郭慶春，楊旭，寇立群

(陜西廣播電視大學，陜西 西安 710119)

?

【管理科學】

人工神經網絡在大氣污染預測中的應用*

郭慶春1，楊旭2，寇立群3

(陜西廣播電視大學，陜西 西安 710119)

對大氣污染進行預測具有十分重要的科學意義。人工神經網絡模型在大氣污染預測預報領域廣泛應用，可以通過選擇不同算法，設置學習率和動態(tài)系數等參數使基于神經網絡的大氣污染預測模型的精度得到提高，說明神經網絡模型應用于大氣污染預報具有較高的預測精度和良好的泛化能力。

人工神經網絡；大氣污染；算法

環(huán)境空氣質量密切關系到人們的生產、生活，歷史上很多關于大氣污染的“公害事件”給人類帶來了慘痛教訓，隨著人們生活水平的提高，對于大氣質量有了更高要求，世界各國普遍重視大氣質量問題。我國正處在經濟迅速發(fā)展的時期，同時由主要污染物造成的大氣環(huán)境污染問題日趨嚴重，給人民生活和健康造成嚴重影響[1]。大氣污染對資源和環(huán)境的沖擊日益威脅著可持續(xù)發(fā)展的基礎。

近年來應用較為廣泛的非線性方法主要有人工神經網絡。人工神經網絡的研究與應用正成為人工智能、認知科學、神經生理學、非線性動力學等相關專業(yè)的熱點。神經網絡是一個高度復雜的非線性動力學系統(tǒng)，特別適合處理需要同時考慮許多因素和條件的、不精確和模糊的信息處理問題。由于這些特性，在一定程度上避開了“假定”，從數據本身找出規(guī)律性的、基于特定問題的解。神經網絡在污染預測方面的應用較為廣泛[2-3]。

一、人工神經網絡原理

人工神經網絡系統(tǒng)是由大量簡單的處理單元(或稱神經元)廣泛地相互連接而形成的復雜網絡系統(tǒng)，是一種非線性的動力學系統(tǒng)。它具有大規(guī)模的并行處理和分布式的信息存儲能力、良好的自適應性、自組織性及很強的學習、聯想、容錯及抗干擾能力，迄今為止，人們提出許多神經網絡模型。較典型的有BP網絡、Hopfield網絡及CPN網絡等，其中應用較多的是具有非線性傳遞函數神經元構成的前饋網絡中采用誤差反向傳播算法作為其學習算法的前饋網絡(Back Error Propagation，簡稱BP網絡)。誤差反向傳播網絡(BP模型)是一種多層結構的映射網絡，它是目前應用最為廣泛的一種人工神經網絡，在各門學科領域中都具有極其重要的實用價值，其學習能力和容錯能力對于具有不確定性模式識別具有獨到之處。BP算法的中心思想是調整權值使網絡總誤差最小。BP模型學習過程的算法由正向傳播和反向傳播兩部分組成。通過反復的正向傳播和反向傳播，不斷地修改各層神經元的權值和閾值來減少誤差函數，直到與某一相當小的正值或進行迭代運算時誤差函數不再減少。學習過程的實質是求誤差函數的最小值，它通過反復訓練已知樣本集，在沒有達到設定的誤差最小值之前，每訓練一次，權值將沿誤差函數的最速下降方向改變，最終收斂到最小點，然后將多個樣本訓練所得的各層間連接權值及各層神經元的偏置值(即閾值)信息保存起來，以便對未知樣本進行處理。

標準的BP算法是基于梯度下降法，通過計算目標函數對神經網絡閾值和權值的梯度進行修正。改進算法多數是在標準梯度下降法的基礎上發(fā)展起來的，它們只是用到目標函數對閾值和權值的一階導數(或者梯度) 信息。標準的BP 算法雖然為訓練網絡提供了簡單而有效的方法，但是由于訓練過程中學習速率為一較小的常數，因而存在收斂速度慢和局部極小問題。為解決這些問題，研究人員提出很多改進的算法。主要有：附加動量法、彈性BP算法(RPROP)、自適應學習速率法、共軛梯度法、擬牛頓算法(BFGS)、一步割線(OSS) 算法、Levenberg-Marquardt 優(yōu)化方法等。

二、大氣污染預測

人工神經網絡在大氣污染預測中已經得到廣泛應用。朱國成通過對反向傳播人工神經網絡的算法和網絡結構的研究，發(fā)現擬牛頓算法訓練速度較快，能夠較好地接近誤差目標值，同時建立了包括輸入層、隱含層、輸出層的人工神經網絡三層拓撲結構。通過對街道峽谷人工神經網絡的訓練，模擬計算了街道峽谷NOx濃度分布值。結果顯示訓練誤差和測試誤差比為1.11，訓練樣本的模擬值與實測值的相關系數為0.93，測試樣本的模擬值與實測值的相關系數為0.87，模擬值與實測值的相關系數均高于顯著水平為α=0.05與α=0.01所對應檢驗性表的相關系數臨界值。該模型能夠用于街道峽谷污染物濃度的模擬計算，具有較好的泛化能力[4]。郭慶春等利用寶雞市2005年～2009年的逐日空氣污染指數作為神經網絡模型的訓練樣本，進行訓練，分別建立了相應的神經網絡模型。因為不同季節(jié)的大氣污染規(guī)律有所不同，所以用2005年(6月1日)～2009年(8月31日)春季(3～5月)、夏季(6～8月)、秋季(9～11月) 、冬季(12～2月)的4組數據分別建立了4個季節(jié)的日空氣污染指數的預報模型，并用2009年(9月1日)～2010年(8月31日)春季、夏季、秋季、冬季的數據作為非訓練樣本進行預報檢驗(注意此處不能過分地要求誤差很小，否則會造成過度訓練，那樣，雖然能夠很好地擬合學習樣本，但是會造成預測能力差)。仿真實驗結果表明：訓練樣本的日空氣污染指數的擬合值的平均相對誤差分別為15.4%、9.3%、10.1%、14.2%，非訓練樣本的日空氣污染指數的預測值的平均相對誤差分別為25.3%、15.4%、21.1%、23.2%，非訓練樣本的日空氣污染指數的預測值與真實值的線性相關系數分別為0.867、0.886、0.874、0.864。仿真結果表明改進BP算法的神經網絡經有效訓練后應用于大氣污染預報具有較高的預測精度和良好的泛化能力[5]。郭慶春等利用西安市2005年～2010年逐日空氣污染指數，建立了一個空氣污染指數的非線性時間序列神經網絡模型。實驗結果表明：獨立樣本的日空氣污染指數的預測值的平均相對誤差分別為27.4%、23.2%、12.2%、25.7%，獨立樣本的日空氣污染指數的預測值與真實值的線性相關系數高。該模型應用于大氣污染預報具有較高的預測精度和良好的泛化能力[6]。郭慶春等以北京市為例，綜合考慮BP網絡的逼近能力和泛化能力，將時間序列作為BP神經網絡的輸入，對空氣污染指數的預測做了建模研究。實驗結果表明，BP神經網絡的輸出值與實際值之間的誤差在可以接受的范圍，特別是對驟升驟降趨勢也能得到準確度較高的預報結果。因此在實際應用中，可以將BP網絡方法作為一種考慮采用的方法[7]。郭慶春等利用石家莊市2005年～2009年春季、夏季、秋季 、冬季的4組數據分別建立了4個季節(jié)的日空氣污染指數的預測模型，并用2009年～2010年春季、夏季、秋季、冬季的數據作為獨立樣本進行預測檢驗，實驗結果表明：通過設置初始權重、學習率、動態(tài)系數等參數使基于BP神經網絡的大氣污染預測模型的精度得到提高，預測值與實際值之間的平均相對誤差小，預測值與實際值的相關系數高，得到了較好的預報效果，說明該模型應用于大氣污染預報具有較高的預測精度和良好的泛化能力，它為信息社會的城市空氣污染預報工作提供了一種全新的思路和方法[8]。

三、結論和展望

由于神經網絡方法與傳統(tǒng)的統(tǒng)計方法相比具有自適應學習，非線性映射和容錯性等多種優(yōu)良性能，因此隨著人工神經網絡理論和技術的不斷發(fā)展，它在大氣污染預測的應用研究領域也越來越廣泛，已成為國際上學科發(fā)展的競爭熱點。但是神經網絡方法在大量的實際問題應用中，也存在不少亟待解決的問題。特別是神經網絡方法在大氣污染預測領域的應用研究中，關于如何確定適宜網絡結構，如何提高網絡的收斂性，防止網絡訓練出現振蕩和收斂于局域最小等問題都需要進一步深入研究。而目前有關進化計算的遺傳算法與人工神經網絡相結合的研究，小波分析與神經網絡的結合以及模糊系統(tǒng)理論與神經網絡方法的結合研究，已成為神經網絡研究的重要方向，也為克服神經網絡方法在大氣污染預測應用研究中存在的問題提供了思路和方法。

[1]劉玲,張金良.我國大氣污染與兒童肺功能的關系[J].環(huán)境與健康雜志,2007,24(7):471-476.

[2]朱國成,方明建,鄭旭煦.基于人工神經網絡的街道峽谷NOx濃度的數值模型研究[J].環(huán)境工程學報,2010(4):875-880.

[3]王芳,程水源,李明君,等.遺傳算法優(yōu)化神經網絡用于大氣污染預報[J].北京工業(yè)大學學報,2009,35(9):1230-1234.

[4]朱國成,方明建,鄭旭煦.基于人工神經網絡的街道峽谷NOx濃度的數值模型研究[J].環(huán)境工程學報,2010(4):875-880.

[5]郭慶春,何振芳,李力. 人工神經網絡在大氣污染預測中的應用研究[J]. 工業(yè)儀表與自動化裝置,2012(4):18-22.

[6]郭慶春,何振芳,李力. 西安市空氣污染指數的神經網絡預測模型[J]. 河南科學,2011(07):863-868.

[7]郭慶春,何振芳,寇立群,李力,張小永,孔令軍. BP神經網絡在北京市API預報中的應用[J]. 環(huán)境工程,2011(04):106-108.

[8]郭慶春,何振芳,李力,袁春瑩,寇立群. 人工神經網絡在API預報中的應用[J]. 陜西農業(yè)科學,2011(02):124-126.

[責任編輯 王愛萍]

Application of Artificial Neural Network in Atmosphere Pollution Forecast

Guo Qingchun, Yang Xu, Kou Liqun

(Shaanxi Radio & TV University, Xi'an 710119)

.Forecasting the level of air pollution has great significance. Artificial neural network forecast method is widely introduced in air pollution prediction. By choosing different algorithms, setting learning rate,and dynamic coefficient parameters, the precision of the model based on artificial neural network is improved,and the average relative errors of air pollution between forecasting and the monitoring are small therefore.Artificial neural network model is a simple and effective algorithm.

artificial neural network; atmospheric pollution; algorithm

2015-09-14

1.郭慶春(1979— )，山東省聊城市人，陜西廣播電視大學教務處講師，大氣污染預測在讀博士研究生。2.楊旭(1989— )，女，陜西省安康市人，陜西廣播電視大學財務處助教，大學本科。3.寇立群(1966— )，陜西省禮泉縣人，陜西廣播電視大學工程管理系副處長，副教授。

本文為陜西廣播電視大學 2013-2014年度科研課題“基于神經網絡的大氣污染預測”(課題編號：13D-08-B01)、“陜西電大課程教學資源建設研究” ( 課題編號：13DJ-A12)、2015年陜西省教育廳科研計劃項目 “陜西省主要城市大氣污染預報模型研究”(項目編號：15JK1058，項目負責人：郭慶春)階段性成果之一。

P49

A

1008-4649(2015)04-0092-03