基于神經網絡的城市大氣霧霾污染短時預測方法研究

劉娜

關鍵詞：神經網絡；霧霾污染；短時；預測

中圖分類號：X823 文獻標志碼：B

前言

近年來，隨著城市化進程的不斷加快，大量工業廢氣和汽車尾氣排放到空氣中，致使大氣霧霾現象越來越嚴重，給人類的生活帶來了巨大的危害。同時由于大氣污染導致能見度降低，影響了人們正常的工作和生活。近年來針對城市大氣霧霾污染問題開展了大量研究工作，其中以灰色關聯度法與AQI-AQI指數關聯分析兩種方法最為突出。但是通過長期應用實踐發現，兩種方法在短時預測方法中均存在時間量分析長度與對應霧霾變化特征對應誤差偏大問題，因此相關研究人員將研究中心轉為短時預測與霧霾特征預測匹配，通過不斷研究發現神經網絡可以兼顧短時特征與預測量之間的統一，基于此特性，提出一種全新大氣霧霾短時預測方法，并對其實現及性能驗證進行詳細描述。

1方法的具體實現

1.1構建神經網絡預測結構

根據對以往中國大氣霧霾數據變化特征的分析，結合短時瞬態時間預測參量分析中心分布情況，利用神經網絡，構建預測結構。基于神經網絡的三層結構，對其大氣參量采集器獲取的數據信息進行載入層輸入，根據不同大氣成分參量的分析，獲得霧霾構成成分的預處理信息流，根據特征量對應的瞬時時間點對預處理信息流中的霧霾特征進行時間關聯，通過神經網絡中的隱藏轉化層對其加以污染指數評估，獲得短時大氣霧霾的污染指數。同時，將神經網絡分析指標量與實際污染質進行差量計算，獲得評估污染指數偏置系數，通過構建神經網絡中預測層的加權迭代修正，優化輸出大氣霧霾特征精度，為后續精準、高效預測打下數據基礎。以下為構建神經網絡過程中大氣霧霾污染量配置計算的詳細步驟：

Step 1：構建神經網絡載入層，在該層下每一采集節點X上的霧霾采集數據均對應一個Y。構建神經網絡中考慮到載入層與預測層神經元總數的統一與平衡問題，對神經網絡構建后所得污染特征評估精度的影響，將載入層與預測層內的節點數量定義為已知量，進而可知對應的隱藏轉化層數的計算公式為式（1）：

式（1）中：H代表隱藏轉化層內的節點總數，M，N分別代表載人層內節點總數與預測層內節點總數。最終得到構建的神經網絡預測結構見圖1。

Step 2：在隱藏轉化層構建過程中，需要對輸入的采集數據進行函數激活，為了確保隱藏轉化層結構下采集量分類準確，采用Sigmod函數作為神經網絡載入層的激活函數。隱藏轉化節點h的計算公式如式（2）：

式（5）中β代表神經網絡的學習效率，根據歷史經驗，設計中將初始量設定為β=0.1^－100。

Step 6：對評估預處理所得參量進行測量值比對，如果測量值滿足下一環節計算標準，則配置網絡預測層將其載入輸出，若不滿足下一環節計算標準則返回第二步。

考慮到神經網絡自身對特征匹配量存在局部限制，因此為了完善構建神經網絡結構，設計中參量節點的權值與閾值匹配均采用一次性隨機策略，以此突破網絡限制。

1.2霧霾污染函數選取

基于灰色關聯理論中的灰色關聯系數確定方法，對影響大氣環境霾濃度的因素進行灰色關聯度分析建立城市大氣霾的影響因素與大氣霾污染等級指標體系。在構建體系下完成神經網絡空間內霧霾污染函數選取。基于神經網絡內部參量的多目標優化屬性，對其霧霾污染函數進行均方根誤差MSE優化計算，計算具體步驟如下：

1.3大氣霧霾短時預測層計算輸出

為了更好地將神經網絡應用到對短時霧霾濃度及AQI指數變化之間進行時間序列預測中，根據計算所得霧霾特征參量，對神經網絡結構中預測層進行設計，以區分傳統神經網絡輸出層結構特征，設計預測層以短時時間特征為預測量的評估標準，最大化調動該時間段內的所有節點信息，對此累積霧霾污染特征，構成連續性污染特征趨勢，獲得精準預測結果。

考慮到預測層內的節點數量對短時預測結果的精準度有著重要影響：若設計層中特征節點數量偏少，整體神經網絡對應短時時間量的特征信息偏少，無法準確作出預測；若設計層中特征節點數量偏多，網絡結構中的神經元過于活躍，容易出現預測結果的過擬合現象，并且增加神經網絡預測的復雜度。因此，在設計預測層內部節點數量時，根據完成的載人層與隱藏轉化層節點數量的計算公式，生成不同狀況下的節點數量與預測結果配置公式。如式（9）～（13）所示：

2應用測試

對提出的預測方法進行性能測試，測試圍繞霧霾短時樣本展開。分為預測誤差測試、隨機預測響應測試與壓力測試三個測試科目。測試數據采用中國多區域特征混采數據作為測試樣本，由仿真測試工具隨機組合；參與測試的對比樣本分別基于PM_2.5質量濃度特征分析的霧霾預測方法與混合算法的霧霾特征預測方法；兩種方法在測試過程中的標簽分別為：P₁方法與P₂方法；提出方法的測試標簽為Ql方法；在相同樣本預測試條件下完成設定項目，通過分析測試指標得出測試結論。

2.1設置測試條件

測試數據采用多區域特征混采數據，根據實際需求，應用采樣器、重量測定儀等，隨機選擇合適的采樣點，分別采集北京、泰安、唐山、哈爾濱四地2020年5-11月期間的相關數據作為實驗樣本。多區域大氣霧霾采集監測點位置分布見圖2。

圖2中每個區域中設有3個監測點，測試樣本數據為3個監測點采集數據的均值。

2.2預測誤差測試

由仿真測試工具根據采集樣本及隨機組合的測試條件，對P1方法、P2方法及Q1方法進行大氣霧霾預測誤差測試，測試全程時長為120s，每種預測方法連續測試3次，測試結果生成的曲線，見圖3。

由圖3分析可得：（1）預測方法的預測結果存在不穩定因素，3次測試所得誤差曲線線型特征差異較大，說明每一次預測Pl預測方法所采用的霧霾預測策略存在標準指數偏置量過大的問題；（2）通過分析圖3（b）中的三條曲線波動情況可知，P2預測方法第1次預測結果相對穩定，誤差值隨時間推移逐步增大，誤差值值域范圍[0.59，0.78]，第2次預測誤差值域范圍為[0.68，0.78]；第3次預測誤差值域范圍為[0.58，0.92]；由此可以看出P2方法誤差為動態系數量，對應預測結果與實際霧霾短時變化特征差異較大；（3）由圖3（c）中的曲線分布及其相似度可以看出，Q1方法3次所得結果差異最小，曲線走勢平穩，無大幅度波動，說明方法在預測量函數控制方面具有優秀的控制能力；同時，3條誤差曲線值域分布范圍均在[0.2，0.3]之間；由此，綜合上述每種方法的測試分析結果，可以得到該項目中最佳預測方法為Q1方法。

2.3隨機預測響應測試

為了驗證提出方法具備短時預測能力，對其響應速度進行測試，測試樣本隨機循環下發，樣本總數為1000；每40組為一輪測試，計算每種方法響應時間的均值，并對其進行記錄，連續記錄25組響應均值數據，統計生成表1，對比分析表1數據，得出測試結論。（見表1）

根據表1顯示的數據來看，P1預測方法在高強度響應壓力測試下的表現較差，主要體現在均值數據之間的差值較大與數值變化無規律性；與其相同，P2預測方法同樣存在相同問題，測試結果超出現階段經驗值[1.0～2.0]范圍；相比之下，P1預測方法的測試表現更加出色，25輪測試全部數值均為最佳數值，且數據穩定，具有神經網絡特有的線性規律，因此在實際應用過程中更加容易適應短時預測場景。綜上所述，該項目測試中Q1方法以各項指標最優的成績通過測試。

2.4壓力測試

對提出方法進行整體性能的壓力測試，測試指標采用信任度作為判定標準，即信任度數值越接近1.0，對應方法的可信度越高，對應方法的適應性與穩定性越好。為了避免不同數據樣本帶來的測試數據割裂問題，該項目樣本數據采用2.3數據作為樣本，為了方便對比統計閾值設定為125，具體測試結果見圖4。

由圖4數據分析可知，在1000樣本下最大信任值為0.53，最小值為0.28，根據判定規則定義的指標量1.0，經過對比后可以發現最大值0.53最接近指標量1.0，但數值出現次數僅為1次，因此該信任結果不具有客觀性，不予采納；經過統計P1方法的最終信任值為0.35，對比判定其可信度偏低。基于此分析思路及方法，P2方法的信任值為0.25，Q1方法的信任值為0.87；到此可以直觀的發現，Q1方法的信任度最高，相對應的方法性能最優，P1方法性能次之、P2最差。

3結束語

城市大氣霧霾污染不僅會影響人體健康，還會對生態環境產生負面影響。通過研究城市大氣霧霾污染的短時預測方法，可以提高城市環境管理的科學化和精準化水平，促進城市可持續發展。基于霧霾構成成分的預處理信息流，構建神經網絡，在載入層中構建激活函數，分析短時大氣霧霾的污染指數，對比實際污染特征系數差量，分析大氣霧霾神經網絡特征確定霧霾污染函數預測信息及其相關配置函數，對大氣霧霾短時預測策略及其參量配置進行了深入優化，進行大氣霧霾短時預測層計算輸出，取得了較好的預測效果。城市大氣霧霾污染的短時預測需要依托于先進的環保監測技術和數據分析方法，提供科學、準確的決策支持機制，這將推動環保技術創新和發展，提高環保技術的應用水平和效果。