论文部分内容阅读
背景:可吸入颗粒物PM10是指悬浮在空气中,空气动力学当量直径小于或等于10 m的颗粒物,其浓度的升高会给人群健康造成很大的危害。对PM10浓度进行预测预报可以为环境管理决策提供依据,同时有助于市民及时采取相应的防控措施降低污染的影响。目的:拟用2008年-2011年广州市前一天的日均PM10浓度结合同期的气象等因素,建立PSO-BP神经网络模型,对PM10浓度进行预测。方法:将广州市2008年-2011年的PM10浓度和气象资料数据分为训练样本和测试样本。在训练样本中运用逐步回归法筛选出影响PM10浓度预测的主要因素,建立多元线性回归模型和PSO-BP神经网络模型对PM10浓度进行预测。利用测试样本检验两模型的预测效果,并用RMSE、MAE、MAPE、PMAD、R2等指标对两模型的预测效果进行比较,以说明PSO-BP神经网络模型的预测效果。本研究主要采用SPSS 20.0统计软件对数据进行气象因素等变量的筛选、描述性分析和多元线性回归模型的建立;采用Matlab 2014a统计软件建立PSO-BP神经网络模型。结果:运用逐步回归法筛选出前一天的PM10、极大风速、最小相对湿度、日平均气温、能见度共5个主要影响变量,其中前一天的PM10浓度对模型的贡献最大,其次是极大风速。对PSO-BP神经网络模型与多元线性回归模型测试样本的预测效果进行比较,多元线性回归模型的RMSE、MAE、MAPE、PMAD、R2分别为23.215、18.806、0.195、0.196和0.764;PSO-BP神经网络模型的RMSE、MAE、MAPE、PMAD、R2分别为21.776、17.165、0.169、0.179和0.800。可见PSO-BP神经网络模型预测效果更优,模型的拟合效果与实际数据的误差更小。结论:利用PSO-BP神经网络模型预测广州市未来一天的日均PM10浓度效果较好,与多元线性回归模型相比其误差更小,预测效果更优,可为环境管理决策提供依据。