文獻(xiàn)標(biāo)識(shí)碼： A
DOI：10.16157/j.issn.0258-7998.191101
中文引用格式： 黃鷹，史愛武，陳占龍，等. 基于灰色BP-NN優(yōu)化組合的PM2.5預(yù)測(cè)[J].電子技術(shù)應(yīng)用，2020，46(6)：82-85，92.
英文引用格式： Huang Ying，Shi Aiwu，Chen Zhanlong，et al. PM2.5 prediction based on the optimal combination of grey BP neural network[J]. Application of Electronic Technique，2020，46(6)：82-85，92.
0 引言
近年來，基于神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)PM2.5成為PM2.5監(jiān)測(cè)[1]研究的熱點(diǎn)。
人工神經(jīng)網(wǎng)絡(luò)具有很好的自適應(yīng)性、自組織性和很強(qiáng)的自主學(xué)習(xí)能力[2-4]。采用人工神經(jīng)網(wǎng)絡(luò)的方式去預(yù)測(cè)PM2.5濃度值具備很高的適用性[5]。但是直接采用典型的神經(jīng)網(wǎng)絡(luò)方法在收斂速度和泛化能力上并不理想，所以一些學(xué)者通過用相關(guān)性分析的方法降低輸入樣本的維度，可以在一定程度上解決收斂速度的影響。張怡文和李鳳英等人分別采用了逐步回歸和Pearson相關(guān)系數(shù)的方法分析影響PM2.5相關(guān)因素的相關(guān)性，降低輸入樣本的維數(shù)，以此來提高算法的收斂速度[6-7]。針對(duì)常用的幾種神經(jīng)網(wǎng)絡(luò)用于預(yù)測(cè)PM2.5濃度值的方法存在的局部極值問題，馬天成等人則是將粒子群算法(Particle Swarm Optimization，PSO)與模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行融合，發(fā)揮PSO算法全局尋優(yōu)的特點(diǎn)，預(yù)測(cè)PM2.5顆粒物濃度的變化規(guī)律[8]；荊濤、李霖等人通過遺傳算法與BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)算法相結(jié)合的方式也解決了BP神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練過程中的局部極值問題[9]。PM2.5數(shù)據(jù)及其相關(guān)影響因素?cái)?shù)據(jù)都是具有一定時(shí)間相關(guān)性的時(shí)間序列數(shù)據(jù)，其具備一定的歷史特性，而BP神經(jīng)網(wǎng)絡(luò)模型對(duì)這種特性無法進(jìn)行有效的表達(dá)。裴雨瀟等人通過把PM2.5的數(shù)據(jù)構(gòu)成時(shí)間序列，并進(jìn)行小波變換，將低頻部分和高頻部分分別用不同的模型進(jìn)行預(yù)測(cè)，再將預(yù)測(cè)值進(jìn)行疊加，最后得到的結(jié)果比單純用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的效果要理想[10]。目前國內(nèi)外研究PM2.5預(yù)測(cè)模型多是基于神經(jīng)網(wǎng)絡(luò)結(jié)合其他算法進(jìn)行模型的改進(jìn)，這種方式相對(duì)比單純用神經(jīng)網(wǎng)絡(luò)的方式在預(yù)測(cè)精度、泛化能力上都有較大的提升，但是PM2.5受其他因素的影響較大，考慮到從周圍環(huán)境的角度來建立PM2.5模型的方式，預(yù)測(cè)精度還可以有所提升。
傳統(tǒng)的灰色預(yù)測(cè)模型(Grey Model，GM(1，1))將時(shí)間序列數(shù)據(jù)看成一個(gè)隨時(shí)間變化的函數(shù)，但經(jīng)過大量的實(shí)驗(yàn)表明經(jīng)典灰色模型缺乏一定的預(yù)測(cè)穩(wěn)定性，即使時(shí)間序列為純指數(shù)序列，在做長期預(yù)測(cè)時(shí)仍存在較大的偏差[11-12]。基于這個(gè)原因，謝乃明等人提出離散灰色預(yù)測(cè)模型(Discrete Grey Forecasting Model，DGM(1，1))，并經(jīng)過實(shí)驗(yàn)表明，DGM(1，1)相較于傳統(tǒng)的GM(1，1)模型即使在時(shí)間序列數(shù)據(jù)大致符合指數(shù)增長規(guī)律也具有較好的預(yù)測(cè)精度，且對(duì)于長期預(yù)測(cè)有一定的優(yōu)勢(shì)[13]。
氣象因素和空氣質(zhì)量因素均為典型的時(shí)間序列數(shù)據(jù)，但是分析影響PM2.5相關(guān)因素時(shí)，發(fā)現(xiàn)無論是氣象因素還是空氣質(zhì)量因素都是震蕩序列，GM(1，1)和DGM(1，1)兩種模型對(duì)于單調(diào)遞增的時(shí)間序列數(shù)據(jù)都具備一定的預(yù)測(cè)精度，而對(duì)于震蕩序列的預(yù)測(cè)精度則不能夠確定。王巖、黃張?jiān)５热颂岢鲆环N基于震蕩序列的灰色預(yù)測(cè)模型(Stochastic Discrete Grey Forecasting Model，SDGM(1，1))，在進(jìn)行震蕩序列預(yù)測(cè)時(shí)，能夠達(dá)到比較好的精度[14]。
論文詳細(xì)內(nèi)容請(qǐng)下載http://m.jysgc.com/resource/share/2000002852
作者信息:
黃 鷹1，史愛武2，陳占龍1，張 威1
(1.中國地質(zhì)大學(xué)(武漢) 地理與信息工程學(xué)院，湖北 武漢430070；2.武漢紡織大學(xué) 計(jì)算機(jī)學(xué)院，湖北 武漢430070)