基于PSO-BP神经网络预测广州市日均PM10浓度.PDFVIP

基于PSO-BP 神经网络预测广州市日均PM10 浓度 南方医科大学 林愿仪、林伟俊、尹安琪 摘 要 背景：可吸入颗粒物PM10 是指悬浮在空气中，空气动力学当量直径小于或等于 10m 的颗粒物，其浓度的升高会给人群健康造成很大的危害。对 PM10 浓度进 行预测预报可以为环境管理决策提供依据，同时有助于市民及时采取相应的防控 措施降低污染的影响。 目的：拟用2008 年-2011 年广州市前一天的日均PM10 浓度结合同期的气象等因 素，建立PSO-BP 神经网络模型，对PM10 浓度进行预测。 方法：将广州市2008 年-2011 年的PM10 浓度和气象资料数据分为训练样本和测 试样本。在训练样本中运用逐步回归法筛选出影响PM10 浓度预测的主要因素， 建立多元线性回归模型和PSO-BP 神经网络模型对PM10 浓度进行预测。利用测 试样本检验两模型的预测效果，并用RMSE 、MAE 、MAPE 、PMAD 、R2 等指标 对两模型的预测效果进行比较，以说明PSO-BP 神经网络模型的预测效果。本研 究主要采用SPSS 20.0 统计软件对数据进行气象因素等变量的筛选、描述性分析 和多元线性回归模型的建立；采用Matlab 2014a 统计软件建立PSO-BP 神经网 络模型。 结果：运用逐步回归法筛选出前一天的 PM10、极大风速、最小相对湿度、日平 均气温、能见度共5 个主要影响变量，其中前一天的PM10 浓度对模型的贡献最 大，其次是极大风速。对PSO-BP 神经网络模型与多元线性回归模型测试样本的 预测效果进行比较，多元线性回归模型的 RMSE 、MAE 、MAPE 、PMAD 、R2 分别为23.215 、18.806、0.195、0.196 和0.764 ；PSO-BP 神经网络模型的RMSE 、 MAE 、MAPE 、PMAD 、R2 分别为21.776、17.165、0.169、0.179 和0.800 。可见 PSO-BP 神经网络模型预测效果更优，模型的拟合效果与实际数据的误差更小。 结论：利用PSO-BP 神经网络模型预测广州市未来一天的日均PM10 浓度效果较 好，与多元线性回归模型相比其误差更小，预测效果更优，可为环境管理决策提 供依据。 关键词：PM10 多元线性回归 PSO-BP 神经网络 气象因素 广州市 1 目录 摘 要1 图表清单3 引 言4 （一）研究背景和目的4 1. 研究背景4 2. 研究目的4 （二）研究现况5 （三）本文研究思路与创新之处5 1. 研究思路5 2. 创新之处6 一． 方 法6 （一）研究方法的基本原理6 （二）统计分析软件12 （三）数据的来源12 （四）数据的处理与变量的选择13 1. 数据集的划分13 2. 数据预处理13 3. 变量的选择14 （五）模型的构建14 二． 结 果16 （一）基本统计描述16 （二）模型的结果19 （三）模型预测效果比较20 三． 讨 论23 四． 启示和建议24 五． 研究的不足和展望25 参考文献26 附录29 2 图表清单 一． 表目录 表1 广州市空气监测点位表 表2 模型自变量的描述性统计量 表3 预测的PM10浓度年变化描述性统计量 表4 预测的PM 与模型中自变量的相关系数 10 表5 多元线性回归模型自变量的参数估计 表6 模型预测结果比较 表7 模型预测效果比较 二． 图目录 图1 本文研究思路 图2 PSO-BP神经网络流程图 图3 广州市空气监测点位图 图4 多元线性回归模型建模思路 图5 BP神经网络模型建模思路 图6 2008-2011年日均PM 浓度图