基于AQI和BP神经网络的空气质量评价及预测

北京市育英学校 吕霁洲

1.概述

大气是指地球外围的空气，是人类赖以生存的自然环境组成部分之一。随着地球总人口数的急剧增加，工业的不断发展，由此带来了大量的污染气体、甚至有害气体的排放，使得人类生存的环境不容乐观，大气污染问题日趋严重，甚至造成气候变化、冰川溶解、海洋循环恶化等全球性问题。因此，加强大气质量的监测和预报非常必要，目前，世界各国对大气质量的监测内容主要包括大气中SO2、NO2、O3、CO以及悬浮颗粒物等的浓度。

调查文献可知[1]，上个世纪70年代，美国率先采用污染标准指数（PSI）作为空气质量评价的标准，于2011年起，这一标准逐步修改为空气质量指数（AQI）。我国则在1997年第一次提出空气污染指数（API），直至2012年修改为空气质量指数（AQI）。中美两国AQI标准所采用的污染物项目相同，但其取值时间稍有差异。目前来看，中国的颗粒物浓度限值存在一定的问题。AQI的计算公式较为复杂，美国采用的NowCast计算方法具有很好的计算效率，在此方面我国仍有一定差距。空气质量的好坏不仅影响人们的身心健康状况，还对人们的衣食住行带来极大的影响。因此，对空气质量的预测具有非常重要的意义。

本文首先收集了北京市某地区大量的空气指数及污染物含量等数据，采用简化的AQI计算模型，通过数值计算软件Matlab的编程和求解，得到了简化的AQI计算值，并与实际值进行了对比分析；其次，本文基于BP神经网络模型，采用若干数据对其进行了训练，利用训练后的神经网络模型对空气质量指数进行了预测，并对预测结果进行了误差分析。本文最后还对所有工作进行了总结。

2.基于AQI计算模型的空气质量评价

2.1 AQI计算模型

根据我国实行的空气质量评价标准，空气质量的好坏可分为六个等级，分级的标准由空气质量指数（AQI）确定。AQI的取值范围为0到500，该指数越大，对应的空气质量等级越高，空气污染的程度越严重；反之则空气的污染程度越低，空气质量越好。根据我国目前施行的国家标准，AQI的计算值主要由细颗粒物（PM2.5）、可吸入颗粒物（PM10）、二氧化硫（SO2）、二氧化氮（NO2）、臭氧（O3）、一氧化碳（CO）等各项污染物的实测浓度值决定。根据上述每一项的分级浓度限值参照表（GB3095-2012），由下述公式可计算出每一项污染物对应的的空气质量分指数（IAQIP）：

式中，IAQIP是指污染物项目P的空气质量分指数，CP为污染物项目P的质量浓度值，BPHi是相应地区的空气质量分指数及对应的污染物项目浓度指数表中与CP相近的污染物浓度限值的高位值，BPLo是相应地区的空气质量分指数及对应的污染物项目浓度指数表中与CP相近的污染物浓度限值的低位值，IAQIHi是相应地区的空气质量分指数及对应的污染物项目浓度指数表中与BPHi对应的空气质量分指数，IAQILo是相应地区的空气质量分指数及对应的污染物项目浓度指数表中与BPLo对应的空气质量分指数。[1]

在计算得到每一项污染物对应的的空气质量分指数（IAQIP）后，最终的空气质量指数（AQI）取作各项分指数中的最大值，即：

式中，n代表分指数的个数。总而言之，AQI就是各项污染物的空气质量分指数（IAQI）中的最大值。

本文为了方便起见，这里对标准模型进行了如下简化，分指数的个数取为n=6，共包含S02、NO2、O3、CO以及PM2.5、PM10六项浓度指标，且考察的污染物项目均为24h平均值。

2.2 计算数据分析及处理

本文的全部数据来自于北京市奥体中心监测点自2018年1月1日至3月31日（共90天）的所有监测的污染物每小时浓度，共包含了实时的AQI，PM2.5，PM10，SO2，NO2，O3，CO等数据，该数据抓取自北京市环境保护检测中心网站[2]。

考虑到简化的AQI计算模型，这里首先将每一项每天24个小时的浓度进行平均，然后根据上述公式进行计算。采用matlab软件对相关数据进行处理和分析，绘制数值计算结果与真实结果的对比图。通过已知AQI的计算公式，采用六项空气中的主要污染物：PM2.5，PM10，SO2，NO2，O3，CO平均数值计算得到的AQI值，最终与抓取的数据中真实AQI的值（计算所需的污染物不止这六项）对比。最终的对比图大致如下图1所示，其中橙色是真实值，蓝色是通过软件数值计算得到的，两者基本一致，验证了数值计算模型的准确性。

图1 简化模型数值计算得到的AQI值（蓝色）与真实AQI值（橙色）的比较

需要说明的是，本文所建立的求解模型中，由于只考虑了该六项污染物的24h平均浓度，较标准的AQI计算模型做了进一步的简化，该简化过程提高了计算效率，并再此基础上具有极高的准确性。

3.基于BP神经网络的空气质量预测

下面将采用BP神经网络模型代替上述公式求解过程，BP算法的基本思想是，不需要提前确定输入值和输出值之间的严格的数学方程，而是一种按照误差逆向传播算法训练的多层前馈神经网络是目前应用最广泛的神经网络。BP神经网络中信号的正向传播和误差的反向传播是闭环反复进行的，其迭代次数将由允许误差所决定。[3][4]

BP神经网络的基本结构包括输入层、隐含层和输出层。为了预测空气质量指数AQI的值，输入量将由PM2.5，PM10，SO2，NO2，O3，CO这六项组成，这里只选取一层隐含层，包含四个隐层神经元，故组成6X4X1的三层BP网络模型，如图2所示。

图2 空气质量预测的BP神经网络结构

该BP神经网络模型采用S型正切函数作为激励函数，传递函数的表达式为：

反传误差函数的表达式为：

其中ti为期望输出，Qi为网络的计算输出。通过读取第1-55天的空气污染物参数（输入）和AQI值（输出），采用上述BP神经网络算法，通过Matlab编程，由第56-60天空气污染物参数预测该五天相对应的AQI值，并与真实值进行比较，如下图为预测值和真实值的相对误差。

图3 基于BP神经网络的空气质量预测值与真实值的误差

值得一提的是，由于训练的原始数据偏少，导致训练后的神经网络模型预测误差偏大，当原始数据足够多时，采用BP神经网络模型预测空气质量指数将会有更高的准确性，从长远来看，其计算效率将会提高很多。

4.总结

综上所述，本文建立了简化的AQI值计算模型，并通过数值计算软件Matlab处理了数据，进而进行了求解，并将求解的结果与实际值比较，结果表明，简化以后的模型在减小计算量的基础上仍具有较好的准确性；同时，本文采用了另外一种方法，即BP神经网络算法，在经过若干数据训练后，取代了上述的AQI值计算模型，并且对空气质量指数进行了预测，验证了采用神经网络算法求解该问题的可行性。本文工作仍存在一些不足之处，如在进行BP神经网络训练时输入的数据量较小，导致神经网络的训练不足以提供更高的精确度，需要进一步优化。

[1]高庆先,刘俊蓉,李文涛,等.中美空气质量指数(AQI)对比研究及启示[J].环境科学,2015,36(4):1141-1147.

[2]http://www.bjmemc.com.cn/.

[3]陈哲,刘建坤,李冰洁.基于BP神经网络的空气质量评价及预测[J].现代经济信息,2014(24):387-388.

[4]李萍,曾令可,税安泽,等.基于MATLAB的BP神经网络预测系统的设计[J].计算机应用与软件,2008,25(4):149-150.