邱晨 羅璟 趙朝文

摘? 要： 隨著工業(yè)社會(huì)的發(fā)展，空氣質(zhì)量問(wèn)題已經(jīng)成為環(huán)保任務(wù)的主要焦點(diǎn)。BP神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的一種，已經(jīng)在大部分領(lǐng)域被廣泛使用。為了讓廣大市民更好的了解空氣質(zhì)量情況，本文以云南省昆明市為例，收集當(dāng)?shù)亟?年的空氣質(zhì)量數(shù)據(jù)，并基于Python語(yǔ)言，在Anaconda環(huán)境下的Numpy包建立了三層神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型，對(duì)空氣質(zhì)量等級(jí)進(jìn)行分類預(yù)測(cè)。通過(guò)訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練以及相關(guān)參數(shù)的調(diào)試，得到較好的分類預(yù)測(cè)模型。將分類結(jié)果與實(shí)際結(jié)果進(jìn)行比較，結(jié)果顯示，本次的神經(jīng)網(wǎng)絡(luò)模型的分類預(yù)測(cè)準(zhǔn)確率達(dá)到90%，能夠較好的分析空氣質(zhì)量，達(dá)到預(yù)期需求。

關(guān)鍵詞： 神經(jīng)網(wǎng)絡(luò);深度學(xué)習(xí);空氣質(zhì)量;分類預(yù)測(cè)

【Abstract】： With the development of industrial economy， air quality issues have become the main focus of environmental protection tasks. As a kind of deep learning， BP neural network has been used widely in most fields. In order to let the general public understand the air quality situation better， this paper takes Kunming City， Yunnan Province as an example， collects the local air quality data for the past 6 years， and builds a three-layer neural network mathematics model based on the Python language in the Numpy package under the Anaconda environment to classify and predict the air quality levels. Through the training sample training of the neural network model and the debugging of related parameters， a better classification prediction model is obtained. Comparing the classification results with the actual data， the results show that the classification prediction accuracy of this neural network model reaches 90%， which can better analyze the air quality and meet the expected demand.

【Key words】： Neural network; Deep learning; Air quality; Classification prediction

0? 引言

近年來(lái)，席卷全國(guó)的霧霾讓廣大群眾“談霾色變”，大氣污染的防治成為了各省區(qū)市環(huán)保工作的重中之重。而空氣質(zhì)量作為檢驗(yàn)大氣污染程度的重要指標(biāo)，一直是氣象部門的重要依據(jù)。在我國(guó)，空氣質(zhì)量評(píng)價(jià)的主要污染物為細(xì)顆粒物（PM2.5）、可吸入顆粒物（PM10）、二氧化硫（SO2）、二氧化氮（NO2）、臭氧（O3）、一氧化碳（CO）等六項(xiàng)。傳統(tǒng)的空氣質(zhì)量指數(shù)AQI（Air Quality Index）計(jì)算方法如下：

這種AQI的計(jì)算方法雖然比較規(guī)范，但是計(jì)算復(fù)雜，數(shù)據(jù)容易混淆。本文采用了BP神經(jīng)網(wǎng)絡(luò)的方法，這是一種由David Rumelhart和J.McClelland于1985年提出的誤差反向后傳BP（Back propagation）學(xué)習(xí)算法。利用輸出后的誤差來(lái)估計(jì)輸出層的直接前導(dǎo)層的誤差，再用這個(gè)誤差估計(jì)更前一層的誤差，如此一層一層的反傳下去，就獲得了所有其他各層的誤差估計(jì)。因?yàn)榫W(wǎng)絡(luò)較強(qiáng)的數(shù)據(jù)處理能力，以及廣泛的適應(yīng)能力，所以BP神經(jīng)網(wǎng)絡(luò)常應(yīng)用在計(jì)算機(jī)科學(xué)、模式識(shí)別技術(shù)、人工智能領(lǐng)域[3]。

3? 結(jié)語(yǔ)

本文基于Python語(yǔ)言，在Anaconda環(huán)境下構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)模型，通過(guò)對(duì)模型重要參數(shù)的選取，對(duì)昆明市空氣質(zhì)量情況進(jìn)行分類預(yù)測(cè)。由于BP神經(jīng)網(wǎng)絡(luò)的局限性，所以引入動(dòng)量因子來(lái)加速模型的收斂，避免陷入局部最優(yōu)。最終的結(jié)果表明，該網(wǎng)絡(luò)模型訓(xùn)練效果良好，具有較好的空氣質(zhì)量的分類識(shí)別功能，識(shí)別率達(dá)到90%。同時(shí)，該網(wǎng)絡(luò)模型仍有些許誤差，對(duì)于以后預(yù)測(cè)分類模型的精度的提高提供了進(jìn)一步的研究方向。

參考文獻(xiàn)

高慶先， 劉俊蓉， 李文濤， 高文康. 中美空氣質(zhì)量指數(shù)（AQI）對(duì)比研究及啟示[J]. 環(huán)境科學(xué)， 2015， 36（4）： 1141- 1147.

呂霽洲. 基于AQI和BP神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量評(píng)價(jià)及預(yù)測(cè)[J]. 電子世界， 2018， （11）：23-24.

何曉云， 羅澤蓉， 李明悅， 李亞斌， 趙盛萍. 基于BP神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量建模分析[J]. 山東工業(yè)技術(shù)， 2018， （17）： 239-240.

白鶴鳴， 沈潤(rùn)平， 師華定， 董鈺春. 基于BP神經(jīng)網(wǎng)絡(luò)的空氣污染指數(shù)預(yù)測(cè)模型研究[J]. 環(huán)境科學(xué)與技術(shù)， 2013， 36（3）： 186-189.

唐立力， 陳國(guó)彬， 基于MEA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的農(nóng)機(jī)滾動(dòng)軸承故障診斷[J]. 農(nóng)機(jī)化研究， 2019， （3）： 214-218.

甘宇， 何沂， 逯宇佳， 呂雪松. 基于機(jī)器學(xué)習(xí)的孔隙度預(yù)測(cè)方法研究[J]. 油氣地球物理， 2018， 16（3）： 54-57.

蔣美云. 基于模擬退火算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[J]. 軟件工程， 2018， （7）： 36-38.

周國(guó)亮， 劉希玉， 武魯英. BP神經(jīng)網(wǎng)絡(luò)在空氣質(zhì)量級(jí)別評(píng)價(jià)中的應(yīng)用[J]. 計(jì)算機(jī)工程與設(shè)計(jì)， 2009， 30（2）： 392-394.

張東. BP神經(jīng)網(wǎng)絡(luò)算法的技術(shù)分析[J]. 軟件， 2016， 37（12）： 227-229.

吳超， 羅璟. 基于隨機(jī)森林的偷漏稅行為自動(dòng)識(shí)別[J]. 軟件導(dǎo)刊， 2018，17（8）： 13-16.