基于BP神经网络的空气质量模型分类预测研究

邱晨 罗璟 赵朝文

摘  要： 随着工业社会的发展，空气质量问题已经成为环保任务的主要焦点。BP神经网络作为深度学习的一种，已经在大部分领域被广泛使用。为了让广大市民更好的了解空气质量情况，本文以云南省昆明市为例，收集当地近6年的空气质量数据，并基于Python语言，在Anaconda环境下的Numpy包建立了三层神经网络数学模型，对空气质量等级进行分类预测。通过训练样本对神经网络模型的训练以及相关参数的调试，得到較好的分类预测模型。将分类结果与实际结果进行比较，结果显示，本次的神经网络模型的分类预测准确率达到90%，能够较好的分析空气质量，达到预期需求。

关键词： 神经网络;深度学习;空气质量;分类预测

【Abstract】： With the development of industrial economy， air quality issues have become the main focus of environmental protection tasks. As a kind of deep learning， BP neural network has been used widely in most fields. In order to let the general public understand the air quality situation better， this paper takes Kunming City， Yunnan Province as an example， collects the local air quality data for the past 6 years， and builds a three-layer neural network mathematics model based on the Python language in the Numpy package under the Anaconda environment to classify and predict the air quality levels. Through the training sample training of the neural network model and the debugging of related parameters， a better classification prediction model is obtained. Comparing the classification results with the actual data， the results show that the classification prediction accuracy of this neural network model reaches 90%， which can better analyze the air quality and meet the expected demand.

【Key words】： Neural network; Deep learning; Air quality; Classification prediction

0  引言

近年来，席卷全国的雾霾让广大群众“谈霾色变”，大气污染的防治成为了各省区市环保工作的重中之重。而空气质量作为检验大气污染程度的重要指标，一直是气象部门的重要依据。在我国，空气质量评价的主要污染物为细颗粒物（PM2.5）、可吸入颗粒物（PM10）、二氧化硫（SO2）、二氧化氮（NO2）、臭氧（O3）、一氧化碳（CO）等六项。传统的空气质量指数AQI（Air Quality Index）计算方法如下：

这种AQI的计算方法虽然比较规范，但是计算复杂，数据容易混淆。本文采用了BP神经网络的方法，这是一种由David Rumelhart和J.McClelland于1985年提出的误差反向后传BP（Back propagation）学习算法。利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计。因为网络较强的数据处理能力，以及广泛的适应能力，所以BP神经网络常应用在计算机科学、模式识别技术、人工智能领域[3]。

3  结语

本文基于Python语言，在Anaconda环境下构建了BP神经网络模型，通过对模型重要参数的选取，对昆明市空气质量情况进行分类预测。由于BP神经网络的局限性，所以引入动量因子来加速模型的收敛，避免陷入局部最优。最终的结果表明，该网络模型训练效果良好，具有较好的空气质量的分类识别功能，识别率达到90%。同时，该网络模型仍有些许误差，对于以后预测分类模型的精度的提高提供了进一步的研究方向。

参考文献

高庆先， 刘俊蓉， 李文涛， 高文康. 中美空气质量指数（AQI）对比研究及启示[J]. 环境科学， 2015， 36（4）： 1141- 1147.

吕霁洲. 基于AQI和BP神经网络的空气质量评价及预测[J]. 电子世界， 2018， （11）：23-24.

何晓云， 罗泽蓉， 李明悦， 李亚斌， 赵盛萍. 基于BP神经网络的空气质量建模分析[J]. 山东工业技术， 2018， （17）： 239-240.

白鹤鸣， 沈润平， 师华定， 董钰春. 基于BP神经网络的空气污染指数预测模型研究[J]. 环境科学与技术， 2013， 36（3）： 186-189.

唐立力， 陈国彬， 基于MEA优化BP神经网络的农机滚动轴承故障诊断[J]. 农机化研究， 2019， （3）： 214-218.

甘宇， 何沂， 逯宇佳， 吕雪松. 基于机器学习的孔隙度预测方法研究[J]. 油气地球物理， 2018， 16（3）： 54-57.

蒋美云. 基于模拟退火算法优化的BP神经网络预测模型[J]. 软件工程， 2018， （7）： 36-38.

周国亮， 刘希玉， 武鲁英. BP神经网络在空气质量级别评价中的应用[J]. 计算机工程与设计， 2009， 30（2）： 392-394.

张东. BP神经网络算法的技术分析[J]. 软件， 2016， 37（12）： 227-229.

吴超， 罗璟. 基于随机森林的偷漏税行为自动识别[J]. 软件导刊， 2018，17（8）： 13-16.