Page 159 - 生态环境保护与环境监测研究

第六章 空气质量预测预报

量预测中存在大量简单线性回归模型无法模拟的非线性问题，且回归模型通常需
要大量、连续的历史数据，对数据数量、质量要求较高。

3. 人工神经网络
人工神经网络有多层和单层之分，每一层包含若干神经元，各神经元之间用

带可变权重的有向弧连接，网络通过对已知信息的反复学习训练，通过逐步调整
改变神经元连接权重的方法，达到处理信息、模拟输入输出之间关系的目的。它

不需要知道输入输出之间的确切关系，不需大量参数，只需要知道引起输出变化
的非恒定因素，即非常量性参数。因此与传统的数据处理方法相比，神经网络技

术在处理模糊数据、随机性数据、非线性数据方面具有明显优势，对规模大、结
构复杂、信息不明确的系统尤为适用。

人工神经网络是基于生物学中神经网络的基本原理，在理解和抽象了人脑结
构和外界刺激响应机制后，以网络拓扑知识为理论基础，模拟人脑的神经系统对

复杂信息的处理机制的一种数学模型，也被称作深度学习模型。它实际上是一个
由大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的

逻辑操作和非线性关系实现的系统。神经网络系统分为三层结构：输入层、隐含
层和输出层，其主要的处理过程是在输入层输入样本数据，在隐含层处理数据，

在输出层得到结果，如果误差过大则需要调整神经网络的权值返还到隐含层里继
续处理，直至结果符合预期。在空气质量预测中，人工神经网络模型与传统的预

测模型相比具有自适应学习能力，可以有效处理大气环境中的非线性问题，而且

其计算成本较数值模拟更低；但人工神经网络对于污染物浓度极值模拟效果较差，
其模拟准确度直接与计算成本相关，计算成本投入越多准确度越高，而且在建立
模型的过程中会出现无法收敛的问题。其中基于长短期记忆循环神经网络（long

short term memory，LSTM）的时间序列预测是一类重要应用，LSTM 是一类特殊

的递归神经网络，其核心特点是用上一时刻学习到的信息进行当前时刻的学习，
因此对于空气质量数据的时间序列预测效果较好。近年来相关研究逐渐增多，如

Perez 等开发了一种基于人工神经网络的统计预测模型，对 PM 浓度进行了预
10

151