留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于加权KNN-BP神经网络的PM2.5浓度预测模型研究

赵文怡 夏丽莎 高广阔 成力

赵文怡, 夏丽莎, 高广阔, 成力. 基于加权KNN-BP神经网络的PM2.5浓度预测模型研究[J]. 环境工程技术学报, 2019, 9(1): 14-18. doi: 10.3969/j.issn.1674-991X.2019.01.003
引用本文: 赵文怡, 夏丽莎, 高广阔, 成力. 基于加权KNN-BP神经网络的PM2.5浓度预测模型研究[J]. 环境工程技术学报, 2019, 9(1): 14-18. doi: 10.3969/j.issn.1674-991X.2019.01.003
ZHAO Wenyi, XIA Lisha, GAO Guangkuo, CHENG Li. PM2.5 prediction model based on weighted KNN-BP neural network[J]. Journal of Environmental Engineering Technology, 2019, 9(1): 14-18. doi: 10.3969/j.issn.1674-991X.2019.01.003
Citation: ZHAO Wenyi, XIA Lisha, GAO Guangkuo, CHENG Li. PM2.5 prediction model based on weighted KNN-BP neural network[J]. Journal of Environmental Engineering Technology, 2019, 9(1): 14-18. doi: 10.3969/j.issn.1674-991X.2019.01.003

基于加权KNN-BP神经网络的PM2.5浓度预测模型研究

doi: 10.3969/j.issn.1674-991X.2019.01.003
详细信息
    作者简介:

    赵文怡(1993—),女,硕士,主要研究方向为统计学, m18818262310@163.com

    通讯作者:

    夏丽莎 E-mail: lisaxss@163.com

  • 中图分类号: X513

PM2.5 prediction model based on weighted KNN-BP neural network

More Information
    Corresponding author: Lisha XIA E-mail: lisaxss@163.com
  • 摘要: 通过隶属度函数确定的加权KNN-BP神经网络方法,建立PM2.5浓度动态实时预测模型,以PM2.5、PM10、NO2、CO、O3、SO2等6种污染物前1 h的浓度及天气现象、温度、气压、湿度、风速、风向等6种气象条件,以及预测时刻所在一周中天数和该时刻所在一天当中的小时数为KNN实例的维度,选取3个近邻,根据得到的欧氏距离确定每个近邻变量的隶属度权重,最终将所有近邻的维度作为BP神经网络的输入层数据,输出要预测的下1 h PM2.5浓度,该方法避免了传统BP神经网络方法不能体现历史时间窗内的数据对当前预测影响的问题。对北京市东城区监测站2014-05-01T00:00—2014-09-10T23:00的数据进行预测试验,结果表明,加权KNN-BP神经网络预测模型相较其他方法的预测误差最低,且稳定性效果最好,是PM2.5浓度实时预测的有效方法。

     

  • [1] 王金南 . 控制PM2.5污染:中国路线图与政策机制[M]. 北京: 科学出版社, 2016.
    [2] 李岚淼, 李龙国, 李乃稳 . 城市雾霾成因及危害研究进展[J]. 环境工程, 2017,35(12):92-97.

    LI L M, LI L G, LI N W . Studies review on cause and damage of urban haze[J]. Environmental Engineering, 2017,35(12):92-97.
    [3] 杨继东, 章逸然 . 空气污染的定价:基于幸福感数据的分析[J]. 世界经济, 2014,37(12):162-188.
    [4] LEE K H, KIM Y J, KIM M J . Characteristics of aerosol observed during two severe haze events over Korea in June and October 2004[J]. Atmospheric Environment, 2006,40(27):5146-5155.
    doi: 10.1016/j.atmosenv.2006.03.050
    [5] 彭斯俊, 沈加超, 朱雪 . 基于ARIMA模型的PM2.5预测[J]. 安全与环境工程, 2014,21(6):125-128.
    doi: 10.3969/j.issn.1671-1556.2014.06.023

    PENG S J, SHEN J C, ZHU X . Forecast of PM2.5 based on the ARIMA model[J]. Safety and Environmental Engineering, 2014,21(6):125-128. doi: 10.3969/j.issn.1671-1556.2014.06.023
    [6] 黄思, 唐晓, 徐文帅 , 等. 利用多模式集合和多元线性回归改进北京PM10预报[J]. 环境科学学报, 2015,35(1):56-64.
    doi: 10.13671/j.hjkxxb.2014.0728

    HUANG S, TANG X, XU W S , et al. Application of ensemble forecast and linear regression method in improving PM10 forecast over Beijing areas[J]. Acta Scientiae Circumstantiae, 2015,35(1):56-64. doi: 10.13671/j.hjkxxb.2014.0728
    [7] 艾洪福, 潘贺, 李迎斌 . 关于空气雾霾PM2.5含量预测优化研究[J]. 计算机仿真, 2017,34(1):392-395.
    doi: 10.3969/j.issn.1006-9348.2017.01.085

    AI H F, PAN H, LI Y B . Research on optimization of PM2.5 content prediction in air haze[J]. Computer Simulation, 2017,34(1):392-395. doi: 10.3969/j.issn.1006-9348.2017.01.085
    [8] 孙宝磊, 孙暠, 张朝能 , 等. 基于BP神经网络的大气污染物浓度预测[J]. 环境科学学报, 2017,37(5):1864-1871.
    doi: 10.13671/j.hjkxxb.2016.0391

    SUN B L, SUN H, ZHANG C N , et al. Forecast of air pollutant concentrations by BP neural network[J]. Acta Scientiae Circumstantiae, 2017,37(5):1864-1871. doi: 10.13671/j.hjkxxb.2016.0391
    [9] DÍAZ-ROBLES L A, ORTEGA J C, FU J S , et al. A hybrid ARIMA and artificial neural networksmodel to forecast particulate matter in urban areas:the case of Temuco,Chile[J]. Atmospheric Environment, 2008,42:8331-8340.
    doi: 10.1016/j.atmosenv.2008.07.020
    [10] 艾洪福, 石莹 . 基于BP人工神经网络的雾霾天气预测研究[J]. 计算机仿真, 2015,32(1):402-405.
    doi: 10.3969/j.issn.1006-9348.2015.01.085

    AI H F, SHI Y . Study on prediction of haze based on BP neural network[J]. Computer Simulation, 2015,32(1):402-405. doi: 10.3969/j.issn.1006-9348.2015.01.085
    [11] 赵晨曦, 王云琦, 王玉杰 , 等. 北京地区冬春PM2.5和PM10污染水平时空分布及其与气象条件的关系[J]. 环境科学, 2014,35(2):418-427.

    ZHAO C X, WANG Y Q, WANG Y J , et al. Temporal and spatial distribution of PM2.5 and PM10 pollution status and the correlation of particulate matters and meteorological factors during winter and spring in Beijing[J]. Environmental Science, 2014,35(2):418-427.
    [12] 刘金培, 汪官镇, 陈华友 , 等. 基于VAR模型的PM2.5与其影响因素动态关系研究:以西安市为例[J]. 干旱区资源与环境, 2016,30(5):78-84.
    doi: 10.13448/j.cnki.jalre.2016.151

    LIU J P, WANG G Z, CHEN H Y , et al. Dynamic relationship between PM2.5 and its influence factors in Xi’an City based on the VAR model[J]. Journal of Arid Land Resources and Environment, 2016,30(5):78-84. doi: 10.13448/j.cnki.jalre.2016.151
    [13] 迈尔·舍恩伯格, 库克耶 . 大数据时代[M]. 杭州: 浙江人民出版社, 2013.
    [14] 潘竟虎, 张文, 王春娟 . 2011—2013年中国雾霾易发生期间API的分布格局[J]. 环境工程学报, 2016,10(3):1340-1348.

    PAN J H, ZHANG W, WANG C J . Spatial pattern of urban air pollution during large-scale range haze based on fractal net evolution approach and GIS in China[J]. Chinese Journal of Environmental Engineering, 2016,10(3):1340-1348.
    [15] 杨健, 宋冰, 谭帅 , 等. 时序约束NPE算法在化工过程故障检测中的应用[J]. 化工学报, 2016,67(12):5131-5139.
    doi: 10.11949/j.issn.0438-1157.20160543

    YANG J, SONG B, TAN S , et al. Time constrained NPE for fault detection in chemical processes[J]. CIESC Journal, 2016,67(12):5131-5139. doi: 10.11949/j.issn.0438-1157.20160543
    [16] 王钰, 郭其一, 李维刚 . 基于改进BP神经网络的预测模型及其应用[J].计算机测量与控制, 2005(1):39-42.
    doi: 10.3321/j.issn:1671-4598.2005.01.013

    WANG Y, GUO Q Y, LI W G . Predictive model based on improved BP neural networks and it’s application[J].Computer Measurement & Control,2005(1):39-42. doi: 10.3321/j.issn:1671-4598.2005.01.013
    [17] ZHENG Y, YI X W, LI M , et al. Forecasting fine-grained air quality based on big data[M]. Sydney:Association for Computing Machinery, 2015: 1231-1239.
    [18] ZHENG Y, CAPRA L, WOLFSON O , et al. Urban computing:concepts,methodologies and applications[J]. ACM Transaction on Intelligent Systems and Technology, 2014,5(3):1-55.
    doi: 10.1145/2629592
    [19] ZHENG Y, LIU F R, HSIEH H P .U-air:when urban air quality inference meets big data[M].Chicago:Association for Computing Machinery, 2013: 1436-1444.
  • 加载中
计量
  • 文章访问数:  632
  • HTML全文浏览量:  159
  • PDF下载量:  74
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-08-12
  • 刊出日期:  2019-01-20

目录

    /

    返回文章
    返回