基于ABC―BP模型环境空气质量评价方法

摘要：为了提供一种高效准确评价空气质量等级的方法，文中通过蜂群优化算法和BP神经网络优化组合，提出了一种基于ABC-BP模型环境空气质量评价方法，通过仿真实验表明，该方法空气质量等级评价结果准确，具有一定实用性。

关键词：BP神经网络；蜂群优化算法；空气质量等级评价

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2016）19-0229-03

Environmental Air Quality Assessment Method Based on ABC-BP Model

XI Jun-fu

（Information and Engineering Department， Xingtai Polytechnic College， Xingtai 054035， China）

Abstract： In order to provide a method for accurate and efficient evaluation of the air quality level， in this paper by bee colony optimization algorithm and BP neural network optimization， puts forward a ABC-BP model of environmental air quality assessment method based on， through the simulation experiment show that the method of air quality grade evaluation result is accurate， has a certain practicability.

Key words： BP neural network； artificial bee colony algorithm； air quality grade evaluation

1 引言

随着中国经济社会快速发展，大量有害物质被排放到大气中，空气污染加剧，严重空气污染已对人们的生活、生产活动和健康造成了严重危害。当前复合型、区域性空气污染日益突出，京津冀、长江三角洲、珠江三角洲等区域灰霾现象频繁发生。为了更好地表征我国环境空气质量状况，反映当前复合型大气污染形势，完善了空气质量指数方式，迫切需要一个量化、科学、直观、准确评价空气质量优劣的评价体系。该评价体系有利于提高环境空气质量评价工作的科学水平，更好地为公众提供健康指引，推动大气污染防治。

2012年2月29日，中国环保部颁布了《环境空气质量标准》（GB 3095-2012），该标准形成了对 6 类主要污染物（ PM10、 PM2. 5、 O3、 CO、 SO2、 NO2 ） 的全面监测和评价。本文通过蜂群算法和BP神经网络优化、组合，建立ABC-BP模型对影响空气质量的污染指标进行评价，从而更针对性地改善环境空气质量，更好地实施新标准。

2 相关工作

2.1 BP神经网路

BP神经网络是一种多层向前网络，常用的是三层网络结构，其拓扑结构如图1所示。BP算法通过正向传播和误差反向传播两个过程组成[1-2]。

2.2 空气质量指数

空气质量指数（AQI）是描述了空气清洁或者污染的程度，以及对健康的影响，其数值越大、级别和类别越高、说明空气污染状况越严重，对人体的健康危害也就越大。AQI评价主要突出单向污染物指标的作用，即空气质量级别取决于某一污染物质量浓度对应的空气质量分指数（IAQI），见表1。

3 基于ABC-BP环境空气质量评价模型建立

3.1 ABC-BP环境空气质量评价模型

建立基于ABC-BP环境空气质量评价模型步骤如下：

（1） 处理环境空气质量数据。

（2） 用训练样本数据训练BP神经网络。

（3） 利用ABC算法优化BP神经网络，计算BP最优连接权值和阈值。

（4） 使用测试样本数据，通过训练完成的ABC-BP模型进行环境空气质量评价。

（5） 满足终止条件（达到设定准确率、超过预定最大循环次数），输出空气质量等级，否则返回步骤（3）继续训练ABC-BP模型。

3.2 ABC-BP环境空气质量评价模型参数优化

人工蜂群算法是一种新的智能寻优算法[3]，该算法是通过蜂群中不同工种蜜蜂之间的协同合作，主要解决在新领域和已知领域进行精确搜索之间矛盾，有效避免局部最优解问题。利用蜂群优化算法优化BP神经网络的连接权值和阈值，具体实现步骤如下：

4 仿真实验与分析

4.1 实验数据

本实验数据来源于中国环境监测总站（http：///）的实时数据，采集了邢台市2014年12月12日至2016年6月1日空气质量数据，数据包括PM2.5、PM10、SO2、CO、NO2、O3浓度值、AQI值和级别，前480条数据做训练数据，后面数据做测试数据。空气质量指数级别划分[4]，如下表2所示。

4.2 实验结果与分析

采用ABC-BP空气质量评价模型，输入六项空气污染物（PM2.5、PM10、SO2、CO、NO2、O3）日均浓度值，为了消除各位数据量级的差异，对数据进行归一处理，转化为[0，1]区间[5]，输出为一项，根据空气质量指数级别标准，输出项生成值范围为[0，6]，各级输出范围分别是[0，1]、[1，2]、[2，3]、[3-4]、[4-5]、[5-6]。

经过多次仿真实验，ABC-BP空气质量评价模型中BP神经网络采用6-8-1结构，学习率设定为0.05、误差精度为10-8，=20，=100，=1000，=100。ABC-BP空气质量评价模型评价结果如表3所示。通过仿真实验表明，采用ABC-BP空气质量评价模型评价结果与实际评价等级是一致的，表明该模型精度很高，能够很好满足实际应用需求。

5 结论

为了提供一种有效准确评价空气质量等级的方法，提出了基于ABC-BP模型环境空气质量评价方法，使用ABC算法优化BP神经网络，可有效克服局部极值点，避免陷入局部最优，并进行了仿真实验，通过实验数据结果表明，该模型精度很高，能够很好满足空气质量等级评价实际应用需求，具有一定实用性和推广价值。

参考文献：

[1] 黄丽.BP 神经网络算法改进及应用研究[D].重庆：重庆师范大学，2008：8-12

[2] 艾洪福，石营.基于BP人工神经网络的雾霾天气预测研究[J].计算机仿真，2015，32（1）：402-405.

[3] 张冬丽.人工蜂群算法的改进及相关应用研究[D].秦皇岛：燕山大学，2014：3-9.

[4] 刘杰，杨鹏，吕文生等.基于北京市6类污染物的环境空气质量评价方法[J].安全与环境学报，2015，15（1）：310-314.

[5]于宗艳，韩连涛.免疫粒子群算法优化的环境空气质量评价方法[J].环境工程学报，2013，7（1）：4486-4489.