基于灰色GM(1,1)模型的鞍山市环境空气质量预测

于2016年1月至2021年12月对鞍山市环境空气质量进行为期6年的在线连续监测,获得了典型的鞍山空气质量变化特征。采用灰色预测方法,利用2016—2021年鞍山环境空气质量数据,建构空气质量预测GM(1,1)模型,经相关检验修正符合要求后,建模结果显示模型精度高,可以满足对于鞍山市“十四五”空气质量预测要求。预测结果显示,在目前大气环境污染攻坚的管理要求下,未来五年鞍山市空气质量整体趋好,其中达标天数比例上升,综合指数下降,重点污染物PM_(2.5)年评价浓度下降,O_(3)浓度上升,可能在2026年与《环境空气质量标准》中环境空气污染物基本项目浓度限值二级标准持平,需要采取更有针对性的举措应对O3污染。

基于改进神经网络的环境空气质量预测

为提高环境空气质量预测的精度,提出一种由改进人工蜂群算法和反向传播神经网络相结合的环境空气质量预测方法(KABC-BP)。对人工蜂群算法中雇佣蜂、跟随蜂的搜索空间提出一种随迭代次数递减的搜索公式,以随机初始化此改进人工蜂群算法的不同初始解作为不同组反向传播神经网络权值,以蜂群算法迭代代替人工神经网络的梯度下降修正迭代,以蜂群个体的对应权值下训练误差倒数作为适应度函数,该改进人工蜂群算法所求全局最优解就是所求反向神经网络最优权值。通过基于改进蜂群算法的反向传播神经网络算法、传统蜂群算法的反向传播神经网络算法(ABC-BP)及反向传播神经网络算法(BPNN)的环境空气质量预测的仿真实验表明,该算法的环境空气质量预测精度是最高的。

基于蜂群优化神经网络的环境空气质量预测

环境空气质量预测在环境污染防止中具有重要作用,由于环境空气质量预测受多方面因素的影响,预测的精度并不能满足日益发展的需要,通过对人工蜂群算法进行改进,并引入反向传播的神经网络中,以训练误差的倒数作为适应度函数,以随机化方式赋值给蜂群中蜜蜂的初始值作为神经网络的初始权值和阈值,改进的人工蜂群算法所求得的全局最优解即是反向传播神经网络中最优权值和阈值,以此优化的反向传播神经网络进行环境空气质量预测,通过和传统反向传播神经网络、传统人工蜂群算法优化反向传播神经网络算法的实验结果表明,论文提出的优化反向传播神经网络在环境空气质量预测中的整体性能取得了较为理想的结果,完全能用于实际。

一种注意力机制下的空气污染物预测方法

环境空气质量预测是环境污染防治和预警的必要前提,针对现有预测方法存在缺少对环境空气质量时间序列数据的充分挖掘和深入诊断分析,提出一种基于注意力机制和门控循环单元循环神经网络空气污染物预测与诊断模型。在网络顶层加一层输入注意力机制层,运用注意力机制对环境空气质量数据进行特征提取,挖掘气象数据与空气质量数据相互关系。仿真实验结果表明,基于注意力的门控循环网络模型可以取得较高的预测精度,是一种可行且有效的预测方法。