Page 145 - 生态环境保护与环境监测研究
P. 145
第六章 空气质量预测预报
等人采用多元线性回归方程建立模型，通过对徐州市空气质量指数进行预测。李
萍等人采用改进的萤火虫算法优化 SVR 对京津冀地区 PM 进行预测，改进的
10
萤火虫算法提高了原本算法的精度和稳定性，采用改进后的算法对 SVR 进行优
化，降低了原本模型的交叉验证误差，结果显示相较于 BP 神经网络，预测准确
率提高了，但是实验中只使用了历史空气污染物数值，并未考虑气象因素等其他
影响空气质量的因子。胡玉筱等人使用高斯烟雨模型和多元线性回归模型对西安
PM 2.5 扩散规律进行了仿真实验。孙宝磊等人提出基于 BP 神经网络融合变量筛选
方法对昆明市日均污染物浓度进行预测，结果显示经过变量筛选的预测要比不筛
的效果好。李建更等人提出使用互补集合经验模态分解与支持向量回归对北京怀
柔区 PM 2.5 进行预测，实验结果显示与 EEMD-SVR、EMD-SVR 和 SVR 相比，实
验所提模型预测精度更高。郭利进等人提出利用自回归平滑模型为卡尔曼滤波建
立模型而后将 RBF 神经网络融合于滤波，继而对 AQI 进行预测，结果显示融合
模型比 BP 模型及卡尔曼滤波最大误差减少约 20 ～ 27。
在深度学习算法方面，谢崇波等人以 GRU 模型为基础，采用遗传算法提取
相关因子作为 GRU 循环神经网络的输入因子，对模型输入进行优化，实验使用
绵阳市监控站数据进行实验仿真，对 PM 2.5 浓度值进行预测。郑毅等人提出基于
深度信念网络的区域 PM 2.5 日均值预测方法，同时与 RBF 和 BP 神经网络进行对
比，结果显示 DBNs 预测效果明显好于其余两种。丁子昂等人提出以一种基于
补充总体经验模态分解—皮尔逊相关分析和深度长短期记忆神经网络混合模型的
PM 2.5 浓度预测方法，实验数据表明，该方法可以将预测精度达到 90％，且模型
收敛速度也得到了提升。深度学习算法现今已然成了一种流行的数据分析技术。
空气质量的影响来自多方面，涉及的数据量多且复杂，在信息化的今天，越
来越多的数据可以被收集到，这时传统的回归算法已经无法很好地拟合其特征，
而浅层机器学习对多维度的数据处理较为困难。基于深度学习的自身特性，其适
合用于大型数据集和高维度的数据集处理，在数据集有所增加时也便于更新模
型，除此之外，通过自身网络的学习可以获取深度挖掘数据的底层特征，发掘数
137
