【杨静 耿容 潘凤*】基于GA-BP神经网络的普洱市空气质量预测研究

 

BP神经网络算法被广泛应用于构建预测模型，但由于初始阈值和权重为随机值，带来模型训练周期长、收敛速度慢以及模型准确率不高等问题。本文提出了基于GA-BP的预测算法，首先初始化种群对其进行二进制编码，然后计算预测值与期望值之间的绝对误差以得到适应度值，通过选择、交叉和变异得到最优权重值和阈值，最后将得到的最优值作为BP神经网络算法的初始值进行训练建模。将此算法应用到普洱市空气质量预测中进行验证，数据来源于普洱市2018-2024年47365条国控站点污染物监测数据，通过实验对比，在模型参数一致的情况下，GA-BP神经网络预测模型的迭代次数为79次，而BP神经网络算法的迭代次数为269次；其准确率为97%，相较于BP神经网络提高了8%。

本文将BP神经网络应用在普洱市空气质量预测的研究工作中，并结合遗传算法优化BP神经网络，提高模型的预测准确度。研究得到的主要结论如下:

（1）BP神经网络模型的训练，对比不同隐含层神经元数的结果，得出最佳神经元数为7。说明不同的神经元数会影响预测准确率。

（2）GA-BP神经网络预测准确率达到97%，相较于传统的BP神经网络模型精确率提高了8%。表明传统的BP神经网络在处理复杂问题时，其性能可能受到一定的限制。

在普洱市AQI浓度预测的实验中，GA-BP神经网络模型凭借其较高的预测准确率和良好的拟合度，展现出了显著的优势。与传统的BP神经网络模型相比，GA-BP神经网络在预测精度和模型性能上都有了明显的提升。这一实验结果验证了GA-BP神经网络在空气质量预测领域的有效性和实用性，为未来的空气质量监测和预警提供了有力的技术支持。

作者简介：杨静（1993--），女，硕士研究生，研究实习员，研究方向：数据挖掘；耿容（1997--），女，硕士研究生，研究方向：计算数学。

通信作者：潘凤（1996--），女，硕士研究生，研究方向：统计建模与模式识别。

基金项目：基于BP神经网络的空气质量预测研究--以普洱市为例（编号：2021XJYB18）

原文载于

《普洱学院学报》2025年第3期