论文部分内容阅读
空气污染是指人类在自然环境中进行生产生活,由于一些不恰当的行为而将某些污染物排入大气中,当物质浓度达到一定数值后对人体健康和自然环境造成危害的一种现象。大气环境复杂多变且具有动态的不确定特性,引发空气污染的相关因素有很多,比如PM2.5、SO2和O3等超过一定浓度的空气污染物,还有降水、风向、湿度等因素,这些因素都跟未来一段时间之内的空气质量存在着较强的非线性关系。因此较为准确的空气质量预报能够帮助人们采取有效措施,合理安排出行计划,有助于大气污染防控和城市环境规划建设,减少不必要的损失,对人们的生产生活有着重要的指导意义。近年来,人工智能不断有新的进展和突破,机器学习发挥了非常重要的作用。当下,全社会各个领域中的科研人员都在利用机器学习解决疑难问题,使得机器学习成为了炙手可热的处理手段。本文利用智能优化算法和机器学习中的支持向量机与神经网络对太原市2014年至2017年间的空气污染物监测数据进行研究,主要研究内容如下:（1）将模拟退火算法（SA）与粒子群算法（PSO）相结合并对其进行改进,优化支持向量机（SVM）完成参数寻优,并运用偏最小二乘法（PLS）分析各污染物因子间的相互作用,提出一种新的空气质量评价模型。实验结果表明,改进的SAPSO-SVM与PSO-SVM和SVM相比,该模型运行时间短、等级分类精度高,具有良好的评价性能。（2）分别将改进的粒子群算法（IPSO）和遗传算法（GA）与支持向量机（SVM）相结合,通过参数寻优构建新模型完成对空气质量指数（AQI）的预测。实验结果表明,GA-SVM在预测精度、误差率和可靠性方面均优于IPSO-SVM与SVM。（3）运用果蝇优化算法（FOA）优化灰色神经网络（GMNN）,对网络参数进行寻优并预测太原市未来的空气质量状况。实验结果表明,FOA-GMNN在预测精度、误差率和可靠性方面均优于GMNN,显示了该算法的良好性能。本文提出的三个预测模型:改进的SAPSO-SVM,GA-SVM和FOA-GMNN,用于空气质量的分类和预测,为空气质量评价提供了新思路,为大气污染防治提供了科学合理的理论依据和新的预测方法。