基于MATLAB神經網絡的城市空氣污染物年均濃度預測

黃成

華僑大學 機電及自動化學院 福建 廈門 361021

引言

空氣污染通常也被我們稱為大氣污染，隨著城市的不斷發展，我國私家車數量逐漸增加，而且越來越多的工廠被建立在城市周圍或者城市內，這些工廠在工作的過程中便會不斷排放出二氧化硫、二氧化氮、一氧化碳等有毒污染物。特別地，許多傳統工業如煤炭、火力發電、造紙、印刷等產業由于設備升級困難，且對于國民經濟與生活具有重要地位，在較長的時間內仍然會排放出大量空氣污染物，這也極大地加劇了我國的空氣污染。當這些空氣污染物超過一定的濃度范圍之后將會嚴重危害人類的健康，如產生眼部刺激癥狀、咳嗽、肺功能衰竭等急性危害和產生結膜炎、咽喉炎等慢性危害。特別對于孕婦、老人及兒童，空氣污染物有更加嚴重的危害，比如處于妊娠期的孕婦若長期與空氣污染物接觸，會使得胎兒難以獲得充足的氧氣，使得孕婦早產、出生兒頭小、體重大幅下降等非健康狀況發生[1]。根據《環境空氣質量標準》（GB3095-2012）的新要求，我國從2013年1月1日起開始對PM2.5、PM10、SO2、NO2、CO、O2等空氣污染物進行實時監測數據，監測的城市也由最初的74個城市增加到337個城市，使得我國的空氣污染監測工作變得越來越完善。

在前饋神經網絡中，每一個神經元都排列成不同的層，并且每一個神經元均只能接收從前一層神經元傳出的信號，并把接收到的信號變化處理后再傳入下一層神經元中，且同層的神經元信號不能互相傳遞信號。前饋神經網絡具有學習簡單、收斂快等特點[2]，它經過不斷的發展，現在理論研究已經非常完善，且已經開始應用于越來越多的領域，比如神經網絡預測膠結強度、神經網絡預測焦炭質量、神經網絡控制機械臂等等。本文運用MATLAB的Neural Net fitting,對中國生態環境部發布的2013年至2020年《中國生態環境公報》PM2.5、PM10、SO2等6項空氣污染物年均濃度數據建立神經網絡預測模型，并對2021年我國PM2.5、PM10、SO2等6項空氣污染物年均濃度進行了預測。

2 前饋神經網絡

2.1 前饋神經網絡基本結構

前饋神經網絡是具有遞階分層結構的網絡，通常由輸入層、一個或多個隱藏層、輸出層構成。該神經網絡的結構特點是：信號只能由本層的神經元流向下一層的神經元，而不能由本層的神經元流向本層其他的神經元，簡單來說就是單向連接流通性，且各神經元之間不存在反饋。但是，前饋神經網絡仍有誤差信號的反向傳播特性，當由輸出層輸出的實際信號與我們所期望的輸出信號有偏差時，會把誤差信號再反向傳播回到神經網絡中，神經網絡再根據反饋的誤差信號自學習調整權值以減小誤差。下圖為前饋神經網絡的基本結構圖。

圖1 前饋神經網絡基本結構

2.2 反向傳播算法

圖2 反向誤差流程圖

BP誤差反向傳播算法利用了最小二乘法的思想，當輸出層實際輸出信號與期望輸出信號產生偏差時，反向梯度傳播誤差信號，通過改變各層信號權值使得誤差均方值最小。上圖為反向傳播算法流程圖。

3 MATLAB神經網絡建模

3.1 定義神經網絡結構

在MATLAB應用中首先在APP應用欄目下打開Neural Net fitting工具箱并建立一個兩層前饋神經網絡，其中該神經網絡包括具有sigmoid神經元的一層隱含層和具有線性神經元的一層輸出層。接著定義隱含層神經元的數量為10個，神經元的數量與神經網絡的擬合精度有關聯，在一定條件下適當增加神經元的數量可以提供我們預測模型的精度。接著，我們可以選擇Levenberg-Marquardt算法、Bayesian Regularization算法或者Scaled Conjugate Gradient算法作為神經網絡模型的訓練算法。三種算法各有優缺點，其中Levenberg-Marquardt算法收斂速度增加，訓練時間短，克服了傳統BP算法收斂于局部極小點等缺陷，但會消耗過多的內存[3]；Scaled Conjugate Gradient算法訓練時間短，但是會有較大的誤差；Bayesian Regularization算法會消耗較多的訓練時間，但是訓練結果更準確，所以最后我選擇Bayesian Regularization算法作為我的訓練算法。

3.2 數據導入

我國城市空氣污染物種類多，本文主要采用了PM2.5、PM10、SO2、NO2、CO、O2這6種主要空氣污染物從2013年到2020年的年均濃度監測數據，其數據來源于中華人民共和國生態環境部發布的2013年至2020年《中國生態環境公報》。本文收集的數據PM2.5、PM10、SO2、NO2、CO、O2各有1組，每組數據各有8個獨立數據，總共有48組數據。以下表格為各組具體的數據。以下表1為各組具體的數據。

表1 城市6項空氣污染物年均濃度

將PM2.5、PM10、SO2等6組城市污染物年均濃度數據每分別導入預測模型中，共建立6組獨立預測模型。其中每組模型輸入數據都為2013至2020的年份，而目標輸出值為每個年份對應的城市不同污染物年均濃度值。

3.3 模型訓練與仿真

建立好模型并且導入數據之后開始對每組數據進行訓練，將PM2.5、PM10、SO2、NO2、CO、O2的年均濃度這6組不同的數據進行不同次數的訓練后分別得到各組數據的訓練結果。以CO的訓練結果為例，訓練結束后彈出訓練結果操作界面，在訓練界面中不僅可以查看到訓練算法、訓練次數、訓練時間等數據，還能自由查看訓練性能圖、誤差分布圖、擬合圖等圖像。通過這些圖我們能判斷預測模型的好壞，并且能根據這些圖中的數據對模型再進行適當調整以使預測精度達到我們的預測要求。

圖3 CO誤差分布

我們看到通過建立的神經網絡預測模型擬合出的曲線與原數據點基本吻合，而且也能看出我們訓練的點、目標輸出點、檢測輸出點也基本吻合。除此之外，我們在誤差一欄也可以看出擬合曲線與八組數據的誤差在(±0.05)mg/m3之內，可以看出該模型擬合精度高，擬合效果好，通過此模型預測的結果具有一定的可靠性。把建立好的各組預測模型保存好后（“保持名稱為‘net’”），在MATLAB命令行分別輸入sim(net,2021)來預測我國城市2021年細粒物（PM2.5）、可吸入顆粒物（PM10）、二氧化硫（SO2）、二氧化氮（NO2）、一氧化氮（CO）、臭氧（O2）6種城市污染物年均濃度并記錄在表2-7中。具體預測數據及原數據表2-7。

表2 PM2.5預測數據

表3 PM10預測數據

表4 O3預測數據

表5 SO2預測數據

表6 NO2預測數據

從表2-表7的預測數據與原數據相比較可以看出經過該神經網絡模型預測后得出的數據具有高的精度，其誤差也較小，該神經網絡模型對于預測城市細粒物（PM2.5）、可吸入顆粒物（PM10）、二氧化硫（SO2）等6項主要污染年均濃度具有一定可靠性。

表7 CO預測數據

4 結束語

通過MATLAB神經網絡工具箱建模后訓練圖像及預測結果可以得出結論：前饋神經網絡系統對于預測數據具有良好得性能，特別在處理大量數據、非線性系統時具有高效的并行處理能力與非線性映射能力。在本文中，利用前饋神經網絡對我國城市6項主要空氣污染物年均濃度進行有效預測，數據結果也表明了該預測模型的可靠性與準確性，其預測結果對于研究我國空氣污染物濃度變化趨勢也具有一定的作用。前饋神經網絡系統具有結構簡單、易操作系統穩定、處理數據快等特點，只需要在MATLAB中編寫程序或者直接調用數據網絡工具箱建立好神經網絡結構，然后再輸入數據訓練模型，再調用神經網絡模型就可對其他系統進行預測[4]。隨著現代智能控制技術的大力發展，神經網絡系統理論也會越來越完善，它也會在未來的社會中發揮越來越大的作用。