基于神经网络的教室室内PM2.5浓度预测研究

为建立适用于教室PM_2.5的室内预测模型，该文依据长期监测的教室内环境数据，建立了涵盖室内外环境参数、人员活动因素和季节性因素在内的PM_2.5预测模型。研究使用多元线性回归模型和人工神经网络模型，采用主成分分析法和和熵值法分析了影响室内PM_2.5浓度的总方差的影响因素权重及对BP神经网络输入因子进行降维。结果表明：(1)在采集的13个因素中，对室内PM_2.5的总方差解释大小排名前5的影响因素依次是室内相对湿度、室内通风量、室内二氧化碳浓度、室外相对湿度、门开启时间占比。(2)采用BP神经网络的预测效果优于传统的多元线性回归，拟合优度R2从0.412上升到0.547。(3)针对BP神经网络，采用交叉验证法验证了各个季节的预测效果，结果表明春季的预测效果最好，冬季次之，秋季最差。(4)采用主成分对数据进行降维和调整BP神经网络的隐藏层数能够优化BP神经网络，可将R2提升至0.710和0.805。研究结果可为机械通风下的教室室内PM_2.5预测模型建立提供依据和数据支撑。