APP下载

基于GA-BP神经网络的“雾霾”天气预测研究

2019-12-30艾洪福

绿色科技 2019年22期
关键词:BP神经网络遗传算法雾霾

摘要:指出了随着城镇化进程的快速发展,空气质量问题受到极大关注。大数据背景下,基于人工智能相关技术,对“雾霾”天气进行科学、合理地预测与预警已经成为研究的热点。基于遗传法算法和BP人工神经网络,建立了“雾霾”预测模型,收集了长春市的PM,.s含量数据,通过实例进行了验证,结果表明:该模型相较于传统的BP人工神经网络模型,在预测的准确度上有了较大的提高。为长春市空气质量的预测、预警提供了可行的理论依据。

关键词:遗传算法;BP神经网络;“雾霾”预刚

中图分类号:X51 文献标识码:A 文章编号:1674-9944(2019)22-0095-03

1 引言

近几年,随着空气质量相关研究,有关政策的出台,长春市的环境质量得到了进一步的提高。空气质量尤其是“雾霾”的预测可以为环境保护部门提供科学依据,及时有效的预警可以减少恶劣天气给百姓生活带来的影响。因此,研究并建立科学合理的“雾霾”天气预测模型显得尤为重要。传统的“雾霾”预测方法主要包括MS方法、MLRM、ANN等方法[1]。“雾霾”天气的形成一般与气候因素、颗粒污染物含量等因素有关,尤其是PM2.5的含量。而这些因素具有明显的非线性、不确定性。传统的BP人工神经网络预测模型虽然在该领域取得了一定的研究成果。但是BP神经网络在探寻较大的解空间时易陷入局部最优的缺点,降低了该模型的预测准确度,而遗传算法利于全局择优[2]。为了提高预测的准确性,本文提出了基于遗传算法的BP神经网络预测模型。

2 遗传算法

遗传算法借鉴了进化生物学中的一些现象而发展起来的,用于解决最优化的搜索算法。随着近几年人工智能研究的发展,遗传算法也是该领域的重要分支。遗传算法具有以下特点:①利于全局择优;②时算法本身易于实现并行化;③采用概率的变迁规则指导搜索方向;④具有自组织、自适应和自学习性。

3 BP人工神经网络

人工神经网络作为人工智能的一个重要分支,在很多领域得到了很好的应用,并体现其应用价值。在人工神经网络的众多网络模型中,BP神经网络应用尤为广泛,该网络模型是一种按误差逆向传播算法训练的多层前馈网络,具有非线性动力学特征[3]。BP人工神经网络经典模型为三层结构,即;Input Layer(输入层)、Mid-dle Layer(中间层或隐含层)和Output Layer(输出层)。

BP人工神经网络的原理描述如下:一般将收集到的数据划分为训练样本和测试样本两部分,通过训练样本集来训练网络模型,然后根据训练好的网络模型进行测试验证,保证该模型的有效性。基于训练样本的学习过程可细分为两个阶段,一个阶段为信息数据的正向传递,另一阶段为误差的反向传递,相对误差采用梯度下降算法[4]。对于激活函数的选择上可根据数据集的特点进行有效选择,由于本研究的数据集不存在负数的情况,故选择了S型函数作为激活函数[5]。

4 基于GA改进BP神经网络

由于BP神经网络在实际应用中不仅收敛速度慢,同时非常容易陷入误差局部极小值等缺点。而遗传算法具有全局搜索最优解的功能。为了提高预测准确率,本研究将结合GA算法与BP神经网络的各自优点,建立“雾霾”预测模型。该模型将利用遗传算法来处理BP人工神经网络的连接权值和阈值,在BP神经网络的训练中使用GA算法优化后的阈值和连接权值,这样能够使得BP神经网络快速获得全局最优解[6]。不仅提高了该模型的运行效率,同时大大提高了预测的准确率。

5 基于GA-BP神经网络的“雾霾”预测实例

5.1 数据的获取

本研究所用的数据均来源于空气质量数据查询网。具体数据为吉林省长春市2018年4~11月共237d的数据,该数据具有真实性和可靠性,不存在缺失和无效数据。为了得到合理的预测结果,本研究主要针对“雾霾”主要污染物PM2.5含量进行研究和预测,不考虑区域特征污染物和周边区域可能出现的大面积污染源所带来的影响。原始数据如表1所示。

5.2 数据预处理

根据收集到的监测数据特点,为了提高模型处理效果,采用简单的归一化处理方式,具体如下:

经过归一化后的数据介于0.2~0.95之间,y'表示处理后数据,y表示原始数据,ymin表示样本数据集中的最小值, ymax表示樣本数据集中的最大值。处理后的数据如表2所示。

5.3 预测模型建立

根据前文所提到的GA及BP神经网络构建“雾霾”预测模型,其具体流程如图1所示。

在该预测模型中,经过大量的实验,BP神经网络模型采用的是三层结构,其中输入层设置为4个节点,隐含层设置为5个节点,输出层设置为1个节点。同时在所有的参数设置中,为了达到快速收敛,并有效防止过拟合,将该网络的学习速率设置为0.05,误差设置为0.0001。对于遗传算法的应用,该算法主要是对BP神经网络的连接权值和阈值进行优化处理。通过验证,为了得到最优解,适应值的设定为PM2.5含量实际值与预测值的误差平方和的倒数,在选择操作上主要使用经典的轮盘赌法进行,交叉操作采用单点实数交叉法。

5.4 预测结果与分析

本研究将收集到的237组数据分为网络训练样本集(220组)和实测样本集(17组)。通过前文的预测模型,得出了PM2.5含量的平均相对误差以及预测的准确率,并对基于BP神经网络的预测模型与结合GA算法的BP神经网络模型的预测效果进行了对比,对比结果如表3。

通过以上表格可以看出,基于BP神经网络的预测模型PM2.5含量的相对误差为0.2726,预测的准确率为81.01%。而基于GA算法的BP神经网络预测模型PM2.5含量的相对误差为0.2431,预测的准确率为87.56%。结果表明,通过结合遗传算法的BP神经网络预测模型有更高的可信度,预测准确率更加理想。进一步验证了该方法的可用性。

6 结语

随着社会的进步,经济的发展,环境质量问题引起高度重视,尤其是“雾霾”天气严重影响人们的健康与生活。“雾霾”的有效预测与合理控制显得尤为重要。引起“雾霾”的主要污染颗粒物为PM2.5。BP神經网络可以对“雾霾”进行预测,但是该模型存在一定的缺点,预测的准确性有待提高,本研究将遗传算法的求解全局最优解的优势应用到对BP神经网络的权值和阈值的计算中,建立了基于GA-BP神经网络的预测模型,并将该模型运用到长春市的“雾霾”预测中,实验结果表明该方法是合理有效的,预测的准确率提高显著。预测的结果可以作为有关部门进行科学防治“雾霾”、预警“雾霾”的理论依据,具有一定的实际应用意义。

参考文献:

[1]赵明艳.基于卷积神经网络的空气质量预测[J].科学技术与创新,2019(9):10~12.

[2]刘锋,李春燕,谭祥勇,等.基于机器学习在空气质量指数中的应用[J].重庆工商大学学报(自然科学版),2017,34(3):82~87.

[3]吴慧静,赫晓慧.基于GA—BP神经网络的空气质量指数预测研究[J].安徽师范大学学报(自然科学版),2019,42(4):360~365.

[4]艾洪福,潘贺,李迎斌.关于空气雾履PM2.5含量预测优化研究[J].计算机仿真,2017.34(1):392~395.

[5]苏维,赖新云,赖胜男,等.南昌市城市空气PM2.5和PM10时空变异特征及其与景观格局的关系[J].环境科学学报,2017,37(7):2432~2439.

[6]李俊飞.基于支持向量机的空气质量预测[J].黑龙江科技信息,2015(26):105~106.

[7]张立军.地面气象观测管理工作存在的问题与对策[J].绿色科技,2018(18):32~33.

[8]张佳婷,余延略.青浦区旅游气象条件分析[J].绿色科技,2019(18):32~35.

[9]马静楠,马朋坤.北京市城区2018年PM2.5和气态前体物浓度季节与日变化特征[J].绿色科技,2019(14):65~69.

[10]王珺雨,陈丹.2017年冬季南京市一次连续雾霾的气象条件分析[7].绿色科技,2018(22):94~96.

[11]卢瑞庚.基于雾霾治理环境中的绿化废弃物处理研究[J].绿色科技,2017(20):94~96.

[12]张耀民,张开升.从雾履的成因谈三北防护林的防护作用和措施[J].绿色科技,2017(19):199~201.

[13]吕孟雨,李晓煜,董福双,等.雾霾天气对农作物的影响因素研究[J].绿色科技,2016(21):43~44.

[14]裴天一,卢金辉.苏北地区雾霾天气的常见原因与治理[J].绿色科技,2018(4):138~139.

收稿日期:2019-10-16

基金项目:吉林省教育厅“十三五”规划课题(编号:JJKH20180651KJ)

作者简介:艾洪福(1980-),男,讲师,硕士,研究方向为环境质量、数据挖掘。

猜你喜欢

BP神经网络遗传算法雾霾
新德里雾霾
基于遗传算法对广义神经网络的优化
基于遗传算法对广义神经网络的优化
基于遗传算法的临床路径模式提取的应用研究
基于遗传算法的临床路径模式提取的应用研究
遗传算法在校园听力考试广播系统施工优化中的应用
物流配送车辆路径的免疫遗传算法探讨
扫清“霾”伏
有些日子没被某编毒舌插刀了,雾霾都散了!
复杂背景下的手势识别方法