基于灰狼群智能最优化的神经网络PM2.5浓度预测

• 作者: 张博 楼文高 石峰
• 来源期刊: 计算机应用
• 学科: 地球科学
• 关键词: 灰狼优化算法 BP神经网络 PM2.5浓度预测 预测模型 空气污染物
• 年，卷（期）: 2017,（10）
• 所属期刊栏目: 人工智能
• 页码范围: 2854-2860
• 页数: 7页
• 分类号: TP183|TP181|X823
• 字数: 9374字
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2017.10.2854

摘要

针对目前PM2.5浓度测量成本高和测量过程繁杂等问题,建立了基于灰狼群智能最优化算法的神经网络预测模型.从非机理模型的角度,结合气象因素和空气污染物对上海市的PM2.5浓度进行预测,并使用平均影响值分析了影响PM2.5浓度的重要因素.使用灰狼群智能算法优化神经网络的过程中,引入了检验样本实时监控训练过程以避免发生“过训练”现象,确保建立的神经网络模型具有较好的泛化能力.实验结果表明:PM10对PM2.5的影响最为显著,其次是CO和前一天PM2.5.选取2016年11月1日--12日的数据进行验证,其平均相对误差为13.46％,平均绝对误差为8 μg/m3,与粒子群算法优化的神经网络、BP神经网络模型及支持向量回归(SVR)模型的误差相比,平均相对误差分别下降了约3个百分点、5个百分点和1个百分点.因此,使用灰狼算法优化的神经网络更适合上海市PM2.5浓度的预测和空气质量的预报.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	楼文高	上海理工大学光电信息与计算机工程学院	63	538	13.0	19.0
5	张博	上海理工大学出版印刷与艺术设计学院	33	211	9.0	13.0
6	石峰	上海理工大学光电信息与计算机工程学院	1	13	1.0	1.0