[发明专利]一种组合式空气质量预报模型的构建方法

说明书

本发明提出一种基于BP神经网络和多元逐步回归的组合式空气质量预报模型的构建方法，包括以下步骤：（1）基于训练样本集，建立BP神经网络预报模型；（2）基于BP神经网络预报结果，进行高污染情景判定，其具体是：（21）高污染情景的定义；（22）判别方程式的建立；（23）采用神经网络预报值判定法进行判定；（24）基于神经网络预报值判定结果，进行判别方程式的判定；（3）基于高污染情景判定结果，建立高污染的多元逐步回归预报模型。（4）综合以上预报判别过程，输出预报结果。本发明全面提高了城市空气质量预报精度，尤其是高污染情景的预警预报，实现了不同污染程度下稳定的空气质量精准预报。

技术领域

本发明涉及环境质量预测预警领域，具体而言涉及一种高污染情景下的组合式城市空气质量预报模型的构建方法。

背景技术

开展空气质量预报模型研究，尤其是空气质量预报预警的高污染应急机制是现有环保部门急需开展的基础性工作。空气质量预报工作的开展是我国空气质量监测和环境管理水平提升的一个重要标志，也是一个城市文明程度的标志。一种稳定、精度高的城市空气质量预报模型，尤其是高污染情景下的预报和预警能力，不仅能为居民出行及生产工作的展开提供指导，还能为环保部门制定相应措施提供基础数据和技术支撑。

目前国内外常用的城市空气质量预报方法可分为潜势预报、统计预报和数值预报三大类。其中潜势预报带有较大主观性，很少独立使用；数值预报由于计算十分复杂，所需信息较为详尽且难以全面获取，短期内难以单独满足业务需求；统计预报构建简单，使用方便，不需要收集污染源排放清单，是目前多数开展空气质量预报城市采用的预报方法。而BP神经网络，是一种常用的统计预报方法，对于当前无法开展空气污染数值预报的城市，人工神经网络的应用效果尤佳。从20世纪90年代起，人工神经网络开始应用于空气质量预报领域。目前，人工神经网络主要应用于空气污染物浓度的短期预测和空气污染指数的预报，在不少城市都取得了较好的应用效果。但由于BP神经网络这种非参数化模型对极值表现不敏感，使得其对高浓度污染时段的预报误差较大。所以，仅仅只利用BP神经网络模型，不能实现高污染程度下稳定的精准预报。

上述各种预报方法均存在局限性，对不同程度污染的预报效果不能达到理想的效果。虽然BP神经网络对一般情景污染天气具有较高的预报准确率，但对区域性特征日益明显的重污染情景的预报误差同样较高。因而急需开发建立可适用于高污染情景下的具有统计学特征的预报模型。本发明为解决该问题提供了一套新的思路和方法。BP神经网络模型进行一般污染情景下的预报，以情景判定法为结合点，多元逐步回归模型进行高污染情景下的预报，构建BP神经网络和多元逐步回归的组合式空气质量预报模型，从而提高预报精确度。

发明内容

针对现有的空气质量预报模型存在的缺陷或不足，本发明旨在提供一种以情景判定法为结合点，基于BP神经网络和多元逐步回归的组合式城市空气质量预报模型的构建方法，规避了在复杂多变的大气环境中数值预报或统计模型预报的局限性，实现了不同污染程度下稳定的空气质量精准预报。

为达成上述目的，本发明采用的技术方案是：

一种基于BP神经网络和多元逐步回归的组合式城市空气质量预报模型的构建方法，其特征是，包括以下步骤：

(1)基于训练样本集，建立BP神经网络预报模型；

(2)基于BP神经网络预报结果，进行高污染情景判定，其具体是：

(21)高污染情景的定义；

(22)判别方程式的建立；

(23)采用神经网络预报值判定法进行判定；

(24)基于神经网络预报值判定结果，进行判别方程式的判定；

(3)基于高污染情景判定结果，建立高污染的多元逐步回归预报模型。

(4)综合以上预报判别过程，输出预报结果。