郑俊褒，华思洁

（浙江理工大学 信息学院，浙江杭州 310016）

0 引言

随着当前社会工业化水平的提升和自然灾害发生频率的增加，空气质量成为越来越值得重视的问题。PM2.5浓度是衡量空气质量的一项重要指标，它指环境空气中空气动力学当量直径小于等于2.5 微米的颗粒物，对人体健康危害极大，PM2.5 所吸附的重金属、苯并芘等致癌物、持久性有机污染物等，会经过呼吸系统进入人体，直接影响到肺，对人体造成重金属中毒、患癌几率上升、生殖生育危害等问题［1］。提前预测未来PM2.5 浓度可以为人们出行提供健康有效的信息［2］。

基于机器学习算法的PM2.5 浓度预测模型近年来发展迅速，张怡文等［3］利用PCA 的方法对数据进行降维，在提高预测准确率的同时，降低了时间复杂度，并将降维后的数据赋给BP 神经网络模型以完成预测；陈志文等［4］采用openstack 云计算组件，部署大数据平台以完善BP 神经网络，通过自我学习提高预测准确率；Luo 等［5］基于图像的方法，采用深度学习和机器学习扩展对PM2.5 的感知能力，构建卷积神经网络和梯度增强机，组成端到端模型进行预测；刘林波等［6］采用遗传算法优化后的BP 神经网络建立PM2.5浓度预测模型，验证其比BP 神经网络具有更好的精度。

作为传统经典算法，BP 神经网络在PM2.5 浓度预测领域也有着丰富的成果［7-9］，而由于其存在随机初始权值和阈值、隐含层神经元节点数选择具有主观性、易陷入局部最优等缺陷，模型精度还有较大提升空间［10-11］。神经网络的权值和阈值一般通过初始化为［-0.5，0.5］区间的随机数而确定，该初始化参数对网络训练影响很大，但是又无法准确获得［12］，对于相同的初始权重值和阈值，网络训练结果一样。……