近年來,我國空氣污染事件愈加頻發(fā),高濃度霧霾事件經(jīng)常襲擊我們的城市,人們也越來越關注賴以呼吸的空氣環(huán)境質量,此時,PM2.5作為空氣中重要污染物頻繁進入人們視線之中。全國各地都加強了對空氣質量的監(jiān)測,由于PM2.5的危害在空氣污染物質中占首位,對人體傷害極大,對其的預測研究迫切需要。建立一個準確可行的PM2.5預測系統(tǒng)可以幫助人們提高對空氣污染的預防,并對國家相關部門制定空氣污染防治政策提供一定的參考。本論文一開始闡述了建立PM2.5預測系統(tǒng)設計的選題背景與研究意義,并參考了國內外眾多學者在空氣質量方面的檢測以及預測模型上的研究,發(fā)現(xiàn)在預測模型上各類方法均有其優(yōu)缺點,其中,由于BP神經(jīng)網(wǎng)絡模型在非線性預測上有很強的優(yōu)勢,且模型架構簡單實用,在這方面的預測用的最多。本文基于BP神經(jīng)網(wǎng)絡模型建立了基于云平臺的預測系統(tǒng),利用現(xiàn)有的PM2.5的數(shù)據(jù)以及風速、溫度、濕度為輸入因子進行預測實驗,然后實時PM2.5信息和預測PM2.5變化趨勢向用戶展示,并為用戶發(fā)出信息為大眾的出行與運動提供建議,并為環(huán)保部門環(huán)保政策的實施提供建議。本文主要做了以下工作:1、PM2.5知識的學習:對空氣質量污染的成分組成,PM2.5的形成原因以及檢測方法進行學習,同時對BP神經(jīng)網(wǎng)絡模型在空氣質量預測上的國內外研究進行優(yōu)缺點分析。2、需求分析:用易使用、易拓展、易維護、易復用的設計理念來設計系統(tǒng)功能,實現(xiàn)以下十個城市(北京、上海、廣州、深圳、杭州、天津、成都、南京、西安、武漢)的實時霧霾數(shù)據(jù)分析、霧霾預測、天氣預測以及消息推送四個功能。3、系統(tǒng)搭建:在OpenStack云平臺搭建多個虛擬云主機,以及使用Spark框架對數(shù)據(jù)進行并行計算,運用BP神經(jīng)網(wǎng)絡,通過前一日的PM2.5濃度、風速、溫度和濕度對當日的PM2.5進行預測。實驗結果表明,本PM2.5預測系統(tǒng)可以有效的對PM2.5濃度變化趨勢進行預測,誤差相對較小。
【學位單位】：南華大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：X84;TP183
【部分圖文】：

PM10平均濃度為75 μg/m3，比2016年下降5.1%。珠三角3年相比，分別下降39.6%、34.3%、27.7%。北京PM2.5年2016年下降20.5%，比2013年下降了35.2%[11]。

2圖1.2 2017年338個城市六項污染物不同濃度區(qū)間城市比例在過去幾年中，大氣顆粒物（PM）對人類健康，生態(tài)系統(tǒng)以及建筑物和紀碑污染的影響已成為研究的一個相關主題。PM 滲入呼吸系統(tǒng)的敏感區(qū)域，因吸入會增加呼吸系統(tǒng)疾病，并可能損害肺組織和喉嚨。PM10（有效空氣動力直徑小于 10 μm 的顆粒物質）是最危險的污染物之一；事實上，高 PM10 水平肺病和心臟病住院率的增加有關。幾項流行病學研究強調，即使在環(huán)境空氣中對較小的濃度下，PM 也會嚴重影響人類健康。PM2.5（空氣動力學直徑低于 μm 的 PM）比 PM10 對人體健康的負面影響更大，因為它能更深入地滲透到吸系統(tǒng)中。由于這些原因，人們越來越關注研究 PM10 和 PM2.5 的形成，演和可能的控制策略，越來越多的學者加入到 PM2.5 的預測實驗當中。

神經(jīng)網(wǎng)絡的出現(xiàn)是為了解決非線性預測問題。常見的預測方法不能解決現(xiàn)實生活中普遍存在的非線性問題。早期的神經(jīng)網(wǎng)絡是此不能預測復雜的模型，因此，科學家們在經(jīng)過多次嘗試失敗用大幅減少。20世紀80年代中期，Rumelhart、McClelland 等建立了ted Procession (PDP) 小組，創(chuàng)造出著名的誤差反向傳播算法(Eion, BP)，該算法通過反向使用梯度最陡下降算法修正權重系數(shù)P 神經(jīng)網(wǎng)絡的結構質上來講，BP 神經(jīng)網(wǎng)絡也是一種前饋神經(jīng)網(wǎng)絡。最簡單的前感知器。感知器的結構設計來自生物學中的神經(jīng)元，研究表明這樣的神經(jīng)元，所有的思維意識都是以它為基礎，通過網(wǎng)絡傳。神經(jīng)元如圖 2.1 所示

【相似文獻】

相關期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡拐點預測法[J];金融經(jīng)濟;2017年18期

2 劉高宇;;深度神經(jīng)網(wǎng)絡在煤質數(shù)據(jù)分析與預測中的應用[J];電腦知識與技術;2019年28期

3 馮偉業(yè);廖可非;歐陽繕;牛耀;;基于膠囊神經(jīng)網(wǎng)絡的合成孔徑雷達圖像分類方法[J];科學技術與工程;2019年28期

4 溫贊揚;;基于群智優(yōu)化神經(jīng)網(wǎng)絡的音樂風格分類模型研究[J];現(xiàn)代電子技術;2019年21期

5 鄭麗;;建筑設計中神經(jīng)網(wǎng)絡技術與遺傳算法探究[J];湖北農(nóng)機化;2019年21期

6 易煒;何嘉;鄒茂揚;;基于循環(huán)神經(jīng)網(wǎng)絡的對話系統(tǒng)記憶機制[J];計算機工程與設計;2019年11期

7 黃為;李永剛;胡上成;汪毅;;基于循環(huán)神經(jīng)網(wǎng)絡的船搖數(shù)據(jù)實時預測[J];科學技術與工程;2019年31期

8 賴策;魏小琴;;卷積神經(jīng)網(wǎng)絡的訓練方式研究[J];信息與電腦(理論版);2019年22期

9 周濟民;;基于神經(jīng)網(wǎng)絡改進的元胞自動機分析——美國阿片類藥物濫用情況[J];信息系統(tǒng)工程;2019年11期

10 馬猛;王明紅;;基于進化神經(jīng)網(wǎng)絡的304不銹鋼車削加工表面粗糙度預測[J];輕工機械;2019年06期

相關會議論文 前10條

1 孫軍田;張U

本文編號：2817421