【PM2.5浓度预测】sine混沌映射改进的麻雀算法优化BP神经网络PM2.5浓度预测【含Matlab源码 2466期】

⛄一、改进麻雀搜索算法优化BP神经网络

近年来，随着经济的飞速发展、城市工业化的不断推进及城市化进程的加快，城市污染问题逐渐突出，PM2. 5 浓度成为判断城市空气质量的重要参考指标［1-2］。因此，有效预测 PM2. 5 浓度并采取干预措施，对降低健康风险具有重要意义。目前 PM2. 5浓度预测模型可分为确定型模型、统计学模型及机器学习预测模型 3 大类［3］。与传统的确定型和统计学模型相比，机器学习模型具有良好的泛化能力，能够依据大气污染物和气象因素与 PM2. 5 浓度之间的非线性关系，获得较高的预测精度，如随机森林、支持向量、神经网络等模型。BP 神经网络具有较强的非线性映射、学习、自适应及容错能力，被广
泛应用于 PM2. 5 浓度预测［4］。文献［5］建立了基于历史污染物浓度数据的 BP 神经网络预测模型，预测结果的准确率达 70%以上。由于传统 BP 神经网络收敛速度慢、易陷入局部最优，粒子群、灰狼、遗传算法等元启发式算法被广泛应用于 BP 神经网络优化。文献［6］利用遗传算法优化 BP 神经网络，对 PM2. 5 浓度进行了预测，该模型具有较好的学习、泛化能力，但未考虑气象因素的影响。文献［7］利用粒子群优化算法改进遗传算法，优化 BP 神经网络的初始权值和阈值，获得了良好的 PM2. 5 浓度预测效果。针对上述元启发式算法存在的寻优能力差、收敛速度慢等问题，本文提出一种改进麻雀搜索算法( improved sparrow sea