基于改进麻雀搜索算法优化的空气质量指数预测方法技术

本发明专利技术公开了一种基于改进麻雀搜索算法优化的空气质量指数预测方法，包括以下步骤：S1：获取空气质量历史数据，并构建训练集和测试集，S2：确立BP神经网络结构；S3：利用改进后的麻雀搜索算法优化BP神经网络的权值及阈值；S4：建立基于改进麻雀搜索算法优化的空气质量指数预测模型；S5：利用该模型进行空气质量指数预测。本发明专利技术的预测方法不仅解决了麻雀搜索算法在迭代后期收敛速度慢、易陷入局部最优解的不足，提高了BP神经网络的全局搜索能力，进而提升了空气质量预测模型的预测精度，同时也为相关部门准确预测空气质量提供了科学、有效的方法。的方法。的方法。

【技术实现步骤摘要】
基于改进麻雀搜索算法优化的空气质量指数预测方法


[0001]本专利技术属于空气质量指数预测领域。更具体地说，本专利技术涉及一种基于改进麻雀搜索算法优化的空气质量指数预测方法。

技术介绍

[0002]近年来，随着我国工业化进程不断加快、经济的迅猛发展以及人口的不断增长，空气污染问题已经引起了全社会的关注。大气污染物对人体健康的危害不断加剧，同时给人们的生活也带来了诸多问题。以空气污染参数为依据的空气质量预测已成为环境科学中的重要课题，在空气质量预测方面已经有很多成熟的预测模型对不同的污染物进行预测。空气污染物的预测可以及时的确定预防措施来避免因空气污染所带来的危害，从而实现对空气质量进行实时监控，并利用监测到的空气质量数据，借助人工智能、机器学习等方法，设计一种预测准确度较高的模型，来预测未来一段时间内空气质量的变化情况。这不仅有利于及时获取空气质量的信息，根据这些信息帮助居民合理规划户外行程，也有利于城市管理者采取适当的措施控制空气污染，进而来改善空气质量。
[0003]麻雀搜索算法(sparrow search optimization,SSA)是从麻雀觅食和逃避捕食的自然活动衍生出的智能优化算法。麻雀按比例将种群分成发现者和跟随者来进行觅食,同时还叠加了危险预警机制进行反捕食。通过计算每个个体的适应度值并排序,随着迭代次数的增加,不断更新发现者、加入者、警戒者的位置,整个种群不断靠近最优解,即最佳的食物的位置。麻雀搜索算法因寻优能力强,收敛速度快,稳定性好已被应用于许多实际工程领域,利用其优化BP神经网络可以改善传统BP神经网络收敛速度和精度不高的问题。
[0004]麻雀搜索算法虽然在一定程度上可以优化BP神经网络，但同其他智能优化算法相同，也存在着在接近全局最优时，种群多样性减少、易陷入局部最优等问题。

技术实现思路

[0005]本专利技术的目的在于提供一种基于改进麻雀搜索算法优化的空气质量指数预测方法，针对BP神经网络在预测时出现易陷入局部最优、精度不高等问题，利用麻雀相较于传统优化算法具有收敛速度快、寻优精度高的优点，优化BP神经网络的权值及阈值。同时考虑到麻雀搜索在迭代后期，存在种群多样性减少、收敛速度慢以及全局搜索能力弱的缺陷，通过引入立方映射提高初始解的质量，增加初始化麻雀种群的多样性。再结合蝴蝶优化策略增强算法跃出局部最优解的能力。最后建立相应模型并应用到空气质量预测领域，以此提高预测精度及效率。
[0006]为了实现根据本专利技术的这些目的和其他优点，提供了一种基于改进麻雀搜索算法优化的空气质量指数预测方法，其包括以下步骤：
[0007]S1：获取空气质量历史数据，并构建训练集和测试集；
[0008]S2：确立BP神经网络结构；
[0009]S3：利用改进后的麻雀搜索算法优化BP神经网络的权值及阈值；
[0010]S4：建立基于改进麻雀搜索算法优化的空气质量指数预测模型；
[0011]S5：利用该模型进行空气质量指数预测。
[0012]优选的是，所述训练数据包括PM
2.5
、PM
10
、SO2、CO、NO2、O3等影响因素。
[0013]优选的是，所述BP神经网络的参数包括BP神经网络的权值和阈值。
[0014]优选的是，所述改进麻雀搜索算法的目标函数为BP神经网络训练集的错误率E
train
与测试集的错误率E
test
之和，其表达式为：
[0015]fitness＝argmin(E
train
+E
test
)
[0016]优选的是，在步骤S3中，具体包括以下步骤：
[0017]S31：对麻雀搜索算法进行参数初始化，包括麻雀种群个数n，跟随者数量P，加入者数量S，种群最大迭代次数t
max
，种群警戒值R；
[0018]S32：利用立方映射进行种群初始化；
[0019]S33：建立适应度函数，并排序；
[0020]S34：融合蝴蝶优化策略更新发现者位置，以此增强算法的全局搜索性能
[0021]S35：更新跟随者位置；
[0022]S36：随机选择警戒者并更新警戒者位置；
[0023]S37：计算更新后的适应度值并排序；
[0024]S38：是否满足迭代停止条件，满足则退出，输出结果，否则，重复执行步骤S32
‑
S36。
[0025]优选的是，在步骤S32中，立方映射公式为：
[0026]y(n+1)＝4y(n)3‑
3y(n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0027]其中，n为映射次数，y(n)∈(
‑
1,0)∪(0,1),y(n)为第n次映射值。
[0028]为防止通过混沌映射产生的值超过BP神经网络的权值及阈值优化范围，利用式(2)将映射值调整到统一区间。
[0029]X
i
＝X
lb
+0.5(X
lb
‑
X
ub
)(y
i
+1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0030]其中，X
lb
、X
ub
为麻雀种群中个体所处维度的上下边界；X
i
为麻雀个体实际位置值。
[0031]优选的是，在步骤S34中，发现者的位置更新公式为：
[0032][0033]其中，表示第t次迭代下，第i只麻雀处于d维的位置。X
gbest
是当前全局最优位置，f
i
表示第i只蝴蝶的发出的气味，其取值大小取决于适应度的大小，r为0
‑
1的随机数。Q为服从标准正态分布的随机数。L为一个单行d维的全1矩阵。R为预警值，取值范围为[0,1]。ST为警戒值，取值范围为[0.5,1]。
[0034]当R<ST时，这意味着此时的觅食环境周围没有捕食者，发现者可以执行广泛的搜索操作。当R≥ST，这表示种群中的一些麻雀已经发现了捕食者，并向种群中其它麻雀发出了警报，此时所有麻雀都需要迅速飞到其它安全的地方进行觅食。
[0035]优选的是，在步骤S35中，跟随者的位置更新公式为：
[0036][0037]其中，为第t+1次迭代发现者最优位置，为第t次迭代全局最差位置。A为一个单行d维的矩阵，其中每个元素随机赋值为1或
‑
1，且A
+
＝A
T
(AA
T
)
‑1，n为麻雀总数。当i>n/2时，这表明，适应度值较低的第i个加入者没有获得食物，处于十分饥饿的状态，此时需要飞往其它地方觅食，以获得更多的能量；当i≤n/2时，一部分加入者会在最好的发现者周围进行觅食，它们也有可能与发现者进行食物的争夺，使自身角色变为发现者。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进麻雀搜索算法优化的空气质量指数预测方法，其特征在于，包括以下步骤：S1：获取空气质量历史数据，并构建训练集和测试集；S2：确立BP神经网络结构；S3：利用改进后的麻雀搜索算法优化BP神经网络的权值及阈值；S4：建立基于改进麻雀搜索算法优化的空气质量指数预测模型；S5：利用该模型进行空气质量指数预测。2.根据权利要求1所述的基于改进麻雀搜索算法优化的空气质量指数预测方法，其特征在于，所述训练数据包括PM2.5、PM10、SO2、CO、NO2、O3等影响因素。3.根据权利要求1所述的基于改进麻雀搜索算法优化的空气质量指数预测方法，其特征在于，所述BP神经网络的参数包括BP神经网络的权值和阈值。4.根据权利要求1所述的基于改进麻雀搜索算法优化的空气质量指数预测方法，其特征在于，所述改进麻雀搜索算法的目标函数为BP神经网络训练集的错误率E
train
与测试集的错误率E
test
之和，其表达式为：fitness＝argmin(E
train
+E
test
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1) 。5.根据权利要求1所述的基于改进麻雀搜索算法优化的空气质量指数预测方法，其特征在于，在步骤S3中，具体包括以下步骤：S31：对麻雀搜索算法进行参数初始化，包括麻雀种群个数n，跟随者数量P，加入者数量S，种群最大迭代次数t
max
，种群警戒值R；S32：利用立方映射进行种群初始化；S33：建立适应度函数，并排序；S34：融合蝴蝶优化策略更新发现者位置，以此增强算法的全局搜索性能S35：更新跟随者位置；S36：随机选择警戒者并更新警戒者位置；S37：计算更新后的适应度值并排序；S38：是否满足迭代停止条件，满足则退出，输出结果，否则，重复执行步骤S32
‑
S36。6.根据权利要求5所述的基于改进麻雀搜索算法优化的空气质量指数预测方法，其特征在于，在步骤S32中，立方映射公式为：y(n+1)＝4y(n)3‑
3y(n)
ꢀꢀꢀꢀꢀꢀ
(2)其中，n为映射次数，y(n)∈(
‑
1,0)∪(0,1),y(n)为第n次映射值。为防止通过混沌映射产生的值超过BP神经网络的权值及阈值优化范围，利用式(2)将映射值调整到统一区间。X
i
＝X
lb
+0.5(X
lb
‑
X
ub
)(y
i
+1)
ꢀꢀꢀꢀꢀꢀ
(3)其中，X
...

【专利技术属性】
技术研发人员：胡青，胡珍，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：