联合水汽因子的GA-BP神经网络PM2.5质量浓度预测
来源期刊：桂林理工大学学报2019年第2期
论文作者：刘林波 刘立龙 黎峻宇 黄良珂 周威 杨晓芳
文章页码：420 - 426
关键词：GPS-PWV;PM2.5;GA-BP神经网络;相关性;相对误差;
摘 要：针对北京地区频繁的雾霾灾害天气,利用影响雾霾的主要因素作为预报因子,采用遗传算法优化后的BP（GA-BP）神经网络建立了PM2.5质量浓度预测模型,并对其进行可靠性分析。结果表明:1)通过CMONOC数据和相关气象温度、气压数据反演得到的3个CMONOC站点BJFS、 BJGB、 BJSH的大气水汽（GPS-PWV）数据与PM2.5质量浓度之间的相关系数分别为0.642 2、 0.644 1、 0.641 3,呈中度相关; 2)在预报因子不同的条件下, GA-BP神经网络模型均比BP神经网络的预测值精度更高; 3)利用CO、 NO2、 SO2、 O3、湿度等5种主要影响因素作为预报因子,采用GA-BP神经网络模型预测的PM2.5数据,其平均相对误差为11.0%,将这5种因素分别结合同一时段3个站点的GPS-PWV数据作为预报因子进行预测,其平均相对误差分别降低了2.8%、 0.8%、 3%; 4)联合GPS-PWV数据与影响雾霾天气的主要因素,基于GA-BP神经网络预测的PM2.5值具有相对较好的精度和可靠性。
刘林波，刘立龙，黎峻宇，黄良珂，周威，甘祥前
摘 要：针对北京地区频繁的雾霾灾害天气,利用影响雾霾的主要因素作为预报因子,采用遗传算法优化后的BP（GA-BP）神经网络建立了PM2.5质量浓度预测模型,并对其进行可靠性分析。结果表明:1)通过CMONOC数据和相关气象温度、气压数据反演得到的3个CMONOC站点BJFS、 BJGB、 BJSH的大气水汽（GPS-PWV）数据与PM2.5质量浓度之间的相关系数分别为0.642 2、 0.644 1、 0.641 3,呈中度相关; 2)在预报因子不同的条件下, GA-BP神经网络模型均比BP神经网络的预测值精度更高; 3)利用CO、 NO2、 SO2、 O3、湿度等5种主要影响因素作为预报因子,采用GA-BP神经网络模型预测的PM2.5数据,其平均相对误差为11.0%,将这5种因素分别结合同一时段3个站点的GPS-PWV数据作为预报因子进行预测,其平均相对误差分别降低了2.8%、 0.8%、 3%; 4)联合GPS-PWV数据与影响雾霾天气的主要因素,基于GA-BP神经网络预测的PM2.5值具有相对较好的精度和可靠性。
关键词：GPS-PWV;PM2.5;GA-BP神经网络;相关性;相对误差;
