一种组合式空气质量预报模型的构建方法
【技术领域】
[0001] 本发明涉及环境质量预测预警领域，具体而言涉及一种高污染情景下的组合式城 市空气质量预报模型的构建方法。
【背景技术】
[0002] 开展空气质量预报模型研究，尤其是空气质量预报预警的高污染应急机制是现有 环保部门急需开展的基础性工作。空气质量预报工作的开展是我国空气质量监测和环境管 理水平提升的一个重要标志，也是一个城市文明程度的标志。一种稳定、精度高的城市空气 质量预报模型，尤其是高污染情景下的预报和预警能力，不仅能为居民出行及生产工作的 展开提供指导，还能为环保部门制定相应措施提供基础数据和技术支撑。
[0003] 目前国内外常用的城市空气质量预报方法可分为潜势预报、统计预报和数值预报 三大类。其中潜势预报带有较大主观性，很少独立使用；数值预报由于计算十分复杂，所需 信息较为详尽且难以全面获取，短期内难以单独满足业务需求；统计预报构建简单，使用方 便，不需要收集污染源排放清单，是目前多数开展空气质量预报城市采用的预报方法。而BP 神经网络，是一种常用的统计预报方法，对于当前无法开展空气污染数值预报的城市，人工 神经网络的应用效果尤佳。从20世纪90年代起，人工神经网络开始应用于空气质量预报 领域。目前，人工神经网络主要应用于空气污染物浓度的短期预测和空气污染指数的预报， 在不少城市都取得了较好的应用效果。但由于BP神经网络这种非参数化模型对极值表现 不敏感，使得其对高浓度污染时段的预报误差较大。所以，仅仅只利用BP神经网络模型，不 能实现高污染程度下稳定的精准预报。
[0004] 上述各种预报方法均存在局限性，对不同程度污染的预报效果不能达到理想的效 果。虽然BP神经网络对一般情景污染天气具有较高的预报准确率，但对区域性特征日益明 显的重污染情景的预报误差同样较高。因而急需开发建立可适用于高污染情景下的具有统 计学特征的预报模型。本发明为解决该问题提供了一套新的思路和方法。BP神经网络模型 进行一般污染情景下的预报，以情景判定法为结合点，多元逐步回归模型进行高污染情景 下的预报，构建BP神经网络和多元逐步回归的组合式空气质量预报模型，从而提高预报精 确度。
【发明内容】
[0005] 针对现有的空气质量预报模型存在的缺陷或不足，本发明旨在提供一种以情景判 定法为结合点，基于BP神经网络和多元逐步回归的组合式城市空气质量预报模型的构建 方法，规避了在复杂多变的大气环境中数值预报或统计模型预报的局限性，实现了不同污 染程度下稳定的空气质量精准预报。
[0006] 为达成上述目的，本发明采用的技术方案是：
[0007] -种基于BP神经网络和多元逐步回归的组合式城市空气质量预报模型的构建方 法，其特征是，包括以下步骤：
[0008] (1)基于训练样本集，建立BP神经网络预报模型；
[0009] (2)基于BP神经网络预报结果，进行高污染情景判定，其具体是：
[0010] (21)高污染情景的定义；
[0011] (22)判别方程式的建立；
[0012] (23)采用神经网络预报值判定法进行判定；
[0013] (24)基于神经网络预报值判定结果，进行判别方程式的判定；
[0014] (3)基于高污染情景判定结果，建立高污染的多元逐步回归预报模型。
[0015] (4)综合以上预报判别过程，输出预报结果。
[0016] 所述步骤（1)的具体步骤是：
[0017] (11)输入层神经元确定，从分析影响污染浓度的主要因素入手。其具体步骤为：
[0018] (111)污染源，污染源方面采用预测日前两日污染物浓度日均值作为输入因素；
[0019] (112)传输与扩散条件，影响污染物传输与扩散的主要为气象条件，本发明采用污 染物浓度与气象因子综合分析的方法。利用分析污染物浓度与气象因子风速WS、风向WD、 温度T、降雨等级RF、气压AP、相对湿度RH、大气稳定度AS、太阳辐射强度SR间的相互关联 性，选取与污染物显著相关的因子，并赋以相应影响权重；
[0020] (12)隐藏层神经元确定，其具体步骤为：通过利用神经网络试验的结果与目标输 出的平均绝对误差分析，以输入层神经元数的一半为基准，并将此基准临近数据作为隐藏 层神经元数，进行网络结构优劣的判别，选择模型预测效果最好时的隐藏层神经元数。
[0021] (13)输出层神经元确定，本发明是针对不同污染物建立不同神经网络结构，故输 出层神经元即为该污染物的预报浓度值。
[0022] (14)BP神经网络预测模型的构建：以BP神经网络模块作为预报模型的数据驱动， 根据预测日条件动态筛选学习所使用的历史样本，通过信号正向传播和误差信号的反正传 播过程，以所有训练样本预测的平均误差是否达到规定标准作为收敛条件，不断修改网络 权重，从而建立网络输入条件与输出数据之间的对应关系，建立空气质量预报模型。
[0023] 所述步骤（21)的具体步骤是：
[0024] 参考环境空气质量标准浓度限值，同时结合神经网络模型预报结果的分析，确定 一般污染情景与高污染情景的限值，低于该限值的，认为属于一般污染情景，标记为组1 ; 高于该浓度限值的，认为属于高污染情景，标记为组2。
[0025]所述步骤（22)的具体步骤是：
[0026] 根据步骤（21)高污染情景设定的浓度限值，将样本数据分为两组，即一般污染情 景组1和高污染情景组2,针对不同污染情景建立判别方程式，其具体为：
[0027] (221)根据步骤（112)选取的气象因子输入变量，变量为第g个分组中第i个 变量的第k个观测值。其中g= 1，2,共有两个分组；i= 1，2, . . .，n，每个分组共有i个变 量；k= 1，2,. . .，mg，第g组中共有mg个观测值。另，M为样本容量M=mi+m；；。
[0028](222)计算变量的总均值I、组均值&、总离差w、组内离差t。
[0029] (223)采用逐步判别方法，进行变量的引进和剔除。利用Wilks'lambda判别和 Wilk统计量最小化的方法，判断依据利用F值，根据组均值的均等性检验结果，设F^y = 2,Fraroval= 1，即当被加入的变量F值> =2时才把变量加入到模型，否则变量不能进入模 型，当F〈 = 1时可以从模型中移出变量，否则模型中的变量不会移出。
[0030] (224)最终选入d个变量，建立一般污染情景组1和高污染情景组2的判别方程 式：
为第g个分组的组内总体均值，为总体离差，i，jed。
[0033] 所述步骤（23)的具体步骤是：
[0034] 依据BP神经网络预测结果，以（21)设定的浓度限值为判定标准，来判定预测日为 的高污染情景还是一般污染情景，即，判定预测日为组2还是组1 ;
[0035] 所述步骤（24)的具体步骤是：
[0036] (241)如果神经网络预报值判定预测日为一般污染情景，则不需要进行判别方程 式的判定，直接判定为组1 ;
[0037] (242)如果神经网络预报值判定预测日为高污染情景，则再通过判别方程式进行
计算值A(X)和f2 (X)，如果值fi(X)大于f2 (X)，则判定为1组，否则判定为2组。如果判别 方程式也判定该样本属于高污染情景，则认为该样本属于高污染情景，即判定为组2 ;
[0038] (243)如果判别方程式判定该样本属于一般污染情景，则认为该样本属于一般污 染情景，即判定为组1。
[0039] 所述步骤（3)的具体步骤是：
[0040] (31)初始自变量采用BP神经网络输入因素；
[0041] (32)根据情景判定结果，构建高污染多元逐步回归的空气质量预报模型，其标准 使用"F的概率"，引入限值和删除限值分别选择默认值的0. 05和0. 1，置信度设置为95%。
[0042] 所述步骤（4)的具体步骤是：以BP神经网络模型预测一般污染情景下的预