如何使用遺傳算法和正則化極限學(xué)習(xí)機(jī)進(jìn)行PM2.5的濃度預(yù)測(cè)研究分析

　　環(huán)境質(zhì)量與人們的健康息息相關(guān)，一直是研究的熱點(diǎn)。本文選取長(zhǎng)沙市2017年NO2、PM10等大氣數(shù)據(jù)對(duì)PM2.5日均值進(jìn)行預(yù)測(cè)，采用BIC準(zhǔn)則進(jìn)行特征選擇。在傳統(tǒng)的超限學(xué)習(xí)機(jī)（ELM）的基礎(chǔ)上，引入正則化項(xiàng)以控制模型的復(fù)雜度，并用遺傳算法（GA）對(duì)模型的輸入層權(quán)重矩陣和隱含層閾值矩陣進(jìn)行優(yōu)化，建立遺傳算法和正則化極限學(xué)習(xí)機(jī)（GA-RE-ELM）的PM2.5預(yù)測(cè)模型。實(shí)驗(yàn)表明，該模型相比BP神經(jīng)網(wǎng)絡(luò)、超限學(xué)習(xí)機(jī)有更好的精度，均方誤差分別降低了35.09%、25.49%，平均絕對(duì)誤差分別降低了40.86%、30.80%，平均絕對(duì)百分誤差分別降低了45.49%、31.65%，為PM2.5濃度的預(yù)測(cè)提供一種新的方法。

　　空氣質(zhì)量的好壞和人們的健康息息相關(guān)，PM2.5 作為衡量空氣質(zhì)量的重要標(biāo)準(zhǔn)，逐漸引起人們的重視，進(jìn)而成為眾多學(xué)者研究的熱點(diǎn)。從國(guó)內(nèi)外近幾年的研究狀況來(lái)看，應(yīng)用數(shù)值方法來(lái)預(yù)測(cè)PM2.5 濃度通常需要較詳細(xì)的排放源時(shí)空分布資料和高分辨率的氣象模式，但該方法的發(fā)展在我國(guó)的大部分城市并不成熟。而回歸分析、時(shí)間序列、貝葉斯網(wǎng)絡(luò)等廣泛應(yīng)用的空氣質(zhì)量統(tǒng)計(jì)預(yù)測(cè)方法，其預(yù)測(cè)精度并不能令人滿(mǎn)意。隨著計(jì)算機(jī)技術(shù)和理論的發(fā)展，基于智能原理的人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)模型在PM2.5 濃度的預(yù)測(cè)中取得了不錯(cuò)的效果。然而，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)容易過(guò)擬合，隱藏層神經(jīng)元個(gè)數(shù)難以確定、尋找結(jié)構(gòu)參數(shù)復(fù)雜，而且在輸入數(shù)據(jù)較多且具有多重共線(xiàn)性時(shí)，神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練效率會(huì)降低，從而影響空氣質(zhì)量預(yù)測(cè)的精度。陳紹煒，易少?gòu)?qiáng)，張衛(wèi)輝等分別提出了各種與極限學(xué)習(xí)機(jī)（ELM）結(jié)合的預(yù)測(cè)模型，在工程問(wèn)題上取得了一定的效果，但這些方法都有可能陷入局部最優(yōu)。

　　本文運(yùn)用BIC 信息準(zhǔn)則選擇與PM2.5 濃度相關(guān)的指標(biāo)，并結(jié)合遺傳算法和正則化項(xiàng)，提出了一種基于超限學(xué)習(xí)機(jī)的PM2.5 預(yù)測(cè)模型（GA-RELM）。該預(yù)測(cè)模型融合了遺傳算法全局尋優(yōu)和正則化項(xiàng)能控制ELM 模型復(fù)雜度，能有效地提高PM2.5 濃度預(yù)測(cè)的精度，并分析與其有關(guān)的指標(biāo)，為加強(qiáng)環(huán)境污染的防控提供有力的參考。