基于BP人工神经网络的雾霾天气预测研究_艾洪福.docx

《基于BP人工神经网络的雾霾天气预测研究_艾洪福.docx》由会员分享，可在线阅读，更多相关《基于BP人工神经网络的雾霾天气预测研究_艾洪福.docx（5页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、 402 第 32 卷 第 1 期 计 算 机 仿 真 2015 年 1 月 文章编号 : 1006 9348( 2015) 01 0402 04 基于 BP 人工神经网络的雾霾天气预测研究 艾洪福 ， 石 莹 ( 吉林农业大学 ， 吉林 长春 130118) 摘 要 : 在雾霾天气准确预测的研究 中 ， 为更好的反映长春市空气质量 状 况 ， 对长春市 的 PM2 5 含量实测数据与同期的气象 资 料进行了分 析 。 为科学准确地预测雾霾天 气 ， 根 据 BP 人工神经网络可以逼近任 意非线性函数的特 点 ， 提出了采 用 BP 人 工 神经网络的雾霾天气预测系 统 。 以长春市 的 PM

2、2 5 实时监测 数据为时间序列数据样 本 ， 应 用 C + + 语 言进行编程实 现 。 最 后 建立了基于时间序列 的 BP 神经网络雾霾天气预测模 型 。 仿真 结果表 明 ， 该模型能够较准确的预测雾霾天 气 。 提高了 预 测的有效性和实用 性 。 关键词 : 雾霾 ; 神经网络 ; 空气质量 ; 时间序列 中图分类号 : TP183 文献标识码 : B Study on Prediction of Haze Based on BP Neural Network AI Hong fu， SHI Ying ( Jilin Agricultural University Changch

3、un Jilin 130118) ABST ACT: In order to reflect the status of air quality in Changchun City， the actual data and meteorological data of PM2 5 levels during the same period are analyzed To predict haze weather scientifically and accurately， according to the characteristics of BP artificial neural netw

4、ork， which can approximate any nonlinear function， a haze weather fore- casting system is proposed based on the BP artificial neural network Taking the real time monitoring data of PM2 5 in Changchun City as the time series data sample， the system is realized by using C + + language Finally， a pre-

5、diction model which is based on time series BP neural network to predict the haze weather is established The simula- tion results show that the model can accurately predict the haze weather and improve the validity and practicability of the prediction KEYWO DS: Haze; Neural network; Air quality; Tim

6、e series 1 引言 空气质量一直是关系人类前途命运的重大问题 ， 随着社 会进步 、 汽车保有量的急剧增加导致空气中的可吸入颗粒物 含量大幅上升 ， 环境污染问题日趋严重 1 。 随着空气质量的 多的方法中 ， 基于系统工程的思想 ， 并有效结合新理论和新 方法对环境质量 ， 尤其是雾霾 ， 实现量化研究以及有效预测 是主要发展趋势 。 目前常用的评价及预测方法有 1) 灰色系 统理论方法 ; 2) 模糊集理论方法 ; 3) 人工神经网络方法 ; 4) 主 不断恶化 ， 雾霾天气现象越来越多 ， 危害越来越大 。 雾霾是 成分分析法等 4 5 。 这几种方法中 ， 对于环境质量的预测评

7、 一种灾害天气现 象 。 形成雾霾的 因素有二氧化 硫 、 氮氧化 物 和可吸入颗粒 物 这三 项 ， 前两者为气态污染 物 ， 而可吸入 颗 粒 物 PM2 5 才是雾霾天气主要成 因 ， 相较于其它空气污染 物 ， 价这类非线性特征的问题 ， 人工神经网络方法有着其它方法 无法比拟的优点 。 本文提出了基于 BP 神经网络的雾霾天气预测模型 ， 利 ， 鲁棒性好的特点 3 。 对空 PM2 5 不仅对空 气质量有着严重的影 响 ， 重要的是对人体健 康威胁巨大 2 。 以长春市为例 ， 仅 2013 年重度雾霾天气达 到了 43 天 。 平均下来 ， 大概每十天就会出现严重的污染天 气 。

8、 建立科学合理的雾霾天气预测模型 ， 有效的预报 。 降低 雾霾天气带来的危害 ， 非常必要 。 对于空气质量的预测研究有着诸多的思想与方法 ， 在众 收稿日期 : 2014 03 14 修回日期 : 2014 04 24 用 BP 模型中特有的计算能力强 气 中 PM2 5 含量的 进 行预测研 究 ， 能得到较为准确的预测雾 霾天 气 。 2 雾霾天气预测原理 根据空气指数实时监测数据 ， 对雾霾天气的预测描述如 下 : 设影响雾霾天气变化的因素为 y = x1 ， x2 ， x3 ， xn ( 1) 其中 xi 表示第 i 个影响因素 ， y 表示雾霾天气 ， 由式 ( 1) 可知 ，

9、403 1 雾霾天气的预测就是根据收集到的雾霾天气历史数据和其 影响因素建立一个预测函数 ， 使得预测的结果与实际的结果 误差尽量小 。 从而对于未来一段时间的雾霾天气做出预测 ， 得出雾霾天气的变化趋势 。 为环境管理部门发布雾霾预警提 供决策依据 ， 达到降低雾霾危害的目的 。 雾霾天气表面看似无序的 ， 但其变化规律在长时间内确 是有一定规律的 ， 雾霾天气的出现受到污染源 、 天气状况 、 燃 煤等众多因素的影响 ， 其变化具有非线性 、 突变性等特点 ， 是 一种复杂的非线性系统 。 BP 人工神经网络有着强大的非线 其中 : x 为函数输入 。 sigmoid 激活函数用于中间层和

10、输 出层神经元 。 2) 连接权和阈值的修正方法 对于网络输入层 : 只需要将神经元的阈值设置为 0 即 可 。 对于网络输出层 : 设 : 第 i 个训练实例的第 j 维值 ( 网络期 望输出 ) 为 bij ， 网络实际输出值为 OOj ， 其中 ( i = 1， 2， ， n j = 1， 2， p k = 1， 2， ， n) 则网络期望输出与实际输 出的偏差为 性处理能力 3 ， 能够依赖数据本身的内在联系对雾霾天气进 ij = ( bij OOj ) ( 4) 行建模预测 。 对某一时间段内的雾霾天气情况做出较为准确 的预测 。 对于雾霾天气的预报具有一定的应用价值 。 网络中间层

11、神经元的输出值为 OMk ， 网络中间层与输出 层之间的连接权的调整量为 2 3 建立雾霾天气预测模型 dkj = p ij OOj ( 1 OOj ) OMk ( 5) 3 1 BP 人工神经网络原理 输出层神经元阈值的调整量可表示为 : 2 BP 神 经 网 络 ( Back Propagation Neurai Networks BPNN) ， 是一种按误差逆传播算法训练的多层前馈网络 ， 是 目前应用最广泛的神经网络模型之一 。 作为一种适用于具有 非线性特征对象的分析和预测工具 ， 具有较强的自学习能 j = 令 = 0 5， 则 j = p ij OOj ( 1 OOj ) ( 6

12、) 1 p ij OOj ( 1 OOj ) ( 7) 力 ， 已在科学与工程各领域得到了广泛应用 。 BP 人工神经网 络往往使用的是三层结构 ， 即 : 输入层 、 中间层 ( 隐层 ) 和输 出层 ， BP 神经网络结构如图 1 所示 。 对于网络中间层 : 网络输中间层连接权的调整量为 : 其 中OIl 表示网络输入层神经元的输出值 2 ckl = p ij OOj ( 1 OOj ) dkj OMk ( 1 OMk ) OIl ( 8) 其 中 ( 0 1) 令 = 0 5， 则网络中间层连接权的 调整量为 ckl = 由于 : dkj = p ij OOj ( 1 OOj ) dk

13、j OMk ( 1 OMk ) OIl ( 9) 1 p ij OOj ( 1 OOj ) OMk 故有 ckl = dkj dkj ( 1 OMk ) OIl 输出层神经元阈值的调整量可表示为 2 k = p ij ( 1 OOj ) OOj djk ( 1 OMk ) OMk ( 10) 图 1 BP 神经网络结构图 BP 神经网络算法描述误差反传训练算法的主要思想是 学习过程分为两个阶段 : 第一阶段为信息正向传播过程 ， 第 二阶段为误差反向传播过程 ， 若在输出层未能得到与学习样 本中的输出信息 ( 期望值 ) 一致的输出信息 ( 网络实际输出 值 ) ， 则逐层递归的计算实际输出值

14、与期望输出值之间的误 差 ， 并根据此误差修正网络连接权值和神经元的阈值 。 1) 人工神经元的设定 本预测模型中神经元的设定如下 : 输入层神经元采用透 明 ( Transparence) 激活函数 transparence( x) = x ( 2) 中间层和输出层神经元采用 sigmoid 激活函数 ( 0 1) 令 = 0 5， 则输出层神经元阈值的调整 量为 : p k = djk djk ( 1 OMk ) ( 11) j = 1 BP 网络的训练过程 1) 初始化 : 给个连接权和阈值赋予 ( 1， 1) 之间的随机 值 ; 2) 在模式中随机选取一个提供给网络 ; 3) 利用模式

15、中的网络输入计算中间层神经元的输出 ; 4) 利用中间层神经元的输出计算输出层神经元的输出 ; 5) 利用模式中的期望输出和网络输出层的实际输出计 算输出层的一般性误差 ; 6) 利用输出层连接权 、 输出层一般性误差和中间层的实 sigmoid( x) = 1 1 + e x ( 3) 际输出 ， 计算隐层的一般性误差 ; 7) 利用输出层的一般性误差和隐层神经元的输出 ， 修 404 2 5 正输出层神经元的连接权和阈值 ; 8) 利用隐层的一般性误差和模式中的网络输入 ， 修正隐 层神经元的连接权和阈值 ; 9) 在模式中随机选取一个提供给网络 ， 返回到步骤 3) ， 直至全部模式训练

16、完毕 ; 10) 反复执行步骤 3) 至 9) ， 直到网络的输出层的一般 性误差小于给定的误差 ， 结束学习 。 3 2 BP 神经网络的雾霾天气预测模型 3 2 1 仿真数据收集与处理 本研究的所采用的仿真数据均来自于中国环境监测网 站发布的实时环境监测数 据 ， 通过 长时间的收集工作而得到 的 数据信 息 。 由于影响 雾霾天气的主要数据 为 PM2 5 的含 量 图 2 预测模型拓扑结构 ( 单位 g / m3 ) 。 对收集的实时数据信息中的 PM 2 5 进行整理 ， 6) 对雾霾天 气 ( PM2 5 ) 进行预 测 剔除了一些噪声数据 6 7 。 由于雾霾天气受到多种因素的影

17、 响 。 收集到的数据波动范围较大 ， 从而影响了 BP 神经网络的 7) 将预测结果进行反归一化处理 ， 可以得到模型预测的 实际结果值 。 反归一化方式参照以下公式 : 学习速度和预测精度 。 为了加快网络模型的学习速度以及提 yp = ( u 0 2) /0 7* ( y max ymin ) + y min 高 仿真 度 。 在预测之前 对 PM2 5 历史数据和影响因子分别进 其中 yp 为预测值 ， u 为 BP 网络预测输出的结果 。 行了预处理 ， 处理的方法如下 y = y ymin ymax ymin 0 7 + 0 2 ( 12) 8) 输出预测结果 。 具体流程图如图

18、3 所示 : 公式中 y 为归一化处理后的数据 ， y 代表真实数据 ， y min 代表该组数据中的最小 值 ， ymax 代表该组数据中的最大 值 。 数 据经过预处理后均落在 了 0 2 ， 0 9 之 间 。 3 2 2 BP 神经网络的雾霾预测拓扑结构 由 于本研究所涉及的问题特 点 ， 所以只选用具有一个隐 含层 的 BP 神经网 络 。 也就是该网络 有 3 层 。 根据应用 实 际 ， 经过反复验 证 ， 对于本网络的 拓扑结构设定规则如 下 : 网 络的输入 变 量 为 5 维 ， 由 5 天 的 PM2 5 数据组 成 ; 输出 为 1 维 ， 由组成输入变 量 5 天数据

19、之 后 ， 1 天 的 PM2 5 数据组 成 。 隐含层节点数根据以下规则设定 : BP 神经网络的隐层 数 ， 各隐含层的节点数都是要不断的调节的 ， 不过有一个一 般性的范围 。 隐含层节点数 L n 1 或 L = log2 ( n) 取整或 L sqrt( m n) + a ( 这里的 n 是上一层节点数 ， m 是下一层 节点数 ， a 是 1 10 任意常数 ) 。 则在隐含层的设计采用 5 个 神经元节点 ， 输出层则只设定一个节点 。 BP 网络预测模型 结构如图 2 所示 : 3 2 3 BP 神经网络的雾霾预测流程 基 于 BP 神经网络的 雾 霾天气预测是利 用 BP

20、人工神 经 网络良好 的 非线性处理能 力 ， 不断拟 合 PM2 5 的期望 值 。 从 而建立一种能够准确描述雾霾天 气主要参 数 ( PM2 5 ) 非线 性 变化规律的预测模 型 ， 具体流程如 下 : 1) 收集雾 霾 ( PM2 5 ) 实时数 据 ， 并对数据进行整 理 。 2) 利用式 ( 12) 对数据进行归一化处理 ， 消除数据的量纲 差别 。 3) 将处理后的数据分成训练样本和测试样本两部分 。 4) 采用 BP 神经网络对训练样本进行训练 。 5) 根据训练的结果 ， 对参数进行相应的优化 。 图 3 BP 神经网络的雾 霾 ( PM2 5 ) 预测流 程 4 仿真研究

21、 4 1 PM2 5 数 据 本研究的所采用的数据均来自于中国环境监测网站发 布的实时数据 ， 通过记录 ， 统计了以长春市 2013 年 11 月 1 日 至 11 月 30 日 PM 数据 ( 数值单位 : g / m3 ) 如表 1 所示 。 405 表 1 原始数据 组为测试 样 本 。 该网络在设计过程中将预测当前数据 后 1 天 的 PM2 5 的 值 。 通 过将预测的值再次输入该预测模 型 ， 并 通过该模型预测 了 2013 年 12 月 1 日 到 2013 年 12 月 3 日 的 长春市空气污染物 中 PM2 5 的含 量 。 将预测结果进行反归一化处理 ， 可以得到模

22、型预测的仿 真结果值 ， 预测 2013 年 12 月 1 日到 12 月 3 日的数据如表 3 所示 ， 将其与真实值进行对比 。 表 3 结果对比 11 10 19 11 20 27 11 30 45 对于原始监测数据 ， 为了处理方便 ， 这里采用最简单的 归一化处理方法处理后的数据如表 2 所示 。 表 2 处理后数据 日期 PM2 5 日期 PM2 5 日期 PM2 5 11 1 0 9000 11 11 0 2284 11 21 0 3883 11 2 0 8041 11 12 0 2959 11 22 0 4132 11 3 0 7614 11 13 0 2853 11 23 0

23、 6442 11 4 0 5305 11 14 0 3173 11 24 0 8325 11 5 0 3421 11 15 0 3741 11 25 0 3173 11 6 0 3635 11 16 0 6584 11 26 0 2569 11 7 0 2640 11 17 0 2888 11 27 0 2142 11 8 0 3244 11 18 0 2000 11 28 0 2391 11 9 0 2959 11 19 0 2036 11 29 0 2675 11 10 0 2036 11 20 0 2320 11 30 0 2959 对于表 2 中的 30 组数据 ， 其中前 25 组为

24、训练样本 ， 后 5 组为测试样本 。 4 2 相关参数设定与优化 通过大量的 实 验 ， 为了达到较好的收敛速 度 ， 防止过 拟 合 现 象 、 并且能得到较好的预 测数 据 。 将该网络的学习率设 定 为 0 05 误差设定 为 0 001。 对于样 本 中的数据参数优化主 要采用的是遗传算 法 。 首先随机产生遗传算法的初始 群 ， 然后采用遗传算法对参数 进行选 择 、 交 叉 、 变异等遗传操 作 4 8 ， 产生新的 参数群 组 ， 不断重复以上过 程 ， 直到获 得 BP 网络的最优参 数 。 并建 立 相应的雾霾天 气 ( PM2 5 ) 预 测模 型 。 本研究所有的算法均

25、在 Visual Studio 2008 环境 下 ， 采 用 C + + 语言实 现 。 4 3 仿真结果与分析 4 3 1 仿真结 果 对于表 2 中的 30 组数据 ， 其中前 25 组为训练样本 ， 后 5 对 于长春 市 2013 年 12 月 1 日 至 12 月 3 日空气污染 物 中 PM2 5 含量的实际 测 量值与通 过 BP 人工神 经网络预测 的 得到的值进行趋势描述如 图 2 和 图 3 所 示 。 图 2 实际数据趋势图 图 3 实验预测数据趋势图 4 3 2 仿真结果分 析 通过建立基于时间序列 的 BP 人工神经网络对 当前数 据 后 3 天的空气 污 染物 中

26、 PM2 5 含量进行预 测 ， 通过对比实 际 测 量值 与 BP 网络预测得到的值做以对 比 ， 通过 对 比 ， 可以 清 晰的看出对于未 来 3 天的空气污 染物 中 PM2 5 含量变化趋 势 大 致相 同 。 所以 通过此结果可以帮助对于长春市雾霾天气 的预测有着一 定的指导意 义 。 对于误差值并没有体现一定 的价 值 。 随着训练样本的增 加 。 ( 下转 第 415 页 ) 日 期 PM2 5 日 期 PM2 5 日 期 PM2 5 11 1 215 11 11 26 11 21 71 11 2 188 11 12 45 11 22 78 11 3 176 11 13 42

27、11 23 143 11 4 111 11 14 51 11 24 196 11 5 58 11 15 67 11 25 51 11 6 64 11 16 147 11 26 34 11 7 36 11 17 43 11 27 22 11 8 53 11 18 18 11 28 29 11 9 45 11 19 19 11 29 37 日 期 实际 值 模型仿真 值 误差 率 ( % ) 2013 12 1 57 82 43 86 2013 12 2 92 89 2 19 2013 12 3 165 126 23 63 406 参考文献 : 1 E Keogh， M Pazzani A sim

28、ple dimensionality reduction technique for fast similarity search in large time series databases C in: T Terano， H Liu， AL Chen eds ， Proceedings of 4th Pacific A- sia Conference on Knowledge Discovery and Data Mining，Kyoto， Japan， 2000 Springer Verlag， 2000: 122 133 2 李海 林 ， 郭崇 慧 时间序列数据挖掘中特征表 示与相似性

29、度量 研究综 述 J 计算机应用研 究 ， 2013， 30( 5) : 1285 1291 3 刘世 元 ， 江 浩 面向相似性搜索的时间序列表示方法述 评 J 计算机工程与应 用 ， 2004， 40( 27) : 53 59 4 J Lin， et al A symbolic representation of time series， with implica- tions for streaming algorithms C Proc of the 8th ACM SIGMOD Workshop on esearch Issues in Data Miningand Knowledg

30、e Dis- covery New York: ACM Press， 2003: 2 11 5 桑 燕 芳 ， 王 中 根 ， 刘 昌 明 水文时间序列分析 方法研究进 展 J 地理科学进 展 ， 2013， 32( 1) : 20 30 6 D E Newland An introduction to random vibrations， spectral wavelet analysis M Courier Dover Publications， 2012 7 C Shahabi， X Tian， W Zhao TSA tree: a wavelet based ap- proach to

31、 improve the efficiency of multilevel surprise and trend queries C in: O Gunther， H J Lenz eds ， Proceedings of 12th In- ternational Conference of Scientific and Statistical Database Man- agement， Berlin， Germany， 2000 IEEE Computer Society， 2000: 55 68 8 李海林 ， 郭崇 慧 基于云模 型的时间序列分段聚合近似方 法 J 控制与决策 ， 20

32、11， 26( 10) : 1525 1529 9 张海勤 ， 蔡庆生 基于小波变换的时间序列相似模式匹 配 J 计算机学报 ， 2003， 26( 3) : 373 377 10 彭玉华 小波变换与工程应 用 M 科学出版社 ， 1999 11 陈继 开 ， 等 非广延小波熵在电力系统暂态信号特征提取中 的应 用 J 中国电机工程学 报 ， 2010， 28: 25 32 作者简介 郑 旭 ( 1991 ) ， 女 ( 汉族 ) ， 吉林省农安县人 ， 硕 士研究生 ， 主要研究领域为数据挖掘 ; 盛立辉 ( 1971 ) ， 男 ( 汉族 ) ， 吉林省长春市人 ， 主 要研究领域为通信工

33、程 ; 崔宵语 ( 1989 ) ， 男 ( 汉族 ) ， 吉林省长春市人 ， 硕 士研究生 ， 主要研究领域为人工智能与物联网 。 ( 上接第 405 页 ) 由 于 PM2 5 只是雾 霾 天气成因之 一 ， 所以对于空气其它污染 物的预测也同 样重 要 。 通过该模型的建立以及针对实际监 测数据进行网络 输 入节点的个数的调 整 ， 将 BP 人工神经 网 络 应用 在 PM2 5 含量有着理想的效 果 。 随着监测数据量的增 加 ， 预测的准确程度也会有所提 升 。 5 结束语 BP 人工神经网络主要用 于函 数逼 近 。 借助神经网络的 非线性问 题 处理能力和容噪能 力 ， 根据长

34、春市空气质量 实 际 ， 构建特定基于时间序 列 BP 神经网络预测模 型 ， 用该模 型 对 大气 中 PM2 5 进行预 测 。 在实验和 训练的基础上不断改进 网络结 构 ， 弥补传统算法的不足 之 处 ， 提高网络的泛化能 力 。 将 模糊理 论 、 粗糙集理论等引 入到本研究 中 。 会取得更加 理 想的预测效 果 ， 提高预测模型的泛化能 力 。 雾 霾的形成不仅 与 PM2 5 含量 有 关 。 还受某些气象条件 的影 响 ， 比 如水平方向静风现 象 、 垂 直方向上 出现逆温 等 。 所 以将地理信息系 统 ( GIS) 和卫星定 位系 统 ( GPS) 等技术 应 用到监测

35、研究 中 来 。 进一步提高雾霾天气预测和预报的准 确 性 。 参考文献 : 1 张迎 春 ， 肖冬 荣 ， 赵远 东 基于时间序列神经网络的气象预测 研 究 J 武汉理工大学学 报 ， 2003， 4( 29) 2 雷蕾 ， 秦侠 ， 姚小丽 基 于 Matlab 的 BP 神经网络在大气污染预 报中的研 究 J 环境污染与防 治 ， 2007， ( 2) 3 龚聪 改进神经网络煤矿安全评价模 型仿真研 究 J 计算 机 仿真 ， 2012， 29( 1) : 156 159 4 王唯贤 ， 陈 利 军 股票价格预测的建模与仿真研 究 J 计 算 机仿真 ， 2012， 29( 1) : 3

36、44 347 5 Fabio Murena Measuring air quality over large urban areas: deve- opment and application of an air pollution index at the urban area of Npes J Atmospheric Environment， 2004， 38: 6195 6202 6 黄金杰 ， 杨桂花 ， 马骏驰 基于高斯的大气污染评价模 型 J 计算机仿真 ， 2011， 28( 2) : 101 104 7 徐鹏飞 ， 等 神经网络在时间序列预测中的应用研 究 J 电 子 技术 ， 2010， 47 8 王李进 ， 吴保国 ， 郑德 祥 基于人工神经网络的软件质量评价 J 计算机应用与软件 ， 2008， ( 12) 作者简介 艾洪福 ( 1980 ) ， 男 ( 汉族 ) ， 吉林省松原人 ， 讲师 ， 硕士学位 ， 研究方向 : 人工神经网络与环境科学 、 系 统开发方法论 ; 石 莹 ( 1975 ) ， 女 ( 汉族 ) ， 吉 林省长春人 ， 副 教 授 ，硕士学位 ， 研究方向 : 计算机应用技术 。 415