基于神经网络的PM2_5质量浓度预测研究_付彦丽.docx

《基于神经网络的PM2_5质量浓度预测研究_付彦丽.docx》由会员分享，可在线阅读，更多相关《基于神经网络的PM2_5质量浓度预测研究_付彦丽.docx（72页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、 论文题目： 基于神经网络的 PM2.5 质量浓度预测研究 学科门类：工学 一级学科：计算机科学与技术 培养单位：电气与信息工程学院 硕士生：付彦丽 导 师：杨云教授 2016 年 6 月 The Research of Prediction PM2.5 Mass Concentration Based on Neural Network A Thesis Submitted to Shaanxi University of Science and Technology in Partial Fulfillment of the Requirements for the Degree of M

2、aster of Engineering Science By Yanli Fu Supervisor: Prof. Yun Yang June 2016 基于神经网络的 PM2.5 质量浓度预测研究 摘要 目前我国己经进入了后工业化的时代，但与之相随而来的是环境与发展 的极度不和谐，环境在发展过程中受到了巨大的破坏，尤其表现在我们赖以 生存的空气、土壤、水等方面。近些年，空气质量急剧恶化，雾霾以越来越 高的频率、越来越大的范围出现在全国各地，通过呼吸系统对人体健康造成 严重的危害。而随着生活水平的提高，人们对于环境的关注越来越高，对于 自己生活区域的环境质量的要求也随之升高，空气质量成为人们

3、关注的焦点 问题。本文以此为出发点，对我国现有累积的大量历史空气质量数据进行挖 掘，寻找 PM2.5 与其他空气污染物间的非线性关系，针对 PM2.5 小区域范 围内质量浓度差距大、民众难以及时得到预报信息等问题，对 PM2.5 每小 时的质量浓度进行预测。本文主要完成的工作如下： (1) 根据 PM2.5 的形成原因，分析可以引起其质量浓度变化的因素， 建立数学模型。可入肺颗粒物 PM2.5 的成因复杂，组成成分包含直接排放 的一次粒子以及由光化学反应形成的二次粒子，主要包括有机碳、元素碳、 土壤尘、硫酸铵或亚硫酸铵、硝酸铵、铵盐、半挥发性有机物等。结合监测 站所监测空气污染物，最终选取 C

4、O、 N02、 03-1、 03-8、 S02、 PM10 六种 污染物，作为 PM2.5 质量浓度的影响因子。 (2) 获取空气环境污染物历史监测数据，并对数据进行预处理。在监 测数据中，会出现偶然的异常数据条，比如监测值全为零的空数据。在使用 数据前需要对异常数据进行剔除，以免影响之后的预测结果。对剔除后数据 的进行归一化处理，让不同数量级的数据在一个范围内取值，避免由于数量 级的差距产生的预测误差。对样本数据进行划分，以合适的比例将其分为训 练数据集和测试数据集。选择合适的预测分析工具，由于本研究中需要对大 量数据进行高速、高效的矩阵运算处理，故选择 Matlab 作 为主要工具。 (3

5、) 研究神经网络，分析神经网络的原理、执行流程、参数设置、运 算过程，使用反向传播神经网络作为基础进行预测。通过经验公式以及试错 法确定该网络的最佳隐含层神经元个数，设计最佳网络结构；根据函数的适 用范围，选择合适的传递函数、训练函数、学习函数。使用训练数据对网络 进行训练，在网络训练结束后，使用 sim ()函数以及测试集对训练好的网 络进行测试预测。最后，将网络的预测结果进行统计，计算其预测结果的可 接受度、相对误差，分析网络性能、优缺点。 (4) 针对 BP 神经网络的缺点，提出改进的神经网络，使用模糊系统、 遗传算法对神经网络进行优化。模糊系统将神经网络进行模糊化处理，即模 糊其网络输

6、入及连接权值，明晰网络的推理过程，解决神经网络求解问题时 的黑箱特性。将神经网络的输入 /输出作为模糊系统的输入 /输出，用神经网 络的隐含节点表示隶属度函数和模糊规则。遗传算法对神经网络的初始连接 权进行优化，提高网络的全局搜索能力、收敛速度，解决神经网络容易陷入 局部最小的问题。该算法需要根据网络的进化目标，选择与其相匹配的个体 适应度函数以及进行遗传操作的方法，最终，将最优的初 始连接权赋值给神 经网络。 (5) 在 Matlab 下编写完整的优化后的神经网络的 .m 程序，将预处理 后的数据输入网络进行训练、测试。分别对拟合结果以及测试结果进行分析， 在保证网络没有出现过拟合的情况下，

7、对三种方法的预测结果进行统计、对 比分析。数据结果表明，使用遗传算法优化的神经网络在 PM2.5 质量浓度 预测上的表现最佳，提高了预测结果的精确度，降低了其误差率。 关键词： PM2.5 质量浓度，预测，神经网络， T-S 模糊模型，遗传算法 THE RESEARCH OF PREDICTION PM2.5 MASS CONCENTRATION BASED ON NEURAL NETWORK ABSTRACT At present our country has been entered into the post-industrial era, but at same time extre

8、me discord happened between environment and development. The environment has been huge destroyed in the development process, especially in the air, soil, water and so on several aspects. In recent years, air quality has been rapidly exacerbated, haze appears in countries at higher frequencies and la

9、rger ranges, and it cause serious harm to human health through respiratory system. With the improvement of human living standards, people start to pay more and more attention on the environment and the requirements of environmental quality of their own living regional also increase, air quality prob

10、lems become the focus issue. This article use it as a starting point to mining air quality monitoring data, and find nonlinear relationship between PM2.5 and other air pollutants. Aim at problems such as，PM2.5 mass concentration has big gap between different areas, people are difficult to get forcas

11、t information timely and so on, to forcast PM2.5 mass concentration hourly, the paper main work is as follows: (1) According to the formation of PM2.5, the reason for the change of mass concentration was analyzed and the mathematical model was established. The formation of PM2.5 is complex, which co

12、ntains a direct emission of a particle and two particles formed by the photochemical reaction. Mainly including organic carbon, elemental carbon, soil dust, ammonium sulfate or ammonium sulfite, ammonium nitrate, ammonium salt, semi volatile organic compounds, etc. Combined with the monitoring stati

13、ons to monitor air pollutants, the final selection of CO, NO2, O3-I, O3-B, SO2, PM 10 six kinds of pollutants, as the impact factor of PM2.5 mass concentration. (2) Getting environmental monitoring data of air pollutants, and preconditioning of the data. There are some occasional abnormal data in mo

14、nitoring data, such as empty data which all values are zero. Before use them we need to remove abnormal data to avoid their affect in prediction results. To normalize after excluding, normalized can make the different magnitude data in in the same range, avoid the prediction error caused by the gap

15、of magnitude. The sample data are divided into training data set and test data set with appropriate proportion. Choosing Matlab as the main tool for predictive analysis, because of its high speed, efficiency and low cost in vast matrix operation (3) Research of neural networks, analysis its principl

16、e, executing process, parameter setting, calculating process and etc. Using back-propagation neural networks as predicting basis. Then through empirical formula and trial-and-error method to determine the best hidden layer neuron number, design the best network structure and select the appropriate t

17、ransfer function, training function, learning function.Using the training function to train the network, after network training using sim( ) with a trained network to predict test data. Statistic the network forcast results, calculating its forecast acceptability, relative error, analyze network per

18、formance, advantages and disadvantages. (4) Aim at the disadvantage of back-propagation neural natwork, proposed a improved neural networks, using fuzzy system and genetic algorithm to optimize neural networks. Fuzzy system fuzzing the neural network input and connection weight, clear the reasoning

19、process of neural network, solve the black-box nature of neural network. Using neural networks input/output as flizzy systems input/output，using neural networks hidden nodes to express membership functions and fuzzy rules. Genetic algorithm optimized the initial connection weights of neural network

20、and improve the global searching ability, convergence speed of the network, solve the problem of neural network is easy to fall into local minimum. Accroding to the evolution target to select individual fitness function and genetic operation methods. Finally, assign the optimal initial connection we

21、ight to the neural network. (5) Write a complete optimized neural networks .m program under Matlab. Enter the pre-processing data into the network to train and test. If the network does not over-fitting, statistical comparison these three predict results. The result shows that genetic algorithm opti

22、mization neural network has the best performance in PM2.5 mass concentration, it improved the accuracy of the results and reduced the error rate. KEY WORDS: PM2.5 Mass Concentration, Prediction, Neural Network, T-S Fuzzy Model, Genetic Algorithm IV 目录 m s . i ABSTRACT . Ill i mit . 1 1.1 研究的目的及意义 .

23、1 1.2 国内外研究发展状况 . 2 1.2.1 国外研究现状 . 3 1.2.2 国内研究现状 . 4 1.3 本文的主要工作及内容安排 . 4 2 人工神经网络基本理论 . 7 2.1 人工神经网络 . 7 2.2 神经网络结构 . 7 2.2.1 人工神经元模型 . 7 2.2.2 神经网络中的激活函数 . 9 2.2.3 神经网络的网络结构 . 10 2.3 人工神经网络的学习 . 12 2.3 本章小结 . 13 3 PM2.5 质量浓度预测理论、数据处理及仿真环境 . 15 3.1 PM2.5 预测原理 . 15 3.2 数据来源及处理 . 15 3.2.1 数据介绍与预处理 .

24、 15 3.2.2 数据归一化 . 16 3.3 仿真软件 . 19 3.4 本章小结 . 20 4 基于误差反向传播 （ BP)神经网络的 PM2.5 预测 . 21 4.1 BP 神经网络 . 21 4.2 BP 网络学习算法 . 22 4.3 基于 BP 神经网络的 PM2.5 预测仿真 . 23 4.3.1 BP 神经网络结构的确定 . 23 4.3.2 Matlab 下 PM2.5 预测仿真 . 24 4.4 本章小结 . 27 5 基于 T-S模糊神经网络的 PM2.5 预测 . 29 5.1T-S 模糊模型 . 29 5.2 T-S 模糊神经网络 . 30 5.3 T-S 模糊神

25、经网络的学习算法 . 31 5.4 基于 T-S 模糊神经网络的 PM2.5 预测仿真 . 32 5.5 本章小结 . 38 6 基于遗传算法优化的 BP 神经网络的 PM2.5 预测 . 39 6.1 遗传算法 . 39 6.1.1 遗传算法的原理及步骤 . 39 6.2 遗传算法优化的 BP 神经网络 . 41 6.3 基于遗传算法优化的 BP 神经网络 PM2.5 预测仿真 . 42 6_3_1 Matlab 下 PM2.5 预测仿真 . 42 6.4 本章小结 . 52 7 总结与展望 . 53 7.1 全文工作总结 . 53 7.2 未来工作展望 . 54 if . 55 #敎 .

26、57 攻读学位期间发表的学术成果目录 . 61 原创性声明及关于学位论文使用授权的声明 . 63 基于神经网络的 PM2.5 质量浓度预测研究 1 绪论 1.1 研究的目的及意义 伴随着时间的不断前进的脚步，人类社会也飞速的前进和发展。但是，在社会进步 的同时，我们不得不面对一个非常现实且日益严峻的事实：我们的环境在变的越来越差。 环境是我们赖以生存的基础，我们生存所必须的空气、水、阳光无一不是环境所给予我 们的。目前，我国已经进入了后工业时代，但是由于在发展之初各方面的开发与管理并 没有进行良好的设计与规划，发 展中产生了不和谐的因素，这使得我国的发展与环境资 源方面的矛盾与压力愈加的明显。

27、二十世纪以来环境状况愈发的不乐观，环境污染问题 愈加严重，尤其表现在空气、水等与我们生活息息相关的方面 ni。 其中，空气污染问题 成为近几年关注的焦点。如今全球经济快速发展，工业化程度不断地提高。这导致各地 的排污总量在不断地增加，污染范围持续扩大，空气质量也随之急剧恶化，雾霾以越来 越高的频率在全球各地出现。我国北京、西安等城市早已成为雾霾的多发地，于是人们 也逐渐将空气质量指数 （ Air Quality Index， AQI)作为 衡量城市生活环境的一个主要因 素。 PM2.5 是如今空气中的首要污染物，是判断空气质量的重要标准，也是雾霾天气形 成的主要因素。 PM 是英文 Parti

28、culate Matter 的缩写，中文翻译为颗粒物。 PM2.5 意指空 气动力学等效直径等于或小于 2.5微米的大气颗粒物 p，这类颗粒物也被称为细微颗粒。 PM2.5不仅能降低大气能见度，显著减少日照，改变气温和降水模式，导致雾天增多， 更对人体健康造成严重的危害 31。 据研究 PM2.5不仅与心肺疾病的 H 病死率增加有密切的关系，其还可以直接进入肺 泡，对心血管系统产生毒性作用。为了寻求 PM2.5 质量浓度与死亡率间的特殊关系，哈 佛大学的学者对其进行了将近八年的观察并对其结果进了研究分析，最终发现： PM2.5 质量浓度越低的城市死亡率越低，并且空气中 PM2.5 每上升 lm

29、g/m3,人类死亡率就会 上升 3%; |41。华盛顿大学博士 Schwart研究发现心肺疾病的 H病死率的增加与 PM2.5也 有密切的关系，PM2.5H 平均值每增加 10 微克 /立方米，当円的病死率就会提高 1.5%; 美国医学会杂志研究发现， PM2.5 可以使动脉斑块沉枳，引发动脉粥样硬化和血管 炎症 |5介于 PM2.5 的种种危害，美国早在 1997 年就率先将 PM2.5 列为空气质量监测 的重要标准，韩国、日本、新加坡、加拿大、西班牙，以及一些欧盟国家例如：英国、 德国、荷兰、意大利，也逐渐开始将 PM2.5 加入到了国家标准污染物检测系统中，并在 标准中对其质量浓度进行了

30、强制性的限制。我国也已于 2012 年在环境空气质量标准 新增 PM2.5检测指标。 环境空气质量，关系到每一个国民的身体健康，今后很长一段时间内，雾霾仍将是 陕两科技大学硕士学位论文 我国环境面临的突出问题。 PM2.5 作为空气中的首要污染物、雾霾的元凶，对其质量浓 度的准确的预测，正是做出正确战略决策的重要依据。空气质量监测部门可以通过对 PM2.5的预测及时的了解目前的空气质量状态及变化趋势，分析 PM2.5 的变化原因，并 制定有效的预防和治理措施。对 PM2.5 质量浓度的预测，不仅能研究人类活动对 PM2.5 质量浓度的影响，完善空气质量控制系统理论，更有利于政府部门进行合理的规

31、划，做 出正确的决策，更好的为社会公众服务。伴随着计算机及工业控制技术的飞速发展，不 少发达国家如：美国、日本、荷兰等国，开始建立并对空气质量自动监测网络进行不断 的修正和完善 |81。八十年代初时，中国正式开始进行空气质量自动监测的工作，至九十 年代初，经过十几年的发展，我国的空气质量监测站己经遍布全国上下共 100 多个城市， 并逐步形成了全国范围内的环境空气质量监测网络。从二十一世纪开始，我国的政府部 门开始大力倡导，并提供大量的科研基金用以支持空气质量自动监测技术的研究。这期 间该技术迅速的发展起来。到了 2009 年的年底，共有 900 多套该类监测系统，己经在我 国的国家级和市级以

32、上城市里得到了建立，并在不断的完善 &该类自动监测系统目前 己经积累大量数据可供使用，但是这些历史监测数据并没有得到充分的利用。 PM2.5 预测就是将这些数据充分的利用起来，通过对大量历史监测数据的分析，根 据污染物在空气中的演变规律，对一段时间内空气中的 PM2.5 质量浓度进行预测。对 PM2.5质量浓度预测的研究 ,可以让人们及时地获取精确的区域 PM2.5 质量浓度预测值 , 以在一定程度上让人们避免空气污染的对人体健康的影响，可以让该研究领域 的专家从 另一方面掌握气象、其他污染物浓度对 PM2.5 质量浓度变化的影响。发布 PM2.5 质量浓 度预报信息，体现了政府、社会对空气污

33、染问题的重视、对公民身体健康的关心，并为 社会活动安排和政府部门对于空气污染的处理决策提供了科学的依据，实现更长远、更 健康、更持续的经济发展。由于我国目前空气污染十分严重，故在我国开展 PM2.5 质量 浓度预测研究工作具有一定的必要性，对我国环保事业的发展、国民身体健康具有十分 重要的现实意义。 本文研究的问题，为建立 PM2.5 质量浓度实时预测系统打下坚实基础。将监测站所 采集 的历史监测数据，使用神经网络进行训练，从而得到最优的训练网络，使用最优网 络对未来一段时间内的 PM2.5 进行预测。随着监测数据的越来来越多，不断去寻找新的 最优网络，更新最优训练网络，逐步提高网络的预测准确

34、率。对于，未建立 PM2.5 监测 的地区，使用其他大气污染物数据，对其进行预测分析。预测系统能为人们提供实时的 PM2.5 预测值及空气质量指数，为社会活动及监管控制部门提供依据。 1.2 国内外研究发展状况 早先在空气质量预报时多采用的是统计分析预测和数值预测，统计分析预测多是通 过分析事物的规律，在并不清楚事物的内在变化机理的情况下进行预测的，多采用因次 2 基于神经网络的 PM2.5 质量浓度预测研究 分析法和回归分析法；数值预测是在大气物理化学的基础上进行数学建模，从而进行预 测的。这两种方法都具有一定的实用性，但其不足之处在于对于非线性问题其对数据要 求极高，且常需要花费大量财力人

35、力物力。 从上个世纪九十年代起逐渐有人开始将人工神经网络应用到空气质量预测领域。人 工神经网络是起源于二十世纪四十年代、兴起于八十年代的一种仿生科学，它是建立在 现代神经生物学研究基础上，经过不断的研究、不断地探索而发展出的一种模拟生物神 经网络信息处理方式的网络。在将近八十年的不断摸索、逐渐成长中，神经网络已经渐 渐发展成为一个面向多方向、集成多学科、将多个学科进行高度融合的一个综合性的学 科 luI。 如今，它在各个不同领域都得到了广泛的应用，例如：模式识别与处理、数据分 析、智能机器人控制、图像处理等多个前沿领域。 近些年来，人工神经网络作为一种适用于各类非线性系统且具有自适应学习能力的

36、 分析工具，已经在各个领域迅速发展并得到广泛应用 同样其在空气环境预测领域的 也得到了更多更专业的人士的关注、逐渐被重视起来，其主要被应用在：空气中二氧化 硫浓度预测、臭氧浓度预测、空气中污染物总量预测等几个方向。但由于 PM2.5 的成因 及其复杂、成分多变，且其受地域、季节、气象影响极大，且神经网络在处理该类问题 时的表现并不十分完美，故在进行 PM2.5 质量浓度这类预测问题时神经网络还有非常大 的可供发展的空间。 1.2.1 国外研究现状 西方发达国家从二十世纪五十年代起就开始了对空气质量预测的理论研究，六十年 代起开始进行对空气质量的定性分析，八十年代起开始进行对空气质量预测定量分析

37、， 但其最早的应用研究还应从八十年代末起 1131。 1989 年荷兰开始研究空气质量浓度预测方法，并逐渐在全国范围内建立试点； 1993 年Boznar 等人使用神经网络对 Slovenia 的一个大型火电站附近一定区域内的 SCh 质量浓 度进行了基于神经网络的预测，并将其与基于大气扩散模式的预测结果进行对比，表明 后者更优； 1996 年 Yi 等人采用 03、 C02、 N0X、 当闩最高温度、风向、风速等作为特征 因子，建立了用于预测北美工业区 3浓度的多层感知器模型，其预测结果要优于传统的 统计回归模型； 1998 年 W.Gardner， S.R.Dorling 使用神经网络构建

38、模型对伦敦市空气污 染物浓度进行预测，通过比较证明其结果要优于回归模型； 1999 年 S 丄 .Recih 等人也应 用神经网络模型进行空气中的不明污染物的模拟牛成及预测仿真，其研究取得了十分不 错的成果；2000 年 Pelliccioni 等人在 CO、 N02浓度预测引入了三层 BP 神经网络模型， Sang 等人建立 BP 神经网络模型预测汉城大气中的 03浓度； 2002 年 Ahas B.chelnai 等人 建立了含有单层隐含层的递归神经网络模型来预测 so2浓度，预测结果证明相较于残差 分布正态预测神经网络的性能更好； 2004 年 Ruiz-SusearJ.C 等人采用 B

39、AM 和 HAM 两 3 陕西科技大学硕士学彳、 :论文 种神经网络模型对墨西哥空气中 3 浓度进行预测，结果这名这两种预测方式都能做出合 理的预测结果 |M 在美国展开大气污染预报实验的同时，英国、円本、丹麦、前苏联等 国象也开展了空气质量的研究及预报工作。 美国环保局于上世纪七八十年代率先开始了对空气质量进行评价的工作，当时采用 的的标准是 PSI， 即污染标准指数。其空气质量预测模型到目前为止已经经过了三代 的更替。如今美国采用空气质量指数 AQI， 去对空气进行评判，而预测模型则使用 的是第三代“ 区域多尺度空气质量模型 ” 一 CMAQ。 1.2.2 国内研究现状 我国在空气污染物预

40、报领域的起步较晚，大约始于二十世纪八十年代，此时北京、 天津、昆明、沈阳、南京等地在当地政府的支持下率先开始了空气污染物预报的研究， 并取得了一定的成果。 1997 年李祚泳等人提出一种可以加快 BP 神经网络学习速度的算法，并运用其建立 某市 S02质量浓度预测的模型，这是当时国内第一个在人工神经网络基础上建立的的大 气污染物浓度预测模型； 2000 年刘罡、李听等人在对神经网络处理混蚀时间序列问题的 内在确定性和规律性的能力进行分析后，使用 RBF 神经网络建立 N x和 03的日均值预 测模型； 2002年王俭使用 BP 神经网络将大气污染物和气象要素作为输入量，对大气污 染物 S 2含量进行预报，证明了训练后的 BP 神经网络具有定的泛化能力； 2003 年万 显列等人利用当时的研究热点 人工神经网络，构建了臭