基于GA-BP神經(jīng)網(wǎng)絡(luò)的“霧霾”天氣預(yù)測研究

摘要：指出了隨著城鎮(zhèn)化進(jìn)程的快速發(fā)展，空氣質(zhì)量問題受到極大關(guān)注。大數(shù)據(jù)背景下，基于人工智能相關(guān)技術(shù)，對(duì)“霧霾”天氣進(jìn)行科學(xué)、合理地預(yù)測與預(yù)警已經(jīng)成為研究的熱點(diǎn)。基于遺傳法算法和BP人工神經(jīng)網(wǎng)絡(luò)，建立了“霧霾”預(yù)測模型，收集了長春市的PM，.s含量數(shù)據(jù)，通過實(shí)例進(jìn)行了驗(yàn)證，結(jié)果表明：該模型相較于傳統(tǒng)的BP人工神經(jīng)網(wǎng)絡(luò)模型，在預(yù)測的準(zhǔn)確度上有了較大的提高。為長春市空氣質(zhì)量的預(yù)測、預(yù)警提供了可行的理論依據(jù)。

關(guān)鍵詞：遺傳算法;BP神經(jīng)網(wǎng)絡(luò);“霧霾”預(yù)剛

中圖分類號(hào)：X51 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-9944（2019）22-0095-03

1 引言

近幾年，隨著空氣質(zhì)量相關(guān)研究，有關(guān)政策的出臺(tái)，長春市的環(huán)境質(zhì)量得到了進(jìn)一步的提高。空氣質(zhì)量尤其是“霧霾”的預(yù)測可以為環(huán)境保護(hù)部門提供科學(xué)依據(jù)，及時(shí)有效的預(yù)警可以減少惡劣天氣給百姓生活帶來的影響。因此，研究并建立科學(xué)合理的“霧霾”天氣預(yù)測模型顯得尤為重要。傳統(tǒng)的“霧霾”預(yù)測方法主要包括MS方法、MLRM、ANN等方法[1]。“霧霾”天氣的形成一般與氣候因素、顆粒污染物含量等因素有關(guān)，尤其是PM_2.5的含量。而這些因素具有明顯的非線性、不確定性。傳統(tǒng)的BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型雖然在該領(lǐng)域取得了一定的研究成果。但是BP神經(jīng)網(wǎng)絡(luò)在探尋較大的解空間時(shí)易陷入局部最優(yōu)的缺點(diǎn)，降低了該模型的預(yù)測準(zhǔn)確度，而遺傳算法利于全局擇優(yōu)[2]。為了提高預(yù)測的準(zhǔn)確性，本文提出了基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

2 遺傳算法

遺傳算法借鑒了進(jìn)化生物學(xué)中的一些現(xiàn)象而發(fā)展起來的，用于解決最優(yōu)化的搜索算法。隨著近幾年人工智能研究的發(fā)展，遺傳算法也是該領(lǐng)域的重要分支。遺傳算法具有以下特點(diǎn)：①利于全局擇優(yōu);②時(shí)算法本身易于實(shí)現(xiàn)并行化;③采用概率的變遷規(guī)則指導(dǎo)搜索方向;④具有自組織、自適應(yīng)和自學(xué)習(xí)性。

3 BP人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)作為人工智能的一個(gè)重要分支，在很多領(lǐng)域得到了很好的應(yīng)用，并體現(xiàn)其應(yīng)用價(jià)值。在人工神經(jīng)網(wǎng)絡(luò)的眾多網(wǎng)絡(luò)模型中，BP神經(jīng)網(wǎng)絡(luò)應(yīng)用尤為廣泛，該網(wǎng)絡(luò)模型是一種按誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，具有非線性動(dòng)力學(xué)特征[3]。BP人工神經(jīng)網(wǎng)絡(luò)經(jīng)典模型為三層結(jié)構(gòu)，即;Input Layer（輸入層）、Mid-dle Layer（中間層或隱含層）和Output Layer（輸出層）。

BP人工神經(jīng)網(wǎng)絡(luò)的原理描述如下：一般將收集到的數(shù)據(jù)劃分為訓(xùn)練樣本和測試樣本兩部分，通過訓(xùn)練樣本集來訓(xùn)練網(wǎng)絡(luò)模型，然后根據(jù)訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行測試驗(yàn)證，保證該模型的有效性。基于訓(xùn)練樣本的學(xué)習(xí)過程可細(xì)分為兩個(gè)階段，一個(gè)階段為信息數(shù)據(jù)的正向傳遞，另一階段為誤差的反向傳遞，相對(duì)誤差采用梯度下降算法[4]。對(duì)于激活函數(shù)的選擇上可根據(jù)數(shù)據(jù)集的特點(diǎn)進(jìn)行有效選擇，由于本研究的數(shù)據(jù)集不存在負(fù)數(shù)的情況，故選擇了S型函數(shù)作為激活函數(shù)[5]。

4 基于GA改進(jìn)BP神經(jīng)網(wǎng)絡(luò)

由于BP神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用中不僅收斂速度慢，同時(shí)非常容易陷入誤差局部極小值等缺點(diǎn)。而遺傳算法具有全局搜索最優(yōu)解的功能。為了提高預(yù)測準(zhǔn)確率，本研究將結(jié)合GA算法與BP神經(jīng)網(wǎng)絡(luò)的各自優(yōu)點(diǎn)，建立“霧霾”預(yù)測模型。該模型將利用遺傳算法來處理BP人工神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值，在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中使用GA算法優(yōu)化后的閾值和連接權(quán)值，這樣能夠使得BP神經(jīng)網(wǎng)絡(luò)快速獲得全局最優(yōu)解[6]。不僅提高了該模型的運(yùn)行效率，同時(shí)大大提高了預(yù)測的準(zhǔn)確率。

5 基于GA-BP神經(jīng)網(wǎng)絡(luò)的“霧霾”預(yù)測實(shí)例

5.1 數(shù)據(jù)的獲取

本研究所用的數(shù)據(jù)均來源于空氣質(zhì)量數(shù)據(jù)查詢網(wǎng)。具體數(shù)據(jù)為吉林省長春市2018年4～11月共237d的數(shù)據(jù)，該數(shù)據(jù)具有真實(shí)性和可靠性，不存在缺失和無效數(shù)據(jù)。為了得到合理的預(yù)測結(jié)果，本研究主要針對(duì)“霧霾”主要污染物PM_2.5含量進(jìn)行研究和預(yù)測，不考慮區(qū)域特征污染物和周邊區(qū)域可能出現(xiàn)的大面積污染源所帶來的影響。原始數(shù)據(jù)如表1所示。

5.2 數(shù)據(jù)預(yù)處理

根據(jù)收集到的監(jiān)測數(shù)據(jù)特點(diǎn)，為了提高模型處理效果，采用簡單的歸一化處理方式，具體如下：

經(jīng)過歸一化后的數(shù)據(jù)介于0.2～0.95之間，y'表示處理后數(shù)據(jù)，y表示原始數(shù)據(jù)，y_min表示樣本數(shù)據(jù)集中的最小值， y_max表示樣本數(shù)據(jù)集中的最大值。處理后的數(shù)據(jù)如表2所示。

5.3 預(yù)測模型建立

根據(jù)前文所提到的GA及BP神經(jīng)網(wǎng)絡(luò)構(gòu)建“霧霾”預(yù)測模型，其具體流程如圖1所示。

在該預(yù)測模型中，經(jīng)過大量的實(shí)驗(yàn)，BP神經(jīng)網(wǎng)絡(luò)模型采用的是三層結(jié)構(gòu)，其中輸入層設(shè)置為4個(gè)節(jié)點(diǎn)，隱含層設(shè)置為5個(gè)節(jié)點(diǎn)，輸出層設(shè)置為1個(gè)節(jié)點(diǎn)。同時(shí)在所有的參數(shù)設(shè)置中，為了達(dá)到快速收斂，并有效防止過擬合，將該網(wǎng)絡(luò)的學(xué)習(xí)速率設(shè)置為0.05，誤差設(shè)置為0.0001。對(duì)于遺傳算法的應(yīng)用，該算法主要是對(duì)BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值進(jìn)行優(yōu)化處理。通過驗(yàn)證，為了得到最優(yōu)解，適應(yīng)值的設(shè)定為PM_2.5含量實(shí)際值與預(yù)測值的誤差平方和的倒數(shù)，在選擇操作上主要使用經(jīng)典的輪盤賭法進(jìn)行，交叉操作采用單點(diǎn)實(shí)數(shù)交叉法。

5.4 預(yù)測結(jié)果與分析

本研究將收集到的237組數(shù)據(jù)分為網(wǎng)絡(luò)訓(xùn)練樣本集（220組）和實(shí)測樣本集（17組）。通過前文的預(yù)測模型，得出了PM_2.5含量的平均相對(duì)誤差以及預(yù)測的準(zhǔn)確率，并對(duì)基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型與結(jié)合GA算法的BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果進(jìn)行了對(duì)比，對(duì)比結(jié)果如表3。

通過以上表格可以看出，基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型PM_2.5含量的相對(duì)誤差為0.2726，預(yù)測的準(zhǔn)確率為81.01%。而基于GA算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型PM_2.5含量的相對(duì)誤差為0.2431，預(yù)測的準(zhǔn)確率為87.56%。結(jié)果表明，通過結(jié)合遺傳算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型有更高的可信度，預(yù)測準(zhǔn)確率更加理想。進(jìn)一步驗(yàn)證了該方法的可用性。

6 結(jié)語

隨著社會(huì)的進(jìn)步，經(jīng)濟(jì)的發(fā)展，環(huán)境質(zhì)量問題引起高度重視，尤其是“霧霾”天氣嚴(yán)重影響人們的健康與生活。“霧霾”的有效預(yù)測與合理控制顯得尤為重要。引起“霧霾”的主要污染顆粒物為PM_2.5。BP神經(jīng)網(wǎng)絡(luò)可以對(duì)“霧霾”進(jìn)行預(yù)測，但是該模型存在一定的缺點(diǎn)，預(yù)測的準(zhǔn)確性有待提高，本研究將遺傳算法的求解全局最優(yōu)解的優(yōu)勢應(yīng)用到對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值的計(jì)算中，建立了基于GA-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，并將該模型運(yùn)用到長春市的“霧霾”預(yù)測中，實(shí)驗(yàn)結(jié)果表明該方法是合理有效的，預(yù)測的準(zhǔn)確率提高顯著。預(yù)測的結(jié)果可以作為有關(guān)部門進(jìn)行科學(xué)防治“霧霾”、預(yù)警“霧霾”的理論依據(jù)，具有一定的實(shí)際應(yīng)用意義。

參考文獻(xiàn)：

[1]趙明艷.基于卷積神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量預(yù)測[J].科學(xué)技術(shù)與創(chuàng)新，2019（9）：10～12.

[2]劉鋒，李春燕，譚祥勇，等.基于機(jī)器學(xué)習(xí)在空氣質(zhì)量指數(shù)中的應(yīng)用[J].重慶工商大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，34（3）：82～87.

[3]吳慧靜，赫曉慧.基于GA—BP神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量指數(shù)預(yù)測研究[J].安徽師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，42（4）：360～365.

[4]艾洪福，潘賀，李迎斌.關(guān)于空氣霧履PM_2.5含量預(yù)測優(yōu)化研究[J].計(jì)算機(jī)仿真，2017.34（1）：392～395.

[5]蘇維，賴新云，賴勝男，等.南昌市城市空氣PM_2.5和PM₁₀時(shí)空變異特征及其與景觀格局的關(guān)系[J].環(huán)境科學(xué)學(xué)報(bào)，2017，37（7）：2432～2439.

[6]李俊飛.基于支持向量機(jī)的空氣質(zhì)量預(yù)測[J].黑龍江科技信息，2015（26）：105～106.

[7]張立軍.地面氣象觀測管理工作存在的問題與對(duì)策[J].綠色科技，2018（18）：32～33.

[8]張佳婷，余延略.青浦區(qū)旅游氣象條件分析[J].綠色科技，2019（18）：32～35.

[9]馬靜楠，馬朋坤.北京市城區(qū)2018年P(guān)M2.5和氣態(tài)前體物濃度季節(jié)與日變化特征[J].綠色科技，2019（14）：65～69.

[10]王珺雨，陳丹.2017年冬季南京市一次連續(xù)霧霾的氣象條件分析[7].綠色科技，2018（22）：94～96.

[11]盧瑞庚.基于霧霾治理環(huán)境中的綠化廢棄物處理研究[J].綠色科技，2017（20）：94～96.

[12]張耀民，張開升.從霧履的成因談三北防護(hù)林的防護(hù)作用和措施[J].綠色科技，2017（19）：199～201.

[13]呂孟雨，李曉煜，董福雙，等.霧霾天氣對(duì)農(nóng)作物的影響因素研究[J].綠色科技，2016（21）：43～44.

[14]裴天一，盧金輝.蘇北地區(qū)霧霾天氣的常見原因與治理[J].綠色科技，2018（4）：138～139.

收稿日期：2019-10-16

基金項(xiàng)目：吉林省教育廳“十三五”規(guī)劃課題（編號(hào)：JJKH20180651KJ）

作者簡介：艾洪福（1980-），男，講師，碩士，研究方向?yàn)榄h(huán)境質(zhì)量、數(shù)據(jù)挖掘。