基于BP模型的北京PM2.5年均值预测研究

PM2.5也称作可入颗粒物。是指大气中直径小于等于2.5微米的颗粒物。虽然PM2.5在地球大气成分中含量很少,但它对空气质量和能见度等有重要的影响,且对人体健康影响很大。该研究以北京市机动车保有量、煤炭消耗量和年扬尘天数2000-2013年的统计数据为基础,建立BP神经网络模型进行预测研究,结果表明：2014年PM2.5年均值为90.83μg/m3,三因素与PM2.5年均值的相关度顺序为：煤炭消耗量〉年扬尘天数〉机动车保有量。     

基于WT-BiLSTM-ARMA模型的PM2.5浓度预测研究

针对PM2.5浓度预测问题,提出一种基于小波变换的模型。在北京市六个大气污染监测站测得的PM2.5浓度数据上,运用小波分解算法对原始数据序列进行特征提取,使用BiLSTM对高频序列进行预测,同时使用ARMA对低频序列进行预测,最后将各个子序列的预测值进行小波重构得到最终预测结果。实验结果表明,相较于传统单一模型和组合模型,该模型的性能和预测精度均有提高。     

基于遗传算法与BP神经网络的PM2.5发生演化模型

PM2.5成为近年来大气问题研究的热点。本文以西安市（2013.01.01 2013.04.26）PM2.5的数据为基础,分析PM2.5的成因以及影响因素,运用遗传算法与BP神经网络构建西安市PM2.5的发生演化模型,通过实验验证该模型的有效性、通用性与可靠性。     

改进粒子群优化BP神经网络的PM2.5预测

针对PM2.5预测的非线性不确定特点,提出基于改进粒子群优化BP神经网络的空气PM2.5浓度预测模型.引入混沌映射和对立学习改进粒子群算法;引入对立学习提高初始解的质量;引入混沌Tent映射改进粒子随机搜索,避免局部最优;引入自适应惯性权重均衡局部开发和全局勘探能力.利用改进粒子群对BP神经网络权值和阈值进行迭代寻优,基于最优参数BP神经网络做PM 2.5预测,有效避免神经网络训练时陷入局部最优,提升收敛速度.选取某市某时段的PM2.5日均浓度数据进行实验分析,结果表明IPSO-BP预测准确度更高,收敛速度更快.     

基于多元回归分析的PM2.5预测研究

PM2.5对人体健康和大气环境质量的影响众所周知,分析、预测PM2.5浓度对污染天气防治与干预有着非常重要的作用。利用灰色关联度、多元回归分析等方法对全国各大城市空气质量进行了研究,分析了影响PM2.5浓度的主要因素并进行了影响程度排序,构建了PM2.5预测模型并进行了预测实践,为我国环境空气质量预报和污染天气防治干预提供了有效的决策信息。     

基于优化组合模型的PM2.5浓度预测

为精确预测出具有非线性、非平稳的PM2.5时序数据,提出基于PSO-VMD-LSTM的组合模型。融合机器学习优化算法和深度学习技术,其中利用以包络熵为适应度函数的PSO机器学习算法对VMD分解过程中的惩罚因子和模态个数进行迭代寻优,基于分解处理后的数据进行LSTM深度学习模型预测。构建两种经典分解组合模型作为对照,结果表明,在相同迭代次数情况下,时序分解处理后的LSTM预测比未分解时的预测精度和效果都有明显改善;与经典分解组合模型相比,该模型在准确度和评估指标上均取得最佳预测效果,在PM2.5浓度预测上具有一定普适性。     

基于灰狼群智能最优化的神经网络PM2.5浓度预测

针对目前PM_2.5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PM_2.5浓度进行预测,并使用平均影响值分析了影响PM_2.5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PM_2.5的影响最为显著,其次是CO和前一天PM_2.5。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8μg/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PM_2.5浓度的预测和空气质量的预报。     

基于改进型PSO的模糊神经网络PM2.5浓度预测

为科学合理地预测大气污染物PM2.5颗粒物浓度变化规律,分析PM2.5颗粒物浓度变化历史数据,综合判断外部条件(温度、风速、天气状况)和内部条件(其它污染物的浓度)对PM2.5颗粒物浓度变化的影响.采用一种改进型PSO优化的模糊神经网络,将粒子群算法与模糊神经网络进行融合,发挥PSO算法全局寻优的特点,预测PM2.5颗粒物浓度的变化规律.对某市2013年PM2.5颗粒物浓度进行预测和验证,验证结果表明,该算法具备良好的预测精度.     

基于LSTM循环神经网络的PM2.5预测

PM_(2.5)要素对空气质量影响较大。PM_(2.5)浓度变化是多种因素作用的结果,且过程突发、非线性,具有明显的不确定性,难以使用传统的方法进行预测。针对该问题,以气象、大气污染物因素作为PM_(2.5)预测指标,提出基于LSTM循环神经网络的PM_(2.5)预测模型。使用灰色关联度分析方法对多个气象、大气污染指标进行关联强度分析;对数据进行平滑处理,将时间序列问题处理为监督问题;搭建多变量的LSTM循环神经网络PM_(2.5)预测模型,实现PM_(2.5)日值浓度的准确预测。使用北京市2010年-2017年气象数据和大气污染物数据进行仿真实验,结果表明该模型能够较好地预测PM_(2.5)的日值变化趋势。     

基于深度学习的PM2.5浓度长期预测

为提高PM2.5长期预测精度,以空气污染物与气象因素作为影响因子,提出一种基于深度学习的TSMN(time series memory network)预测模型.该模型由两个组件构成,本地记忆组件利用外部记忆方式提高模型长程记忆能力,并与多站点空间关系建模的邻域组件协同从时空角度完成PM2.5长期预测.通过使用不同评价指标将TSMN模型与多种模型进行对比,其中与性能较优的CNN-LSTM模型相比,该模型的RMSE、MAE分别下降5.2％、5.7％,R2提升7.5％.实验结果表明TSMN模型能够有效提高PM2.5浓度的长期预测精度.     

基于多示例遗传神经网络的室内PM2.5预测

在医疗环境中病员在室内停留的时间占全天的80%以上,因此开展室内空气质量的研究对病员康复具有重要意义。现有的PM_(2.5)预测方法主要存在两个问题:样本采集粒度与预测粒度不一致;对室内PM_(2.5)预测的相关特征研究不足。对此提出一种基于多示例遗传神经网络的PM_(2.5)预测方法。利用多示例机制有效解决采样间隔与预测时间的平衡问题,并引入与室内环境质量密切相关的通风率特征。以空气质量敏感的医疗单位中采集的实际数据进行验证。实验结果表明,该方法的相对误差为5.60%,比传统遗传神经网络降低7.55%,比支持向量回归方法降低5.98%,比随机森林方法低8.36%,比线性回归低7.66%,比决策树低14.69%,比LASSO回归低8.21%。     

基于机器学习的短期PM2.5预测

由于环境和快速发展之间的不平衡,城市空气质量问题变得越来越突出。PM2.5作为空气污染的主要成分,会对人体造成很大伤害。因此,准确地预测PM2.5浓度对于保护人们健康具有重要意义。首先选取了其他空气质量数据(PM₁₀、NO₂、CO₂、O₃)作为影响因素,构建了基于机器学习(多元线性回归、岭回归、套索回归、决策树、随机森林和人工神经网络)的PM2.5预测模型;其次利用这些模型预测山西省太原市未来1小时PM2.5浓度;最后通过MAE、RMSE、R²来等指标评价各模型的预测性能,实验结果表明,基于随机森林的预测模型具有最高的预测精度。     

基于BP神经网络的空调物料库存预测研究

空调制造中需要的物料种类较多,物料的供应风险和产品重要程度对空调物料的库存量有着极大影响,影响着企业库存总成本。通过卡拉杰克矩阵对空调物料进行分类研究,建立了基于BP人工神经网络的空调物料预测模型。笔者根据空调物料企业库存数据,验证了模型的有效性。     

基于动态BP神经网络的预测方法及其应用

人工神经网络是一种新的数学建模方式,它具有通过学习逼近任意非线性映射的能力。本文提出了一种基于动态BP神经网络的预测方法,阐述了其基本原理,并以典型实例验证。     

基于KNN-LSTM的PM2.5浓度预测模型

目前多数PM_2.5浓度预测模型仅利用单个站点的时间序列数据进行浓度预测, 并没有考虑到空气质量监测站之间的区域关联性, 这会导致预测存在一定的片面性. 本文利用KNN算法选择目标站点所在区域中与其相关的空间因素, 并结合LSTM模型, 提出基于时空特征的KNN-LSTM的PM_2.5浓度预测模型. 以哈尔滨市10个空气质量监测站的污染物数据进行仿真实验, 并将KNN-LSTM模型与其他预测模型进行对比, 结果显示: 模型相较于BP神经网络模型平均绝对误差(MAE)、均方根误差(RMSE)分别降低了19.25%、13.23%; 相较于LSTM模型MAE、RMSE分别降低了4.29%、6.99%. 表明本文所提KNN-LSTM模型能有效提高LSTM模型的预测精度.     

BP神经网络模型预测控制算法的仿真研究

为克服被控对象参数变化导致控制精度降低的问题,研究了一种BP神经网络模型预测控制算法。借助最小二乘递推算法在线预测系统模型参数,利用BP神经网络在线预测PID参数以控制被控对象。该算法基于模型预测,首先在线性系统中验证其控制效果,然后将非线性问题作线性处理,采用BP神经网络模型预测PID控制器予以实现控制非线性系统。仿真曲线显示BP神经网络PID控制器用于线性系统可达到高精度控制要求;对于非线性系统有自适应及逼近任意函数的能力。仿真研究表明,该算法与传统BP神经网络PID控制器相比,其自适应能力更强,稳定性更好,控制精度更高。     

基于BP神经网络模型的笔记本电脑销售预测研究

针对笔记本电脑销售的不确定性,利用BP神经网络算法构建模型,采用MATLAB对某店铺的2021年笔记本电脑的销售数据进行了网络训练,通过Pearson相关系数来分析输入层各节点和输出层销售额之间的相关性,确定了访客数UV、收藏数、加购物车次数、客单价和支付转化率等5个输入层节点,销售额为输出层节点。实验证明了构建的BP神经网络模型预测值和实际值误差小,预测准确度高,可为笔记本电脑销售计划安排及库存管理提供依据。     

基于GM(1,1)和BP神经网络集成模型的我国人口数量时间序列预测研究

由于GM(1,1)模型和BP神经网络模型在预测具有趋势变动和波动二重特性的时间序列时能优势互补,首先建立GM(1,1)模型对序列的趋势项进行预测,得到模拟值及残差序列,然后建立BP神经网络模型对残差值进行预测,最后用加法模型对二者预测值进行集成。我国人口数量时间序列实证结果证实了集成模型用于人口数量预测是有效性,且预测效果显著高于单一模型。