基于遗传算法和BP神经网络的广州市空气质量预测与时空分布研究

发布时间：2017-09-24 04:45

  本文关键词：基于遗传算法和BP神经网络的广州市空气质量预测与时空分布研究

  更多相关文章： 空气质量预测 GA BP 空间分析 GIS 广州市

【摘要】：随着经济的快速发展,大量污染气体的排放,对环境产生了很大的破坏,使得生态不断恶化。空气污染不仅对人的健康产生的影响,也将会直接导致可持续发展的社会受到影响。因此,大气污染物防治工作,就显得尤为重要。为了更全面的认识和掌握大气污染物的变化趋势,为大气污染防治工作提供更全面、及时的信息,开展大气污染物的预测研究工作势在必行。大气污染物的预测工作历经几十年发展,预测方法和预测技术都得到了全面的提升,然而如何改善空气污染物的预测精度,一直是空气质量预测领域必须考虑和研究的重点。本文以广州为研究区域,根据广州市2014、2015年的国控站点污染物监测数据和气象预报数据,利用遗传算法和BP神经网络,来构建空气质量预测模型,将该模型运用在广州市空气质量预报实验中。同时,采用反距离加权插值法,对广州市的AQI的时空分布进行了分析和预测。本文的主要工作和研究结果如下:首先,对人工神经网络应用于空气质量预报的国内外研究现状进行了阐述,确定了本文的研究内容和技术路线,分析了研究区域的基本情况和空气质量监测站点的地理位置,还介绍了采集的空气质量监测数据和天气预报数据的数据内容和数据来源。其次,深入研究了BP神经网络和遗传算法,介绍了算法的基本原理和流程,并充分分析了两者的优缺点。提出利用遗传算法具有全局搜索的优势,来优化BP神经网络的权重和阈值的方法,避免了神经网络过早收敛于局部极小值,进而提升BP神经网络的泛化能力。再次,根据空气质量数据,考虑气象因素的影响下,结合遗传算法和BP神经网络算法,设计实现了一个基于遗传算法优化神经网络的空气质量预测模型。然后,选取了2014年的空气质量监测数据和气象预报数据作为模型训练样本数据,训练预测模型,通过反复的实验,确定神经网络预测模型的网络结构和参数,并将该预测模型应用在对广州市市监测站2015年1月至3月的空气质量预测实验中,并将该实验结果与单一BP神经网络模型的实验结果进行了对比分析,预测实验结果证明遗传算法优化的预测模型具有较好的预测准确率,达到了预期的效果。最后,利用反距离加权空间插值法,对广州市2015年上半年AQI时空分布特征进行分析研究。结果表明,1-3月份,空气质量指数(AQI)呈下降趋势,北部高于南部;4-6月份,AQI呈逐渐上升趋势,南部高于北部,并且南部市中心城区的AQI明显偏高。并与预测模型预测AQI值相应的空间分布进行对比,两者的空间分布特征较为一致,从而验证了预测模型的准确性。
【关键词】：空气质量预测 GA BP 空间分析 GIS 广州市
【学位授予单位】：江西理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：X51;X831
【目录】：

• 摘要4-5
• Abstract5-12
• 第一章 绪论12-20
• 1.1 研究背景及意义12-14
• 1.1.1 研究背景12-13
• 1.1.2 研究意义13-14
• 1.2 国内外研究现状14-16
• 1.2.1 国外研究现状14-15
• 1.2.2 国内研究现状15-16
• 1.3 研究内容和技术路线16-17
• 1.3.1 研究内容16
• 1.3.2 技术路线16-17
• 1.4 研究方法17-19
• 1.4.1 空间插值法17
• 1.4.2 空气质量评价法17-19
• 1.5 论文组织结构19-20
• 第二章 研究区域概况与数据处理20-24
• 2.1 研究区域概况20-21
• 2.2 数据采集和来源21
• 2.2.1 数据来源21
• 2.2.2 数据内容21
• 2.3 数据处理21-23
• 2.3.1 数据缺失处理21-22
• 2.3.2 数据数值化处理22-23
• 2.4 本章小结23-24
• 第三章 人工神经网络24-37
• 3.1 人工神经网络24-25
• 3.2 BP神经网络25-31
• 3.2.1 BP神经网络结构26-27
• 3.2.2 BP神经网络算法原理27-28
• 3.2.3 BP神经网络学习算法改进28-30
• 3.2.4 BP神经网络的优缺点30-31
• 3.3 遗传算法31-34
• 3.3.1 遗传算法原理31-33
• 3.3.2 遗传算法步骤33-34
• 3.3.3 遗传算法的优缺点34
• 3.4 遗传算法优化BP神经网络34-35
• 3.5 本章小结35-37
• 第四章 基于遗传算法和BP神经网络的预测模型设计37-43
• 4.1 BP神经网络预测模型的设计37-40
• 4.1.1 输入层和输出层设计37
• 4.1.2 隐含层设计37-38
• 4.1.3 传递函数确定38-39
• 4.1.4 学习函数确定39-40
• 4.2 遗传算法优化BP神经网络的权重和阈值40-41
• 4.3 预测模型算法整体设计41-42
• 4.4 本章小结42-43
• 第五章 广州市空气质量预测应用和结果分析43-54
• 5.1 数据样本选择和处理43-45
• 5.1.1 数据样本选择43-45
• 5.1.2 数据预处理45
• 5.2 模型参数设计45-47
• 5.3 网络模型训练47-50
• 5.4 其他污染物浓度预测50-51
• 5.5 空气质量指数预报51-53
• 5.6 结果分析53
• 5.7 本章小结53-54
• 第六章 广州市AQI时空分布分析54-62
• 6.1 空间插值54-56
• 6.1.1 空间插值概述54-55
• 6.1.2 空间插值方法55-56
• 6.2 AQI时空分布分析56-61
• 6.2.1 AQI时间分布特征分析56-58
• 6.2.2 AQI空间分布特征分析58-60
• 6.2.3 AQI时空分布预测60-61
• 6.3 本章小结61-62
• 第七章 结论与展望62-64
• 7.1 结论62-63
• 7.2 展望63-64
• 参考文献64-67
• 附录A 空气质量分指数67-68
• 致谢68-69
• 攻读学位期间的研究成果69-70

【参考文献】

中国期刊全文数据库 前10条

1 韩庆大,李沈,王丹民,魏宁;BP算法神经网络技术在激光加工中的应用[J];东北大学学报;1999年05期

2 赵碧云,贺彬,朱发庆,袁国林,段坤;大气污染扩散空间信息系统[J];环境科学研究;1999年06期

3 金龙,况雪源,黄海洪,覃志年,王业宏;人工神经网络预报模型的过拟合研究[J];气象学报;2004年01期

4 刘罡,李昕,胡非;大气污染物浓度的神经网络预报[J];中国环境科学;2000年05期

5 赵凤琴,汤洁,周德春;GIS的空间分析技术在长春市大气环境功能分区中的应用[J];吉林大学学报(地球科学版);2002年03期

6 郎君,苏小红,周秀杰;基于有机灰色神经网络模型的空气污染指数预测[J];哈尔滨工业大学学报;2004年12期

7 张庸;英国伦敦烟雾事件[J];环境导报;2003年21期

8 吴必军,李利新,王伟;基于GIS城市机动车尾气扩散迁移研究[J];环境污染与防治;2002年04期

9 于桂云,金世洲,王洪涛;城市空气质量预报的意义及其进展[J];黑龙江环境通报;2002年03期

10 刘运年;室内空气污染及其控制[J];化学工程师;2003年01期

，

本文编号：909438