0 引言

    近年來，基于神經(jīng)網(wǎng)絡算法預測PM2.5成為PM2.5監(jiān)測^[1]研究的熱點。

    人工神經(jīng)網(wǎng)絡具有很好的自適應性、自組織性和很強的自主學習能力^[2-4]。采用人工神經(jīng)網(wǎng)絡的方式去預測PM2.5濃度值具備很高的適用性^[5]。但是直接采用典型的神經(jīng)網(wǎng)絡方法在收斂速度和泛化能力上并不理想，所以一些學者通過用相關性分析的方法降低輸入樣本的維度，可以在一定程度上解決收斂速度的影響。張怡文和李鳳英等人分別采用了逐步回歸和Pearson相關系數(shù)的方法分析影響PM2.5相關因素的相關性，降低輸入樣本的維數(shù)，以此來提高算法的收斂速度^[6-7]。針對常用的幾種神經(jīng)網(wǎng)絡用于預測PM2.5濃度值的方法存在的局部極值問題，馬天成等人則是將粒子群算法(Particle Swarm Optimization，PSO)與模糊神經(jīng)網(wǎng)絡進行融合，發(fā)揮PSO算法全局尋優(yōu)的特點，預測PM2.5顆粒物濃度的變化規(guī)律^[8]；荊濤、李霖等人通過遺傳算法與BP(Back Propagation)神經(jīng)網(wǎng)絡算法相結合的方式也解決了BP神經(jīng)網(wǎng)絡算法訓練過程中的局部極值問題^[9]。PM2.5數(shù)據(jù)及其相關影響因素數(shù)據(jù)都是具有一定時間相關性的時間序列數(shù)據(jù)，其具備一定的歷史特性，而BP神經(jīng)網(wǎng)絡模型對這種特性無法進行有效的表達。裴雨瀟等人通過把PM2.5的數(shù)據(jù)構成時間序列，并進行小波變換，將低頻部分和高頻部分分別用不同的模型進行預測，再將預測值進行疊加，最后得到的結果比單純用BP神經(jīng)網(wǎng)絡模型預測的效果要理想^[10]。目前國內(nèi)外研究PM2.5預測模型多是基于神經(jīng)網(wǎng)絡結合其他算法進行模型的改進，這種方式相對比單純用神經(jīng)網(wǎng)絡的方式在預測精度、泛化能力上都有較大的提升，但是PM2.5受其他因素的影響較大，考慮到從周圍環(huán)境的角度來建立PM2.5模型的方式，預測精度還可以有所提升。

    傳統(tǒng)的灰色預測模型(Grey Model，GM(1，1))將時間序列數(shù)據(jù)看成一個隨時間變化的函數(shù)，但經(jīng)過大量的實驗表明經(jīng)典灰色模型缺乏一定的預測穩(wěn)定性，即使時間序列為純指數(shù)序列，在做長期預測時仍存在較大的偏差^[11-12]。基于這個原因，謝乃明等人提出離散灰色預測模型(Discrete Grey Forecasting Model，DGM(1，1))，并經(jīng)過實驗表明，DGM(1，1)相較于傳統(tǒng)的GM(1，1)模型即使在時間序列數(shù)據(jù)大致符合指數(shù)增長規(guī)律也具有較好的預測精度，且對于長期預測有一定的優(yōu)勢^[13]。

    氣象因素和空氣質(zhì)量因素均為典型的時間序列數(shù)據(jù)，但是分析影響PM2.5相關因素時，發(fā)現(xiàn)無論是氣象因素還是空氣質(zhì)量因素都是震蕩序列，GM(1，1)和DGM(1，1)兩種模型對于單調(diào)遞增的時間序列數(shù)據(jù)都具備一定的預測精度，而對于震蕩序列的預測精度則不能夠確定。王巖、黃張裕等人提出一種基于震蕩序列的灰色預測模型(Stochastic Discrete Grey Forecasting Model，SDGM(1，1))，在進行震蕩序列預測時，能夠達到比較好的精度^[14]。

論文詳細內(nèi)容請下載http://www.rjjo.cn/resource/share/2000002852

作者信息:

黃  鷹1，史愛武2，陳占龍1，張  威1

(1.中國地質(zhì)大學(武漢) 地理與信息工程學院，湖北 武漢430070；2.武漢紡織大學 計算機學院，湖北 武漢430070)