絡是一種多層前饋網絡，也稱為人工神經網絡，主要是借助大腦神經網絡框架以及功能，對其進行模擬，進而構建的一種數據處理系統，如圖1所示。其主要由三個部分組成，分別是輸入層、輸出層以及隱含層。同一層次的神經元之間沒有連接，而上下層次之間是全連接狀態，從學習樣本結合連接權值到理想誤差值的修正傳播，對信息進行并行處理和非線性轉換操作[2-4]。

1.2 ABC算法

ABC算法（Artificial?Bee?Colony?Algorithm），也就是人工蜂群算法，主要是依據模仿蜜蜂尋找食物的行為而提出的一種優化方法，是集群智能化思想的一個具體應用。該算法主要特點是只需要對問題的優劣勢進行比較，不需要了解問題的特殊信息;主要的實現途徑是通過各人工蜂個體的局部尋優行為，在群里中獲得最優值，因此具有收斂速度快的特性。

2 霧霾天氣指標體系構建

導致霧霾天氣的因素和評價指標有很多方面。目前，國內采用的主要是空氣質量指數AQI（Air?Quality?Index），依據《環境空氣質量標準》（GB?3095—2012）對空氣質量指數進行定量描述。參與評價的污染物有6項，如表1所示。因此，在進行霧霾天氣等級評估與預測過程中，應該對以上因素給空氣質量造成的影響進行全面綜合分析和評估。

表1 霧霾天氣指標體系構建

[指標編號 指標名稱 Q1 CO2 Q2 SO2 Q3 PM2.5 Q4 PM10 Q5 O3 Q6 CO ]

根據空氣質量指數范圍，空氣質量可以分為六級，也就意味著公眾理解的空氣質量狀況也分為六個級別，嚴重污染為六級，重度污染為五級，依次降低，級別越低，指數越小，那么相應的空氣質量狀況就越好。但是，需要注意的是，AQI指數劃分只能表明空氣的污染程度，不能說明具體污染物的濃度值。由于AQI評價的6種污染物濃度限值各有不同，空氣質量指數AQI也會依據各污染物的濃度值來折算。

3 霧霾天氣預測模型構建與應用

3.1 模型構建

如果將空氣質量指標作為神經網絡的輸出，與之相關的6種污染物指標作為神經網絡的輸入，建立神經網絡模型，模擬出它們之間的非線性關系，便可通過輸入信息來預測空氣質量指標等級的輸出[5-7]。其中，輸入和輸出的非線性關系主要是通過權值、閾值以及中間函數來實現的。另外，BP神經網絡具有收斂慢、易產生局部極小值以及對初始值敏感等缺點，但是具有泛化映射能力，而ABC算法具有全局的優勢，所以結合兩者，利用ABC算法尋找最優的權值和閥值，然后通過訓練試驗反復調整這些參數使其誤差達到最小，訓練完成后確定有關參數，從而準確預測空氣質量。ABC-BP建模流程如圖2所示。

3.2 數據處理過程

首先對ABC算法的參數進行初始化。初始化的參數主要有蜂群自身的大小（[Ns]）、蜂群中采蜜蜂和跟隨蜂的數量（[Ne]和[No]）、解的個數（[Ns]）、極限值（Limit）、最大循環次數（MCN）以及D維初始解[Xi]（i=1，...，[Ns]）。本預測模型中初始值設定分別為：采蜜蜂和跟隨蜂的數量為100，極限值也設置為100，最大循環次數設定為200。D維解向量[Xi]（i=1，...，[Ns]）代表了所創建BP神經網絡的連接權值和閥值，其維數D是網絡所有權值和閥值個數之和，初始解的值是隨機產生的（-1，1）之間的值。

采蜜蜂根據當前的記憶解搜索新的解，并利用貪婪選擇法確定一個適合度值較大的值;接著跟隨蜂依據這些收益率優化解，如此迭代得到的一個最優解，轉換為神經網絡的權值和閥值，從而創建完成了霧霾預測模型，最后使用已有測試樣本對該模型進行驗證測試。

為使仿真和預測的效果更加精確和穩定，在建立霧霾模型之前，應該首先預處理霧霾的樣本數據信息。本項目實施過程中主要采用具有兩種處理模式的mapminmax函數，兩種處理模式分別為apply和reverse。前者將霧霾數據映射到[-1，1]區間內，后者可將變換后的數據轉換回去。該算法可表示為：

（1）

式中，變換前的數據用[x]表示，變換后的數據用[y]表示。[x]的取值范圍是有限的實數值，并且要求對應矩陣每行的值不全為0。

3.3 模型應用分析結果

本項目主要利用安徽氣象研究所提供的合肥市近四年數據，進行模擬仿真試驗。從2015年1月至2017年12月，以季度為單位，進行數據提取，在兩年時間周期內提取了12個數據，把時間周期內的指標對應數據作為數據輸入，將對應周期內的指標結果作為輸出，結合試驗平臺，進行反復訓練試驗，保證最終誤差符合預期。然后將訓練試驗后的網絡進行預測，預測驗證主要對2017年1月至2018年12月的指標數據進行對應時間段的霧霾天氣預測。結果表明，實際的指標和本模型的預測指標顯示結果基本類似，誤差范圍是在試驗數據的允許誤差范圍內。由此可以看出，利用基于ABC算法優化的BP神經網絡模型可以對霧霾天氣進行預測，并且預測結果有較高的準確性。

4 結語

通過本項目的預測結果可以得出，將人工蜂群算法和BP神經網絡應用到氣象數據預警系統中，可以提高空氣質量預測的準確性，可以有效保證政府相關部門決策的時效性。該種方式克服了神經網絡學習速度慢、易于收斂和泛化能力差等缺點，達到動態和靜態融合評估的目的，驗證了基于ABC算法優化BP神經網絡的霧霾天氣預測模型的可行性。

參考文獻：

[1]習近平.決勝全面建成小康社會?奪取新時代中國特色社會主義偉大勝利：在中國共產黨第十九次全國代表大會上的報告[EB/OL].（2017-10-27）[2019-10-08].http：//www.xinhuanet.com//politics/2017-10/27/c_1121867529.htm.

[2]李柞泳，彭荔紅.基于遺傳算法優化的大氣質量評價的污染損害指數公式[J].中國環境科學，2001（4）：289-291.

[3]劉永，郭懷成.城市人氣污染物濃度預測方法研究[J].安全與環境學報，2004（4）：60-62.

[4]張偉.人工蜂群混合優化算法及應用研究[D].杭州：浙江大學，2014.

[5]王偉，龍文.基于交叉算子的改進人工蜂群算法[J].蘭州理工大學學報，2015（1）：101-106.

[6]向娜.基于神經網絡和人工蜂群算法的水質評價和預測研究[D].廣州：華南理工大學，2012.

[7]黃文明，徐雙雙，鄧珍榮，等.改進人工蜂群算法優化RBF神經網絡的短時交通流預測[J].計算機工程與科學，2016（4）：713-719.