蘇靖晰 王圣堂 陳紅敏 王永忠

摘要：為探究成都地區(qū)大氣能見(jiàn)度的區(qū)域特性，構(gòu)建基于GA-BP神經(jīng)網(wǎng)絡(luò)的大氣能見(jiàn)度預(yù)測(cè)模型，將空氣中的相對(duì)濕度、PM2.5及PMio作為能見(jiàn)度主要影響因子輸入到預(yù)測(cè)模型中，輸出預(yù)測(cè)時(shí)間段每小時(shí)的大氣能見(jiàn)度，再與實(shí)際值作比較。結(jié)果顯示，經(jīng)過(guò)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型能較好地預(yù)測(cè)該地區(qū)的大氣能見(jiàn)度，預(yù)測(cè)值基本貼近于實(shí)際值，且預(yù)測(cè)結(jié)果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

關(guān)鍵詞：大氣能見(jiàn)度;BP神經(jīng)網(wǎng)絡(luò);遺傳算法

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）18-0019-03

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

大氣能見(jiàn)度是指人們?cè)跉馊苣z粒子作用下所能看到物體大致輪廓的最大水平距離，同時(shí)也是表征空氣質(zhì)量的一項(xiàng)重要指標(biāo)[1]。隨著工業(yè)化生產(chǎn)的飛速發(fā)展，低能見(jiàn)度的發(fā)生頻率也越來(lái)越高。低能見(jiàn)度不僅影響人們的生活質(zhì)量，同時(shí)也嚴(yán)重危害到公路及航空運(yùn)輸?shù)恼＿\(yùn)行，造成了大量的人員傷亡及財(cái)產(chǎn)損失，因此低能見(jiàn)度的精準(zhǔn)預(yù)測(cè)成為規(guī)避不安全事件的主要手段[2]。

國(guó)內(nèi)外針對(duì)能見(jiàn)度的預(yù)測(cè)研究開(kāi)始于20世紀(jì)50年代[3]，Stuart Naegele和William Sellers[4]對(duì)美國(guó)的18個(gè)機(jī)場(chǎng)的能見(jiàn)度與其影響因子做線性回歸分析，發(fā)現(xiàn)相對(duì)濕度與氣溶膠粒子濃度能較為準(zhǔn)確預(yù)測(cè)大氣能見(jiàn)度的數(shù)值，但由于線性函數(shù)的局限性，導(dǎo)致預(yù)測(cè)精準(zhǔn)度較為粗糙。Srivastava SK等[5]運(yùn)用ARIMA模型對(duì)印度加茲阿巴德市的霧霾發(fā)生概率進(jìn)行預(yù)測(cè)，結(jié)果顯示預(yù)測(cè)較傳統(tǒng)預(yù)測(cè)方法要好。而國(guó)內(nèi)學(xué)者宋明等[6]研究能見(jiàn)度與相對(duì)濕度和PM2.5及PM10之間的相關(guān)性發(fā)現(xiàn)，多元非線性回歸模型能較好地預(yù)測(cè)大氣能見(jiàn)度的變化趨勢(shì)。Marzban等[7]對(duì)預(yù)測(cè)方法進(jìn)行改進(jìn)，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)性能較多元非線性回歸預(yù)測(cè)要好。

本文所采用的數(shù)據(jù)來(lái)源于2014-2018年成都?xì)庀笥^測(cè)站及環(huán)境監(jiān)測(cè)站的大氣能見(jiàn)度、相對(duì)濕度、PM25及PM10質(zhì)量濃度的小時(shí)數(shù)據(jù)，共28346組。

1 BP神經(jīng)網(wǎng)絡(luò)及遺傳算法的原理及適用性

BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中最常使用的一種網(wǎng)絡(luò)模型，其基于誤差反向傳播來(lái)調(diào)整權(quán)重和閾值從而達(dá)到進(jìn)一步減小誤差的方法，經(jīng)過(guò)多次迭代調(diào)整從而達(dá)到誤差均方滿足精度為止。BP神經(jīng)網(wǎng)絡(luò)一般具有3層或3層以上的層級(jí)結(jié)構(gòu)，包含輸入層、輸出層以及隱含層，層級(jí)結(jié)構(gòu)內(nèi)部存在有限個(gè)節(jié)點(diǎn)，層與層之間進(jìn)行信息的正向傳播及誤差的反向傳播。信息通過(guò)輸入層正向傳播到隱含層再到輸出層，輸出結(jié)果與實(shí)際結(jié)果之間的誤差均方不滿足精度要求，則誤差反向傳播并逐層修改權(quán)值及閾值，再進(jìn)行下一步的信息正向傳輸，如此經(jīng)過(guò)多次迭代后得到滿足輸出精度的值為止。

BP神經(jīng)網(wǎng)絡(luò)是一種模仿人類大腦結(jié)構(gòu)和信息處理方式的一種人工模型，它反映了人類大腦的一種智能化信息處理方式，其具有極強(qiáng)的并行處理、自學(xué)習(xí)和自適應(yīng)等特性。但BP神經(jīng)網(wǎng)絡(luò)也存在著一定的缺陷，隨著樣本數(shù)據(jù)量的增大，BP神經(jīng)網(wǎng)絡(luò)存在著收斂慢、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)不穩(wěn)定、易陷入局部最優(yōu)解和平坦區(qū)域等問(wèn)題，為了解決該類問(wèn)題，在本文預(yù)測(cè)模型中引入遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，BP神經(jīng)網(wǎng)絡(luò)的層級(jí)結(jié)構(gòu)如圖1所示。

遺傳算法是模擬大自然在進(jìn)化過(guò)程所表現(xiàn)出“優(yōu)勝劣汰”的自然選擇和基于遺傳學(xué)生物進(jìn)化過(guò)程的一種計(jì)算模型，其運(yùn)算的本質(zhì)是在一個(gè)大的數(shù)據(jù)樣本中隨機(jī)選取一個(gè)特定數(shù)量的種群，種群中的每一個(gè)個(gè)體代表該問(wèn)題的一個(gè)解決方案，再根據(jù)每一個(gè)個(gè)體的適應(yīng)度大小，篩選出最優(yōu)個(gè)體，被選擇出的最優(yōu)個(gè)體通過(guò)組合交叉和變異操作，得到一個(gè)具有新解集的種群，再對(duì)新的解集采取同樣的篩選，對(duì)最后一代種群中的最優(yōu)個(gè)體進(jìn)行解碼，得到的即為BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的初始權(quán)值及閾值。

2 GA-BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

2.1 遺傳算法模型的構(gòu)建

遺傳算法的主要步驟包括隨機(jī)樣本初始化、選擇適應(yīng)度函數(shù)、選擇個(gè)體樣本、交叉運(yùn)算和變異運(yùn)算。

（1）隨機(jī)樣本初始化：為了方便程序運(yùn)算，樣本編碼均使用二進(jìn)制編碼，每個(gè)樣本均為一個(gè)二進(jìn)制字符串，輸入層到隱含層再到輸出層之間的每個(gè)連接權(quán)值及閾值均使用M位的二進(jìn)制編碼，將數(shù)據(jù)組的所有權(quán)值和閾值編碼連接起來(lái)即為一個(gè)樣本編碼。

（2）選擇適應(yīng)度函數(shù)：為了使預(yù)測(cè)值與實(shí)際值之間的殘差平方和盡可能的小，所以選擇采用適應(yīng)度分配函數(shù)：

FitnV= ranking （obj）

（1）

其中obj為目標(biāo)函數(shù)的輸出。

（3）選擇個(gè)體樣本種群：基于（2）中的適應(yīng)度分配函數(shù)選擇最優(yōu)個(gè)體樣本群。

（4）交叉運(yùn)算：交叉操作采用單點(diǎn)交叉算子樣本個(gè)體。

（5）變異運(yùn)算：以一定概率產(chǎn)生變異的基因數(shù)，用隨機(jī)的方法選出發(fā)生變異的基因。如果所選的基因編碼為1，則變?yōu)?;如果所選的基因編碼為0，則變?yōu)?.

2.2 BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

構(gòu)建BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型是為對(duì)數(shù)據(jù)樣本的未來(lái)每小時(shí)的能見(jiàn)度均做預(yù)測(cè)，選取3個(gè)主要影響因子相對(duì)濕度、PM2.5及PM10，設(shè)定輸出結(jié)果為大氣能見(jiàn)度VIS。

（1）網(wǎng)絡(luò)輸入層及輸出層

根據(jù)前面確定的3個(gè)主要影響因子相對(duì)濕度、PM：5及PMio質(zhì)量濃度可知，輸入層神經(jīng)元節(jié)點(diǎn)數(shù)為3，輸出層神經(jīng)元節(jié)點(diǎn)數(shù)根據(jù)需要唯一預(yù)測(cè)的能見(jiàn)度確定為1。

（2）網(wǎng)絡(luò)隱含層

BP網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的確定關(guān)乎于該預(yù)測(cè)模型誤差值的大小及準(zhǔn)確度，因此，正確的設(shè)置隱含層節(jié)點(diǎn)數(shù)至關(guān)重要。

l=√m+n+a

（2）

而根據(jù)以前學(xué)者針對(duì)這類問(wèn)題的研究總結(jié)出如式（2）的隱含層節(jié)點(diǎn)選擇公式，m為輸入層節(jié)點(diǎn)數(shù)，n為輸出層節(jié)點(diǎn)數(shù)，a為[1，10]區(qū)間的任意整數(shù)值，因?yàn)閙=3，n=1.故l的取值范圍為[3，121，根據(jù)試湊法對(duì)l在[3，12]范圍內(nèi)進(jìn)行隱含層節(jié)點(diǎn)數(shù)的確定。隨機(jī)選取2000組數(shù)據(jù)用作試湊數(shù)據(jù)，不同隱含層節(jié)點(diǎn)個(gè)數(shù)的試湊結(jié)果如表2所示。

由表（2）可知，當(dāng)隱含層節(jié)點(diǎn)數(shù)為4時(shí)，試湊結(jié)果與實(shí)際值相關(guān)性較高且相對(duì)誤差較小，所以選擇隱含層節(jié)點(diǎn)數(shù)為4.

（3）激勵(lì)函數(shù)

激勵(lì)函數(shù)是位于層與層之間用來(lái)傳遞參數(shù)的工具，輸入值根據(jù)激勵(lì)函數(shù)得到輸出值。而MATLAB中最常見(jiàn)的2種激勵(lì)函數(shù)有線性激勵(lì)函數(shù)purelin及雙曲正切S型激勵(lì)函數(shù)tan -sigmod.

1）線性激勵(lì)函數(shù)purelin：對(duì)層與層之間采用線性關(guān)系連接輸出權(quán)值及閾值，輸入值的取值范圍沒(méi)有限制，輸出值沒(méi)有最大值與最小值的限制，c為正的常數(shù);

y= pureLin（X）= cX

（3）

2）雙曲正切S型激勵(lì)函數(shù)tan - sigmod：輸入值與輸出值沒(méi)有限制，輸出值的取值范圍為（-1，1），以0為中心，c為旋轉(zhuǎn)度的S型函數(shù)，c為正的常數(shù);

根據(jù)本文數(shù)據(jù)要求，選擇雙曲正切S型激勵(lì)函數(shù)為輸入層到隱含層之間的激勵(lì)函數(shù)，選擇線性激勵(lì)函數(shù)為隱含層到輸出層之間的激勵(lì)函數(shù)。

（4）訓(xùn)練函數(shù)與學(xué)習(xí)函數(shù)

訓(xùn)練函數(shù)進(jìn)行權(quán)值和閾值的求解以及誤差分析得出結(jié)果，再通過(guò)學(xué)習(xí)函數(shù)進(jìn)行修改權(quán)值與閾值的返回，訓(xùn)練函數(shù)根據(jù)返回值再次進(jìn)行數(shù)值求解及誤差分析，并多次循環(huán)迭代使得整體誤差達(dá)到最小精度要求，從而得到最優(yōu)值的方法。此處訓(xùn)練函數(shù)及學(xué)習(xí)函數(shù)均采用Levenberg-Marquardt算法。

3 GA-BP神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置

GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的BP網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)設(shè)置如表3所示，BP網(wǎng)絡(luò)迭代算法參數(shù)設(shè)置如表4所示，遺傳算法運(yùn)行參數(shù)設(shè)置如表5所示。

4 實(shí)驗(yàn)結(jié)果的驗(yàn)證與分析

由圖2可知，圖2（a）與圖2（b）為2個(gè)月中能見(jiàn)度實(shí)際值與預(yù)測(cè)值隨時(shí)間變化的曲線，灰色陰影部分為能見(jiàn)度實(shí)際值，黑色折線為GA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值，整體預(yù)測(cè)結(jié)果均貼近于實(shí)際值，其中擬合度最高的是1月份，最低的是9月份。

5 結(jié)論

經(jīng)過(guò)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型能較好地預(yù)測(cè)成都地區(qū)的大氣能見(jiàn)度，其預(yù)測(cè)數(shù)值基本貼近于實(shí)際值，且對(duì)于小于5km范圍的低能見(jiàn)度預(yù)測(cè)較為精準(zhǔn)，對(duì)于大于Skm范圍的能見(jiàn)度預(yù)測(cè)相對(duì)較差，其原因主要受能見(jiàn)度觀測(cè)儀器量程的限制以及短時(shí)間內(nèi)能見(jiàn)度的大尺度突變影響。

參考文獻(xiàn)：

[1]黃儀方.航空氣象[M].成都：西南交通大學(xué)出版社，2011：55-55.

[2]于庚康，于達(dá)人，洪貞銓.專業(yè)氣象預(yù)報(bào)服務(wù)系統(tǒng)[J].氣象，1992（1）：18-22.

[3] Holzworth G C，Maga J A. A method for analyzing the trendin visibility [J].

Journal of the Air Pollution Control Associa-tion， 1960，10（6）：430-467.

[4] Naegele P S，Sellers W D.A Study of Visibdity in EighteenCities in the Western and Southwestern United States[Jl.Monthly Weather Review， 2009， 109（11）.

[5] Srivastava S K，Sharma A R，Sachdeva K.An observation-based climatology and forecasts of winter fog in？Ghaziabad， In-dia[Jl. Weather， 2017， 72（1）：16-22.

[6]宋明，韓素芹，張敏，姚青，等.天津大氣能見(jiàn)度與相對(duì)濕度和PM_（10）及PMJ2.5）的關(guān)系[J].氣象與環(huán)境學(xué)報(bào)，2013，29（2）：34-41.

[7] Marzban C，Leyton S，Coleman B.Ceiling and VisibilityForecasts via Neural Networks[Jl. Weather& Forecasting，2006， 22（3）：466-479.

【通聯(lián)編輯：梁書】

基金項(xiàng)目：中國(guó)民用航空飛行學(xué)院研究生科研創(chuàng)新項(xiàng)目（X2018-39）

作者簡(jiǎn)介：蘇靖晰（1992-），男，碩士研究生在讀，主要從事空中交通運(yùn)行環(huán)境一航空氣象方向的研究。