CN109063938B - 基于psode-bp神经网络的空气质量预测方法 - Google Patents

Abstract

本发明公开了一种基于PSODE‑BP神经网络的空气质量预测方法。本发明通过数据的收集，然后对数据进行有效的分析，根据数据的特点确定BP神经网络的输入节点数、输出节点数和隐层节点数；接着使用CPSODE算法来优化该BP神经网络的连接权值和阈值，并得到最终的BP神经网络预测模型；经过该BP神经网络训练，增加了自适应PSO‑DE‑BP网络的收敛精度；可以减少PSO‑DE网络的无效迭代；DE极大程度再次优化PSO的优选的粒子，使适应度降低。降低了BP神经网络的迭代次数。

Description

基于PSODE-BP神经网络的空气质量预测方法

技术领域

本发明涉及一种空气质量预测方法，尤其是基于PSODE-BP神经网络的空气质量预测方法。

背景技术

大气污染问题，不是某一个城市，某一个地区或者某一个国家的问题，而是全人类共同面临的重大难题。大气的污染甚至恶化，将会引起全球性的严重问题。大气防治的第一步，就是要采取监控措施，随时掌握污染物的排放情况，便于有针对性的采取有效措施，防范于未然。

早期的大气污染物监测主要依靠人工采样和实验分析的方法。计算机技术和通信技术的大力发展为环境监测领域带来了技术革新，环境监测领域已经走向了信息化和智能化。世界范围内，先后都建立起了更为高效和智能的环境监测系统。

空气质量预测的研究工作始于20世纪60年代，刚开始并没有办法实现对大气污染物的定量预测，直到80年代，人们开始通过数学统计法和数值分析法，实现了对污染物的定量预测。空气污染统计预报法，采用因次分析法和回归分析法相结合的数学方法来取代物理、化学和生物的过程预测方法。大气污染物数值预测法，通过对大气污染物的变化规律进行数学建模，利用数学模型来逼近污染物的变化趋势，是一种科学有有效的方法，但是实施过程比较复杂，效率并不高。上世纪90年代，随着人工神经网络技术的兴起，人工神经网络技术被大量应用于环境预测领域，随着研究的不断深入，各种基于神经网络技术的预测模型得以实现，并且预测精度在不断得到改善。至此人工神经网络技术在大气污染物预测领域中取得了不可替代的位置，一直成为该领域的研究热点。

发明内容

为了不断改善在环境预测领域的预测精度，本发明提出一种基于改进PSODE-BP神经网络的空气质量预测方法，其能够有效处理数据“坏点”，摆脱神经网络局部的最优点，有效的提高BP神经网络的预测精度。

本发明解决其技术问题所采用的技术方案如下：

基于PSODE-BP神经网络的空气质量预测方法包括以下步骤：

1)、BP神经网络模型构建，过程如下：

(1.1)输入层和输出层节点数确定

输入层包括SO₂浓度、NO₂浓度、O₃浓度、CO浓度、PM_2.5浓度以及风向、风速、气压、气温、湿度；输出层PM₁₀浓度。

(1.2)隐层节点数确定

采用如下公式来确定：

其中n为隐含层节点数；m为输入层节点数；p为输出层节点数；α为0～10之间的常数。

(1.3)激励函数的确定

(1.4)粒子维数确定

D＝S1*S2+S2*S3+S2+S3

其中：D为连接权值和阈值总数，S1为神经网络的输入层节点数，S2为神经网络的隐层节点数，S3为神经网络的输出层节点数。

2)、结合基于改进粒子群(PSO)算法和差分进化(DE)算法混合算法优化的神经网络模型构建，过程如下：

(2.1)初始化：随机初始化PSO种群规模NP、粒子维度D、随机PSO粒子群POP_i和DE粒子群X_i，粒子群边界上限P_max和边界下限P_min、飞行速度V_i、速度上限V_max和速度下限V_min、惯性因子w、最大进化次数i、学习因子c₁、c₂、w的最大w_max与最小值w_min、控制因子λ、交叉因子CR和变异概率F₀、目标优化精度α，迭代最大次数G,并将初始化的阈值和权值映射到种群粒子中。

(2.2)、计算网络适应度值，网络适应度值通过网络输出误差f表征，其表达式为：

其中：t_k表示期望输出；y_k表示实际输出；p表示输入样本个数。

(2.3)、初始化PSO粒子群个体最优pbest、全局最优gbest和差分DE粒子最优粒子集合debest。

(2.4)、更新惯性权重w，更新粒子位置POP和速度V，进入步骤(2.5)。

(2.5)、计算适应度值f_new,与当前的适应度值f_old比较，如果f_new<f_old,则更新pbest、gbest。

(2.6)、随机抽选PSO个体最优值集合pbest的2/3随机替换debest中的2/3粒子。

(2.7)、利用DE算法对由个体最优组成的群体debest进行个体执行变异、杂交、选择操作，并更新个体、群体最优解pbest、gbest。

(2.8)、判断适应度是否达到目标误差，即是否达连续K次迭代算法的最优解之差小于或等于设定的精度值α，若不满足，G加1,则转步骤(2.4),否则，继续步骤(2.9)。

(2.9)、输出群体最优值gbest，并映射到BP神经网络的阈值和权值。

(2.10)、改进PSODE算法优化BP神经网络实现。

通过对粒子速度和位置调整使得BP神经网络的连接权值和阈值不断更新换代，BP神经网络总误差小于设定值或者达到迭代次数。

本发明的有益效果：

1、优化神经网络BP收敛慢、早熟的情况；

2、使用位置随机变异，增加了自适应PSODE-BP网络的收敛精度；

3、可以减少神经网络的无效迭代；

4、DE极大程度再次优化PSO的优选的粒子，使适应度值最优；

5、在PSO陷入局部最小值的时候，由于DE算法的干扰，有效的能让粒子摆脱局部最优值；

6、提高了空气预测精度，有助于完善空气预报系统，并减少测量站的数量。

附图说明

图1为BP神经网络拓扑结构；

图2为本发明的流程图。

具体实施方式

下面结合实例对本发明做进一步描述。

参照图1，是一种BP网络拓扑结构，输入信号有污染因子(SO₂浓度、NO₂浓度、O₃浓度、CO浓度、PM_2.5浓度)及气象因子(风向、风速、气压、气温、湿度)和输出信号为PM₁₀浓度。

参照图2，本实施包括如下的步骤：

实施例2015年1月至2016年2月某地PM₁₀日均值浓度预报。

准备训练样本数据：某地环境自动监测站2015年1月1日至2016年12月30日的PM₁₀浓度数据及大气污染监测和气象预报数据。

1)、PSODE-BP神经网络预测模型构建，过程如下：

(1.1)输入层和输出层节点数确定

选取综合影响权重较大的因素作为各自神经网络输入层神经元，本实例相关气象因子及大气污染因子都是日平均数据，作为PSODE-BP网络预测模型的输入层的神经元，确定输入层节点数为10和输出层节点数为1。

(1.2)隐层节点数确定

采用如下公式来作为隐含层神经元数:

其中n为隐含层节点数；m为输入层节点数；p为输出层节点数；α为0～10之间的常数。最后通过上述公式及试验方法来确定神经网络最终隐含层节点数为9。

(1.3)激励函数的确定

(1.4)粒子维数确定

D＝S1*S2+S2*S3+S2+S3

其中：

D为连接权值和阈值总数，S1为输入层节点数S1＝10,S2为隐层节点数S2＝9，S3为输出层节点数S3＝1，得出粒子维数空间为109。

2)、采用改进粒子群算法优化BP神经网络模型构建，过程如下：

(2.1)算法参数初始化：

随机初始化PSO种群规模NP,NP主要反应了种群的信息，从计算复杂度分析来看，种群的数目越大所包含的种群信息就多增加了种群多样性，在根据实际情况下，种群信息达到一定程度后，再增加种群数目带来的意义不大，反而会给计算带来难度，比如内存、时间的消耗。但是种群不能太小，太小导致算法停滞和提前收敛，所以根据自己的需求设定合理的粒子群数目，NP最小值不能小于4，本实例NP＝50。

随机初始化PSO粒子群POP_i和DE粒子群X_i。

粒子边界上限P_max＝5和边界下限P_min＝-5、飞行速度V_i、PSO粒子速度上限V_max＝1和速度下限V_min＝-1。

惯性因子w，即保持原先速度的一个系数，体现的是粒子保持先前速度的能力，并且控制粒子的全局的搜寻能力，同时还能对算法的收敛速度和精度进行完善。w取值较大时，PSO算法全局收敛能力强，局部收敛能力弱，不利于逃离局部极值点；w取值较小时，PSO算法局部收敛能力强，全局收敛能力弱。w的最大w_max＝0.8与最小值w_min＝0.4、控制因子λ＝3。

学习因子C1,C2,认识因子C1和社会因子C2分别控制粒子群的指向自身或者邻域最佳位置的运动，跟踪自己历史最优值和群体最优值的权重系数，决定了粒子个体经验和群体经验对粒子运动轨迹的影响，较低的学习因子使粒子在目标区域徘徊，而较高的学习因子可能会导致粒子越过最佳的区域，经验表明，认识因子C1和社会因子C2设置为2为宜，不过在其他文献中也有其他的取值，但一般的C1等于C2，并且在范围0和4之间。本实例c₁＝1.49445，社会因子c₂＝1.49445。

交叉因子CR，一般取值在(0，1)之内，它的主要作用是控制一个候选个体参数来自于随机选择的变异个体，而不是原来父代个体的概率。来平衡全局和局部搜索性能，随着交叉概率CR的取值越大，收敛速度加快，全局搜索能力比局部搜索能力差，容易陷入局部最优值“早熟”。反之，交叉概率CR取值越小，收敛速度慢，全局搜索能力比局部搜索能力好。因此合理的对交叉概率CR进行取值对算法的性能至关重要。本实例选取CR＝0.7。

变异概率F0,影响对基向量的扰动程度，F越大时，扰动越大，有利于保持种群多样性和全局搜索，且能够在更大范围内寻求有潜力的解，反之，对基向量造成的扰动越小，有利于局部搜索并提高收敛速度。研究表明，缩放因子F取值[0.5,1]时，算法得到的结果较好。本实施例选取F₀＝0.6。

目标优化精度，可以根据研究的实际要求，本实例精度α＝0.00001。

迭代最大次数G，根据实际要求选取，本实例选取G＝100。

(2.2)、计算网络适应度值，网络适应度值通过网络输出误差f表征，其表达式为：

其中：t_k表示期望输出；y_k表示实际输出；p表示输入样本个数。

(2.3)、初始化PSO粒子群个体最优pbest、全局最优gbest和差分DE粒子最优粒子集合debest，然后进入下一步骤。

(2.4)、更新惯性权重w，则更新粒子位置POP和速度V，进入步骤(2.5)，其中，惯性权重w的更新公式为：

w＝w_min+(w_max-w_min)*exp(-λ*(i/G)^2)

其中：i表示当前的迭代次数；

粒子位置更新公式为：

其中，

表示k次迭代时粒子位置，

表示k+1次迭代时粒子速度；

粒子速度更新公式为：

其中，

表示k次迭代粒子速度，pbest_id是D纬粒子个体最好位置，gbest_id是是D纬群体最好位置，

表示k次迭代时粒子位置；

(2.5)、计算适应度值f_new,与当前的适应度值f_old比较，如果f_new<f_old,则更新pbest、gbest；

(2.6)、随机抽选PSO个体最优值集合pbest的2/3随机替换debest中的2/3粒子。

(2.7)、利用DE算法对由个体最优组成的群体debest进行个体执行变异、杂交、选择操作，并更新个体、群体最优解pbest、gbest。

(2.8)、判断适应度是否达到目标误差，即是否达连续K次迭代算法的最优解之差小于或等于一定的精度值α，若不满足，G＝G+1,则转步骤(2.4),否则，继续步骤(2.9)。

(2.9)、输出群体最优值gbest，并映射到BP神经网络的阈值和权值。

(2.10)、改进PSODE算法优化BP神经网络实现

通过对粒子速度和位置调整使得BP神经网络的连接权值和阈值不断更新换代，使得BP神经网络总误差小于设定值或者达到迭代次数，过程如下：

(2.10.1)将PSODE算法的最优值映射到BP神经网络阈值和权值；

(2.10.2)训练BP神经网络，得到最终的BP神经网络预测模型；

(2.10.3)PSODE-BP神经网络使用的训练函数为trainlm；

(2.10.4)训练网络；

(2.10.5)得出训练的PM₁₀预测值；

还可以判断该预测是否达到精度要求。

上面对本发明的实施方式做了详细说明。但是本发明并不限于上述实施方式，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (6)

1.基于PSODE-BP神经网络的空气质量预测方法，其特征在于该方法包括以下步骤：

1)、BP神经网络模型构建，过程如下：

(1.1)输入层和输出层节点数确定

输入层的节点数包括SO₂浓度、NO₂浓度、O₃浓度、CO浓度、PM_2.5浓度以及风向、风速、气压、气温、湿度；输出层的节点数包括PM₁₀浓度；

(1.2)隐层节点数确定

采用如下公式来确定：

其中n为隐含层节点数；m为输入层节点数；p为输出层节点数；α为0～10之间的常数；

(1.3)激励函数的确定

(1.4)粒子维数确定

D＝S1*S2+S2*S3+S2+S3

其中：D为连接权值和阈值总数，S1为神经网络的输入层节点数，S2为神经网络的隐层节点数，S3为神经网络的输出层节点数；

2)、采用改进粒子群算法优化BP神经网络模型构建，过程如下：

(2.1)初始化：随机初始化PSO种群规模NP、粒子维度D、随机PSO粒子群POP_i和DE粒子群X_i，粒子群边界上限P_max和边界下限P_min、飞行速度V_i、速度上限V_max和速度下限V_min、惯性因子w、最大进化次数i、学习因子c₁、c₂、w的最大w_max与最小值w_min、控制因子λ、交叉因子CR和变异概率F₀、目标优化精度α，迭代最大次数G,并将初始化的阈值和权值映射到种群粒子中；

(2.2)、计算网络适应度值，网络适应度值通过网络输出误差f表征，其表达式为：

其中：t_k表示期望输出；y_k表示实际输出；p表示输入样本个数；

(2.3)、初始化PSO粒子群个体最优pbest、全局最优gbest和差分DE粒子最优粒子集合debest；

(2.4)、更新惯性权重w，更新粒子位置POP和速度V，进入步骤(2.5)；

(2.5)、计算适应度值f_new,与当前的适应度值f_old比较，如果f_new<f_old,则更新pbest、gbest；

(2.6)、随机抽选PSO个体最优值集合pbest的2/3随机替换debest中的2/3粒子；

(2.7)、利用DE算法对由个体最优组成的群体debest进行个体执行变异、杂交、选择操作，并更新个体、群体最优解pbest、gbest；

(2.8)、判断适应度是否达到目标误差，即是否达连续K次迭代算法的最优解之差小于或等于设定的精度值α，若不满足，G加1,则转步骤(2.4),否则，继续步骤(2.9)；

(2.9)、输出群体最优值gbest，并映射到BP神经网络的阈值和权值；

(2.10)、改进PSODE算法优化BP神经网络实现

通过对粒子速度和位置调整使得BP神经网络的连接权值和阈值不断更新换代，使得BP神经网络总误差小于设定值或者达到迭代次数。

2.根据权利要求1所述的基于PSODE-BP神经网络的空气质量预测方法，其特征在于：惯性权重w的更新公式为：

w＝w_min+(w_max-w_min)*exp(-λ*(i/G)^2)

其中：i表示当前的迭代次数。

3.根据权利要求1所述的基于PSODE-BP神经网络的空气质量预测方法，其特征在于：粒子位置更新公式为：

其中，

表示k次迭代时粒子位置，

表示k+1次迭代时粒子速度。

4.根据权利要求1所述的基于PSODE-BP神经网络的空气质量预测方法，其特征在于：粒子速度的更新公式为：

其中，

表示k次迭代粒子速度，pbest_id是d纬粒子个体最好位置，gbest_id是d纬群体最好位置，

表示k次迭代时粒子位置。

5.根据权利要求1所述的基于PSODE-BP神经网络的空气质量预测方法，其特征在于：步骤(2.10)具体是

初始化映射到BP神经网络的阈值和权值；

训练BP神经网络，得到最终的BP神经网络预测模型；

训练网络；

得到PM₁₀浓度预测值。

6.根据权利要求5所述的基于PSODE-BP神经网络的空气质量预测方法，其特征在于：PSODE-BP神经网络使用的训练函数为trainlm。

Images