[发明专利]基于改进麻雀搜索算法优化的空气质量指数预测方法

权利要求书

1.基于改进麻雀搜索算法优化的空气质量指数预测方法，其特征在于，包括以下步骤：

S1：获取空气质量历史数据，并构建训练集和测试集；

S2：确立BP神经网络结构；

S3：利用改进后的麻雀搜索算法优化BP神经网络的权值及阈值；

S4：建立基于改进麻雀搜索算法优化的空气质量指数预测模型；

S5：利用该模型进行空气质量指数预测。

2.根据权利要求1所述的基于改进麻雀搜索算法优化的空气质量指数预测方法，其特征在于，所述训练数据包括PM2.5、PM10、SO2、CO、NO2、O3等影响因素。

3.根据权利要求1所述的基于改进麻雀搜索算法优化的空气质量指数预测方法，其特征在于，所述BP神经网络的参数包括BP神经网络的权值和阈值。

4.根据权利要求1所述的基于改进麻雀搜索算法优化的空气质量指数预测方法，其特征在于，所述改进麻雀搜索算法的目标函数为BP神经网络训练集的错误率E_train与测试集的错误率E_test之和，其表达式为：

fitness＝argmin(E_train+E_test) (1) 。

5.根据权利要求1所述的基于改进麻雀搜索算法优化的空气质量指数预测方法，其特征在于，在步骤S3中，具体包括以下步骤：

S31：对麻雀搜索算法进行参数初始化，包括麻雀种群个数n，跟随者数量P，加入者数量S，种群最大迭代次数t_max，种群警戒值R；

S32：利用立方映射进行种群初始化；

S33：建立适应度函数，并排序；

S34：融合蝴蝶优化策略更新发现者位置，以此增强算法的全局搜索性能

S35：更新跟随者位置；

S36：随机选择警戒者并更新警戒者位置；

S37：计算更新后的适应度值并排序；

S38：是否满足迭代停止条件，满足则退出，输出结果，否则，重复执行步骤S32-S36。

6.根据权利要求5所述的基于改进麻雀搜索算法优化的空气质量指数预测方法，其特征在于，在步骤S32中，立方映射公式为：

y(n+1)＝4y(n)³-3y(n) (2)

其中，n为映射次数，y(n)∈(-1,0)∪(0,1),y(n)为第n次映射值。

为防止通过混沌映射产生的值超过BP神经网络的权值及阈值优化范围，利用式(2)将映射值调整到统一区间。

X_i＝X_lb+0.5(X_lb-X_ub)(y_i+1) (3)

其中，X_lb、X_ub为麻雀种群中个体所处维度的上下边界；X_i为麻雀个体实际位置值。

7.根据权利要求5所述的基于改进麻雀搜索算法优化的空气质量指数预测方法，其特征在于，在步骤S34中，发现者的位置更新公式为：

其中，表示第t次迭代下，第i只麻雀处于d维的位置。X_gbest是当前全局最优位置，f_i表示第i只蝴蝶的发出的气味，其取值大小取决于适应度的大小，r为0-1的随机数。Q为服从标准正态分布的随机数。L为一个单行d维的全1矩阵。R为预警值，取值范围为[0,1]。ST为警戒值，取值范围为[0.5,1]。当RST时，这意味着此时的觅食环境周围没有捕食者，发现者可以执行广泛的搜索操作。当R≥ST，这表示种群中的一些麻雀已经发现了捕食者，并向种群中其它麻雀发出了警报，此时所有麻雀都需要迅速飞到其它安全的地方进行觅食。