基于GM-RBF组合模型的空气质量预测研究

摘要：

空气质量变化是受多元复杂因素耦合作用的结果,为提高空气质量预测精度,提出了一种改进的灰色神经网络组合模型.该模型首先对原始数据进行重构,实现原始数据一维到多维的变换,从而提高数据利用率,再利用灰色模型弱化数据随机性,通过RBF神经网络实现对空气各污染组分的非线性预测.实际应用表明:GM-RBF组模型拟合及预测结果与各指标浓度实际监测结果基本一致,总体变化趋势也高度吻合,对SO2、NO2、PM10、PM2.5、CO等指标的预测精度均在0.05以下,对波动性最大的O3浓度预测精度也达到了0.0631,也印证了O3属宁波市空气质量最主要污染物.由此可见,基于GM-RBF组合模型的空气质量预测体系增强了模型的泛化能力和数据利用率,精度更高,稳定性更好,能够满足空气质量准确预测的要求,为大气污染治理及环境保护方略制定提供参考依据.

关键词：空气质量、灰色理论、径向基神经网络、预测模型

所属期刊栏目：30

分类号：TP183(自动化基础理论)

资助基金：宁波工程学院王伟明助创基金项目2016011

在线出版日期：2018-08-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：46-52,96