0 引言
近年来，基于神经网络算法预测PM2.5成为PM2.5监测[1]研究的热点。
人工神经网络具有很好的自适应性、自组织性和很强的自主学习能力[2-4]。采用人工神经网络的方式去预测PM2.5浓度值具备很高的适用性[5]。但是直接采用典型的神经网络方法在收敛速度和泛化能力上并不理想，所以一些学者通过用相关性分析的方法降低输入样本的维度，可以在一定程度上解决收敛速度的影响。张怡文和李凤英等人分别采用了逐步回归和Pearson相关系数的方法分析影响PM2.5相关因素的相关性，降低输入样本的维数，以此来提高算法的收敛速度[6-7]。针对常用的几种神经网络用于预测PM2.5浓度值的方法存在的局部极值问题，马天成等人则是将粒子群算法(Particle Swarm Optimization，PSO)与模糊神经网络进行融合，发挥PSO算法全局寻优的特点，预测PM2.5颗粒物浓度的变化规律[8]；荆涛、李霖等人通过遗传算法与BP(Back Propagation)神经网络算法相结合的方式也解决了BP神经网络算法训练过程中的局部极值问题[9]。PM2.5数据及其相关影响因素数据都是具有一定时间相关性的时间序列数据，其具备一定的历史特性，而BP神经网络模型对这种特性无法进行有效的表达。裴雨潇等人通过把PM2.5的数据构成时间序列，并进行小波变换，将低频部分和高频部分分别用不同的模型进行预测，再将预测值进行叠加，最后得到的结果比单纯用BP神经网络模型预测的效果要理想[10]。目前国内外研究PM2.5预测模型多是基于神经网络结合其他算法进行模型的改进，这种方式相对比单纯用神经网络的方式在预测精度、泛化能力上都有较大的提升，但是PM2.5受其他因素的影响较大，考虑到从周围环境的角度来建立PM2.5模型的方式，预测精度还可以有所提升。
传统的灰色预测模型(Grey Model，GM(1，1))将时间序列数据看成一个随时间变化的函数，但经过大量的实验表明经典灰色模型缺乏一定的预测稳定性，即使时间序列为纯指数序列，在做长期预测时仍存在较大的偏差[11-12]。基于这个原因，谢乃明等人提出离散灰色预测模型(Discrete Grey Forecasting Model，DGM(1，1))，并经过实验表明，DGM(1，1)相较于传统的GM(1，1)模型即使在时间序列数据大致符合指数增长规律也具有较好的预测精度，且对于长期预测有一定的优势[13]。
气象因素和空气质量因素均为典型的时间序列数据，但是分析影响PM2.5相关因素时，发现无论是气象因素还是空气质量因素都是震荡序列，GM(1，1)和DGM(1，1)两种模型对于单调递增的时间序列数据都具备一定的预测精度，而对于震荡序列的预测精度则不能够确定。王岩、黄张裕等人提出一种基于震荡序列的灰色预测模型(Stochastic Discrete Grey Forecasting Model，SDGM(1，1))，在进行震荡序列预测时，能够达到比较好的精度[14]。
论文详细内容请下载http://www.chinaaet.com/resource/share/2000002852
作者信息:
黄 鹰1，史爱武2，陈占龙1，张 威1
(1.中国地质大学(武汉) 地理与信息工程学院，湖北 武汉430070；2.武汉纺织大学 计算机学院，湖北 武汉430070)
