论文总字数：13338字

摘 要

本文主要做的工作是预测特定地区的空气能见度。要预测能见度，首先要知道有哪些因素对它有影响，并说明它们是如何影响的。收集各个影响因子一段时间内每小时的数据，以及当时的能见度数据，并使用MATLAB建立神经网络预测模型，预测接下的空气能见度。本文用深圳市2017年4月23日到5月6日的数据来训练模型，确定参数。接着，采集5月10号到13号的能见度数据检验模型的准确性。通过简要介绍神经网络知识，引出其中模糊理论与小波理论，并介绍它们预测模型的建立原理与方法。最后，分析该网络模型在预测能见度上的优缺点。

关键词：能见度 模糊神经网络 小波神经网络 MATLAB

Research on Urban Air Visibility Prediction Model Based on Neural Network

Abstract

This paper focus on foreseeing the air visibility of a special area. Firstly,its necessary to know what will affect the air visibility and how they pollute the air .After that ,I will collect the data of the pollutants for each period of time and the visibility data at that time, and using MATLAB to establish the neural network prediction model to predict the following air visibility. The training data used in this article is Shenzhen’s, April 23, 2017 to May 6, then the data from May 10^th to 13^th is applied to test the accuracy of my model. By introducing the knowledge of artificial neural network, the fuzzy neural network and wavelet neural network and the principle of their prediction model . Finally, the artical will analise the strengths and weaknesses of my model.

Key words: visibility; Fuzzy Neural Network; Wavelet Neural Network; MATLAB

目 录

摘 要 I

ABSTRACT II

第一章 绪论 1

1.1课题背景 1

1.2国内外研究现状 1

第二章 能见度数据收集及分析 3

2.1空气能见度影响因子分析 3

2.1.1PM2.5 3

2.1.2PM10 3

2.1.3相对湿度 3

2.1.4风速 4

2.2空气能见度影响因子数据收集整理 4

2.3能见度影响因子及能见度数据分析 7

第三章 神经网络算法 9

3.1人工神经网络 9

3.2模糊神经网络算法(Fuzzy Neural Network） 9

3.2.1 T-S模糊神经网络 9

3.1.2模糊神经网络学习算法 10

3.3小波神经网络算法原理 11

3.4小波神经网络模型 11

第四章 模糊神经网络预测以及结果分析 13

4.1模糊神经网络 13

4.2网络模型的建立 13

4.3预测结果分析 15

第五章 小波神经网络预测以及结果分析 17

5.1小波神经网络 17

5.2网络模型的建立 17

5.3预测结果分析 18

第六章 预测结果比较 20

6.1比较学习速率 20

6.2比较预测结果 20

第七章 总结与展望 21

7.1总结 21

7.2展望 21

致谢 22

第一章 绪论

1.1课题背景

自从我国进入二十一世纪以来，我国的工业水平飞速发展，但是这快速发展是以牺牲环境为代价的。随着工业化进程的加快，我国绝大多数城市出现了不同层次的污染，空气质量日益下降，而空气能见度对人们来说是对空气污染最直观的判断。

城市空气能见度，能够很清晰的反应一个城市空气污染程度。一个城市的空气能见度是与它的空气质量有关。在空气质量高时，能见度也高；空气质量低时，能见度也低。

城市的空气能见度低下与它的空气污染物有很大的关系。这些污染物不止影响能见度，还对人的身体健康有极大的伤害。悬浮在空气中的污染物对光有吸收和消散作用，是能见度的主要影响因素。PM2.5及PM10是空气污染物中对能见度起主要作用的污染物。

城市空气能见度影响因素十分复杂，除了空气污染物以外，还受到天气情况的影响。水汽能吸收可见光，这是相对湿度影响能见度的主要原因。

城市空气能见度对人们生活影响越来越大，对能见度预测研究就越来越重要。通过模型研究，我们可以预测特定地区未来一小时的城市交通道路的空气能见度。通过这个能见度，我们可以大概判断城市空气质量的走势。特别是在能见度即将降低到严重影响城市交通与行人出行时，可以提醒交通部门对城市交通进行监管，达到减少或是避免交通事故的发生。

更为方便的是可以开发一个手机APP，直接接收预测模型得出的城市交通道路空气能见度的结果。运用该结果可以帮助城市居民计划未来一小时的出行方式。在城市交通道路空气能见度即将降低时，提醒开车的司机降低车速，避免交通事故保证司机安全。而在城市交通道路空气能见度高时，说明未来一段时间城市的空气质量比较好，可以提醒宅在家里的居民出去运动，也可以旅游或是去附近的公园散步等。

1.2国内外研究现状

做了大量的阅读后发现，国内外目前主要采用人工神经网络模型做研究。从

预测方法角度来看，以往关于能见度预测的研究包括基于基于BP神经网络预测方法,能够建立能见度(因变量)与各种气象要素、污染资料(自变量)之间的关系以及基于智能模型的预测方法。

目前国内外用于城市空气能见度预测模型和方法主要使用神经网络逐级分类建模方法、基于遗传神经网络模型建模方法等。由于神经网络模仿人的大脑，采用自适应算法。因而它具有更高的智能水平，更接近人的大脑。神经网络建模方法较强的容错能力，使神经网络能够和人工视觉系统一样，根据对象的主要特征去识别对象。并且它有自学习、自组织功能及归纳能力。

第二章 能见度数据收集及分析

2.1空气能见度影响因子分析

影响空气能见度的原因有很多，主要分为两部分。一是悬浮于大气中的空气污物,PM2.5、PM10、大风扬尘等。二是当时的天气情况。

本文选择PM2.5、PM10、相对湿度、风速、当前空气能见度以及前一小时的空气能见度和前两个小时的空气能见度作为模型的输入。输出则是预测出的未来一小时的空气能见度。

2.1.1PM2.5

PM2.5是指悬浮在空气直径小于2.5微米的污染物。这些细小的污染物成分十分复杂，它包括各种氧化物、盐份、重金属等等。虽然这些东西在空气中含量小，但是它的影响却是最不能忽视的。

PM2.5主要来源于各种大型工厂的煤炭燃烧排放的烟尘；汽车内燃机燃烧汽油或柴油后排放的汽车尾气等。

PM2.5由于其当量直径特别小，容易受到扰动气流的影响。在风力条件较好且周围环境利于气流扩散的情况下，PM2.5容易随着气流扩散，此时的空气能见度则比较好。而在风力条件不好，周围环境也不利于气流扩散的情况下，容易引起PM2.5的聚集。在PM2.5浓度较大的情况下，它的消光性使能见度快速降低。

2.1.2PM10

PM10通常是指粒径在10微米以下的颗粒物。PM10主要来自于工地上的施工扬尘以及交通道路上的运输扬尘、内燃机燃煤烟气污染、冶炼过程中产生的粉尘等等。由于PM10的直径相对于PM2.5来说要大，在空气中相对易于沉降，播散距离相对较近。PM10主要通过散射降低能见度。

2.1.3相对湿度

指水在空气中的蒸汽压与同温度同压强下水的饱和蒸汽压的比值。它反应了空气中水汽的含量。

水汽能吸收可见光，这是相对湿度影响能见度的主要原因。相对湿度较高时，水汽含量高，对光的消散作用强。相对湿度较低时，对光的消散作用弱。

2.1.4风速

风速不是能见度的主要影响因素，但是风速会对PM2.5、PM10和相对湿度有较大影响。在风速较大时，可以加速PM2.5与PM10的扩散，进而提高空气的能见度。而在风速较小时，PM2.5与PM10会聚集在空气中，使得光在空气中被这些颗粒物吸收掉了，造成空气能见度低下。简而言之，风是通过影响空气中的具有消光性的气溶胶粒子浓度来影响空气能见度的。

2.2空气能见度影响因子数据收集整理

数据来源于中国天气网，可在网站上找到当天每小时的实时数据，例如PM2.5、PM10、相对湿度等。当天在网站上截取数据曲线图，并把该数据汇总成表格。

本文数据收集了2017年4月23号到5月6号的数据作为训练，以5月10号、11号和12号三天的数据作为测试数据。

下列以2017年5月2号的数据为例列出截图以及整理后的数据。

PM2.5

图2-1 PM2.5数据曲线

PM10

图2-2 PM10数据曲线

相对湿度

图2-3 相对湿度数据曲线

风速

图2-4 风速数据曲线

能见度

图2-5 能见度数据曲线

汇总后5月2日深圳各项的数据：

表2-1 5月2日部分气象数据

收集完训练数据与测试数据后汇总在表中

表2-2 训练用部分气象数据

表2-2 测试用部分气象数据

2.3能见度影响因子及能见度数据分析

大体来看，PM2.5与PM10的浓度曲线大致相同，且它们与空气能见度的关系基本呈现出负相关性。在PM2.5于PM10的浓度高时，能见度显著降低，在在PM2.5于PM10的浓度低时，空气能见度状况良好。可见，空气能见度的影响因素主要是PM2.5与PM10。

相对湿度与空气能见度的数据曲线也基本上呈现负相关性。在水汽较多的情况下，空气中的气溶胶颗粒更加容易聚集形成较大的颗粒，这明显的增强了气溶胶颗粒的消光性，是空气能见度进一步降低。

风速对相对湿度也有影响。这是由于在风速较大时，PM2.5与PM10等气溶胶颗粒物更加容易扩散。这降低了该地区的气溶胶颗粒物的浓度，使得该地区的消光性颗粒物浓度减少，对光的消减减弱了，所以在风力较大时空气能见度状况较好。

第三章 神经网络算法

3.1人工神经网络

人工神经网络是模仿人的神经系统建立起来的一种数学模型。它包括输入输出和隐单元。它对信息的的处理方式与人的大脑一样。它由很多的节点组成，每一个节点代表着不同的算法，或者说是不同的输入与输出间的关系。至于输入输出的关系，是经过大量的训练得出的。通过这种关系，模型可以得出在特定范围的输入下给出对应的输出值。这就使模型具有一定的判断能力。

3.2模糊神经网络算法(Fuzzy Neural Network）

3.2.1 T-S模糊神经网络

图3-1模糊神经网络结构图

T-S模糊神经网络分为以下四层：

输入层：与输入向量连接。其中输入向量的维数决定了输入层的节点数。

模糊化层：对输入进行模糊化计算，由公式

=exp（-（/）） j=1,2,···k i=1,2,···n （3-1）

得出输入的模糊隶属度。

模糊推理层：采用模糊连乘公式：

= （3-2）

计算。

输出层：用输出层计算公式计算模糊神经网络的输出。

T-S模糊系统是一种自适应能力很强的模糊系统，该模型不仅能自动更新，而且能不断修正模糊子集的隶属函数，T-S模糊模系统如下的“if-then”规则形式来定义，在规则为的情况下，模糊推理如下：

is ， is ，··· is

then = ··· （3-3）

其中为模糊系统的模糊集；（j=1,2,···k）为模糊系统参数；是根据模糊规则得到的输出，输出部分（即if部分）是模糊的，输出部分（即then部分）是确定的，该模糊推理表示输出为输入的线性组合。

3.1.2模糊神经网络学习算法

（1）计算误差：

e= （3-4）

为网络的期望输出;是网络的实际输出；e为期望输出和实际输出的误差。

（2）修正系数：

请支付后下载全文，论文总字数：13338字