1 内容介紹
針對目前PM2.5濃度測量成本高和測量過程繁雜等問題,建立了基于灰狼群智能最優化算法的神經網絡預測模型.從非機理模型的角度,結合氣象因素和空氣污染物對上海市的PM2.5濃度進行預測,并使用平均影響值分析了影響PM2.5濃度的重要因素.使用灰狼群智能算法優化神經網絡的過程中,引入了檢驗樣本實時監控訓練過程以避免發生"過訓練"現象,確定建立的神經網絡模型具有較好的泛化能力.實驗結果表明:PM10對PM2.5的影響最為顯著,其次是CO和前一天PM2.5.選取2016年11月1日--12日的資料進行驗證,其平均相對誤差為13.46%,平均絕對誤差為8 μg/m3,與粒子群算法優化的神經網絡、BP神經網絡模型及支援向量回歸(SVR)模型的誤差相比,平均相對誤差分别下降了約3個百分點、5個百分點和1個百分點.是以,使用灰狼算法優化的神經網絡更适合上海市PM2.5濃度的預測和空氣品質的預報.
2 仿真代碼
% This function initialize the first population of search agents
function Positions=initialization(SearchAgents_no,dim,ub,lb)
Boundary_no= size(ub,2); % numnber of boundaries
% If the boundaries of all variables are equal and user enter a signle
% number for both ub and lb
if Boundary_no==1
Positions=rand(SearchAgents_no,dim).*(ub-lb)+lb;
end
% If each variable has a different lb and ub
if Boundary_no>1
for i=1:dim
ub_i=ub(i);
lb_i=lb(i);
Positions(:,i)=rand(SearchAgents_no,1).*(ub_i-lb_i)+lb_i;
end
end
3 運作結果
![](https://img.laitimes.com/img/__Qf2AjLwojIjJCLyojI0JCLiAnYldHL0FWby9mZvwFN4ETMfdHLkVGepZ2XtxSZ6l2clJ3LcV2Zh1Wa9M3clN2byBXLzN3btgHL9s2RkBnVHFmb1clWvB3MaVnRtp1XlBXe0xCMy81dvRWYoNHLwEzX5xCMx8FesU2cfdGLwMzX0xiRGZkRGZ0Xy9GbvNGLpZTY1EmMZVDUSFTU4VFRR9Fd4VGdsQTMfVmepNHLrJXYtJXZ0F2dvwVZnFWbp1zczV2YvJHctM3cv1Ce-cmbw5CN5ETNzMWO2cDNjdzM1UmZyYzX0ADO1IjM4EzLchDMyIDMy8CXn9Gbi9CXzV2Zh1WavwVbvNmLvR3YxUjLyM3Lc9CX6MHc0RHaiojIsJye.png)
編輯
編輯
4 參考文獻
[1]徐宗寶. 基于混合優化BP神經網絡的水質預測系統的研究與實作[D]. 北京工業大學.
[2]張文勝, 郝孜奇, 朱冀軍,等. 基于改進灰狼算法優化BP神經網絡的短時交通流預測模型[J]. 交通運輸系統工程與資訊, 2020, 20(2):8.
[3]石峰, 樓文高, 張博. 基于灰狼群智能最優化的神經網絡PM2.5濃度預測[J]. 計算機應用, 2017, 037(010):2854-2860.