郭雪白 任朝栋 田力

摘 要：利用郑州市2015—2016年24小时的大气污染监测数据和气象数据，分析郑州市空气质量随季节变化的分布特性。利用线型相关系数分析，寻找显著相关因素，通过径向基神经网络构建大气污染预测模型，对郑州市2017年的PM2.5、PM10、SO2、NO2污染物7*24小时的浓度进行预测，并与各污染物实际监测值进行对比分析。实验结果证明，利用线型相关系数进行相关因素的分析能够很好地提高预测准确度；利用RBF神经网络的预测结果比传统的BP神经网络预测的结果更加准确。

关键词：BP人工神经网络；径向基神经网络（RBF）；线性相关系数

中图分类号：X831 文献标识码：A 文章编号：1671-0037（2018）2-33-4

Abstract： Use the air pollution data and meteorological data monitored in 24 hours of Zhengzhou city from 2015 to 2016， the distribution characteristics of Zhengzhou city's air quality with the seasons change were analyzed. Linear correlation coefficient analysis was used to find significant correlation factors， air pollution prediction model was constructed by Radial basis neural network， the concentration of PM2.5 and PM10， SO2， NO2 pollutants was predicted in 7*24 hours in 2017 in Zhengzhou city， and they were compared and analyzed with the real monitoring values of various pollutants. The experimental results show that using linear correlation coefficient for correlation factor analysis can improve the prediction accuracy very well. The prediction results of RBF neural network were more accurate than those of BP neural network.

Key words： BP artificial neural network； RBF； linear correlation coefficient

目前我国的空气质量预报模型主要还是回归统计模型[1]，由于该模型具有较强的局限性，因此它的预测精度不高。人工神经网络可有效地解决不确定、多输入等复杂的非线性问题，故在人工智能、自动控制和模式识别等多种领域取得显著的成果[2-3]。在空气质量预测的研究也有些进展，现有的研究多基于反向传播（Back Propagation，BP）算法的人工神经网络建立空气污染物的预测模型[4]。

根据郑州市气象数据及空气质量监测数据，应用BP和RBF神经网络分别建立SO2、NO2、PM2.5和PM10[5]这4种污染物浓度的预测模型。应用线型相关系数法分析选出关联度较高的因素作为神经网络的输入节点，然后应用神经网络对各污染物浓度进行预测。对两种网络模型的预测精度进行对比，为人工神经网络在城市空气质量预报的有效应用探索新途径。……