基于灰色神经网络模型AQI指数预测开题报告
2022-01-14 20:44:30
全文总字数：1934字
1. 研究目的与意义及国内外研究现状
本课题研究是空气质量指数AQI的预测模型。结合空气质量监测数据如SO2,CO,O3,NO2,以及风速，温度，湿度等气象因子与AQI指数进行灰色关联分析，选择相关程度较高作为预测的输入变量，运用灰色预测和神经网络相结合的组合预测方式，得到更好的预测效果。
通过对AQI指数预测的研究可以了解当前空气质量状态及变化趋势，分析AQI生成的原因，为相关政府部门提供有效数据，协助制定有效地预防措施，控制空气质量，更好的为社会公众服务，实现更长远的社会发展。
国内外研究现状
| 西方发达国家对空气质量的应用研究从八十年代起，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Slovernia的大型火电站附近一定区域的SO2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，后者更优，2002年Ahas Bchelnai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太预测神经网络性能更好，2004年Ruiz-Susear等人采用BAM和HAM两种神经网络模型对墨西哥空气中O3浓度进行预测，结果这两种预测方式都能做出合理的预测结果。 我国在空气污染物预报领域起步较晚，大约始于二十世纪八十年代，此时北京，昆明，沈阳，南京等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方法，并运用其建立某市S02质量浓度预测的模型；2000年，刘罡,李昕等人在堆神经网络处理混沌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NOX和O3的日均值预测模型；2006年陈柳，马广大等人根据SO2浓度的变化进行分析，使用主成分分析法对网络进行输入量降维，使用提前终止法防止网络训练过程中产生过拟合，最终使用小波神经网络对S02进行预测。
|
2. 研究的基本内容
本文应用了灰色模型与BP神经网络相结合的组合预测模型。首先建立灰色关联模型，选取AQI指数最为相关的影响变量，并将其在南京市4月15号3:00至13:00实时浓度序列分别建立灰色GM(1,1)模型，得到未来7小时的影响因素的预测值，通过对4月12号至4月14号的108组样进行神经网络训练，将GM(1,1)的预测结果作为输入变量带入学习完成的神经网络中，得到未来7小时AQI的预测值，通过与单一灰色预测模型进行预测对比，组合预测的平均相对误差为8.4%优于单一模型，该方法综合了GM预测所需原始数据少且简单以及BP神经网络具有非线性拟合的特点。
3. 实施方案、进度安排及预期效果
实施方案：首先对获取的数据进行简单处理，获取空气环境污染物历史监测数据，会出现偶然的异常数据，比如监测数据全为0的空数据，在使用前进行剔除，再对剔除后的数据进行归一化处理，让不同量级的数据在同一范围内取值，再对数据集进行划分为训练集和测试集，通过构建的组合预测进行计算，选择matlab为主要工具。
进度：
2018.12.10-2019.1.20 有关文献，确定论文题目，对论文进行构思，填写毕业论文任务书
4. 参考文献
| [1]牛玉霞.基于遗传算法和BP神经网络的空气质量预测模型研究[J].软件,2017,38(12):49-53. [2]付彦丽. 基于神经网络的PM2.5质量浓度预测研究[D].陕西科技大学,2016. [3]李世峰,邱占芝.基于遗传BP网络的城市空气质量等级预测[J].大连交通大学学报,2015,36(04):105-108. [4]李世峰,邱占芝.基于遗传BP网络的城市空气质量等级预测[J].大连交通大学学报,2015,36(04):105-108. [5]阳其凯,张贵强,张竞铭.基于遗传算法与BP神经网络的PM2.5发生演化模型[J].计算机与现代化,2014(03):15-18 7.
|
