深圳市区空气污染的人工神经网络预测

利用深圳市2006至2013年的大气污染物监测浓度数据和气象资料,分析深圳市空气质量的逐月分布变化特征。采用Pearson相关分析,选择显著相关因子,分别以BP神经网络和RBF神经网络构建空气质量预测模型,对该市2013年SO2、NO2、PM10 3种空气污染物的月均值进行预测。实验结果表明,通过Pearson相关分析建立的预测模型有更高的预报精度。BP和RBF 2种网络预测效果都比较理想,对不同污染物的预测精度各有高低。但BP网络的构建和参数优化过程较为复杂且网络训练结果不稳定,而RBF网络构建和训练简单,时间短而结果稳定。在综合性能上,RBF网络用于环境空气污染物浓度的预测具有更强的适用性