[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

说明书

本发明公开了一种基于改进麻雀搜索算法优化的空气质量指数预测方法，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。本发明的预测方法不仅解决了麻雀搜索算法在迭代后期收敛速度慢、易陷入局部最优解的不足，提高了BP神经网络的全局搜索能力，进而提升了空气质量预测模型的预测精度，同时也为相关部门准确预测空气质量提供了科学、有效的方法。

技术领域

本发明属于空气质量指数预测领域。更具体地说，本发明涉及一种基于改进麻雀搜索算法优化的空气质量指数预测方法。

背景技术

近年来，随着我国工业化进程不断加快、经济的迅猛发展以及人口的不断增长，空气污染问题已经引起了全社会的关注。大气污染物对人体健康的危害不断加剧，同时给人们的生活也带来了诸多问题。以空气污染参数为依据的空气质量预测已成为环境科学中的重要课题，在空气质量预测方面已经有很多成熟的预测模型对不同的污染物进行预测。空气污染物的预测可以及时的确定预防措施来避免因空气污染所带来的危害，从而实现对空气质量进行实时监控，并利用监测到的空气质量数据，借助人工智能、机器学习等方法，设计一种预测准确度较高的模型，来预测未来一段时间内空气质量的变化情况。这不仅有利于及时获取空气质量的信息，根据这些信息帮助居民合理规划户外行程，也有利于城市管理者采取适当的措施控制空气污染，进而来改善空气质量。

麻雀搜索算法(sparrow search optimization,SSA)是从麻雀觅食和逃避捕食的自然活动衍生出的智能优化算法。麻雀按比例将种群分成发现者和跟随者来进行觅食,同时还叠加了危险预警机制进行反捕食。通过计算每个个体的适应度值并排序,随着迭代次数的增加,不断更新发现者、加入者、警戒者的位置,整个种群不断靠近最优解,即最佳的食物的位置。麻雀搜索算法因寻优能力强,收敛速度快,稳定性好已被应用于许多实际工程领域,利用其优化BP神经网络可以改善传统BP神经网络收敛速度和精度不高的问题。

麻雀搜索算法虽然在一定程度上可以优化BP神经网络，但同其他智能优化算法相同，也存在着在接近全局最优时，种群多样性减少、易陷入局部最优等问题。

发明内容

本发明的目的在于提供一种基于改进麻雀搜索算法优化的空气质量指数预测方法，针对BP神经网络在预测时出现易陷入局部最优、精度不高等问题，利用麻雀相较于传统优化算法具有收敛速度快、寻优精度高的优点，优化BP神经网络的权值及阈值。同时考虑到麻雀搜索在迭代后期，存在种群多样性减少、收敛速度慢以及全局搜索能力弱的缺陷，通过引入立方映射提高初始解的质量，增加初始化麻雀种群的多样性。再结合蝴蝶优化策略增强算法跃出局部最优解的能力。最后建立相应模型并应用到空气质量预测领域，以此提高预测精度及效率。

为了实现根据本发明的这些目的和其他优点，提供了一种基于改进麻雀搜索算法优化的空气质量指数预测方法，其包括以下步骤：

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。

优选的是，所述训练数据包括PM_2.5、PM₁₀、SO₂、CO、NO₂、O₃等影响因素。

优选的是，所述BP神经网络的参数包括BP神经网络的权值和阈值。