空气污染预警等级变化-霾预警究竟该由谁发布
郭雪白 任朝栋 田力
摘 要：利用郑州市2015—2016年24小时的大气污染监测数据和气象数据，分析郑州市空气质量随季节变化的分布特性。利用线型相关系数分析，寻找显著相关因素，通过径向基神经网络构建大气污染预测模型，对郑州市2017年的PM2.5、PM10、SO2、NO2污染物7*24小时的浓度进行预测，并与各污染物实际监测值进行对比分析。实验结果证明，利用线型相关系数进行相关因素的分析能够很好地提高预测准确度；利用RBF神经网络的预测结果比传统的BP神经网络预测的结果更加准确。
关键词：BP人工神经网络；径向基神经网络（RBF）；线性相关系数
中图分类号：X831 文献标识码：A 文章编号：1671-0037（2018）2-33-4
Abstract： Use the air pollution data and meteorological data monitored in 24 hours of Zhengzhou city from 2015 to 2016， the distribution characteristics of Zhengzhou city's air quality with the seasons change were analyzed. Linear correlation coefficient analysis was used to find significant correlation factors， air pollution prediction model was constructed by Radial basis neural network， the concentration of PM2.5 and PM10， SO2， NO2 pollutants was predicted in 7*24 hours in 2017 in Zhengzhou city， and they were compared and analyzed with the real monitoring values of various pollutants. The experimental results show that using linear correlation coefficient for correlation factor analysis can improve the prediction accuracy very well. The prediction results of RBF neural network were more accurate than those of BP neural network.
Key words： BP artificial neural network； RBF； linear correlation coefficient
目前我国的空气质量预报模型主要还是回归统计模型[1]，由于该模型具有较强的局限性，因此它的预测精度不高。人工神经网络可有效地解决不确定、多输入等复杂的非线性问题，故在人工智能、自动控制和模式识别等多种领域取得显著的成果[2-3]。在空气质量预测的研究也有些进展，现有的研究多基于反向传播（Back Propagation，BP）算法的人工神经网络建立空气污染物的预测模型[4]。
根据郑州市气象数据及空气质量监测数据，应用BP和RBF神经网络分别建立SO2、NO2、PM2.5和PM10[5]这4种污染物浓度的预测模型。应用线型相关系数法分析选出关联度较高的因素作为神经网络的输入节点，然后应用神经网络对各污染物浓度进行预测。对两种网络模型的预测精度进行对比，为人工神经网络在城市空气质量预报的有效应用探索新途径。
1 相关算法介绍
1.1 BP神经网络
BP神经网络发展比较成熟、应用比较广泛。常用的3层BP神经网络由输入层、隐含层和输出层组成，其网络结构如图1所示。BP神经网络的学习過程包括信号正向传播和误差反向传播2个阶段。信号正向传播用于网络计算，由输入求出其输出；误差反向传播用于计算实际输出与期望输出之间的误差，将误差值沿网络反向传播并修正连接权值。通过对网络权值与阈值的修正，使误差沿负梯度方向下降至低于预设值，从而使网络预测输出不断逼近期望输出，最终实现从输入到输出的任意非线性映射。
BP神经网络具有良好的非线性逼近能力，在预测领域中应用广泛。BP神经网络训练样本的选取对于神经网络的泛化能力具有较大的影响。BP神经网络建模过程是将所有资料作为一个样本集进行。而在实际应用中，样本数据的产生与多种因素有关，有其内在的特征和规律性。缺乏对样本数据的内在规律和特征的认识，而仅是通过样本数量的累加和网络的反复训练，不仅耗费大量的时间，而且网络的预测精度得不到实质性的提高。另外，BP神经网络的神经元个数和学习速率都是固定的，因此，训练速度和精度都比较差。
1.2 RBF神经网络
径向基函数（Radial Basis Function，RBF）神经网络是一种性能良好的前向网络，具有最佳逼近、训练简洁、学习收敛速度快以及克服局部最小值问题的性能。RBF神经网络的基本思想是用径向基函数（RBF）作为隐单元，的“基”，构成隐含层的空间，隐含层对输入矢量进行变换，将低维的模式输入数据转换到高维空间内，使得在低维空间内的线性不可分问题在高维空间内线性可分。
RBF神经网络结构与多层前向网络类似，它一般由输入层、隐含层和输出层构成。第一层为输入层：由信号源节点组成，传递信号到隐层。第二层为隐含层：隐含层节点的变换函数是对中心点径向对称且衰减的非负非线性函数。第三层为输出层：一般是简单的线性函数，对输入模式做出响应。
RBF神经网络是一种性能优良的前馈型神经网络，RBF网络可以任意精度逼近任意的非线性函数，且具有全局逼近能力，从根本上解决了BP网络的局部最优问题，而且拓扑结构紧凑，结构参数可实现分离学习，收敛速度快。
2 样本分析及處理
2.1 数据来源及选择
研究采用的数据资料为2015—2016年郑州市24小时的空气质量数据和气象数据。SO2、NO2、PM2.5和PM10这4种污染物浓度由位于郑州市的某环境监测点测得，包括每小时的CO、NO2、SO2、O3、PM2.5和PM106种污染物。气象数据来自于郑州市气象局，包括每小时的气温、气压、相对湿度、降水量、风速5个气象要素。将四季的气象数据和空气质量数据绘制成曲线图，如图2和图3所示，从图中可以看出，每个季节的温度变化相对稳定，降雨量整体较少。
2.2 数据预处理
从图2和图3可见，各项气象数据及空气污染数据的量纲不等，且数值大小差异明显，如气压的数值高达103，而风速和降水量的数值只有101。为了避免不同因子之间量纲和数值大小的差异而产生模型训练误差，必须对气象数据和空气质量数据进行标准化处理，使处理后的数据分布在[0，1]之间，标准化公式如下：
2.3 各因素相关性分析
利用线型相关系数分析筛选和确定影响空气污染物浓度的因子，根据筛选出的输入因子训练和建立污染物预测模型。线型相关系数分析公式如下：
分析了2015—2016年每日24小时的气象数据以及同期的空气质量监测数据，利用MATLAB对SO2、NO2、PM2.5和PM10 4项污染物因子与每日各气象因子及昨日空气质量因子之间的相关性进行分析，确定影响预测4项污染物的因子。通过分析，共有11项因子对模型预测相关，各因子如表1所示：
以春季为例，借助MATLAB对数据进行线型相关性分析，可得到SO2、NO2、PM2.5和PM10 4项污染物因子与各影响因子之间的相关系数矩阵，最终确定四个季节每种空气污染物输入因子如表2所示：
3 预测结果及分析
以春季训练结果为例，根据线型相关系数的分析，将SO2、NO2、PM2.5和PM10各项相关因子作为输入，分别利用BP和RBF神经网络进行训练，并利用训练的网络对2017年3月的24小时数据进行预测，各项空气污染物的实际检测值和BP、RBF预测的浓度进行比较，结果如图4-7所示。
3.1 SO2两种网络模型预测结果
3.2 NO2两种网络模型预测结果
3.3 PM2.5两种网络模型预测结果
3.4 PM10两种网络模型预测结果
从图中可以看出，两种算法都较好地预测了空气污染物的浓度。但是，BP神经网络预测误差有高频出现，也就是有部分值存在较大的差别，而RBF神经网络则相对集中，误差控制在一定范围内，因此，RBF神经网络不仅减少了局部最优解的出现，而且也使预测准确率得到了提升。
4 结论
在四季模型中，以春季模型为例，通过对BP和RBF神经网络的训练对比发现，RBF对于4种污染物预报精度都高于传统的BP神经网络。由于RBF网络可以任意精度逼近任意的非线性函数，具有全局逼近能力，可以很好地克服BP神经网络局部最优解的缺点，同时通过RBF网络的学习速率是不断变化的，因此训练速度要比BP神经网络速度快。
虽然RBF具有比较高的预测精度，但是还是没有达到理想的效果，后续我们将会对算法进行优化，或者寻求更好的算法来实现预测精度的提高。
参考文献：
[1] 赵宏，刘爱霞，王恺，等.环境空气SO2和NO2浓度的GA_ANN预测模型研究.计算机工程与应用，2010（8）：199-201.
[2] Cobaner M， Citakoglu H，Kisi O， et al. Estimation of mean monthly air temperatures in Turkey[J].Computers and Electronics in Agricluture，2014（109）：71-79.
[3] Westerlund J， Urbain J P， Bonilla J. Application of air quality combination forecasting to Bogota[J].Atmospheric Environment，2014（89）：22-28.
[4] 杨晓帆，陈廷槐.人工神经网络固有的优点和缺点[J].计算机科学，1994（2）：23-26.
[5] 石灵芝，邓启红，路婵，等.基于BP人工神经网络的大气颗粒物PM10质量浓度预测[J].中南大学学报（自然科学版），2012（5）：1969-1974.
