邓雪晨，熊聪聪+，董 昊

(1.天津科技大学 计算机科学与信息工程学院，天津 300222； 2.天津市气象局观测与预报处，天津 300072)

0 引 言

目前大气污染物浓度预报方法主要分为统计预报和数值预报[1]。国内研究大多采用数值预报模式[2]且已经得到广泛应用[3,4]，但由于各个数值模式化学参数化方案等方面存在差异，使得各个模式在预报能力上存在不同，多模式集成技术正是利用各模式中心预报的结果减少模式系统性的偏差[5]，现已作为一个重要发展方向。陈焕盛等采用多元线性回归方法集成各空气质量模式预报大气污染物浓度，实验结果表明，集成预报模式优于单个预报模式[6]。秦珊珊[7]提出针对大气污染物PM2.5，建立人工智能优化神经网络模型进行预报。Zhang Ping等[8]利用当地的地理信息资源,提出用改进的BP人工神经网络进行大气污染物PM2.5浓度的预报，仿真实验得出隐含层神经元为20时精度较高。Sun等[9]通过实验验证了基于SVM的空气质量预报模型(PM2.5)能有效应用于大气污染物浓度预测,但在极端情况下预报精度有所下降。

总的来说，多模式集成预报的研究成果多采用线性回归、机器学习等方法进行预报。线性回归针对非线性问题解决能力较差，而神经网络具有很好的解决非线性问题的能力，但其中BP神经网络算法缺陷是学习速度较慢、训练过程会陷入局部最小及不能确定隐层的神经元个数问题；而遗传算法缺陷是训练时间较长，训练过程中容易出现早熟。……