基于小波分解及遗传BPNN耦合模型的地表水As浓度预测研究

随着工业的快速发展,水体中污染物超标事件时有发生,造成了较严重的水环境污染问题.水环境监测与预报是环境科学研究的重要内容.为了实现地表水砷（As）污染的准确预报,本研究提出小波分解、遗传算法与BP人工神经网络的耦合建模方法,并结合某河流监测站1998—2016年共19年的地表水质监测数据,通过皮尔逊相关系数和信息指标评价法对模型输入变量进行筛选,最后对比分析了在不同水质参数输入情况下BP人工神经网络（BPNN）、遗传算法改进的BPNN（GABP）、小波-遗传BPNN耦合模型（W-GABP）对后6年（2011—2016年） As浓度预测结果的均方根误差（RMSE）、决定系数（R²）、平均绝对百分比误差（MAPE）,以确立最优模型.结果表明：①多水质参数BPNN、GABP与W-GABP耦合模型预测结果的MAPE分别为17.51%、15.98%、14.46%,单水质参数BPNN、GABP与W-GABP耦合模型预测结果的MAPE分别为18.78%、16.74%、7.83%;②小波分解数据前处理及遗传算法均能较大程度地提高预测模型的精度;③对于地表水水质预报,需对比不同模型在不同输入变量下的预测结果,以获得最佳的预测精度.单水质参数输入的W-GABP耦合模型能较准确地预报地表水As浓度的变化情况,对数据缺乏地区水质监控和地表水As污染防治具有重要意义.     

基于轻量级梯度提升机的南京大气臭氧浓度预测

采用南京地区2015年1月至2016年12月期间的空气质量数据和常规气象资料数据,分析了南京地区O₃浓度变化特征,建立基于轻量级梯度提升机(LightGBM)的O₃浓度预测模型,并将该模型与支持向量机、循环神经网络和随机森林等3种在空气质量预测方向上常用的机器学习方法进行了对比,验证模型的有效性和可行性.结果表明,南京地区O₃浓度变化具有显著的季节性差异,浓度变化受前期浓度、气象因子和其他空气污染物浓度的共同影响.LightGBM模型较为准确地预测了南京地区地面O₃浓度(R²=0.92),且该模型的预测精度和计算效率等性能优于其他模型.尤其是在容易出现臭氧污染的高温天气,该模型预测准确性明显高于其他模型,模型稳定性较好.LightGBM具有预测准确度高、稳定性好、有良好的泛化能力和运算时间短等特点,在O₃浓度预测方面具有显著的优势.     

基于RBF网络的城市垃圾产量预测及可视化

为了预测并控制未来几年城市垃圾产量,以我国城市为例,利用K-近邻互信息的多变量特征从18个拟影响因素中确定了8个影响垃圾排放量因子,分别为常住人口、地区生产总值、社会消费品零售值、金融业增加值、工业增加值、批发和零售业增加值、住宿和餐饮业增加值和第三产业增加值.以2006~2013年数据为训练样本,2014~2015年数据为检验样本,根据影响因素建立径向基函数（RBF）神经网络预测模型,并基于平均相对误差对模型反向修正.然后结合两段式径向基预测模型,对全国各省市2017~2018年的垃圾总产量预测并可视化.结果表明,本文建立的两段式径向基预测模型平均相对误差是6.43%,预测精度为93.57%.可见,该模型的预测精度较高,能较好的在现实生活中对城市垃圾的产生量进行预测.     

基于Stacking集成学习模型的气态亚硝酸预测

建立了基于Stacking集成学习下气态亚硝酸（HONO）预测模型.利用非相干宽带腔增强吸收光谱（IBBCEAS）系统获得的北京城区HONO的浓度,结合HONO的来源,选取了O₃、CO、SO₂、NO、NO₂、NO_y、温度（T）、相对湿度（RH）、风速（WS）、j（HONO）、j（NO₂）、j（O¹D）作为特征数据,通过对HONO的平均日变化分析,将测量时间按小时转换为新特征.分别以极端梯度提升（XGBoost）、轻量化梯度促进机（LightGBM）以及随机森林（RF）算法构建基模型,采用5折交叉验证的方式划分训练集,将基模型输出的结果作为新特征集,并将新特征集作为第二层线性回归模型的输入,通过对这两层中的模型进行训练,最终得到Stacking集成学习HONO预测模型.通过对模型的特征重要度分析和计算夜间交通直接排放所占的贡献,表明CO是模型预测中重要的影响因子,说明机动车的直接排放是该区域冬季时期HONO的重要来源.利用测试集分别对单模型和融合后模型的预测性能进行评估,3个单模型的预测结果与测量值的相关系数都达到了0.91以上,其中Stacking融合后的模型性能最好,相关系数达到了0.94,平均绝对误差和均方根误差分别为0.307×10^-9和0.453×10^-9,结果表明基于Stacking集成学习方式下HONO预测模型的可解释性和推广性.     

基于树模型的北京市PM2.5预测效果对比分析

在城市空气质量预测中,ρ（PM_2.5）会受到气象条件和时间周期的影响。选取北京市全市为实验区域,对多种污染物浓度特征、时间特征及天气特征等进行分析,采用2019年33个空气质量监测站逐小时数据开展PM_2.5预测实验,建立了基于特征的LightGBM （light gradient boosting machine） PM_2.5质量浓度预测模型,分别与随机森林模型（RF）、梯度提升树模型（GBDT）、 XGBoost模型3个PM_2.5浓度预测模型进行对比。结果表明:在PM_2.5浓度预测精度方面,LightGBM模型最高,XGBoost模型次之,RF模型最差。LightGBM模型的PM_2.5污染浓度预测准确率高于其他模型,R2为0.9614,且具有训练快、内存少等优点。LightGBM模型的5个评估指标均优于其他模型,说明其在PM_2.5逐时预测上具有很好的稳定性和应用前景。     

XGBoost-LSTM变权组合模型支持下短期PM2.5浓度预测——以上海为例

为进一步提高PM_2.5浓度预测的精度,基于XGBoost和LSTM进行改进得到变权组合模型XGBoost-LSTM（Variable）.过对预测因子进行相关性分析,得到其它大气污染物和气象因素对PM_2.5浓度的影响,确定最优PM_2.5浓度预测因子,再将预处理后数据集输入LSTM模型和XGBoost模型分别进行预测,采用基于残差改进的自适应变权组合方法得到最终预测结果.结果表明,污染物变量的相对重要性高于气象因子变量,其中当前PM_2.5和CO浓度的相对重要性较高,而平均风速和相对湿度重要性较低.XGBoost-LSTM（Variable）模型的RMSE、MAE和MAPE值为1.75、1.12和6.06,优于LSTM、XGBoost、SVR、XGBoost-LSTM（Equal）和XGBoost-LSTM（Residual）模型.分季节预测结果表明,XGBoost-LSTM（Variable）模型在春季预测精度最好,而夏季预测精度较差.模型预测精度高的原因在于其不仅考虑了数据的时间序列特征,又兼顾了数据的非线性特征.     

基于Informer的PM2.5浓度预测

针对现有PM_2.5浓度时序预测模型预测精度不高的问题,基于Informer建立了1个Seq2Seq的单站点PM_2.5浓度多步时序预测模型,以历史污染物数据和气象数据为输入,实现对未来一段时间PM_2.5浓度的预测。所构建模型基于ProbSparse (概率稀疏)自注意力机制提取所输入的序列信息,能够广泛地捕获输入序列的长期依赖信息,并对影响因子之间复杂的非线性关系进行建模,从而提高预测准确度。采用北京市2015-2019年逐小时空气污染物数据与气象数据进行模型训练、验证和测试,建立与循环神经网络(RNN)、长短期记忆网络(LSTM)的对比实验并与其他现有研究方法进行比较,结果表明:对未来1~6 h的PM_2.5浓度时序预测,Informer的平均绝对误差(MAE)、均方根误差(RMSE)和可决系数(R2)指标均为最好,实现了较为准确的预测。     

基于径向基函数神经网络方法的城市生态压力预测

针对城市生态压力影响因素复杂,难以对城市未来可持续发展状况做出准确判断的问题,提出了城市生态压力的径向基函数神经网络预测模型,分析了影响城市生态系统的主要因素.以抚顺市1995-2009年数据为基础,验证了模型的准确性并预测了该市2010-2015年城市生态系统的压力情况.研究结果表明:能源消耗指标是影响城市生态系统压力的主要因素;运用径向基函数神经网络模型对训练样本的拟合精度以及对测试样本的仿真精度分别达97.91%和94.16%;抚顺市2015年的人均生态足迹、 生态承载力和生态赤字分别达到7.013、 0.523和6.49 hm²/人.     

基于长短期记忆网络-卷积神经网络(LSTM-CNN)的北京市PM2.5浓度预测

准确预测PM_2.5浓度可以有效避免重污染天气对人体带来的危害。现有方法往往重视本地历史信息对PM_2.5浓度预测的影响,而忽略空间传输的作用。提出了一种长短期记忆网络和卷积神经网络(LSTM-CNN)相结合的方法,利用历史PM_2.5浓度数据、历史气象数据和时间数据,对空气质量监测站未来6 h PM_2.5浓度做出预测。该模型主要由2部分组成:1)基于长短期记忆网络的时序预测模型,模拟本地因素对PM_2.5浓度预测的影响;2)基于一维卷积神经网络的特征提取模型,模拟周边地区污染物的传输与扩散对PM_2.5浓度预测的影响。随机选取了北京市市区及郊区7个监测站在2014-05-01—2015-04-30期间的数据,用于研究和评估LSTM-CNN模型。结果表明:提出的LSTM-CNN模型相比于LSTM模型具有更好的预测效果,且对于郊区站点预测效果的改进略优于市区站点。     

集成AEC和时空特征的工业园区PM2.5浓度预测

为实现工业园区企业污染排放精细化管控,捕捉工业园区内企业污染排放与污染物浓度之间的响应关系,提出一种集成大气环境容量（AEC）和时空特征的工业园区PM_2.5浓度预测模型.通过有限体积法获得工业园区日均大气自净能力指数（ASI）,结合工业园区日排放数据作为AEC特征;同时利用小波分析和Pearson相关系数法提取时空特征,包括目标监测站PM_2.5浓度的时间变化特征和其与周围监测点PM_2.5的空间相关特征.通过CNN获取训练数据中PM_2.5的关联特征,并利用BILSTM充分反映时间序列训练数据中隐含的关键历史长短期依赖关系,确保快速准确的预测性能,以2018~2020年濮阳市工业园区大气污染物观测数据、气象数据及排放数据进行实验验证.结果表明：本文提出的CNN-BILSTM预测模型相较于传统LSTM模型预测精度提升10%;AEC特征和时空特征有利于提高模型精度和稳定性,集成AEC和时空特征的CNN-BILSTM预测模型在PM_2.5污染天数预测准确率最高,达93%;分季节预测结果表明,秋冬季的预测精度最高.     

GA-BP神经网络在铜合金海洋腐蚀预测中的应用

目的 充分利用海洋腐蚀数据,深入分析数据规律.方法 在BP神经网络的基础上引入遗传算法,以克服神经网络模型固有缺陷,提高预测精度和训练速度.结果 对GA-BP人工神经网络进行了简要阐述,并以铜合金在海水中的腐蚀数据为例,应用GA-BP人工神经网络建立了海水腐蚀预测模型,对预测结果进行了评价.结论 预测结果表明,模型能满足设计要求,具有较好的泛化能力.     

Measurement and prediction of ozone levels around a heavily industrialized area: a neural network approach

This paper presents an artificial neural network model that is able to predict ozone concentrations as a function of meteorological conditions and precursor concentrations. The network was trained using data collected during a period of 60 days near an industrial area in Kuwait. A mobile monitoring station was used for data collection. The data were collected at the same site as the ozone measurements. The data fed to the neural network were divided into two sets: a training set and a testing set. Various architectures were tried during the training process. A network of one hidden layer of 25 neurons was found to give good predictions for both the training and testing data set. In addition, the predictions of the network were compared to measurements taken during other times of the year. The inputs to the neural network were meteorological conditions (wind speed and direction, relative humidity, temperature, and solar intensity) and the concentration of primary pollutants (methane, carbon monoxide, carbon dioxide, nitrogen oxide, nitrogen dioxide, sulfur dioxide, non-methane hydrocarbons, and dust). A backpropagation algorithm with momentum was used to prepare the neural network. A partitioning method of the connection weights of the network was used to study the relative % contribution of each of the input variables. It was found that the precursors carbon monoxide, carbon dioxide, nitrogen oxide, nitrogen dioxide, and sulfur dioxide had the most effect on the predicted ozone concentration. In addition, temperature played an important role. The performance of the neural network model was compared against linear and non-linear regression models that were prepared based on the present collected data. It was found that the neural network model consistently gives superior predictions. Based on the results of this study, artificial neural network modeling appears to be a promising technique for the prediction of pollutant concentrations.     

基于粗集、遗传神经网络的环境质量评价

基于粗集、遗传神经网络的环境质量评价方法利用粗集对属性的归约功能将数据库中的数据进行归约，并将归约后的数据作为训练数据提供给BP神经网络；再用遗传算法和BP算法相结合的混合算法来训练网络预测模型的结构（在得到最优网络结构的同时也得到网络的最优权值和阈值）。通过实例表明该方法是有效的，为环境质量评价提供了一种新的研究思路和分析方法。     

基于CEEMD-BiGRU模型的徐州市大气污染物浓度预测

目前大气污染物对于地区经济以及人体健康的影响不容忽视。选取徐州市2016-01-01—2021-01-24大气污染物和气象要素数据,针对大气污染物浓度波动性强等特点,运用互补集成经验模态分解(CEEMD)将污染物数据分解为本征模态分量,提取出原始数据的各项特征,再对分解出的各本征模态分量构建双向门控循环单元模型(BiGRU),通过双向循环训练,学习各分量的特征趋势并获得最优训练参数,将输出结果重构,得到最终的预测值。结果表明:与BiGRU、BP模型相比,CEEMD-BiGRU模型预测各项大气污染物的平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)分别下降15%、20%和2百分点以上,预测精度有较大提升。在此基础上,利用CEEMD-BiGRU模型预测后一时间段残差,以修正原预测值,得到大气污染物预测区间上界,进一步扩展模型的适用性。     

深度学习方法在上海市PM2.5浓度预报中的应用

为提升PM_2.5浓度预报能力,尤其是对PM_2.5重污染的预报能力,以中尺度气象-化学耦合模式系统（WRF-Chem）为基础,结合中尺度WRF气象预报数据、地面及高空气象观测数据、PM_2.5浓度观测数据,基于人工智能深度学习序列到序列的算法建立了上海市PM_2.5统计预报模型.结果表明,人工智能深度学习算法（Seq2seq）明显修正了WRF-Chem模式由于模型非客观性造成的偏差,提高了上海市PM_2.5浓度的预报能力;该算法优化和修正了WRF-Chem模式结果,并通过检验发现可以使PM_2.5浓度预报值与实况值间的相关系数由0.51上升至0.79,均方根误差由25.9μg/m³下降至15.01μg/m³.而单独使用套索法（Lasso）线性回归算法对WRF-Chem模式优化效果不理想.基于Seq2seq的PM_2.5浓度预报修正模型能够有效提升预报精度.     

引信步进应力加速试验贮存寿命预测研究

目的 针对某机电引信加速寿命试验数据,采用传统统计分析方法存在计算量大、寿命预测精度难以保证的问题,开展与智能算法相结合的引信贮存寿命预测研究。方法 针对步进应力加速寿命试验数据,采用贝叶斯理论的环境因子法,对各级应力下的贮存时间进行折合计算。利用进化策略对粒子群算法进行改进,进而对所建立的BP神经网络预测模型的全局参数进行调整和优化,突破传统方法的局限。将折合后的试验时间、样本量、应力水平作为网络输入,失效数作为输出,来预测引信贮存寿命。结果 利用训练好的 BP神经网络预测引信在正常应力水平下的失效数,计算其贮存可靠度。在迭代402次后,模型找到最优解,且预测误差在1%以内。结论 步进应力加速寿命试验与智能算法相结合的方法计算过程简单,预测精度较高,可有效提高引信贮存寿命的预测精度。     

改进BFO优化BPNN的自来水混凝加药预测

本文给出一种量子粒子群（QPSO）算法、改进菌群觅食（IBFO）算法优化反向传播神经网络（BPNN）的混凝投药预测模型,利用量子粒子群的个体极值与群体极值更新细菌觅食算法趋化过程中细菌位置;通过细菌协同改进趋化算子提高优化精度,结合差分算法改进繁殖算子解决部分维度退化问题,加入轮盘赌方法作为选择机制改进迁移算子来克服优化过程中优秀解消失的缺陷;进而优化BP神经网络的权值、阈值以此预测混凝剂投药量.对云南某自来水厂的数据进行离线训练和模型测试,结果表明,所提算法预测结果的均方误差（MSE）达0.0116mg/L,平均绝对误差百分比（MAPE）达1.36%,在预测精度和稳定性上优于BFO-BPNN、PSO-BPNN等模型.     

基于MRMR-HK-SVM模型的PM2.5浓度预测

以赣州市2017年全年的空气质量和气象数据为研究对象,通过最大相关最小冗余算法（MRMR）提取出最优的特征子集,并将其作为预测模型的输入数据,同时构造混合核函数（HK）对传统的支持向量机模型（SVM）进行改进,最终建立MRMR-HK-SVM模型.实验结果表明,MRMR-HK-SVM模型有着更低的平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和均方根误差（RMSE）,相较于传统SVM模型,预测结果平均绝对误差下降了26.9%,且能更加准确的追踪到PM_2.5浓度的突变时刻.可见,MRMR-HK-SVM模型具有更好的泛化能力,能够更加精确地预测PM_2.5浓度.