摘要
大气污染严重影响人们的生活环境，大气污染物浓度越高，对人们身体健康的威胁就越大。大气污染物浓度的预测结果，可以直观的反应出未来几天污染物浓度的变化趋势，人们可依此制定相关的应对措施，合理做好出行计划。 本文通过分析江苏省淮安市的大气污染物浓度数据和气象因素数据，预测未来一段时间内大气污染物浓度。研究表明气象因素与大气污染物之间存在着千丝万缕的关系，建立大气污染物与气象因素的关联模型，就能合理的通过气象因素预测未来几天的大气污染物浓度。但是，由于气象因素种类很多，将全部气象因素数据作为输入不仅会加大时间和空间复杂度，还会加大算法的复杂性，不利于实际应用。 针对这一问题，本文提出了两种方法减少气象因素数据，在预测大气污染物浓度时降低时间复杂性，也能够保证预测结果的精确性。本文首先提出一种基于群体智能和LSTM神经网络的大气污染物预测方法，将群体智能运用特征选择，把气象数据看作复杂网络中的节点，并且相互存在联系。首先用蚁群算法对网络进行遍历，调节蚁群算法中信息素和启发式因子参数，得到本文所需要的关键气象因素，接着使用长短期神经网络将得到的关键气象数据和对应的大气污染物浓度数据进行训练，最后通过输入未来几天的气象数据来预测对应天数的大气污染物浓度值。接下来，本文提出一种基于信息熵和反向传播神经网络的大气污染物指数预测，将每一个气象因素和所有的大气污染物建立相关度联系，并以时间梯度计算每一个大气污染物浓度和所有的气象因素的相似度，接着把时间序列相似度看作是该气象因素影响大气污染物浓度的程度大小，计算每一个气象因素的信息熵，最后选择信息熵最大的气象因素与大气污染物使用反向传播神经网络训练模型，并预测未来大气污染物浓度值。实验表明，两种模型均有良好的预测效果。最后，本文开发设计了一种淮安地区大气污染物浓度预测系统。该系统不仅能够显示历史的大气污染物浓度情况，同时也能够预测未来某一天的大气污染物浓度，在某一大气污染物浓度过高时，可为人们提供合理的出行建议。
NETL