周 韦， 孙宪坤， 万俊杰

（上海工程技术大学， 电子电气工程学院， 上海 201620）

0 引 言

城市环境污染不仅影响社会经济的发展，对人们的身体也会造成有害的影响。 据统计，中国空气污染区域占国土面积的1／4，受影响的人口近7 亿。因此实现对空气质量指数（AQI）进行准确有效地预测成为重中之重。

目前，国内外空气质量预测模型主要有回归统计分析模型、时间序列模型、灰色理论模型等。 但是AQI 数据是混沌的、非平稳的，导致上述模型的预测精度不高。 神经网络模型具有良好的学习能力，受到广大学者的关注。 文献［1］ 将 BP （Back Propagation）神经网络应用到了空气质量预测中，取得了良好的预测效果；文献［2］ 提出了一种RBF（Radial Basis Function）神经网络空气质量预测模型，相比BP 神经网络，效果有所提升。 然而神经网络具有学习速度慢，易陷入局部极值等缺陷。

文献［3］提出极限学习机（ELM），是一种前馈神经网络，具有学习速度快、泛化能力强等优点；文献［4］ 提出了一种 PSO （ Particle Swarm Optimization）－ELM 的空气质量预测模型，该模型可以有效提高空气质量预测精度；文献［5］提出了一种基于IPSO（Improved Particle Swarm Optimization）－ELM 的空气质量预测模型，相比传统的基于BP 和ELM 的神经网络模型，该模型具有更高的精度。 但是ELM 也存在一些缺点，比如网络的隐层节点个数难以确定、不同的参数对预测结果有不同的影响等。因此文献［3］又引入了支持向量机中的核函数，使得极限学习机无需设置隐藏层神经元个数和输入权值参数，解决了ELM 过拟合和易陷入局部极值的问题。

为了进一步提高空气质量预测模型的预测精度，本文提出了一种基于IAO 优化混合核极限学习机（HKELM）的空气质量指数预测模型。……