基于灰狼群智能最优化的神经网络PM2.5浓度预测

被引：47

作者：

石峰 ^{[1
]}

楼文高 ^{[1
,2
]}

张博 ^{[3
]}

机构：

[1] 上海理工大学光电信息与计算机工程学院

[2] 上海商学院信息与计算机学院

[3] 上海理工大学出版印刷与艺术设计学院

来源：

计算机应用 | 2017年 / 37卷 / 10期

关键词：

灰狼优化算法; BP神经网络; PM2.5浓度预测; 预测模型; 空气污染物;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

140502 [人工智能];

摘要：

针对目前PM2.5浓度测量成本高和测量过程繁杂等问题,建立了基于灰狼群智能最优化算法的神经网络预测模型。从非机理模型的角度,结合气象因素和空气污染物对上海市的PM2.5浓度进行预测,并使用平均影响值分析了影响PM2.5浓度的重要因素。使用灰狼群智能算法优化神经网络的过程中,引入了检验样本实时监控训练过程以避免发生"过训练"现象,确保建立的神经网络模型具有较好的泛化能力。实验结果表明:PM10对PM2.5的影响最为显著,其次是CO和前一天PM2.5。选取2016年11月1日—12日的数据进行验证,其平均相对误差为13.46%,平均绝对误差为8μg/m3,与粒子群算法优化的神经网络、BP神经网络模型及支持向量回归（SVR）模型的误差相比,平均相对误差分别下降了约3个百分点、5个百分点和1个百分点。因此,使用灰狼算法优化的神经网络更适合上海市PM2.5浓度的预测和空气质量的预报。

引用

页码：2854 / 2860

页数：7

共 34 条

[1]

Simulation of European air quality by WRF–CMAQ models using AQMEII-2 infrastructure.[J].Dimiter Syrakov;Maria Prodanova;Emilia Georgieva;Iglika Etropolska;Kiril Slavov.Journal of Computational and Applied Mathematics.2016,

[2]

Application of WRF/Chem over East Asia: Part I. Model evaluation and intercomparison with MM5/CMAQ.[J].Yang Zhang;Xin Zhang;Litao Wang;Qiang Zhang;Fengkui Duan;Kebin He.Atmospheric Environment.2015,

[3]

Artificial intelligence based approach to forecast PM 2.5 during haze episodes: A case study of Delhi; India.[J].Dhirendra Mishra;P. Goyal;Abhishek Upadhyay.Atmospheric Environment.2015,

[4]

Grey Wolf Optimizer.[J].Seyedali Mirjalili;Seyed Mohammad Mirjalili;Andrew Lewis.Advances in Engineering Software.2014,

[5]

Correlations between fine particulate matter (PM2.5) and meteorological variables in the United States: Implications for the sensitivity of PM2.5 to climate change [J].