[发明专利]一种基于RBF神经网络的大气污染物浓度预测方法

说明书

本发明涉及一种基于RBF神经网络的大气污染物浓度预测方法，根据被预测地区的实际情况，将实验数据进行划分，针对大气污染物浓度数据进行预处理；使用MMOD改进的k‑means++算法求出聚类中心，并基于方差求取每个核函数宽度；对实验数据进行抽样，参与创建的RBF神经网络的数据子集为IOB，剩下未被抽到的为OOB袋外数据；对学习器进行评价，筛选出泛化误差最小的RBF神经网络，训练集成RBFNN模型；利用加权集成RBFNN算法，基于加权欧式距离，通过聚类中心、宽度、权值训练单个参数优化RBFNN，并应用到集成RBFNN上，对数据预测。本发明应用到大气污染物浓度预测上，大幅提高大气污染物浓度预测的精度。

技术领域

本发明涉及神经网络预测技术，具体为一种基于RBF神经网络的大气污染物浓度预测方法。

背景技术

21世纪的今天，随着全球工业的迅速发展以及城市化脚步的加快，世界各个国家尤其是发展中国家面临了不同程度的大气污染，环境污染已经成为各个国家不得不面对的问题之一。中国作为最大的发展中国家，虽然在经济发展上大幅度前进，目前已经成为全球第二大经济体，但在高速发展的过程中，我国的环境和生态状况却面临着巨大的挑战。从20世纪到21世纪，我国历经了从农业大国到工业大国的转变，与此同时，我国的天然气、石油、煤炭等能源消耗大幅度攀升。由于工厂废气的大量排放，人为活动的大幅度增加以及机动车数量大量增加，大量的有害物质如碳氧化物(CO，CO2)、硫氧化物(SO2)、大气污染颗粒物(PM10和PM2.5)等排放到大气中，严重影响了城市的空气质量。大气环境污染不仅影响了人们的生产活动更危害人们的身体健康。例如，近几年中国各大城市出现长期、持续的雾霾污染、风沙天气，给人们生活、生产活动造成了很多不变，对身体健康产生了巨大的破坏。所以现如今，各大城市都在积极地采取措施解决大气污染问题。

为了改善空气质量，治理空气污染，国内外专家学者致力于研究大气污染物浓度的变化规律，尤其是使用各种复杂的数学模型来预测大气污染物的排放，评估大气污染物的周期规律，从理论和实践上阐述大气污染物的变化、转化规律，丰富和发展了大气污染治理的理论。因此，推动城市大气污染物浓度预测的发展是重要的研究方向之一。通过研究大气污染特征及影响因素，分析污染物的质量浓度以及时空变化规律，使用机器学习等人工智能技术对大气污染进行评价预测，对于阐述大气污染物的变化规律、治理大气污染有着重要的科学意义。

对空气污染物建立预测模型可以更加形象地说明污染物的影响因素，并且从气象因素和时间序列两个角度出发，对大气颗粒物的质量浓度进行预测。预测模型的建立，可以让环境管理部门及时掌握大气污染物浓度的变化情况，对空气质量有个量化概念，从而制定政策进行预防调控。对于城市的各个工厂，可以根据天气状况合理的分配工厂的排放指标，使得工厂利润最大化的同时满足环保要求。

大气污染物浓度预测就是根据各个大气污染物的监测结果和其他相关数据，利用数学等各种方法对未来的空气质量进行预测评估。传统上，环境预测分为逻辑预测和数学估计。逻辑预测比较简单但是不够准确，容易受预测者的经验水平限制。数学估计是通过建立复杂的数学模型进行估计，这种方法虽然相比逻辑预测准确，但在缺少数据和资料的时候就没有办法建立较为精确的数学模型。

近年来，随着模糊数学、神经网络等人工智能算法的井喷，以及计算机计算能力的大幅度提升，更多的学者采用新兴技术来模拟大气污染物的非线性变化，探索大气污染物的变化规律。目前大致可以将预测方法分为6类：多元统计分析法、灰色GM(1,1)预测模型、模糊预测法、支持向量机、神经网络法、优选组合法。

神经网络由于隐藏层的非线性特性，所以在理论上能够以任意精度逼近任意多元连续函数。神经网络具有很好地容错能力以及信息综合能力，能够协调好输入矛盾的相关信息，但它自身也有缺点：神经网络训练速度慢，难以收敛，并且很容易陷入局部极小点。同时，神经网络对使用者来说是一个黑箱模型，无法知道其内部的实现原理，令使用者难以理解。近几年，大多数学者使用其它理论算法优化神经网络参数选取并将其应用到大气污染物浓度预测上，取得了不错的效果。