文献类型：期刊文章

作　　者：石峰[1] 楼文高[1,2] 张博[3]

机构地区：[1]上海理工大学光电信息与计算机工程学院,上海200093 [2]上海商学院信息与计算机学院,上海200235 [3]上海理工大学出版印刷与艺术设计学院,上海200093

出　　处：《计算机应用》

基　　金：上海高校知识服务平台"上海市商贸服务业知识项目服务中心"建设项目(ZF1226)~~

年　　份：2017

卷　　号：37

期　　号：10

起止页码：2854-2860

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CSCD、CSCD_E2017_2018、IC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：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11月1日—12日的数据进行验证,其平均相对误差为13.46%,平均绝对误差为8μg/m^3,与粒子群算法优化的神经网络、BP神经网络模型及支持向量回归(SVR)模型的误差相比,平均相对误差分别下降了约3个百分点、5个百分点和1个百分点。因此,使用灰狼算法优化的神经网络更适合上海市PM_(2.5)浓度的预测和空气质量的预报。

关 键 词：灰狼优化算法  BP神经网络  PM2.5浓度预测  预测模型  空气污染物

分 类 号：TP183] TP181]