基于WPA-WOA-BP神经网络的PM2.5浓度预测

谢劭峰 赵 云 李国弘 周志浩 黄良珂

1 桂林理工大学测绘地理信息学院，桂林市雁山街319号，541006 2 广西空间信息与测绘重点实验室，桂林市雁山街319号，541006

雾霾的主要成分是二氧化硫、氮氧化物以及细颗粒物(PM2.5、PM10)。雾霾的形成与大气可降水量(precipitable water vapor, PWV)、空气污染物排放以及气象条件等有着密切的关系。近年来，一些学者研究基于神经网络的PM2.5浓度时序预测方法[1-7]，取得较好的预测结果，稳定性也较高。但这些预测方法只考虑了PWV(或天顶湿延迟ZWD、天顶总延迟ZTD)、空气污染物、气象条件这3类影响因子中的1类或2类，没有同时顾及这3类因子的影响；亦未见有利用鲸鱼优化算法(whale optimization algorithm, WOA)、狼群算法(wolf pack algorithm, WPA)优化神经网络预测PM2.5浓度的相关研究。为此，本文提出一种综合考虑ZTD、空气污染物以及气象条件3类因子影响，利用WOA和WPA混合优化BP神经网络的PM2.5浓度预测方法，将桂林市整体作为一个单点从时间维度上对其冬季和夏季的PM2.5浓度进行预测，并分析预测结果的精度。

1 WPA-WOA-BP神经网络

1.1 BP神经网络

BP神经网络是一种多层前馈网络，按照误差逆向传播进行训练。这种网络可以在事先不知道映射关系的情况下，自主学习大量的输入和输出模式的映射关系，然后通过逆向传播不间断地修改网络的阈值与权值，从而使网络误差达到最小。BP神经网络的运算主要由3个部分组成，即由输入层途经隐含层到输出层的正向传播过程、网络预测输出与实际值的误差由输出层到输入层的反向修正过程、正向与反向过程交替进行的训练过程。……