基于灰狼群智能最优化的神经网络PM2.5浓度预测

摘要 针对目前PM2.5浓度测量成本高和测量过程繁杂等问题，建立了基于灰狼群智能最优化算法的神经网络预测模型。从非机理模型的角度，结合气象因素和空气污染物对上海市的PM2.5浓度进行预测，并使用平均影响值分析了影响PM2.5浓度的重要因素。使用灰狼群智能算法优化神经网络的过程中，引入了检验样本实时监控训练过程以避免发生"过训练"现象，确保建立的神经网络模型具有较好的泛化能力。实验结果表明：PM10对PM2.5的影响最为显著，其次是CO和前一天PM2.5。选取2016年11月1日-12日的数据进行验证，其平均相对误差为13.46%，平均绝对误差为8μg/m3，与粒子群算法优化的神经网络、BP神经网络模型及支持向量回归（SVR）模型的误差相比，平均相对误差分别下降了约3个百分点、5个百分点和1个百分点。因此，使用灰狼算法优化的神经网络更适合上海市PM2.5浓度的预测和空气质量的预报