牛玉霞

（南通科技職業(yè)學(xué)院，江蘇 南通 226007）

基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量預(yù)測(cè)模型研究

牛玉霞

（南通科技職業(yè)學(xué)院，江蘇 南通 226007）

隨著霧霾天氣頻發(fā)，大氣污染和環(huán)境管理引起了人們?cè)絹?lái)越多的關(guān)注。能夠精確監(jiān)測(cè)化工園區(qū)廠企排放污染物，并能根據(jù)周邊環(huán)境變化對(duì)空氣質(zhì)量做出相應(yīng)預(yù)測(cè)，對(duì)廣大民眾健康甚至生命安全而言，具有重要的現(xiàn)實(shí)意義。本文利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)重和闕值，根據(jù)天氣預(yù)報(bào)的相關(guān)變量，構(gòu)建了空氣質(zhì)量預(yù)測(cè)模型，使預(yù)測(cè)模型的網(wǎng)絡(luò)收斂速度、預(yù)測(cè)精度、擬合度以及泛化能力都有所w提高。

BP神經(jīng)網(wǎng)絡(luò)；遺傳算法；VOCs；空氣質(zhì)量預(yù)測(cè)

0 引言

《中華人民共和國(guó)環(huán)境保護(hù)法》明確提出：“生態(tài)環(huán)境是人類生存和發(fā)展的基本條件，是經(jīng)濟(jì)、社會(huì)發(fā)展的基礎(chǔ)。保護(hù)和建設(shè)好生態(tài)環(huán)境，實(shí)現(xiàn)可持續(xù)發(fā)展，是我國(guó)現(xiàn)代化建設(shè)中必須始終堅(jiān)持的一項(xiàng)基本國(guó)策?！比欢?，我國(guó)正處于工業(yè)化發(fā)展前期，長(zhǎng)期沿用高物耗、高能耗、高污染的粗放型經(jīng)濟(jì)模式，對(duì)環(huán)境造成了很大破壞。盡管環(huán)境管理部門可以通過(guò)信息化手段監(jiān)測(cè)污染源排放情況，但是污染一旦發(fā)生，無(wú)法補(bǔ)救。通過(guò)分析歷史數(shù)據(jù)、環(huán)境參數(shù)變化，預(yù)測(cè)污染源排放數(shù)據(jù)變化情況，在污染發(fā)生之前，給予相應(yīng)預(yù)警，可以有效保護(hù)環(huán)境。

VOCs是揮發(fā)性有機(jī)化合物（volatile organic compounds）的英文縮寫，有毒性，是造成霧霾的主要成因，分析并預(yù)測(cè) VOCs的變化趨勢(shì)，對(duì)空氣質(zhì)量的變化預(yù)測(cè)有重要意義。改進(jìn)的神經(jīng)網(wǎng)絡(luò)運(yùn)用改進(jìn)的算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，繼承了神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)和自適應(yīng)的優(yōu)點(diǎn)，同時(shí)避免了神經(jīng)網(wǎng)絡(luò)可能收斂到局部最優(yōu)的缺點(diǎn)。本文選取江蘇南通化工企業(yè)VOCs的現(xiàn)場(chǎng)監(jiān)測(cè)小時(shí)數(shù)據(jù)，對(duì)BP神經(jīng)網(wǎng)絡(luò)模型的個(gè)體編碼方式、適應(yīng)度函數(shù)和種群交叉率、變異率進(jìn)行優(yōu)化，以實(shí)現(xiàn)對(duì)空氣質(zhì)量變化趨勢(shì)的預(yù)測(cè)。

1 BP神經(jīng)網(wǎng)絡(luò)基本模型

1.1 BP神經(jīng)網(wǎng)絡(luò)原理

圖1 BP神經(jīng)網(wǎng)路模型Fig.1 BP neural network model

當(dāng)學(xué)習(xí)模式供給網(wǎng)絡(luò)后，神經(jīng)元激活值從輸出層傳播，在輸出層各神經(jīng)元輸出對(duì)應(yīng)的值，然后按照減少與期望輸出與實(shí)際輸出的準(zhǔn)則，從輸出層回到隱含層，再回到輸入層修正各個(gè)網(wǎng)絡(luò)系數(shù)。由于BP網(wǎng)絡(luò)有處于中間的隱含層，并有相應(yīng)的學(xué)習(xí)規(guī)則可循，可以訓(xùn)練這種網(wǎng)絡(luò)，使其具有對(duì)非線性模式的識(shí)別能力。因此，本文采用三層 BP神經(jīng)網(wǎng)絡(luò)對(duì)空氣質(zhì)量預(yù)測(cè)展開研究。

1.2 BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)通過(guò)修正輸出層和隱含層的權(quán)值，

神經(jīng)網(wǎng)絡(luò)模仿腦細(xì)胞的結(jié)構(gòu)和功能，模擬了人的思維模式和信息處理機(jī)制。由一些簡(jiǎn)單單元連接組成，每一個(gè)單元都有一個(gè)輸出值，傳遞給下一連接單元，作為下個(gè)連接單元的輸入值。具有非線性的特點(diǎn)，運(yùn)用訓(xùn)練樣本進(jìn)行自學(xué)習(xí)、自適應(yīng)，從而實(shí)現(xiàn)對(duì)全部數(shù)據(jù)的預(yù)測(cè)。

BP（back propagation）神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入——輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱含層（hide layer）和輸出層（output layer）。每一層由一定數(shù)量的神經(jīng)元構(gòu)成，其拓?fù)浣Y(jié)構(gòu)如圖1所示。反復(fù)訓(xùn)練學(xué)習(xí)，使誤差不斷減小，從而得到滿意的結(jié)果。假定網(wǎng)絡(luò)訓(xùn)練樣本集合為其中第t層網(wǎng)絡(luò)的神經(jīng)元有個(gè)頂點(diǎn)，假設(shè)第k個(gè)神經(jīng)元頂點(diǎn)的連接權(quán)值向量為，闕值為θk，那么第k個(gè)神經(jīng)元對(duì)輸入樣本數(shù)據(jù)xt的實(shí)際輸出為：

具體學(xué)習(xí)過(guò)程如下：

（1）初始化訓(xùn)練樣本和闕值，確定J的終止值ε。

（2）計(jì)算各層神經(jīng)元的實(shí)際輸出如式（1）所示。

（3）對(duì)每個(gè)訓(xùn)練樣本zp，按照式（2）計(jì)算誤差。

（4）如果滿足誤差要求，即J＜ε，則結(jié)束算法；如果不滿足，則執(zhí)行第（5）步。

（5）反向計(jì)算每個(gè)訓(xùn)練樣本的網(wǎng)絡(luò)連接權(quán)值和神經(jīng)元闕值的修正量，調(diào)整隱含層的權(quán)值 Win和隱含層的權(quán)值Wim。

（6）繼續(xù)執(zhí)行第（2）步，直到滿足J＜ε為止。

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練算法流程圖如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練算法流程圖Fig.2 BP neural network learning and training algorithm flow chart

2 遺傳算法基本模型

2.1 遺傳算法原理

遺傳算法（Genetic Algorithm）模擬生物進(jìn)化過(guò)程和遺傳學(xué)機(jī)理，自然選擇，優(yōu)勝劣汰，從而得到最優(yōu)解。遺傳算法的整體搜索策略和優(yōu)化搜索方法在計(jì)算時(shí)不依賴于梯度信息或其它輔助知識(shí)，而只需要影響搜索方向的目標(biāo)函數(shù)和相應(yīng)的適應(yīng)度函數(shù)，所以遺傳算法提供了一種求解復(fù)雜系統(tǒng)問(wèn)題的通用框架，它不依賴于問(wèn)題的具體領(lǐng)域，對(duì)問(wèn)題的種類有很強(qiáng)的魯棒性，被廣泛應(yīng)用于許多科學(xué)領(lǐng)域。遺傳算法包括選擇、交叉和變異三個(gè)算子。

（1）選擇算子

從群體中選擇優(yōu)勝的個(gè)體，直接遺傳到下一代，或者通過(guò)交叉產(chǎn)生新的個(gè)體再遺傳到下一代。最常用的方法是輪盤賭選擇法，假設(shè)種群中個(gè)體 i的適應(yīng)度函數(shù)是fi，種群中的個(gè)體數(shù)量是n，那么是群里適應(yīng)度的和，產(chǎn)生后代的能力如式（3）所示，其中k=1,2…。

（2）交叉算子

把兩個(gè)不同的父代染色體基因進(jìn)行交換，產(chǎn)生新的個(gè)體。由于父代是經(jīng)過(guò)選擇策略產(chǎn)生的優(yōu)勝個(gè)體，所以遺傳給后代的也是優(yōu)良基因，如此進(jìn)行多次循環(huán)迭代，最后出現(xiàn)的集多數(shù)優(yōu)良基因于一體的個(gè)體便是最優(yōu)解。常用的交叉有單點(diǎn)交叉、兩點(diǎn)交叉、多點(diǎn)交叉、均勻交叉等。

（3）變異算子

以一定概率改變個(gè)體染色體中的部分基因，從而形成新個(gè)體。對(duì)由0和1編碼的個(gè)體來(lái)說(shuō)，就是將位值反轉(zhuǎn)。遺傳算法中的變異操作是為了保持種群的多樣性，防止基因丟失。

2.2 遺傳算法基本步驟

遺傳算法的基本步驟如圖3所示。

（1）給種群個(gè)體進(jìn)行編碼。

（2）初始化種群。染色體是組成種群的基本單元，一個(gè)個(gè)體即一個(gè)染色體，在編碼的基礎(chǔ)上，給每個(gè)個(gè)體一個(gè)初始解。

（3）設(shè)計(jì)適應(yīng)度函數(shù)，確定個(gè)體的環(huán)境適應(yīng)能力，適應(yīng)度值越高，適應(yīng)能力越強(qiáng)，存活的幾率就越大。

（4）基于適應(yīng)度函數(shù)，從父代種群中選擇優(yōu)勝個(gè)體。

（5）根據(jù)交叉率執(zhí)行交叉操作。

（6）根據(jù)變異率執(zhí)行變異操作。

（7）判斷是否達(dá)到終止條件，如果達(dá)到了，轉(zhuǎn)向（8），否則，轉(zhuǎn)向（3）。

（8）完成進(jìn)化，選出適應(yīng)度函數(shù)值最大的個(gè)體作為問(wèn)題的最優(yōu)解。

圖3 遺傳算法基本步驟Fig.3 Basic steps of genetic algorithm

3 遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)及其應(yīng)用

由于 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)函數(shù)比較復(fù)雜，在梯度下降中可能會(huì)陷入局部極值，使得訓(xùn)練結(jié)果不如人意或直接失敗。而遺傳算法有全局搜索的優(yōu)勢(shì)，可以彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)的不足，利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，大大提升了預(yù)測(cè)結(jié)果的穩(wěn)定性和精確性。

3.1 優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型整體設(shè)計(jì)

優(yōu)化的 BP神經(jīng)網(wǎng)絡(luò)空氣質(zhì)量預(yù)測(cè)模型的算法大致分為三部分。

（1）確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

依據(jù)VOCs預(yù)測(cè)需求，以天氣預(yù)報(bào)和空氣質(zhì)量數(shù)據(jù)為基礎(chǔ)，構(gòu)建 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，即設(shè)計(jì)輸入層、輸出層變量，確定隱含層的節(jié)點(diǎn)數(shù)和層數(shù)。

（2）優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

設(shè)計(jì)適應(yīng)度函數(shù)，計(jì)算每個(gè)個(gè)體的適應(yīng)度值，通過(guò)遺傳算法中的選擇、交叉、變異等相關(guān)操作，確定優(yōu)勝個(gè)體，優(yōu)化 BP神經(jīng)網(wǎng)絡(luò)中每一層的權(quán)重和闕值。

（3）形成預(yù)測(cè)模型

利用優(yōu)化的 BP神經(jīng)網(wǎng)絡(luò)進(jìn)行種群初始化，學(xué)習(xí)訓(xùn)練，輸出預(yù)測(cè)結(jié)果。

空氣質(zhì)量預(yù)測(cè)模型的算法流程如圖4所示。

圖4 優(yōu)化的BP神經(jīng)空氣質(zhì)量預(yù)測(cè)模型流程圖Fig.4 Optimized BP neural air quality prediction model flow chart

3.2 空氣質(zhì)量預(yù)測(cè)模型詳細(xì)設(shè)計(jì)

3.2.1 設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

（1）設(shè)計(jì)輸入、輸出層

輸入層神經(jīng)元節(jié)點(diǎn)的數(shù)量對(duì) BP神經(jīng)網(wǎng)絡(luò)而言非常重要，節(jié)點(diǎn)過(guò)多或過(guò)少都會(huì)影響預(yù)測(cè)結(jié)果。根據(jù)實(shí)際應(yīng)用情況，本文選取對(duì)短期VOCs預(yù)測(cè)結(jié)果產(chǎn)生影響的主要因素：VOCs歷史監(jiān)測(cè)數(shù)據(jù)、天氣情況、風(fēng)向、風(fēng)力、天氣溫度等作為空氣質(zhì)量預(yù)測(cè)模型的輸入變量。因此，輸入層的神經(jīng)元節(jié)點(diǎn)確定為6，輸出層的神經(jīng)元節(jié)點(diǎn)數(shù)為1，即VOCs污染預(yù)測(cè)值。如表1所示。

表1 空氣質(zhì)量預(yù)測(cè)模型輸入、輸出層神經(jīng)元節(jié)點(diǎn)Tab.1 Air quality prediction model input and output layer neuron node

（2）設(shè)計(jì)隱含層

采用試湊法確定隱含層的節(jié)點(diǎn)數(shù)，公式如式（4）所示。

n是輸入層的神經(jīng)元節(jié)點(diǎn)數(shù)量，q是輸出層的神經(jīng)元節(jié)點(diǎn)數(shù)，α是一個(gè)整數(shù)，取值范圍為[1,10]。根據(jù)經(jīng)驗(yàn)，結(jié)合公式（4），初步確定隱含層的神經(jīng)元節(jié)點(diǎn)數(shù)為4-14，用同一組樣本進(jìn)行訓(xùn)練，對(duì)隱含層節(jié)點(diǎn)數(shù)的最佳取值進(jìn)行實(shí)驗(yàn)，取相對(duì)誤差最小，精確度最高的一組數(shù)據(jù)，最終確定隱含層的節(jié)點(diǎn)數(shù)為6。

（3）設(shè)計(jì)傳遞函數(shù)

本文的 BP神經(jīng)網(wǎng)絡(luò)模型輸出層神經(jīng)元使用purelin線性函數(shù)傳遞參數(shù)，隱含層使用tansig函數(shù)傳遞參數(shù)，其數(shù)學(xué)模型如圖5所示。

圖5 預(yù)測(cè)模型輸出層和隱含層傳遞函數(shù)Fig.5 Prediction model output layer and hidden layer transfer function

（4）設(shè)計(jì)學(xué)習(xí)函數(shù)

采用L-M（Leveberg-Marquardt）算法為預(yù)測(cè)模型的學(xué)習(xí)函數(shù)，該算法與高斯牛頓法非常相似，具有同樣的網(wǎng)絡(luò)收斂和學(xué)習(xí)速度。L-M有效提升了迭代計(jì)算效率，總體性能也大大提高。具體實(shí)現(xiàn)步驟如下：

①設(shè)λ為衰變因子，初始值取 0.1，設(shè)θ為倍數(shù)常量，取值為10，λ最大取值為 h = e25。

②設(shè)W是當(dāng)前的權(quán)值向量，利用反向傳播算法，計(jì)算誤差函數(shù)在連接權(quán)上的分梯度以及海森矩陣H。

③調(diào)整海森矩陣，求得H′= H + λ I。

⑤計(jì)算W′對(duì)應(yīng)的誤差J′。

⑥比較J′與終止值 ，若J′＜ε，則跳轉(zhuǎn)至⑧。

⑦λ=λ* θ，若λ＞h，則λ=h，跳轉(zhuǎn)至③，否則進(jìn)入下一步。3.2.2 利用遺傳算法優(yōu)化預(yù)測(cè)模型的權(quán)重與闕值

BP神經(jīng)網(wǎng)絡(luò)的初始值和闕值都是隨機(jī)生成的，會(huì)導(dǎo)致輸出結(jié)果不穩(wěn)定。利用遺傳算法的優(yōu)勢(shì)，通過(guò)全局搜索，給 BP神經(jīng)網(wǎng)絡(luò)的初始值和闕值進(jìn)行最優(yōu)選擇，二者結(jié)合，使得預(yù)測(cè)模型更加科學(xué)、高效。下面詳細(xì)闡述遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的過(guò)程。

（1）初始化種群

將 BP神經(jīng)網(wǎng)絡(luò)每層的權(quán)重和闕值進(jìn)行編碼，用隨機(jī)法初始化種群。

（2）計(jì)算適應(yīng)度值

利用式（5）計(jì)算適應(yīng)度值。

其中，n為BP神經(jīng)網(wǎng)絡(luò)中輸出節(jié)點(diǎn)數(shù)，k為相關(guān)系數(shù)，iy為第 i個(gè)節(jié)點(diǎn)輸出的期望值，io第 i個(gè)節(jié)點(diǎn)輸出的預(yù)測(cè)值。

（3）選擇操作

采用輪盤賭法進(jìn)行選擇操作，利用本文中的公式（3）計(jì)算個(gè)體產(chǎn)生后代的能力。

（4）交叉操作

采用實(shí)數(shù)交叉的方法，第m個(gè)染色體αm和第n個(gè)染色體αi在j位的交叉操作如式（6）所示。

其中x為[0，1]的一個(gè)隨機(jī)數(shù)。

（5）變異操作

對(duì)第m個(gè)個(gè)體第n個(gè)基因αmn進(jìn)行變異操作，如式（7）所示。

其中，αmin和αmax分別為基因αmn的下界和上界，r是[0,1]之間的一個(gè)隨機(jī)數(shù)。

4 結(jié)論

本文構(gòu)建的 GA-BP空氣質(zhì)量預(yù)測(cè)模型，以MATLAB為編程環(huán)境，選取江蘇省南通市化工企業(yè)實(shí)時(shí)監(jiān)測(cè)的VOCs小時(shí)數(shù)據(jù)為樣本，結(jié)合天氣預(yù)報(bào)氣象數(shù)據(jù)（天氣、溫度、風(fēng)向、風(fēng)力等），對(duì)模型進(jìn)行了模擬實(shí)驗(yàn)，并與 BP模型進(jìn)行了對(duì)比，得出以下結(jié)論。

（1）BP網(wǎng)絡(luò)模型經(jīng)過(guò)15次迭代誤差值收斂到最小，GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)迭代次數(shù)是6，說(shuō)明優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)收斂速度更快。

（2）利用 BP神經(jīng)網(wǎng)絡(luò)模型得到的污染物預(yù)測(cè)結(jié)果平均相對(duì)誤差在 20%-60%之間，GA優(yōu)化的預(yù)測(cè)模型得到的平均相對(duì)誤差在20%-40%之間，說(shuō)明優(yōu)化的預(yù)測(cè)模型更接近污染物真實(shí)值變化趨勢(shì)，擬合度更高。

（3）優(yōu)化的 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)空氣質(zhì)量指數(shù)的預(yù)測(cè)誤差明顯小于 BP網(wǎng)絡(luò)預(yù)測(cè)模型，說(shuō)明GA-BP預(yù)測(cè)模型預(yù)測(cè)精度更高。

（4）通過(guò)對(duì)兩種模型的輸出結(jié)果與期望輸出進(jìn)行分析，發(fā)現(xiàn)GA-BP模型的相關(guān)系數(shù)更高，說(shuō)明優(yōu)化的預(yù)測(cè)模型有更強(qiáng)的泛化能力。

本文構(gòu)建了 BP神經(jīng)網(wǎng)絡(luò)空氣質(zhì)量預(yù)測(cè)模型，并利用遺傳算法對(duì)模型進(jìn)行了優(yōu)化，使得網(wǎng)絡(luò)收斂速度、預(yù)測(cè)精度、擬合度以及泛化能力都有所加強(qiáng)。具體實(shí)驗(yàn)過(guò)程、樣本選擇、樣本數(shù)據(jù)處理、預(yù)測(cè)結(jié)果數(shù)據(jù)等將在其他文獻(xiàn)中詳細(xì)闡述。遺傳算法雖然在一定程度改善了 BP神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過(guò)程中容易陷入局部極小值的情況，但并沒(méi)有全選消除。在模型泛化性和函數(shù)擬合度之間找到一個(gè)良好的平衡點(diǎn)，是本研究進(jìn)一步要探索的地方。

在工業(yè)化進(jìn)程日益加快的今天，我們更應(yīng)該重視保護(hù)寶貴的空氣資源，利用信息化手段，對(duì)污染物的排放進(jìn)行實(shí)時(shí)監(jiān)測(cè)和有效預(yù)測(cè)，可以使人們的日?；顒?dòng)有一定的前瞻性和針對(duì)性，從而有效保護(hù)環(huán)境，維護(hù)人類健康。

[1] 趙李明. 基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的廣州市空氣質(zhì)量預(yù)測(cè)與時(shí)空分布研究[D]. 江西理工大學(xué), 2016.

[2] 鮑慧. 基于BP-GA神經(jīng)網(wǎng)絡(luò)的六安市空氣質(zhì)量預(yù)測(cè)研究[D]. 安徽大學(xué), 2015.

[3] 祝翠玲, 蔣志方, 王 強(qiáng). 基于B-P神經(jīng)網(wǎng)絡(luò)的環(huán)境空氣質(zhì)量預(yù)測(cè)模型[J]. 計(jì)算機(jī)工程與應(yīng)用, 2007, 43(22): 223-227.

[4] 張齊, 羅國(guó)亮, 李 佳, 趙坤榮. 優(yōu)化進(jìn)化神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量預(yù)測(cè)研究[J]. 計(jì)算機(jī)工程與應(yīng)用, 2009, 45(28): 211-214.

[5] Jeong Gu-Young, Yu Kee - Ho. Morphological classification of ST segment using reference STs set[C]//29th Annual International Conference of the IEEE EMBS, 2007: 636-639.

[6] Paoli C, Notton G, Nivet M L, et al. A Neural Network Model Forecasting for Prediction of Hourly Ozone Concentration in Corsica: Environment and Electrical Engineering(EEEIC), 2011 10th International Conference on, 2011[C].

[7] 徐玲, 楊丹, 王時(shí)龍, 聶建林. 基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的刀具壽命預(yù)測(cè)[J]. 計(jì)算機(jī)集成制造系統(tǒng), 2008, 14(1): 167-171.

[8] 楊家榮, 許偉, 談宏志. 基于人工神經(jīng)網(wǎng)絡(luò)的車間產(chǎn)能預(yù)測(cè)[J]. 軟件, 2014, 35(8): 22-25.

[9] 李政義. 基于GIS的城市空氣污染預(yù)警及顯示研究[D]. 西安科技大學(xué), 2014.

[10] 陳曉梅, 楊成祥. 遺傳進(jìn)化算法在時(shí)間序列建模中的應(yīng)用[J]. 計(jì)算機(jī)工程與應(yīng)用, 2005, 41(5): 215-217.

Research on Air Quality Prediction Model Based on Genetic Algorithm and BP Neural Network

NIU Yu-xia
(Nantong science and technology Academy, Nantong, Jiangsu 226007)

With the frequent haze and haze, more and more attention has been paid to the air pollution and environmental management. It can accurately monitor pollutants emitted by factories and enterprises in chemical industrial parks, and predict air quality according to the changes of surrounding environment, which is of great practical significance for the health and even life safety of the masses. In this paper, we use genetic algorithm to optimize the weights and threshold values of BP neural network. According to the relevant variables of weather forecast, we build the prediction model of air quality, so that the prediction speed, prediction accuracy, fitting degree and generalization ability of the prediction model are all improved.

BP neural network; Genetic algorithm; VOCs; Air quality prediction

TP391.8

A

10.3969/j.issn.1003-6970.2017.12.009

本文著錄格式：牛玉霞. 基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量預(yù)測(cè)模型研究[J]. 軟件，2017，38（12）：49-53

南通市科技局科技計(jì)劃項(xiàng)目“基于物聯(lián)網(wǎng)的化工園區(qū)VOCs在線監(jiān)控系統(tǒng)研究”(MS12016028)

牛玉霞(1981-)，女，講師，主要研究方向：計(jì)算機(jī)軟件技術(shù)、物聯(lián)網(wǎng)技術(shù)。