基于BP模型的北京PM2.5年均值预测研究
基于样本熵和优化极限学习机的PM_(2.5)浓度预测
统计与决策2021年第3期·总第567期管理决策0引言近年来，随着经济社会的发展以及工业化和城镇化进程的加快，空气污染问题日益突显，PM 2.5作为大气污染中的主要污染物之一，对空气质量以及人们的生活造成了很大的影响。
对PM 2.5浓度做出精准的预测，有效地减少和控制大气污染，降低公众健康风险，可以为相关政策制定者提供有意义的参考。
目前PM 2.5等空气污染物浓度的预测，主要可分为三类：确定性模型、经典的统计学模型和机器学习模型。
确定性方法主要包括天气研究预报模式（Weather Researchand Forecasting，WRF ）[1]、多尺度空气质量模型（CommunityMultiscale Air Quality Modeling System,CMAQ）[2]、WRF-CMAQ 气象化学耦合模型[3]等，利用相关的气象数据和污染源数据，模拟污染物复杂的排放、累积、扩散和转移过程，从而对污染物的浓度进行预测和分析。
该方法复杂且和其他模型相比，在预测精度上并没有明显的优势[4]。
统计学模型中自回归移动平均(Autoregressive Moving Inte-grated Average,ARIMA)模型[5]、多元线性回归（MultipleLinear Regression，MLR ）[6]模型等经常被用于PM 2.5浓度的预测。
然而，PM 2.5浓度受到多种可变因素的影响，具有较强的非线性和复杂性，这类模型在处理非线性时间序列数据上，通常不能达到令人满意的效果[7]。
随着数据挖掘技术的兴起，机器学习方法以其优越的预测性能受到了大量的关注，被广泛应用于空气污染物的浓度预测中，主要包括人工神经网络(Artificial Neural Network,ANN)[8—10]、支持向量机[11，12]等。
Park 等（2018）[9]建立了人工神经网络模型，通过室外PM 10浓度、地铁列车的运行数量和通风率的信息，对6个地铁站内的PM 10浓度进行了预测，精度达到了67%~80%。
PM2.5的研究与预测
指标和 q 监测指标的相关系数.在相关分析中，一般根据 的数值大小，将两者 的密切程度分为以下等级，如表二所示： 表二 相关系数与相关性的关系 相关系数 相关性 微弱相关 低度相关
4
中度相关 高度相关
5.2 问题一模型的求解
然后，对 14 16 年焦作空气质量指数的数据，用 EXCEL 对其进行整理分析 后，再用 MATLAB 将 14 16 年 AQI 与其 6 个监测指标的 36 个数据代入简单相关 系数公式，得到 AQI 与其 6 个监测指标的相关系数，如表三所示： 表三 AQI 与其各个监测指标之间的相关系数 AQI 指 PM2.5 PM10 数 相关系 0.9913 0.9825 0.7802 0.5959 0.7344 -0.481 数 2 由上表 AQI 与其各个监测指标之间的相关系数可以看出 AQI 与其各个监测指 标之间的相关性，如表四所示： 表四 AQI 与其各个监测指标之间的相关性 检测指标 检测指标 相关性 PM2.5 高度相关 PM10 高度相关 AQI 指数 中度相关 中度相关 中度相关 低度相关 由表三可知，PM2.5 和 PM10 与 AQI 指数的相关系数最高，而 PM2.5 远远比 PM10 危害大， 因此我们可以认为对空气质量有影响的为 PM2.5，其相关系数接近 于 1，呈正相关，即 PM2.5 对 AQI 指数的影响最大，说明 PM2.5 越大，AQI 指数 越大，空气越差，雾霾越多.而导致焦作市 PM2.5 浓度变化的主要原因又可分为 人为因素和自然因素两方面： 人为因素 (1)工业排放 工业排放是影响大气环境质量的主要因素之一.而工业排放对 PM2.5 的影响 又分为两个方面:一方面是直接排放的 PM2.5，包括扬尘、采选矿、金属冶炼、 有机化工生产和餐饮业油烟等； 另一方面是二次颗粒物，主要是火电厂燃煤中排 放的前体物二氧化硫和氮氧化物、挥发性有机物（VOC）等排放到空气中，通过 化学反应产生的硝酸盐、硫酸盐、二次有机气溶胶等，造成 PM2.5 升高.因此， 直接和间接涉及 PM2.5 排放的污染源或行业包括火电、石油炼制、有机化工、钢 铁、有色、水泥、陶瓷、玻璃、涂料、加油站、干洗业、餐饮业等.设计范围相 当之广，整治和管理起来相当不易. (2)汽车尾气 汽车废气中含有 150～200 种不同的化合物，其主要有害成分为：未燃烧或 燃烧不完全的 以及微量的醛、 酚、 过氧化物、 有机酸和含铅、 磷汽油所形成的铅、磷污染等.其中对人危害最大的有一氧化碳、碳氢化合物、 氮氧化合物、铅的化合物及颗粒.有害气体扩散到空气中造成空气污染. 自然因素 (1) 气候
基于BP神经网络的PM2.5浓度值预测模型
基于BP神经网络的PM2.5浓度值预测模型基于BP神经网络的PM2.5浓度值预测模型一、引言空气污染已成为全球关注的焦点问题，而其中PM2.5颗粒物的浓度对人体健康和环境质量有着重要的影响。
因此，准确预测PM2.5浓度的变化越发重要。
本文将介绍一种基于BP神经网络的PM2.5浓度值预测模型，通过分析历史的PM2.5浓度数据和相关气象因素，建立BP神经网络模型，从而提高PM2.5浓度预测的准确度。
二、BP神经网络的基本原理BP神经网络是一种常用的人工神经网络模型，其基本原理是通过学习和训练，建立一个多层前馈神经网络，以实现输入和输出数据之间的映射关系。
BP神经网络包含输入层、隐藏层和输出层，在训练过程中利用误差反向传播算法不断调整神经元的权值和阈值，从而提高网络的准确性和稳定性。
三、建立PM2.5浓度预测模型1. 数据收集与预处理收集历史的PM2.5浓度数据和气象因素数据，包括温度、湿度、风速等。
对数据进行预处理，包括缺失值处理、异常值处理以及特征工程等，确保数据的准确性和完整性。
2. 确定输入输出变量将历史数据划分为训练集和测试集，确定输入变量（气象因素）和输出变量（PM2.5浓度）。
通过对数据的分析和处理，确定合适数量的输入和输出变量，以提高模型的预测准确度。
3. 构建BP神经网络模型确定BP神经网络的结构，包括输入层、隐藏层和输出层的神经元数量。
确定激活函数、学习率、动量因子等参数。
利用训练集对模型进行训练，不断调整神经元的权值和阈值，直到误差最小化。
4. 模型评估与优化利用测试集对模型进行评估，计算预测值与实际值之间的误差。
根据误差分析结果，优化模型的超参数和结构，以提高模型的预测准确度。
四、实验与结果本文选取某城市2019年的PM2.5浓度数据和相关气象因素数据作为实验数据，将数据分为训练集和测试集。
通过建立BP神经网络模型，对PM2.5浓度进行预测。
实验结果显示，模型预测的PM2.5浓度值与实际值之间的误差较小，预测准确率达到90%以上，证明了基于BP神经网络的PM2.5浓度值预测模型的有效性。
基于BP神经网络的PM2.5预测
Data Base Technique •数据库技术Electronic Technology & Software Engineering 电子技术与软件工程• 143【关键词】PM2.5 云计算 BP 神经网络 预测1 引言空气污染是全球最大的环境问题之一。
空气污染涉及若干因素，包括工厂产生的大量有毒气体、车辆的尾气、农作物的焚烧以及火灾等，其中主要成分包括CO 、SO 2、O 3、NO 2。
基于BP 神经网络的PM2.5预测文/陈志文 刘立自进入工业化社会以来，空气污染逐渐成为全球最大的环境问题之一。
空气中的悬浮粒子对人类身体健康产生有害影响，减少空气污染的重要前提就是预测PM2.5的浓度。
因此，对大气质量污染的监测以及预测研究显得尤为重要。
本文采用openstack 云计算组件，部署了大数据平台，通过历史数据加实时抓取的数据来完善BP 神经网络，以实现自我学习来提高预测数据的准确度。
摘 要空气污染是对人类健康的严重威胁，会导致严重的呼吸道疾病和皮肤病，如肺部、呼吸系统病变、哮喘等，甚至引起死亡，所以对空气质量污染的监测以及预测研究显得特别重要。
国内许多学者在空气质量预测等方面做了大量的研究工作。
王灿星等人构建了BP 神经网络对空气中颗粒物进行研究，能得到较高的预测精度；秦霞提出了一种用贝叶斯归一化训练算法训练改进的BP 预报模型；李龙提出了一种基于与PM2.5浓度相关性较强的因素组成特征向量的最小二乘支持向量机预测模型，该模型有较准确地预测精度，泛化能力也较强；Huang M 构建了一种新的基于数据挖掘和人工神经网络的空气污染预测模型，该模型在天气严重污染时预测准确率高，中度污染及以下准确率接近；唐晓城提出一种基于BP 神经网络改进算法的大气污染预测模型，较大的提高了预测准确率；Tian J 采用模糊C-均值聚类算法(FCM)对空气质量监测的原始数据进行分类，通过对数据的仿真训练，建立了预测空气质量水平的BP 神经网络模型。
雾霾、PM2.5以及相关问题研究模型
雾霾、PM2.5以及相关问题研究模型摘要本文通过搜集样本数据，建立层次分析模型，对影响北京PM2.5指标的主要因素进行研究。
构建二重趋势组合预测模型，实现PM 2.5 的预测及报警。
问题一：结合单项污染指数法和内梅罗综合指数法，评价PM 2.5 污染程度。
结果表明PM2.5 超标天数达68.5% ，与所给照片雾霾天数比例趋近，由此判定照片真实。
问题二：应用层次分析法，以矩阵形式C = (C ij ) n ×n 表达每一层各因素对上层某因素的相对重要性，采用排序向量公式：11 1 w i =− +n∑ r ikn 2a na k =1得出PM 2.5 影响因素重要性排序为：工业、日常生活；发电；车辆、船舶、飞机尾气；农作物燃烧；外来排放。
问题三：以所搜集样本数据，构建基于G M (1,1) 、BP 神经网络、AR IM A 的二重趋势时间序列组合预测模型：y ˆ s (k) = a + b BP y ˆ BP (k) + b ARIMA y ˆ ARIMA (k )y ˆ(k)=y ˆs (k)y ˆGM (k)+ε(k)对模型检验后，确定最优模型为二重趋势组合预测模型。
利用所建立模型，对北京地区PM2.5 预测并与实际数据对比分析。
问题四：对PM 2.5 所造成的雾霾天气，PM 2.5 的成因分析及所构建的预测 报警机制，向有关部门提出控制PM 2.5 排放的相关建议。
关键词：内梅综合指数法层次分析模型灰色预测模型 BP 神经网络ARIMA 模型组合模型i i 一、问题的提出进入 2 0 1 3 年以来，雾霾天气一直影响着北方地区，给人们的生活与出行带来诸多不便。
1 . 查找北京相关时间段内的PM 2.5 数据，建立相应的数学模型，分析图中照片的真实性；2 . 分析影响北京PM 2.5 指标的主要因素；PM 2.5 与雾霾天气之间的关系；3 . 建立PM 2.5 的预测及报警机制。
4 . 在报告的最后，请给有关部门写一封信，在信中阐述你的观点，提出你的建议或者是减少PM 2.5 的改进方案等。
基于BP神经网络的PM2.5预测
基于BP神经网络的PM2.5预测作者：陈志文刘立来源：《电子技术与软件工程》2019年第05期摘要;;; 自进入工业化社会以来，空气污染逐渐成为全球最大的环境问题之一。
空气中的悬浮粒子对人类身体健康产生有害影响，减少空气污染的重要前提就是预测PM2.5的浓度。
因此，对大气质量污染的监测以及预测研究显得尤为重要。
本文采用openstack 云计算组件，部署了大数据平台，通过历史数据加实时抓取的数据来完善BP 神经网络，以实现自我学习来提高预测数据的准确度。
【关键词】PM2.5 云计算 BP 神经网络 预测1 引言空气污染是全球最大的环境问题之一。
空气污染涉及若干因素，包括工厂产生的大量有毒气体、车辆的尾气、农作物的焚烧以及火灾等，其中主要成分包括CO 、SO2、O3、NO2。
空气污染是对人类健康的严重威胁，会导致严重的呼吸道疾病和皮肤病，如肺部、呼吸系统病变、哮喘等，甚至引起死亡，所以对空气质量污染的监测以及预测研究显得特别重要。
国内许多学者在空气质量预测等方面做了大量的研究工作。
王灿星等人构建了BP神经网络对空气中颗粒物进行研究，能得到较高的预测精度;秦霞提出了一种用贝叶斯归一化训练算法训练改进的BP预报模型;李龙提出了一种基于与PM2.5浓度相关性较强的因素组成特征向量的最小二乘支持向量机预测模型，该模型有较准确地预测精度，泛化能力也较强;HuangM构建了一种新的基于数据挖掘和人工神经网络的空气污染预测模型，该模型在天气严重污染时预测准确率高，中度污染及以下准确率接近;唐晓城提出一种基于BP神经网络改进算法的大气污染预测模型，较大的提高了预测准确率;TianJ采用模糊C-均值聚类算法（FCM）对空气质量监测的原始数据进行分类，通过对数据的仿真训练，建立了预测空气质量水平的BP神经网络模型。
由于PM2.5的形成因素比较多而复杂，因此全面对它进行准确实时的预测比较困难，当前存在的主要问题包括：（1）模型比较复杂，计算量较大;（2）实时数据难以获取，随时间与地点发生极大的变化。
基于贝叶斯分层自回归时空模型的北京PM_(2.5)预测
基于贝叶斯分层自回归时空模型的北京PM_(2.5)预测
王静;曹春正
【期刊名称】《南京信息工程大学学报:自然科学版》
【年(卷),期】2023(15)1
【摘要】为解决PM_(2.5)的多站点同步预测问题,提出一种贝叶斯框架下的分层自回归时空模型.将PM_(2.5)日均浓度真实值视为潜在时空过程,利用一阶自回归过程刻画时间相关性,并基于Matérn过程捕获空间相关性,极大程度地提高了降维和同步预测的效率.此外,还将日最高温度、相对湿度和风速等气象因素作为解释变量,用于提升PM_(2.5)的预测效果.借助模型的分层结构,通过贝叶斯方法结合马尔可夫链蒙特卡罗(MCMC)算法实现参数估计和预测过程.对北京市日均PM_(2.5)浓度的实证分析表明,模型在空间和时间维度上均有良好的插值或预测效果.
【总页数】8页(P34-41)
【作者】王静;曹春正
【作者单位】南京信息工程大学数学与统计学院
【正文语种】中文
【中图分类】X513
【相关文献】
1.贝叶斯时空分位回归模型及其对北京市PM
2.5浓度的研究2.基于时空贝叶斯模型的行程时间可靠性预测
3.基于贝叶斯与因果岭回归的物联网流量预测模型
4.基
于平扫CT的Logistic回归模型和朴素贝叶斯模型预测血肿扩大5.基于贝叶斯优化的集成模型对PM_(2.5)浓度预测
因版权原因，仅展示原文概要，查看原文内容请购买。
pm2.5的预测和治理(数学建模)
部分，演变部分为：将整个区域 PM2.5 的质量加权分配到 13 个监测点上。发 生部分则为变量，且在某一季度内不随时间变化。进而建立偏微分模型，并得 到其 Cauchy 解。之后，不考虑 PM2.5 的垂直分布，将三维问题扁平化成二维 问题。并考虑风向与降水的影响，模型进行修正。其中，将不同风向分为 8 种 区域，计算前进行判定，风向外区域赋零。将不同天气分为 5 种情况，并给出 修正系数。同时，考虑到 13 个污染源叠加而导致计算的复杂性，根据点与点的 距离，将 13 个点赋予权重，由此可以无需叠加而求得最终结果。进而通过选取 已知数据，通过多元线性回归的方法，求得各个参数变量，确定最终模型。考 虑到突发情况，由于多点数据爆表，将所有点的坐标取平均，定为突发点与唯 一污染源。代入上述模型进行计算，并与突发之前结果叠加，绘制出平面分布 等高线图，进而分析出重度污染区域与可能安全区域。在模型检验方面，本文 选取任一天数据进行检验，得到实际结果突发性大，模型结果平滑稳定的结论， 并讨论了一系列原因。 对于问题三，由于武汉地区地理位置特殊，为了达到合理治理 PM2.5 的目 的，我们对武汉地区的一次源、二次源做了详细论述，利用相关性分析以及饼 图相结合的方式发现武汉市的 PM2.5 主要源于机动车排放和工业燃料燃烧，其 次是自然源和生物源。为了减少 PM2.5 的浓度，本文设计了综合治理方案和 4 个专项方案。根据方案确定每一年 PM2.5 降低的浓度值，确定专项治理费用共 计 6010 万元和综合治理费用 9739 万元。治理方案中，通过层次分析法计算得 出方案三更为合理，合理性指标为 0.3287，方案四合理性指标为 0.1008，在专 项资金投入中，应按照合理性指标进行分配。专项治理与综合治理的权重值分 别为 0.415 和 0.585，重点抓综合治理，采取综合治理与专项治理相结合的方 法达到治理目的。为了验证层次分析法的正确性，本文采用 Topsis 的方法对问 题进行模拟，专项三与理想解最为接近，为 0.662，专项一次之，专项四最不 理想。模拟结果同层次分析法相近，方案合理。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘要 ： Ｐ Ｍ 也称作 可入颗 粒物。是指大气 中直径 小于ห้องสมุดไป่ตู้ 于２ ． ５ 微 米的颗粒物 。虽然Ｐ Ｍ 在地球 大气成分 中含量很 少， 但 它对空气质 量和能见度 等有重要 的影响 ， 且 对人 体健 康影响很 大。该研 究以北京 市机动车保有量 、 煤炭消耗量和年扬 尘
煤炭消舞量
机动车
年均 Ｐ № ｓ
扬尘 天数
¨
图１预测 Ｐ Ｍ２ 的人工神经 元模型
２基 于 ｍａ ｔ ｌ ａ ｂ Ｂ Ｐ神经 网络 的训 练一 预测
本文通过运用表 １ 中的历史数据来训练建立 Ｂ Ｐ网络。 表ｌ 为２ ０ ０ ０ — ２ ０ １ ３ 年 的北京市机动 车保有量 、 煤炭消耗量和年扬尘天数的数据 ， 其 中Ｐ Ｍ 为环保局 年均数据 （ 北京市环境保护
关键词 ： Ｐ Ｍ ； Ｂ Ｐ 模型 ； 预 测 研 究
中图分类号 ： Ｔ Ｐ １ ８
文献标识码 ： Ａ
文章编号 ： １ ０ ０ ９ － ３ ０ ４ ４ （ ２ ０ １ ４ ） ２ ５ — ５ ９ ９ ８ － ０ ２
１ 神 经 网络预 测 Ｐ Ｍ： ． 基本原 理
１ ． １ 基 础 数 据选 取
Ｉ Ｓ ＳＮ １ Ｏ ０ ９ —３ ０ ４ ４
Ｅ — ｍａ ｉ ｌ ： ｋ ｆ ｙ ｊ ＠ ｄ ｎ ｚ ｓ ． ｎ ｅ ｔ ． ｅ ｌ ｌ
ｈ ｔ ｔ ｐ ： ／ ／ ｗ ｗｗ． ｄ ｎ ｚ ｓ ． ｎ ｅ ｔ ． ｅ ｌ ｌ
Ｃ ｏ ｍ ｐ ｕ ｔ ｅ ｒ Ｋ ｎ ｏ ｗ ｌ ｅ ｄ ｇ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ电脑 知 识与技术
尘对 Ｐ Ｍ 的影响直接 。 通过 ｍ ａ ｔ ｌ ａ ｂ 数学处理 ， 得出的汽车保有量 、 煤炭 消费量 以及 年扬 尘天数与 Ｐ Ｍ： 之 间的相关度 。可 以看 出煤炭 消费量 依然是所 选 的作为预测输人值 的三个 因素中的主要影 响因素 ， 相关 程度依次 为煤炭消 费量 （ ０ ． ７ １ ） ＞年扬尘天数（ ０ ． ５ ９ ） ＞汽车保有量（ ０ ． ２ ３ ） 。
由于Ｐ Ｍ ： 污染的主要原 因是化石燃料 的燃烧 （ 如机动车尾气 、 燃煤 ） 、 城市扬尘 、 光化学反应等 。因而 ， 基于２ ０ ０ ０ － ２ ０ １ ３ 年北京
市煤炭 消费量 、 汽车保有量和年扬尘天数对 ２ ０ １ ４ 年年均 Ｐ Ｍ 数据进行预测 。
１ ． ２ Ｂ Ｐ 神经 网络及模式
第１ ０ 卷第２ ５ 期 （ ２ ０ １ ４ 年 ９月）
Ｃ ｏ ｍ ｐ ｕ ｔ ｅ ｒ Ｋ ｎ ｏ ｗ ｌ ｅ ｄ ｇ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ 电脑知识与 技术
Ｂ Ｐ （ Ｂ ａ ｃ ｋ Ｐ ｒ ｏ ｐ ａ ｇ ａ ｔ ｉ ０ ｎ ） 网络 是 １ ９ ８ ６ 年 由Ｒ ｕ ｍ ｅ ｌ ｈ ａ ｒ ｔ 和 Ｍｃ Ｃ ｅ ｌ ｌ ａ ｎ ｄ 为首的科学家小组提 出 ， 是一种 按误差逆传播算法训 练的多层 前馈 网络 ， 是 目前应用最广泛 的神 经网络模 型之一。神经 网络需要有一定量 的历史数据 ， 通过数据网络可 以学习到其 中隐含 的知
Ｖｏ １ ． １ ０ ， Ｎｏ ． ２５ ， Ｓ ｅ ｐ ｔ ｅ ｍｂ ｅ ｒ ２ ０１ ４
Ｔ ｅ ｌ ： ＋ ８ ６ — ５ ５ １ — ６ ５ ６ ９ ０ ９ ６ ３ ６ ５ ６ ９ ０ ９ ６ ４
基于 Ｂ Ｐ 模型 的北京Ｐ Ｍ ． 年均值预测研究
史 勉 ， 宋 昭 峥 ， 杨 春 鹏
天数 ２ ０ ０ ０ — ２ ０ １ ３ 年 的统计数据 为基础 ， 建立Ｂ Ｐ神经 网络模 型进行预 测研 究 ， 结果表 明： ２ ０ １ ４ 年Ｐ Ｍ 年 均值 为９ ０ ． ８ ３ ｇ ／ ｒ ｎ ３ ， 三 因素与 Ｐ Ｍ 年均值的相关度顺序为 ： 煤炭 消耗量 ＞年扬 尘天数 ＞机动车保有量 。
通过 ｍ ａ ｔ ｌ ａ ｂ 程序 ， 调用神经 网络 函数工具包 ， 对２ ０ ０ ０ 年一 ２ ０ １ ３ 年北京市汽车保有量、 煤炭消费量 、 年平均扬尘 天数进行处理 （ 归
一
化、 训练并 建立神经 网络 ） 。
收稿 日期 ： ２ ０ １ ４ — ０ ７ － ３ ０
５ ９ ９ ８… 计算机工租应用技术 本栏目责任编辑： 粱 书
局 网站 ， 其 中２ ０ １ ２ 年前 的Ｐ Ｍ ： 数 据为 Ｐ Ｍ ． 。 数据 ， 通常情况 Ｐ Ｍ ： 与Ｐ Ｍ 。 。 之间换算系数约为 Ｏ ． ５ ～ Ｏ ． ８ ， 该文主 旨在于介绍作为预测 Ｐ Ｍ 浓度 的神经 网络数学模 型 ， 故简化其换算 系数为 １ ）， 机动车保有量及煤 炭消费量均来 自政府公 开公 布数据 （ 北 京市统计局 ） ， 年扬 尘天数 （ 为年扬尘扬 沙天数总和 ， 来源于北京市气象局 ， 定义为能见度小于 １ ０ ｋ ｍ） 。 根 据表 １ 的数据 ， 可 以看 出机动车保有量是逐年上升 的 ， 但是上升速度 随着北京市 出台的各种政策 （ 限号 、 限行 、 限排 量 、 限排 标） 有所变缓 ， 且北京市 的煤炭消耗量呈逐年下降趋势 ， 这 与北京市 的取暖煤改气有很大关系。 随着北 京市煤炭消费量的降低和年平均扬尘天数的变化 ， 北 京市年 均 Ｐ Ｍ ： 的值呈现相同的变化趋势 ， 这说 明了煤炭燃烧 和扬
识 。图 １ 为所建立 的神经 网络预测模 型 ， 其 中煤 炭消费 、 机动车数 、 扬尘 天数为输入 ， ｗｉ 。 ， Ｗｍｗ。 ： ， ｗ 为权值 ， 可 以根据对原始数据 的学习训 练不 断 自动调整 ， ｆ （ ・ ） 为激活函数 ， 通常选为双极 Ｓ 形 函数 ， 这样会有 较快 的收敛速度 ， Ｘ ｏ 为阈值 ， 最终输 出为 Ｐ Ｍ ｓ 值。