林伟俊
- 作品数：2 被引量：5H指数：1
- 供职机构：南方医科大学公共卫生学院生物统计学系更多>>
- 发文基金：国家自然科学基金广东省自然科学基金更多>>
- 相关领域：环境科学与工程自动化与计算机技术更多>>
- 基于PSO-BP神经网络预测广州市日均PM_(10)浓度被引量：5
- 2016年
- 目的应用多元线性回归模型和PSO-BP神经网络模型对广州市日均PM_(10)浓度进行提前一天的预测,比较两种模型的预测效果,为环境管理决策提供依据。方法利用广州市2008年1月1日至2011年11月30日的PM_(10)浓度和气象资料分别构建两种模型,并使用2011年12月1日至12月31日的数据检验两模型的预测效果。结果前一天的PM_(10)、极大风速、最小相对湿度、日平均气温、能见度为预测第二天PM_(10)浓度的5个主要影响因素,其中前一天的PM_(10)浓度与预测的PM_(10)浓度相关性最高(0.66)。PSO-BP神经网络模型的决定系数(R2)为0.80,相比于多元线性回归模型,其均方根误差(RMSE)降低6.20%,平均绝对误差(MAE)降低8.73%,平均绝对百分比误差(MAPE)降低13.33%,平均绝对偏差百分比(PMAD)降低8.67%。结论 PSO-BP神经网络模型预测效果优于多元线性回归模型,能有效模拟、预测未来一日的PM_(10)浓度,可为大气颗粒物浓度预测提供一定的方法学参考。
- 尹安琪林愿仪林伟俊欧春泉
- 关键词：多元线性回归PSO-BP神经网络PM10气象因素
- 基于PSO-BP神经网络预测广州市日均PM10浓度
- 背景:可吸入颗粒物PM10是指悬浮在空气中,空气动力学当量直径小于或等于10 m的颗粒物,其浓度的升高会给人群健康造成很大的危害。对PM10浓度进行预测预报可以为环境管理决策提供依据,同时有助于市民及时采取相应的防控措施...
- 林愿仪林伟俊尹安琪
- 关键词：PM10PSO-BP神经网络气象因素
- 文献传递
