置记为Wh (g)，h为大于等于1且小于等于 N的整数，g为大于等于0且小于等于k的整数；
[0054] ⑦从k = 1开始对粒子群进行更新迭代，得到更新后的各粒子的速度和位置，按照 步骤⑥更新粒子的个体极值和粒子群的全局极值，直至k = k_，结束更新迭代，得到最终 的粒子群的全局极值；
[0055] ⑧采用最终的粒子群的全局极值对应的粒子的位置对重构后的PM2. 5浓度预测 模型的输入参数进行更新，将更新后的输入参数输入PM2. 5浓度预测模型中，此时PM2. 5浓 度预测模型的输出即为预测到的PM2. 5浓度。
[0056] 实施例二：一种区域空气PM2. 5浓度预测方法，包括以下步骤：
[0057] ①构造待训练的支持向量机回归模型的训练样本数据：
[0058] ①-1将当前时刻记为t时刻，t-n时刻表示当前时刻的前η个时亥I」，η = 1，2, 3, 4,…；
[0059] 将t-Ι时刻测量得到的区域空气的大气能见度记为xN(t_l)，池度记为xz(t_l)，气 温记为xT (t-Ι)，气压记为Xp (t-Ι)，风速记为Xw (t-Ι);
[0060] 将t_td时刻测量得到的区域空气中S02的浓度记为X SC]2 (t_td)，N02的浓度记 为xNci2(t-td)，PMlO的浓度记为xpnlQ(t-t d)，PM2. 5的浓度记为xpn25(t-td)，03的浓度记为 x〇3(t-td)，C0的浓度记为xco(t_td) ;td为时滞因子且t产1，2,…，d，d等于5 ;将t时亥Ij预 测的PM2.5浓度记为ypni25(t);
[0061] ①-2将待训练的支持向量机回归模型f(X) = <co，X>+b的输入参数记为Χιη(Τ)， 待训练的支持向量机回归模型的输出记为Yciut(T)，Xin(T)和Yciut(T)构成训练参数对，令
[0062] Xin (T) = [xso2 (T)，Xso2 (T-I)，…，Xso2 (T-d)，xno2 (T)，xno2 (T-I)，… ，χμ2 (T-d)，Xpnlo ⑴，xpnl。(T-I)，…，xpnl。(T-d)，Xpn25 ⑴，xpn25 (T-I)，…，xpn25 (T-d)， （1) X03(T), X03(T-I), X03(T-d), xC0(T), Xco(T-I), ···, xC0(T-d), xN(t-l), xz(t-l), xT(t-l), xP(t -I), xw(t-l)]
[0063] γ_(Τ) =Xpni25 (T+l) (2)
[0064] Xin(t-1) = [xso2 (t-1), Xsci2 (t-2),…，Xsci2 (t-1-d), Xnci2 (t-1), Xnci2 (t-2), ... ，xn02 (t-1-d)，xpml。（t-1)，xpml。（t-2)，…，xpml。（t-1-d)，x pm25 (t-1)，xpm25 (t-2)，…，xpm25 (t-1-d)， (3) x03 (t-1)，x03 (t-2)，…，x03 (t-1-d)，xc。(t-1)，xc。(t-2)，…，xc。(t-1-d)，x N (t-1)，xz (t-1)， xT (t-1)，Xp (t-1)，xw (t-1)]
[0065] 其中 T = t-2，t-3，t-4,…t-501，□为矩阵符号，Xin(T)为 IX (6Xd+5)的矩阵， 符号X为乘运算符号；
[0066] ①-3获取t时刻之前区域空气中S02浓度、N02浓度、PMlO浓度、PM2. 5浓度、 03浓度、CO浓度、大气能见度、浊度、气温记、气压和风速的历史测量数据，得到{Xin(t-2)， Yciut(t-2)}，{Xin(t-3)，Yciut(t-3)}，…，{X in(t-501) ,Yciut(t-501)}共 500 组训练参数对，将 该500组训练参数对作为待训练的支持向量机回归模型的训练样本数据；
[0067] ②采用训练样本数据对待训练的支持向量机回归模型f(X) = <co，X>+b进行训 练，得到支持向量机回归模型的模型参数ω和b ;将得到的支持向量机回归模型的模型参 数ω和b代入支持向量机回归模型f (X) = <ω, X>+b中得到训练后的支持向量机回归模 型，将该训练后的支持向量机回归模型作为PM2. 5浓度预测模型；
[0068] ③初始化粒子群参数：在[0, 1]内随机产生种群规模为N的粒子群，N = 100,每 个粒子均含有位置和速度属性，随机初始化粒子群中各粒子的速度和位置，将第i个粒子 初始化后的当前位置记为W1(O),当前速度记为V1(O), i = 1，2，···，N，其中W1(O)和V1(O) 均为 I Xm 的矩阵，Wi (0) = [Wli (0)，W2i (0)，…，Wmi (0) ]，i = 1，2,…，N，Wli (0)，W2i (0)，… ，wmi(〇) e [OjILVi (0) = [Vli(O)J2i(O)j-Jmi(O)Li = 1，2,…，N，Vli(O), v2i(0)，… Jnil(O) e [0，l]，m = 6Xd+5;将第i个粒子的在第k次迭代后的当前位置记为議， Wi (k) = [Wli (k)，w2i (k)，…，wmi (k)]，第 k 次迭代后的当前速度记为 Vi (k)，Vi (k)= [Vli (k)，v2i (k)，…，vmi (k) ]，k = 1，2，…，kmax;k _为粒子群的总迭代次数；
[0069] ④将粒子群中每个粒子的当前位置定义为PM2. 5浓度预测模型输入参数的权系 数矩阵；采用N个粒子的当前位置分别对PM2. 5浓度预测模型的输入参数Xin (t-Ι)进行重 构，由此得到初始状态下N个重构后的PM2. 5浓度预测模型的输入参数，将初始状态下第i 个重构后的PM2. 5浓度预测模型的输入参数记为- 1，?)::
[0070] CN 105184012 A 说明书 9/11 页
[0071] ⑤将粒子群中第i个粒子的个体极值的初始值记为广，，，,.，F1 (0)= |，其中I I为取绝对值符号，yciutl(t，o)为U)作为输入参数输入 PM2. 5浓度预测模型中得到PM2. 5浓度预测模型的输出；将粒子群的全局极值的初始值记 为σ? , G" = inin ;f： (0), / = 1,2,…Λ]; .i-mi.n 卜-m.m.
[0072] ⑥采用粒子群每次迭代后更新后的位置对重构后的PM2. 5浓度预测模型的输入 参数进行更新，粒子群第k次迭代后重构后的PM2. 5浓度预测模型的输入参数进行第k次 更新，将第k次更新后的第i个重构后的PM2. 5浓度预测模型的输入参数记为:
[0074] 将尤(?-U)作为输入参数输入PM2. 5浓度预测模型中，得到PM2. 5浓度预测模型 的输出，记为(^).?将二,仏々_)代入公式Fi (k) = I xpm25(t-1) Iciuti (t, k) I中，计算得到第 k次更新后第i个粒子对应的适应度值F1 (k) ; I I为取绝对值符号；第k次迭代后粒子群中 第i个粒子的个体极值记为<，#,,, =niinif:(/),/ = 0，l，2,…，幻，将第k次迭代后第i个 粒子的个体极值对应的粒子位置记为W1 (a)，a为大于等于O且小于等于k的整数；将第 k次迭代后粒子群的全局极值记为, 口匕=ininif:(0),/ = l,2.…A/;./ = 0,l,2.…，A·; , min 表示取最小值；该全局极值Glm对应的粒子的位置记为Wh (g)，h为大于等于1且小于等于 N的整数，g为大于等于O且小于等于k的整数；
[0075] ⑦从k = 1开始对粒子群进行更新迭代，得到更新后的各粒子的速度和位置，按照 步骤⑥更新粒子的个体极值和粒子群的全局极值，直至k = k_，结束更新迭代，得到最终 的粒子群的全局极值；
[0076] ⑧采用最终的粒子群的全局极值对应的粒子的位置对重构后的PM2. 5浓度预测 模型的输入参数进行更新，将更新后的输入参数输入PM2. 5浓度预测模型中，此时PM2. 5浓 度预测模型的输出记为预测到的PM2. 5浓度。
[0077] 本实施例中，步骤⑦对粒子群进行更新迭代的过程为：k为粒子群的当前迭代 次数，将在第k次迭代后第i个粒子的当前位置记为11(1〇，11(1〇 = [?11(10，《21(10，~ ，wmi (k)]，第k次迭代后第i个粒子的当前速度记为Vi (k)，Vi (k) = [Vli (k)，v2i (k)，… ，vni(k)];粒子按照公式（4)和（5)更新自身的速度和位置：
[0079] W1 (k+1) = W1 (k) +V1 (k) (5)
[0080] 式中，奴为惯性权值，取0. 6 ;i = 1，2,. . .，N ;k为当前迭代次数，最大取k_，k_ =1000 J1GO为粒子的速度；cJP c 2为非负的常数，称为加速度因子，取c i= c 2= 2 ;r i 和巧为分布于[0，1]之间的随机数,V1GO e [-V_，VniaxLW1 (k) e [-χ_，χ_]，ν_代表第 i个粒子的最小速度、v_代表第i个粒子的最大速度，X _取10, V _取5。
[0081] 为验证本发明的方法的准确性，以下采用宁波市环境监测中心2013年4-5月的区 域空气监测数据来进行验证，时刻t以小时为单位。粒子群寻优算法中的参数选择与问题 的类型有关，理论上不存在适应于所有问题的参数值，加速度因子C1S 1. 5, c 2为1. 1，随机 数6和r 2分别设置为0. 6和0. 8,迭代数k _= 300。
[0082] 在d = 2时，分别采用现有的支持向量机回归模型进行预测的方法和本发明的预 测方法对PM2. 5浓度进行预测，其中图1为采用现有的支持向量机回归模型进行预测时 PM2. 5浓度实