万永权 徐方勤 燕彩蓉 苏厚勤

1(上海建桥学院计算机科学与技术系 上海 201306)2(东华大学计算机科学与技术学院 上海 201620)

0 引 言

空气污染一直影响着自然环境和人类健康，而且从长远来看，它还会加剧对地球的危害。作为一种可靠而有效的污染控制措施，空气质量预测已成为近年来一个重要研究领域[1-4]。

传统方法多采用数值预测模型和回归统计模型。前者主要依赖于污染物浓度数据本身，后者则主要通过分析大量影响污染物浓度的因子，建立这些影响因子与污染物浓度之间的线性或非线性关系，预测的准确度主要依赖于数学模型本身[1]。人工神经网络是使用最广泛的空气质量预测模型，通常采用污染物浓度作为主要输入，然后输出第二天或下一个时间段的平均空气质量指数AQI(air quality index)[2]。BP神经网络虽然应用广泛，但存在收敛速度慢和易陷入极小值的缺陷，相关研究将混沌变量加入遗传算法来进一步提高遗传算法的全局搜索能力和收敛速度，将混沌遗传算法优化后得到的最优解作为BP神经网络的初始权重和阈值[3]。为了更准确地描述和预测某区域的空气质量，可以采用多个站点来收集数据，并且通过多个污染物来综合评估空气质量，预测其AQI值[4]。随着物联网的发展，基于大数据的空气质量指数预测方法成为研究热点，即通过大量历史数据，分析空气质量变化规律，然后结合实时采集的数据，建立预测模型[5]。为了进一步提高预测准确度，一些混合模型或算法被提出，如将BP网络和小波分解模型相结合[6]，将差分进化算法DE、集成经验模态分解的改进算法CEEMD和极限学习机ELM相结合[7]，采用模糊综合评估模型[8]。……