劉云　張平華

摘 要：本文首先闡述了BP神經(jīng)網(wǎng)絡和ABC算法的基本概念，結(jié)合現(xiàn)階段環(huán)境空氣質(zhì)量需求，明確了霧霾天氣預測預警的必要性，然后結(jié)合安徽省大氣質(zhì)量指數(shù)數(shù)據(jù)，從空氣質(zhì)量等級評估、預測指標體系構建和霧霾天氣預測模型選擇等方面，研究了基于ABC算法優(yōu)化BP神經(jīng)網(wǎng)絡的霧霾天氣預警模型，以期進一步提高霧霾等級評估與預測的準確性，提高政府相關部門決策的時效性。

關鍵詞：BP神經(jīng)網(wǎng)絡;ABC算法;霧霾天氣;體系構建;預測預警

中圖分類號：TP183 文獻標識碼：A 文章編號：1003-5168（2019）32-0026-03

Study?on?Forecasting?Model?of?Haze?Weather?Based?on?ABC

Algorithm?to?Optimize?BP?Neural?Network

LIU?Yun ZHANG?Pinghua

（Hefei?Vocational?and?Technical?College，Hefei?Anhui?230051）

Abstract：?This?paper?first?expounded?the?basic?concepts?of?BP?neural?network?and?ABC?algorithm，?combined?with?the?current?ambient?air?quality?requirements，?clarified?the?necessity?of?forecasting?and?early?warning?of?smog?weather.?Then?combining?with?Anhui?Province's?air?quality?index?data，?from?the?aspects?of?air?quality?rating?assessment，?construction?of?prediction?index?system?and?selection?of?haze?weather?forecasting?model，?a?haze?weather?early?warning?model?based?on?ABC?algorithm?to?optimize?BP?neural?network?model?was?studied，?with?a?view?to?further?improving?the?accuracy?of?the?assessment?and?prediction?of?the?haze?level?and?the?timeliness?of?decision-making?by?relevant?government?departments.

Keywords：?BP?neural?network;ABC?algorithm;haze?weather;construct?system;early?warning?forecast

近年來，隨著工業(yè)化和城市化的飛速發(fā)展，空氣污染已經(jīng)成為重要的環(huán)境污染問題。黨的十九大報告明確指出，構建中國生態(tài)文明和綠色發(fā)展道路[1]。隨著信息化發(fā)展以及公眾對綠色發(fā)展需求的增加，人們越來越重視環(huán)境空氣質(zhì)量。因此，要借助BP神經(jīng)網(wǎng)絡數(shù)據(jù)挖掘技術構建霧霾天氣預測模型，從霧霾天氣中的復雜數(shù)據(jù)中提取有價值的數(shù)據(jù)和信息，為霧霾天氣等級劃分的評估與預測提供依據(jù)，給政府及相關部門工作提供決策依據(jù)，從而為社會公眾的生活工作提供參考意見。

1 基本概念

1.1 BP神經(jīng)網(wǎng)絡結(jié)構

BP神經(jīng)網(wǎng)絡是一種多層前饋網(wǎng)絡，也稱為人工神經(jīng)網(wǎng)絡，主要是借助大腦神經(jīng)網(wǎng)絡框架以及功能，對其進行模擬，進而構建的一種數(shù)據(jù)處理系統(tǒng)，如圖1所示。其主要由三個部分組成，分別是輸入層、輸出層以及隱含層。同一層次的神經(jīng)元之間沒有連接，而上下層次之間是全連接狀態(tài)，從學習樣本結(jié)合連接權值到理想誤差值的修正傳播，對信息進行并行處理和非線性轉(zhuǎn)換操作[2-4]。

1.2 ABC算法

ABC算法（Artificial?Bee?Colony?Algorithm），也就是人工蜂群算法，主要是依據(jù)模仿蜜蜂尋找食物的行為而提出的一種優(yōu)化方法，是集群智能化思想的一個具體應用。該算法主要特點是只需要對問題的優(yōu)劣勢進行比較，不需要了解問題的特殊信息;主要的實現(xiàn)途徑是通過各人工蜂個體的局部尋優(yōu)行為，在群里中獲得最優(yōu)值，因此具有收斂速度快的特性。

2 霧霾天氣指標體系構建

導致霧霾天氣的因素和評價指標有很多方面。目前，國內(nèi)采用的主要是空氣質(zhì)量指數(shù)AQI（Air?Quality?Index），依據(jù)《環(huán)境空氣質(zhì)量標準》（GB?3095—2012）對空氣質(zhì)量指數(shù)進行定量描述。參與評價的污染物有6項，如表1所示。因此，在進行霧霾天氣等級評估與預測過程中，應該對以上因素給空氣質(zhì)量造成的影響進行全面綜合分析和評估。

表1 霧霾天氣指標體系構建

[指標編號 指標名稱 Q1 CO2 Q2 SO2 Q3 PM2.5 Q4 PM10 Q5 O3 Q6 CO ]

根據(jù)空氣質(zhì)量指數(shù)范圍，空氣質(zhì)量可以分為六級，也就意味著公眾理解的空氣質(zhì)量狀況也分為六個級別，嚴重污染為六級，重度污染為五級，依次降低，級別越低，指數(shù)越小，那么相應的空氣質(zhì)量狀況就越好。但是，需要注意的是，AQI指數(shù)劃分只能表明空氣的污染程度，不能說明具體污染物的濃度值。由于AQI評價的6種污染物濃度限值各有不同，空氣質(zhì)量指數(shù)AQI也會依據(jù)各污染物的濃度值來折算。

3 霧霾天氣預測模型構建與應用

3.1 模型構建

如果將空氣質(zhì)量指標作為神經(jīng)網(wǎng)絡的輸出，與之相關的6種污染物指標作為神經(jīng)網(wǎng)絡的輸入，建立神經(jīng)網(wǎng)絡模型，模擬出它們之間的非線性關系，便可通過輸入信息來預測空氣質(zhì)量指標等級的輸出[5-7]。其中，輸入和輸出的非線性關系主要是通過權值、閾值以及中間函數(shù)來實現(xiàn)的。另外，BP神經(jīng)網(wǎng)絡具有收斂慢、易產(chǎn)生局部極小值以及對初始值敏感等缺點，但是具有泛化映射能力，而ABC算法具有全局的優(yōu)勢，所以結(jié)合兩者，利用ABC算法尋找最優(yōu)的權值和閥值，然后通過訓練試驗反復調(diào)整這些參數(shù)使其誤差達到最小，訓練完成后確定有關參數(shù)，從而準確預測空氣質(zhì)量。ABC-BP建模流程如圖2所示。

3.2 數(shù)據(jù)處理過程

首先對ABC算法的參數(shù)進行初始化。初始化的參數(shù)主要有蜂群自身的大?。╗Ns]）、蜂群中采蜜蜂和跟隨蜂的數(shù)量（[Ne]和[No]）、解的個數(shù)（[Ns]）、極限值（Limit）、最大循環(huán)次數(shù)（MCN）以及D維初始解[Xi]（i=1，...，[Ns]）。本預測模型中初始值設定分別為：采蜜蜂和跟隨蜂的數(shù)量為100，極限值也設置為100，最大循環(huán)次數(shù)設定為200。D維解向量[Xi]（i=1，...，[Ns]）代表了所創(chuàng)建BP神經(jīng)網(wǎng)絡的連接權值和閥值，其維數(shù)D是網(wǎng)絡所有權值和閥值個數(shù)之和，初始解的值是隨機產(chǎn)生的（-1，1）之間的值。

采蜜蜂根據(jù)當前的記憶解搜索新的解，并利用貪婪選擇法確定一個適合度值較大的值;接著跟隨蜂依據(jù)這些收益率優(yōu)化解，如此迭代得到的一個最優(yōu)解，轉(zhuǎn)換為神經(jīng)網(wǎng)絡的權值和閥值，從而創(chuàng)建完成了霧霾預測模型，最后使用已有測試樣本對該模型進行驗證測試。

為使仿真和預測的效果更加精確和穩(wěn)定，在建立霧霾模型之前，應該首先預處理霧霾的樣本數(shù)據(jù)信息。本項目實施過程中主要采用具有兩種處理模式的mapminmax函數(shù)，兩種處理模式分別為apply和reverse。前者將霧霾數(shù)據(jù)映射到[-1，1]區(qū)間內(nèi)，后者可將變換后的數(shù)據(jù)轉(zhuǎn)換回去。該算法可表示為：

（1）

式中，變換前的數(shù)據(jù)用[x]表示，變換后的數(shù)據(jù)用[y]表示。[x]的取值范圍是有限的實數(shù)值，并且要求對應矩陣每行的值不全為0。

3.3 模型應用分析結(jié)果

本項目主要利用安徽氣象研究所提供的合肥市近四年數(shù)據(jù)，進行模擬仿真試驗。從2015年1月至2017年12月，以季度為單位，進行數(shù)據(jù)提取，在兩年時間周期內(nèi)提取了12個數(shù)據(jù)，把時間周期內(nèi)的指標對應數(shù)據(jù)作為數(shù)據(jù)輸入，將對應周期內(nèi)的指標結(jié)果作為輸出，結(jié)合試驗平臺，進行反復訓練試驗，保證最終誤差符合預期。然后將訓練試驗后的網(wǎng)絡進行預測，預測驗證主要對2017年1月至2018年12月的指標數(shù)據(jù)進行對應時間段的霧霾天氣預測。結(jié)果表明，實際的指標和本模型的預測指標顯示結(jié)果基本類似，誤差范圍是在試驗數(shù)據(jù)的允許誤差范圍內(nèi)。由此可以看出，利用基于ABC算法優(yōu)化的BP神經(jīng)網(wǎng)絡模型可以對霧霾天氣進行預測，并且預測結(jié)果有較高的準確性。

4 結(jié)語

通過本項目的預測結(jié)果可以得出，將人工蜂群算法和BP神經(jīng)網(wǎng)絡應用到氣象數(shù)據(jù)預警系統(tǒng)中，可以提高空氣質(zhì)量預測的準確性，可以有效保證政府相關部門決策的時效性。該種方式克服了神經(jīng)網(wǎng)絡學習速度慢、易于收斂和泛化能力差等缺點，達到動態(tài)和靜態(tài)融合評估的目的，驗證了基于ABC算法優(yōu)化BP神經(jīng)網(wǎng)絡的霧霾天氣預測模型的可行性。

參考文獻：

[1]習近平.決勝全面建成小康社會?奪取新時代中國特色社會主義偉大勝利：在中國共產(chǎn)黨第十九次全國代表大會上的報告[EB/OL].（2017-10-27）[2019-10-08].http：//www.xinhuanet.com//politics/2017-10/27/c_1121867529.htm.

[2]李柞泳，彭荔紅.基于遺傳算法優(yōu)化的大氣質(zhì)量評價的污染損害指數(shù)公式[J].中國環(huán)境科學，2001（4）：289-291.

[3]劉永，郭懷成.城市人氣污染物濃度預測方法研究[J].安全與環(huán)境學報，2004（4）：60-62.

[4]張偉.人工蜂群混合優(yōu)化算法及應用研究[D].杭州：浙江大學，2014.

[5]王偉，龍文.基于交叉算子的改進人工蜂群算法[J].蘭州理工大學學報，2015（1）：101-106.

[6]向娜.基于神經(jīng)網(wǎng)絡和人工蜂群算法的水質(zhì)評價和預測研究[D].廣州：華南理工大學，2012.

[7]黃文明，徐雙雙，鄧珍榮，等.改進人工蜂群算法優(yōu)化RBF神經(jīng)網(wǎng)絡的短時交通流預測[J].計算機工程與科學，2016（4）：713-719.