论文部分内容阅读
针对目前PM_(2.5)浓度测量成本高和测量过程繁杂等问题,建立了基于灰狼群智能最优化算法的神经网络预测模型。从非机理模型的角度,结合气象因素和空气污染物对上海市的PM_(2.5)浓度进行预测,并使用平均影响值分析了影响PM_(2.5)浓度的重要因素。使用灰狼群智能算法优化神经网络的过程中,引入了检验样本实时监控训练过程以避免发生"过训练"现象,确保建立的神经网络模型具有较好的泛化能力。实验结果表明:PM_(10)对PM_(2.5)的影响最为显著,其次是CO和前一天PM_(2.5)。选取2016年1