基于粒子群算法的BP神经网络在大气NO2浓度预测中的应用研究

NO2是主要的大气污染气体之一,在大气光化学过程中起着重要作用.研究NO2浓度的时空演变,预测其浓度变化趋势,对政府出台改善环境措施具有重要意义.提出利用粒子群算法(PSO)的反向传播(BP)神经网络对大气NO2浓度进行预测.以合肥地区2017年1月1日至2019年12月31日的大气污染数据和气象数据为基础,结合逐步回归方法筛选出与NO2浓度相关性较大的影响因子作为输入样本.构建PSO-BP神经网络预测模型,利用PSO找出BP神经网络最优的初始权值和阈值.对比BP神经网络、遗传算法改进的BP神经网络和PSO改进的BP神经网络三种模型的预测结果,发现PSO-BP模型能够较为准确地预测出NO2浓度的动态变化规律,并且预测精度高、模式简单,有望广泛应用于大气污染物浓度预测等方面的研究.