基于GA-BP神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量指數(shù)預(yù)測(cè)研究

吳慧靜, 赫曉慧

(1.河南省農(nóng)業(yè)科學(xué)院 經(jīng)濟(jì)作物研究所,河南 鄭州 450002;2.鄭州大學(xué) 智慧城市研究院,河南 鄭州 450052)

近年來(lái)，隨著城市的不斷擴(kuò)展，經(jīng)濟(jì)的快速發(fā)展以及人口的不斷增長(zhǎng)，城市環(huán)境問(wèn)題越來(lái)越突出，也越來(lái)越受到廣泛的關(guān)注?？諝赓|(zhì)量預(yù)報(bào)的發(fā)布能夠?yàn)榄h(huán)保部門(mén)及時(shí)了解城市空氣質(zhì)量未來(lái)變化趨勢(shì)提供科學(xué)依據(jù)[1]，對(duì)嚴(yán)重污染日及時(shí)作出預(yù)警，對(duì)大氣污染采取限制措施，減輕對(duì)市民健康的危害，因此，建立空氣質(zhì)量預(yù)測(cè)模型對(duì)城市環(huán)境治理工作非常必要[2]。

目前，傳統(tǒng)的空氣質(zhì)量預(yù)測(cè)方法包括數(shù)理統(tǒng)計(jì)、多元線(xiàn)性回歸模型、時(shí)間序列、灰色系統(tǒng)等預(yù)測(cè)方法[3]?？諝赓|(zhì)量受天氣因素、大氣污染物的影響較大，具有明顯的非線(xiàn)性、不確定特征，傳統(tǒng)的預(yù)測(cè)方法很難得到有效的預(yù)測(cè)結(jié)果。神經(jīng)網(wǎng)絡(luò)可以建立復(fù)雜的非線(xiàn)性模型，從而能夠更好的實(shí)現(xiàn)對(duì)空氣質(zhì)量的預(yù)測(cè)，是目前公認(rèn)的最準(zhǔn)確有效的監(jiān)測(cè)方法之一。但是單一BP神經(jīng)網(wǎng)絡(luò)在搜索較大的解空間時(shí)，容易陷入局部最優(yōu)，影響預(yù)測(cè)結(jié)果[4]。基于遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)能夠很好的解決此問(wèn)題，預(yù)測(cè)結(jié)果具有更高的準(zhǔn)確度和精度。

近年來(lái)，許昌市建成區(qū)面積不斷擴(kuò)大，市區(qū)人口不斷增加，工業(yè)迅速發(fā)展，機(jī)動(dòng)車(chē)數(shù)量快速增長(zhǎng)，污染物排放量不斷增大[5]，空氣質(zhì)量問(wèn)題越來(lái)越突出。研究許昌市空氣質(zhì)量狀況，建立許昌市空氣質(zhì)量預(yù)警預(yù)測(cè)模型，對(duì)許昌市污染防治工作具有重大的意義[6]。本文利用改進(jìn)的神經(jīng)網(wǎng)絡(luò)，對(duì)許昌市空氣質(zhì)量指數(shù)AQI及空氣質(zhì)量等級(jí)進(jìn)行預(yù)測(cè)，為城市環(huán)境綜合治理和規(guī)劃提供參考。

1 研究區(qū)概況

1.1 研究區(qū)概況

許昌市位于河南省中部，北距鄭州80公里。東鄰周口市，西交平頂山市，南界漯河市。介于東經(jīng)113°03′～114°190′、北緯33°16′～34°24′之間。屬暖溫帶季風(fēng)區(qū)，氣候溫和，春季干旱多風(fēng)沙，夏季炎熱雨集中，秋季晴和日照長(zhǎng)，冬季寒冷少雨雪，歷年平均氣溫在14.3～14.6℃，平均降雨量在67.1～736.0mm。全境總面積4996平方公里，許昌市區(qū)建成區(qū)面積45.8平方公里，市區(qū)人口48萬(wàn)人。

2 數(shù)據(jù)來(lái)源與研究方法

2.2 空氣質(zhì)量分級(jí)標(biāo)準(zhǔn)

2012年上半年，國(guó)家出臺(tái)《環(huán)境空氣質(zhì)量指數(shù)(AQI)技術(shù)規(guī)定(試行)》規(guī)定，將用空氣質(zhì)量指數(shù)(AQI)替代原有的空氣污染指數(shù)(API)。AQI共分六級(jí)，從一級(jí)優(yōu)，二級(jí)良，三級(jí)輕度污染，四級(jí)中度污染，直至五級(jí)重度污染，六級(jí)嚴(yán)重污染[7]。具體見(jiàn)表1。

2.1 數(shù)據(jù)來(lái)源

本文中研究數(shù)據(jù)來(lái)源于許昌市環(huán)境保護(hù)局，包括空氣質(zhì)量指數(shù)AQI日均值數(shù)據(jù)和天氣數(shù)據(jù)。時(shí)間周期從2015年1月到2017年4月。天氣數(shù)據(jù)包括天氣狀況、最低溫度、最高溫度、風(fēng)速和風(fēng)向日均值數(shù)據(jù)。經(jīng)過(guò)剔除缺值日和無(wú)效數(shù)據(jù)，共計(jì)730d的日平均數(shù)據(jù)。

表1 空氣質(zhì)量指數(shù)級(jí)別和類(lèi)別

圖1 三層BP神經(jīng)網(wǎng)絡(luò)模型Fig.1 The model of three layer BP neural network

2.3 神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是基于BP算法的多層前饋網(wǎng)絡(luò)，具有非線(xiàn)性動(dòng)力學(xué)的特點(diǎn)。BP算法通過(guò)輸入、輸出數(shù)據(jù)樣本集，根據(jù)誤差反向傳遞的原理，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其學(xué)習(xí)過(guò)程包括信息的正向傳播過(guò)程以及誤差的反向傳播這兩個(gè)過(guò)程，對(duì)其反復(fù)訓(xùn)練，連續(xù)不斷地相對(duì)誤差函數(shù)梯度下降的方向上，對(duì)網(wǎng)絡(luò)權(quán)值和偏差的變化進(jìn)行計(jì)算，逐漸逼近目標(biāo)。典型的BP神經(jīng)網(wǎng)絡(luò)由一個(gè)輸入層(多個(gè)輸入值)、至少一個(gè)隱含層和一個(gè)輸出層(多個(gè)輸出值)組成。結(jié)構(gòu)如圖1所示。

需要說(shuō)明的是激活函數(shù)包括S型函數(shù)和雙曲正切函數(shù)兩種，它們都是連續(xù)、單調(diào)遞增的數(shù)值函數(shù)，只是值域的不同，前者的值域?yàn)?0，1)，后者的值域?yàn)?-1,1)。具體采用哪個(gè)函數(shù)需要根據(jù)輸入/輸出關(guān)系來(lái)確定。S型函數(shù)值域?yàn)?0，1)，適應(yīng)于輸出結(jié)果不含有負(fù)值的情況。本文研究的輸出結(jié)果AQI不含有負(fù)值，所以可直接采用S型函數(shù)?；诖顺霭l(fā)點(diǎn)，BP網(wǎng)絡(luò)模型的主要算法簡(jiǎn)單描述如下：

(1)神經(jīng)元采用激活函數(shù)

(1)

其中：x為函數(shù)輸入。激活函數(shù)適用隱含層、輸出層神經(jīng)元。

計(jì)算模型隱含層連接權(quán)值的調(diào)整

(2)

由于

(3)

所以有

Δckl=Δdkjdkj(1-OMk)OIl

(4)

輸出神經(jīng)元閾值的調(diào)整可以表示為

(5)

其中：(0<β<1)令β=0.5。

計(jì)算閾值調(diào)整量：

(6)

2.4 遺傳算法

遺傳算法[8]起源于20世紀(jì)60年代,是模仿生物學(xué)和自然選擇機(jī)理來(lái)建立的具有強(qiáng)大功能的算法，它是人工智能領(lǐng)域的一個(gè)重要分支，是通過(guò)構(gòu)造優(yōu)化搜索算法，來(lái)進(jìn)行數(shù)學(xué)仿真，通常將它們運(yùn)用到復(fù)雜的優(yōu)化問(wèn)題上，步驟如下[9]:(1)依據(jù)實(shí)際解空間的編碼方式對(duì)初始群體進(jìn)行編碼；(2)計(jì)算出群體每個(gè)個(gè)體的適應(yīng)值，并選擇出適應(yīng)度函數(shù)值大的個(gè)體進(jìn)入下一代；(3)根據(jù)交叉率執(zhí)行交叉操作；(4)根據(jù)變異率執(zhí)行變異操作；(5)如果沒(méi)有達(dá)到終止的條件，選擇出適應(yīng)度函數(shù)數(shù)值最大的個(gè)體作為問(wèn)題的最優(yōu)解。(6)進(jìn)化完畢后，選擇出適應(yīng)度函數(shù)數(shù)值最大的個(gè)體作為問(wèn)題的最優(yōu)解。

2.5 遺傳算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)算法容易陷入誤差函數(shù)局部極小值，且收斂速度較慢，遺傳算法具有全局搜索的功能[10]，因此，我們可以利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，將優(yōu)化后的權(quán)值和閾值賦值給BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型獲得最優(yōu)解，發(fā)揮BP神經(jīng)網(wǎng)絡(luò)的局部搜索能力和全局搜索能力的優(yōu)勢(shì)。

3 預(yù)測(cè)仿真

3.1 數(shù)據(jù)預(yù)處理

本文采用的數(shù)據(jù)包括2015年1月—2017年4月的空氣質(zhì)量指數(shù)AQI日平均數(shù)據(jù)和同期氣象數(shù)據(jù)，剔除缺值、無(wú)效值共有730天的數(shù)據(jù)。

同期的氣象數(shù)據(jù)包括天氣狀況、溫度、風(fēng)力、風(fēng)向等因子。部分原始?xì)庀髷?shù)據(jù)見(jiàn)表2。

其中天氣狀況一共分為14種，包括晴、多云、陰、霧、小雨等。首先對(duì)氣象原始數(shù)據(jù)中的天氣狀況進(jìn)行數(shù)據(jù)數(shù)值化。天氣狀況數(shù)值化是從天氣條件對(duì)AQI影響的角度考慮的，舉例來(lái)說(shuō)，在本研究中將“中雨/中雪/雨夾雪”對(duì)于AQI的影響視為等同，所以都數(shù)值化為4，其它數(shù)值化原理相同，具體設(shè)置見(jiàn)表3。

表2 部分原始?xì)庀髷?shù)據(jù)

氣象數(shù)據(jù)中的風(fēng)向一共有九種，包括無(wú)持續(xù)風(fēng)向、東風(fēng)、西風(fēng)、南風(fēng)、北風(fēng)等。對(duì)風(fēng)向的數(shù)值化設(shè)置具體見(jiàn)表4。

表3 天氣狀況數(shù)值化

Table 3 Numerical simulation of weather conditions

數(shù)值天氣狀況1晴/多云2陰/霧3小雨/小雪4中雨/中雪/雨夾雪5陣雨/雷陣雨/大雨/暴雨/暴雪

氣象數(shù)據(jù)中的風(fēng)力根據(jù)等級(jí)大小，我們分為4類(lèi)。風(fēng)力較小時(shí)，對(duì)空氣質(zhì)量狀況影響較小，因此，小于3級(jí)為一個(gè)等級(jí)。對(duì)于風(fēng)力在5級(jí)以上的情況下，考慮兩點(diǎn)，一是在許昌地區(qū)出現(xiàn)風(fēng)力大于5級(jí)的情況在歷史天氣數(shù)據(jù)中并不多見(jiàn)，二是風(fēng)力達(dá)到5級(jí)以上時(shí)，AQI均表現(xiàn)為優(yōu)良天氣，可以將風(fēng)力對(duì)AQI的貢獻(xiàn)視為等同。風(fēng)力的具體數(shù)值化設(shè)置見(jiàn)表5。

表4 風(fēng)向數(shù)值化

表5 風(fēng)力數(shù)值化

對(duì)于數(shù)值化之后的氣象數(shù)據(jù)，進(jìn)行歸一化處理，歸一化后的數(shù)據(jù)分布在[-1,1]區(qū)間內(nèi)。歸一化后的部分?jǐn)?shù)據(jù)見(jiàn)表6。

3.2 模型建立

空氣污染物的積累和擴(kuò)散受天氣條件的影響，在污染源排放量無(wú)明顯變化時(shí)，溫度、氣壓、風(fēng)速、降水等氣象條件對(duì)城市空氣質(zhì)量有著重要的影響[11]。預(yù)測(cè)模型將污染物的排放量視為不變，考慮天氣條件的變化對(duì)污染物的稀釋擴(kuò)散作用，根據(jù)當(dāng)天天氣預(yù)報(bào)的數(shù)據(jù)和前一天的空氣質(zhì)量數(shù)據(jù)，對(duì)當(dāng)天的空氣質(zhì)量進(jìn)行預(yù)測(cè)。

表6 數(shù)據(jù)歸一化結(jié)果

本模型為預(yù)測(cè)當(dāng)天的空氣質(zhì)量指數(shù)，利用前一天空氣質(zhì)量指數(shù)及當(dāng)天天氣狀況(最低溫度、最高溫度、風(fēng)向、風(fēng)速和天氣狀況)建立模型。將前一天的空氣質(zhì)量指數(shù)和當(dāng)天的天氣預(yù)報(bào)數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，將當(dāng)天的空氣質(zhì)量指數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸出，用該模型對(duì)空氣質(zhì)量指數(shù)及空氣質(zhì)量等級(jí)進(jìn)行預(yù)測(cè)。

預(yù)測(cè)模型的輸入層設(shè)置為6維，分別為前一天AQI的值、當(dāng)天天氣狀況、當(dāng)天最高溫度、當(dāng)天最低溫度、當(dāng)天風(fēng)速和當(dāng)天風(fēng)向。輸出為1維，為當(dāng)天AQI的值。隱含層的層數(shù)通過(guò)經(jīng)驗(yàn)公式(見(jiàn)公式(7))和試錯(cuò)法確定，最終確定隱含層節(jié)點(diǎn)為4時(shí)，相對(duì)誤差最小。經(jīng)驗(yàn)公式如下：

(7)

其中，n為輸入層節(jié)點(diǎn)數(shù)，m為輸出層節(jié)點(diǎn)數(shù)，a為1～10之間的常數(shù)。最終確定的網(wǎng)絡(luò)結(jié)構(gòu)為6-4-1(見(jiàn)表7)。

根據(jù)確定的網(wǎng)絡(luò)結(jié)構(gòu)和初始權(quán)值和閾值進(jìn)行實(shí)數(shù)編碼，遺傳算法的種群個(gè)體包含BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，由前面確定的輸入層R=6，S1=4，S2=1，根據(jù)公式：

S=R*S1+S1*S2+S1+S2

(8)

表7 BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)結(jié)構(gòu)

圖2 GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型Fig.2 GA-BP neural network prediction model

計(jì)算出遺傳算法的編碼長(zhǎng)度為33。將AQI實(shí)際值與預(yù)測(cè)值的誤差平方和的倒數(shù)作為適應(yīng)值，通過(guò)輪盤(pán)賭法進(jìn)行選擇，單點(diǎn)實(shí)數(shù)交叉法進(jìn)行交叉，最后確定適應(yīng)值最優(yōu)的個(gè)體，即確定最優(yōu)權(quán)值和閾值，計(jì)算出AQI實(shí)際值與預(yù)測(cè)值的誤差。遺傳算法的種群規(guī)模設(shè)置為100，進(jìn)化次數(shù)設(shè)置為30次。變異概率為0.1，交叉概率為0.2。優(yōu)化過(guò)程如圖2所示。

3.3 結(jié)果分析

3.3.1 空氣質(zhì)量指數(shù)預(yù)測(cè) 首先通過(guò)rand()函數(shù)對(duì)730天的數(shù)據(jù)進(jìn)行隨機(jī)排序，隨機(jī)選取650天的數(shù)據(jù)作訓(xùn)練樣本，80天的數(shù)據(jù)作測(cè)試樣本。在MATLAB 2014r進(jìn)行預(yù)測(cè)仿真。結(jié)果見(jiàn)圖3、圖4。

從圖3、圖4可以看出，預(yù)測(cè)輸出與期望輸出的大致走勢(shì)一致，但是存在一定的誤差，為了更精確的評(píng)價(jià)預(yù)測(cè)結(jié)果，我們利用平均相對(duì)誤差和準(zhǔn)確率對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)，其中準(zhǔn)確率的計(jì)算公式為

(9)

其中，Q為準(zhǔn)確率，y1為預(yù)測(cè)輸出，y2為期望輸出。

空氣質(zhì)量指數(shù)預(yù)測(cè)結(jié)果對(duì)比分析見(jiàn)表8。

通過(guò)對(duì)比統(tǒng)計(jì)分析發(fā)現(xiàn)，在空氣質(zhì)量指數(shù)預(yù)測(cè)方面，BP神經(jīng)網(wǎng)絡(luò)平均相對(duì)誤差為0.2452，GA-BP神經(jīng)網(wǎng)絡(luò)平均相對(duì)誤差為0.2263，改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)平均相對(duì)誤差低于單一的BP神經(jīng)網(wǎng)絡(luò)。改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率為80.44%，相對(duì)于單一的BP神經(jīng)網(wǎng)絡(luò)，提高了4%。改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)在準(zhǔn)確度方面優(yōu)于單一的BP神經(jīng)網(wǎng)絡(luò)。

圖3 優(yōu)化前的輸出 圖4 優(yōu)化后的輸出 Fig.3 Output of before optimization Fig.4 Output of after optimization

為了更好地得知預(yù)測(cè)結(jié)果，根據(jù)預(yù)測(cè)結(jié)果，分別作出BP神經(jīng)網(wǎng)絡(luò)和優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出與期望輸出的回歸曲線(xiàn)，見(jiàn)圖5、圖6。這里需要說(shuō)明的是，在訓(xùn)練數(shù)據(jù)不足或者維度特征過(guò)于復(fù)雜的情況下，會(huì)出現(xiàn)過(guò)擬合現(xiàn)象及欠擬合現(xiàn)象。本文的研究中，實(shí)驗(yàn)數(shù)據(jù)周期歷時(shí)兩年，有足夠的訓(xùn)練數(shù)據(jù)，而且天氣現(xiàn)象的屬性維度只有最低溫度、最高溫度、風(fēng)向、風(fēng)速和天氣狀況等5個(gè)維度，訓(xùn)練過(guò)程和實(shí)驗(yàn)過(guò)程可以得到很好執(zhí)行，所以不存在過(guò)擬合和欠擬合現(xiàn)象。

由表9可以看出，改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)輸出與期望輸出的相關(guān)度R為0.750，相對(duì)單一的神經(jīng)網(wǎng)絡(luò)具有更高的相關(guān)度，能夠更好的預(yù)測(cè)空氣質(zhì)量指數(shù)的值，預(yù)測(cè)相對(duì)更準(zhǔn)確。

表8 空氣質(zhì)量指數(shù)預(yù)測(cè)結(jié)果對(duì)比分析

圖5 BP神經(jīng)網(wǎng)絡(luò)擬合曲線(xiàn) 圖6 GA-BP神經(jīng)網(wǎng)絡(luò)擬合曲線(xiàn)Fig.5 Fitting curve of BP neural network Fig.6 Fitting curve of BP neural network

3.3.2 空氣質(zhì)量等級(jí)預(yù)測(cè) 根據(jù)國(guó)家《環(huán)境空氣質(zhì)量指數(shù)(AQI)技術(shù)規(guī)定(試行)》，空氣質(zhì)量指數(shù)對(duì)應(yīng)的級(jí)別標(biāo)準(zhǔn)參見(jiàn)表1。根據(jù)預(yù)測(cè)出的空氣質(zhì)量指數(shù)的值，可得相對(duì)應(yīng)的預(yù)測(cè)出的空氣質(zhì)量等級(jí)。

根據(jù)已知的空氣質(zhì)量等級(jí)以及預(yù)測(cè)出的空氣質(zhì)量等級(jí)，作出空氣質(zhì)量等級(jí)期望輸出和預(yù)測(cè)輸出的曲線(xiàn)，見(jiàn)圖7、圖8、圖9。由圖7、圖8和圖9可見(jiàn)，改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出更接近于期望輸出，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出相對(duì)誤差較大，為了更好的了解預(yù)測(cè)結(jié)果，我們通過(guò)準(zhǔn)確率來(lái)評(píng)價(jià)

預(yù)測(cè)結(jié)果。對(duì)空氣質(zhì)量等級(jí)預(yù)測(cè)結(jié)果進(jìn)行計(jì)算和統(tǒng)計(jì)，BP神經(jīng)網(wǎng)絡(luò)在空氣質(zhì)量等級(jí)方面的預(yù)測(cè)準(zhǔn)確率在78.75%，改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值在82.5%，改進(jìn)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果與實(shí)際值的變化趨勢(shì)大致相同，預(yù)測(cè)效果較好。

表9 擬合結(jié)果對(duì)比分析

圖7 空氣質(zhì)量等級(jí)期望輸出

Fig.7 The desired output of air quality grade

圖8 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出

Fig.8 The prediction output of BP neural network

圖9 改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出

Fig.9 The prediction output of GA-BP neural network

4 結(jié)論與討論

本文運(yùn)用BP神經(jīng)網(wǎng)絡(luò)許昌市AQI的值進(jìn)行了預(yù)測(cè)，通過(guò)輸入當(dāng)天的氣象狀況和前天的AQI的值，能夠預(yù)測(cè)當(dāng)天的AQI的值。單一的BP神經(jīng)網(wǎng)絡(luò)算法容易陷入誤差函數(shù)局部極小值，利用遺傳算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)，能夠解決單一BP神經(jīng)網(wǎng)絡(luò)的不足。結(jié)果表明，改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)空氣質(zhì)量指數(shù)的預(yù)測(cè)準(zhǔn)確度為80.44%，平均相對(duì)誤差為0.2263，空氣質(zhì)量等級(jí)預(yù)測(cè)的準(zhǔn)確率82.5%，均優(yōu)于單一的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果。

目前，國(guó)內(nèi)外一些學(xué)者對(duì)空氣質(zhì)量預(yù)測(cè)作出研究[2,12-19]，例如，劉閔等人[2]通過(guò)逐步回歸方法建立空氣質(zhì)量統(tǒng)計(jì)預(yù)報(bào)模型的空氣質(zhì)量級(jí)別準(zhǔn)確率79.1%；江淑芳等人[12]建立的天氣形勢(shì)預(yù)測(cè)法，對(duì)深圳市空氣質(zhì)量進(jìn)行預(yù)報(bào)，主要污染物的平均相對(duì)誤差為20%-43%。本模型選擇5個(gè)氣象因子和1個(gè)基值作為輸入，空氣質(zhì)量級(jí)別準(zhǔn)確率80.44%，空氣質(zhì)量級(jí)別準(zhǔn)確率82.5%。許楊等人[13]采用逐步線(xiàn)性回歸法建立的預(yù)報(bào)模型對(duì)武漢市空氣質(zhì)量進(jìn)行預(yù)測(cè)，預(yù)報(bào)準(zhǔn)確率為78.1%。其他學(xué)者也對(duì)空氣質(zhì)量的預(yù)測(cè)作了一定的研究[14-19]。本文建立的空氣質(zhì)量指數(shù)預(yù)測(cè)模型，具有一定的參考價(jià)值和實(shí)用價(jià)值，可以將該模型應(yīng)用到許昌市空氣質(zhì)量污染防治中，能夠?yàn)樵S昌市空氣質(zhì)量的預(yù)報(bào)預(yù)警提供參考作用。

改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)在準(zhǔn)確度方面相對(duì)于單一BP神經(jīng)網(wǎng)絡(luò)有所提高，但是AQI濃度的變化受多種因素的影響，本文建立的預(yù)測(cè)模型只考慮到氣象因素對(duì)空氣質(zhì)量的影響作用，為了更加準(zhǔn)確地對(duì)空氣質(zhì)量狀況進(jìn)行預(yù)測(cè)，還應(yīng)該多考慮其他方面的因素，比如污染源排放，人類(lèi)活動(dòng)等因素。本文建立的預(yù)測(cè)模型有一定的參考意義，但預(yù)測(cè)的準(zhǔn)確度有待進(jìn)一步的研究和提高。