【摘要】本文所研究的空气质量预测工作，利用有效的数据集以及建立BP神经网络预测算法模型对降雨量，城市生产总值，温度，经度，纬度，海拔高度，人口密度，是否沿海，绿化覆盖率，焚烧量等11个与空气质量指数有关的因素与空气质量指数进行相关性分析。然后利用PAC算法进行降低维度，以便找出和空气质量指数有重要关联的9个主要特征。利用BP-GA神经网络算法进行和数据集中的数据进行预测，并且利用MATLAB进行预测仿真，观察空气质量预测的效果图。最后总结BP-GA神经网络算法是较适用于空气质量预测的。
【关键词】神经网络，MATLAB，BP，AQI，PAC，BP-GA
1.前言
本文主要对基于神经网络的城市空气质量预测算法进行重点研究，分析对基础的BP神经网络的优缺点。找到基于PCA-BP 神经网络的空气质量指数预测模型和基于BP-GA 神经网络的AQI预测模型的用途。利用PCA-BP 神经网络的AQI预测模型进行主成分分析，从降低建模维度、减少非相关性特征的角度对预测模型进行优化。分析基于BP神经网络的AQI预测算法和BP-GA神经网络预测算法的优点，找出更好的基于神经网络AQI预测的算法。
2. 基于BP-PAC神经网络模型
建立BP- PAC 神经网络的预测模型的大体流程如下所示：
第一步：进行预处理原始特征数据。将有关的特征与研究特征进行相关性分析。
第二步：提取和AQI相关性较大的主要成分。按照主成分分析的流程对11个影响AQI的特征进行处理分析，提取出符合要求的主成分。
第三步：利用提取的主成分建立BP 神经网络预测模型。用上一步所提取出的主成分作为神经网络的输入变量，参与基于BP 神经网络预测模型的构建，得出预测结果。
3. BP神经网络模型的空气质量预测仿真
将数据集中的11个与空气质量指数有关的特征数据进行加载数据，再将326样本随机指定验证集、测试集、以及训练集。然后进行BP神经网络的训练。设置隐含层神经元节点的个数是建立整个神经网络模型中必不可少的环节，隐含层神经元节点的作用是从输入的9个相关特征中找出独立的特征，和输出信息AQI之间进行关系映射。BP神经网络对空气质量预测的结果与误差对比图如图1所示。
.png)
图 1 BP神经网络的预测结果以及误差对比图
4. 基于BP-GA神经网络空气质量预测模型仿真
BP-GA神经网络主要优化的是隐含层神经元节点个数。上述基于BP神经网络的预测的训练模型中隐含层神经元节点个数是6个，经过BP-GA神经网络优化后，隐含层神经元节点个数经过迭代后设为74个神经元。BP-GA神经网络空气质量预测模型中的隐含层神经元节点个数与BP神经网络训练模型相比来看，得到的输入信息与输出信息的联系更为紧密。通过图2可以得到根据实际数据拟合出的整体准确率大约在81.1%左右。基于BP-GA神经网络对空气质量预测的结果与误差对比图如图3所示。
.png)
图 2 BP-GA神经网络的训练结果图 图 3 GA-BP神经网络的预测结果及误差对比图
5. 实验结果分析
通过MATLAB仿真后的预测误差结果图来看：两种预测算法都有但几个比较突兀的点。产生的原因是原本采用的样本的离散性较大。可以明显的看出GA-BP神经网络预测算法中明显有更多的预测结果与实际结果重合，误差率也更趋近于0。从误差率的角度来看：BP神经网络预测算法的误差率大约为77.5%，GA-BP神经网络预测算法的误差率约为81.1%。因此优化后的GA-BP神经网络的预测效果明显要比基础的BP神经网络算法预测效果要好。
参考文献：
[1] 杨毅. 基于数据挖掘技术的空气质量指数预测研究[D].陕西科技大学,2017
[2] 付彦丽. 基于神经网络的PM2.5质量浓度预测研究[D].陕西:陕西科技大学,2016