[发明专利]一种PM2.5浓度预测方法

说明书

本发明提供一种PM2.5浓度预测方法，通过将灰狼优化算法和BP神经网络结合，利用灰狼优化算法优化BP神经网络的权值和阈值，采用优化后的模型预测PM2.5的浓度。本发明具有提高PM2.5浓度预测准确率的有益效果。

技术领域

本发明涉及空气质量预测技术领域，更具体地，涉及一种PM2.5浓度预测方法。

背景技术

PM2.5是指空气中动力学当量直径小于等于2.5微米的颗粒物。其具有粒径小、面积大、活性强，易附带有毒、有害物质的特点。且在大气中停留时间长、输送距离远，可直接进入人体肺部、影响人体健康。当空气中PM2.5浓度较高时，会形成不同程度的雾霾天气，降低空气能见度。影响PM2.5浓度的主要受气象因素(如天气、温度、风速、风向等)和空气中污染物浓度(如NO_x、SO₂、O₃等)的影响。PM2.5已给人们的日常生活带来了严重影响。通过预测PM2.5浓度，采取措施降低给人们的生活和出行带来方便。

目前多采用神经网络对PM2.5浓度进行预测。BP神经网络是目前应用最广泛的神经网络模型之一。PM2.5预测时，把气象数据(如天气、温度、风速、风向等)和空气中污染物浓度(如NO_x、SO₂、O₃等)作为神经网络的输入，PM2.5浓度作为网络输出。

然而，采用神经网络模型预测PM2.5浓度时，神经网络的权值和阈值不易训练，网络易陷入局部最优，导致神经网络模型对PM2.5浓度预测准确率低。

发明内容

本发明为克服上述问题或者至少部分地解决上述问题，提供一种PM2.5浓度预测方法，通过灰狼优化算法优化神经网络的权值和阈值，给网络选定一个好的训练起点，避免网络陷入局部最优。经该方法优化后的神经网络可提高PM2.5浓度预测准确率。

根据本发明的一个方面，提供一种PM2.5浓度预测方法，包括以下步骤：

步骤1，利用灰狼优化算法随机生成与待优化BP神经网络相对应的狼群；

步骤2，训练所述待优化BP神经网络，计算所述狼群中每匹狼所对应的适应度值；选择适应度值最好的三匹狼依次标记为α、β和δ，记录α、β和δ各自的位置信息和适应度值；

步骤3，基于α、β和δ各自的位置信息和适应度值，利用灰狼优化算法计算获得优化后的BP神经网络模型；

步骤4，将PM2.5浓度预测数据作为输入信息，利用所述优化后的BP神经网络模型计算获得PM2.5浓度预测结果。

本申请提出一种PM2.5浓度预测方法，通过将灰狼优化算法和BP神经网络结合，利用灰狼优化算法优化BP神经网络的权值和阈值，采用优化后的模型预测PM2.5的浓度。本发明具有提高PM2.5浓度预测准确率的有益效果。

附图说明

图1为现有技术BP神经网络结构示意图；

图2为本发明利用灰狼算法优化BP神经网络的PM2.5浓度预测总体方案示意图；

图3为现有技术灰狼优化算法中2维空间下狼的位置向量和下一步可能移到的位置示意图；

图4为现有技术灰狼优化算法中狼群的位置更新示意图；

图5为本发明具体实施例中一种PM2.5浓度预测方法整体流程示意图；

图6为本发明具体实施例中一种PM2.5浓度预测方法流程示意图；

图7为本发明具体实施例中一种PM2.5浓度预测方法预测结果准确率的验证示意图。

具体实施方式