基于机器学习在空气质量指数中的应用.PDFVIP

第３４卷第３期 重庆工商大学学报（自然科学版） ２０１７年６月 Ｖｏｌ．３４　ＮＯ．３　　　　　　　　ＪＣｈｏｎｇｑｉｎｇＴｅｃｈｎｏｌＢｕｓｉｎｅｓｓＵｎｉｖ（ＮａｔＳｃｉＥｄ）　 　　　　　　　 Ｊｕｎ．２０１７ － ｄｏｉ：１０．１６０５５／ｊ．ｉｓｓｎ．１６７２０５８Ｘ．２０１７．０００３．０１５ 基于机器学习在空气质量指数中的应用 １ １ ２ １ 刘　锋 ，李春燕 ，谭祥勇 ，王鹏飞 （１．重庆理工大学 数学与统计学院，重庆４０００５４；２．上海财经大学 统计与管理学院，上海 ２００４３３） 　　摘　要：利用机器学习和多元线性回归模型对西安市近一年的空气质量指数进行了研究，首先利用随 机森林思想对数据进行了补齐，然后运用交叉验证对神经网络模型选取最优的隐层节点数和训练周期数， 最后，通过比较两种模型的拟合效果发现，神经网络模型在对空气质量指数的预测效果明显好于多元线性 回归模型。 关键词：神经网络；多元线性回归模型；空气质量指数 中图分类号：Ｏ１４１．４　　　文献标志码：Ａ　　　文章编号：１６７２０５８Ｘ（２０１７）０３００８２０６ 　　目前，随着人类科学技术的迅猛发展，大气污 别采用不同的模型对其进行了研究。现研究是 染状况日益加剧，空气质量成了人们密切关注的一 基于神经网络模型中应用最为广泛的ＢＰ神经网 个热门话题。空气质量监测局采用空气质量指数 络模型，以西安市 ２０１５０８１７—２０１６０８１６共 （ＡｉｒＱｕａｌｉｔｙＩｎｄｅｘ，ＡＱＩ）对空气质量进行度量，数值 ３６４ｄ的日全市平均空气质量指数为研究对象。 是定量描述空气质量的无量纲指数，数值越大说明 通过多元线性回归模型和ＢＰ神经网络模型分别 空气污染状况越严重。空气质量指数的分项监测指 对数据进行研究，最终对两模型的预测结果进行 标为ＳＯ，ＮＯ、可吸入颗粒物、细粒颗粒物ＰＭ２．５、Ｏ 拟合，对比发现神经网络模型的预测效果明显优 ２ ２ ３ 和ＣＯ，其中的罪魁祸首就是 ＰＭ２．５，此物质粒径 于多元线性回归模型。 小，面积大，活性强，易附带有毒、有害物质，且在 大气中的停留时间长、输送距离远，对人体健康有 １　预备知识 非常严重的影响。有研究认为，ＡＱＩ监测指标中 的ＳＯ，ＮＯ、ＣＯ等是在一定环境条件下形成的 １．１　神经网络 ２ ２ ＰＭ２．５的主要气态物体。因此，通过其他几个指 在人工神经网络中，多层感知器是运用最为广 标来对ＰＭ２．５指标进行预测是可行的。出于对人 泛的模型，关于神经网络的研究可见文献［３５］。 们健康的考虑，对 ＰＭ２．５指标的预测具有相当重 一个典型的神经网络模型由３部分组成：输入层、隐 要的意义。 藏层和输出层。对于一个具有ｒ个输入变量，ｔ个隐 ［１２］ ｓ个输出节点的单一隐藏层神经网络模型， 关于空气质量指数方面已有很多学者 分 节点， α ｓ － － － － 　　收稿日期修回日期 　 基金项目：国家自然科学基金项目资助．  　　作者简介：刘锋（１９７３），男，湖北新化人，博士，副教授，从事非参数统计研究． 第３期 刘　锋，等