基于BP神经网络的PM2.5预测

陈志文 刘立

摘要    自进入工业化社会以来，空气污染逐渐成为全球最大的环境问题之一。空气中的悬浮粒子对人类身体健康产生有害影响，减少空气污染的重要前提就是预测PM2.5的浓度。因此，对大气质量污染的监测以及预测研究显得尤为重要。本文采用openstack云计算组件，部署了大数据平台，通过历史数据加实时抓取的数据来完善BP神经网络，以实现自我学习来提高预测数据的准确度。

【关键词】PM2.5 云计算 BP神经网络 预测

1 引言

空气污染是全球最大的环境问题之一。空气污染涉及若干因素，包括工厂产生的大量有毒气体、车辆的尾气、农作物的焚烧以及火灾等，其中主要成分包括CO、SO2、O3、NO2。空气污染是对人类健康的严重威胁，会导致严重的呼吸道疾病和皮肤病，如肺部、呼吸系统病变、哮喘等，甚至引起死亡，所以对空气质量污染的监测以及预测研究显得特别重要。

国内许多学者在空气质量预测等方面做了大量的研究工作。王灿星等人构建了BP神经网络对空气中颗粒物进行研究，能得到较高的预测精度;秦霞提出了一种用贝叶斯归一化训练算法训练改进的BP预报模型;李龙提出了一种基于与PM2.5浓度相关性较强的因素组成特征向量的最小二乘支持向量机预测模型，该模型有较准确地预测精度，泛化能力也较强;HuangM构建了一种新的基于数据挖掘和人工神经网络的空气污染预测模型，该模型在天气严重污染时预测准确率高，中度污染及以下准确率接近;唐晓城提出一种基于BP神经网络改进算法的大气污染预测模型，较大的提高了预测准确率;TianJ采用模糊C-均值聚类算法（FCM）对空气质量监测的原始数据进行分类，通过对数据的仿真训练，建立了预测空气质量水平的BP神经网络模型。

由于PM2.5的形成因素比较多而复杂，因此全面对它进行准确实时的预测比较困难，当前存在的主要问题包括：

（1）模型比较复杂，计算量较大;

（2）实时数据难以获取，随时间与地点发生极大的变化。

众多专家虽然构建了各类模型对其变化进行预测，但在实时性与精确性难以同时得到保证。本文以openstack云计算组件为平台，以网络爬虫为實时数据获取手段，以三层神经网络为核心算法，构建出基于云计算的PM2.5监控系统，为PM2.5的预测提供参考。

2 BP神经网络

BP网络的学习算法就是BP算法，又叫δ算法。此算法的一个简单模型是三层BP神经网络，由输入层、隐含层和输出层构成。以此为例，当网络输出和期望输出不等时，存在输出误差E，定义如下：

将运算结果代入至输入层，则：

从上述变化能够得出，BP神经网络的输入误差是关于和uij的函数，改变这两个函数的大小就可调整误差E。为了使预测结果及输出数据更接近真实数据，及减小误差，应使权值和误差的梯度下降成正比，即

BP神经网络算法中，各层权值调整公式原理都是一样的，均由学习率η、本层输出的误差信号δ和本层输入信号Y组成。为简化计算，本文采用最简单的三层神经网络。从中国气象局网站爬取上海、北京、武汉等十个城市的天气数据，以各城市不同时间点的pm2.5、风速、温度以及湿度的四个指标作为输入数据构成输入层，输出层数据则为该城市的pm2.5预测值。

3 系统实现

本文采用openstack云计算组件，通过openstack的sahara部署大数据平台spark1.6，通过历史数据加实时抓取的数据来完善BP神经网络。由于影响PM2.5的突发不可控因素比较多，如突发火灾，焚烧秸秆等，所以选择了方差贡献率最高的且可获取资源的前日PM2.5的浓度、风速、温度、湿度为输入因子，如表1输入因子所示。

通过BP神经网络的自我学习来调整层与层之间的权值和阈值，抓取有效数据来不断完善正确率。系统获取当前时间点的PM2.5浓度数据，对当前时间的空气情况进行分析，并绘制最近十二小时的PM2.5浓度趋势图。预测结果页面如图1所示，本系统演示界面如图2所示。

4 结论

本文根据气象站的资料，设计并实现了一套基于云计算平台的PM2.5监控系统，以预测雾霾的实时性变化。该研究能实时抓取数据并进行精确预测。研究的主要局限性之一是：预测模型比较简单，因此在预测精度上有一定的不足。

参考文献

[1] 王灿星，祁国伟，何曦等.BP神经网络用于大气中颗粒物（TSP）预测的研究[J].仪器仪表学报，2003，24（z2）：539-540.

[2] 秦侠，雷蕾，姚小丽等.大气污染预测中提高BP网络泛化能力的方法[J].北京工业大学学报，2007，33（08）：849-852.

[3] 李龙，马磊，贺建峰等.基于特征向量的最小二乘支持向量机PM2.5浓度预测模型[J].计算机应用，2014，34（08）：2212-2216.

[4]HuangM，ZhangT，WangJ，etal.Anewairqualityforecastingmode1usingdataminingandartificialneuralnetwork[C].IEEEInternationalConferenceonSoftwareEngineeringandServiceScience.IEEE，2015：259-262.

[5]唐晓城.基于BP神经网络改进算法的大气污染预测模型[J].河南科技学院学报（自然科学版），2018（01）.

[6]TianJ，FanZ，SunL.PredictionandanalysisforairqualitybasedonBPNeuralNetwork[J].JournalofUniversityofScience&Technology.Liaoning，2015.