林開春　邵峰晶

摘要： 為更好的監(jiān)測空氣質(zhì)量和重點(diǎn)污染源的濃度，本文基于隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)優(yōu)化，建立了預(yù)測空氣質(zhì)量指數(shù)的模型。通過隨機(jī)森林算法進(jìn)行特征選擇，選取最優(yōu)特征子集，用獲取的最優(yōu)特征子集訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行空氣質(zhì)量指數(shù)預(yù)測，最后利用2017年氣象和污染物濃度數(shù)據(jù)驗(yàn)證模型。驗(yàn)證結(jié)果表明，預(yù)測結(jié)果與實(shí)際值的相關(guān)系數(shù)達(dá)到082，空氣質(zhì)量等級預(yù)報的準(zhǔn)確率提高到8056%。與其他模型的預(yù)測效果比較結(jié)果表明，該模型可發(fā)現(xiàn)與青島市空氣質(zhì)量密切相關(guān)的特征因子，并有較高的空氣質(zhì)量預(yù)測精度。該研究具有一定的實(shí)際應(yīng)用價值。

關(guān)鍵詞： 隨機(jī)森林； 神經(jīng)網(wǎng)絡(luò)； 空氣質(zhì)量預(yù)測； 特征選擇

中圖分類號： TP18； X831文獻(xiàn)標(biāo)識碼： A

隨著社會經(jīng)濟(jì)的發(fā)展，大氣污染問題日益嚴(yán)重，青島市去年多次發(fā)生霧霾天氣，給人們的生活與健康造成了極壞的影響，因而研究空氣質(zhì)量的預(yù)測方法，對大氣污染進(jìn)行預(yù)測與防治意義重大。近年來，隨著大數(shù)據(jù)的興起及空氣質(zhì)量和重點(diǎn)污染源實(shí)時在線監(jiān)測系統(tǒng)的建立，監(jiān)測數(shù)據(jù)日益完善，為使用數(shù)據(jù)挖掘方法建立空氣質(zhì)量預(yù)測模型提供了基礎(chǔ)。人工神經(jīng)網(wǎng)絡(luò)模型是一種不同于回歸模型的非線性智能統(tǒng)計模型，目前已將該類模型用于社會各領(lǐng)域的相關(guān)研究中。M.Boznark等人[1]通過建立多層感知器將人工神經(jīng)網(wǎng)絡(luò)引入城市空氣質(zhì)量預(yù)測模型中；李柞泳等人[2]首次使用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測城市污染物SO2濃度；白曉平等人[35]研究了人工神經(jīng)網(wǎng)絡(luò)模型比傳統(tǒng)回歸模型性能更好，但是傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)模型存在收斂速度慢、容易陷入局部最小值、網(wǎng)絡(luò)泛化能力弱等缺點(diǎn)；王儉等人[6]通過將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，建立了SO2濃度預(yù)測模型，優(yōu)化了收斂速度過慢的問題；LU W Z等人[7]使用主成分分析法和人工神經(jīng)網(wǎng)絡(luò)算法相結(jié)合，提升了網(wǎng)絡(luò)的泛化能力和預(yù)報的準(zhǔn)確率。由于空氣質(zhì)量數(shù)據(jù)中污染物因子和氣象因子等維度的復(fù)雜多樣性，會對空氣質(zhì)量預(yù)測模型的性能產(chǎn)生巨大的影響[8]?；诖?，本文通過將隨機(jī)森林與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，建立了青島市空氣質(zhì)量指數(shù)（air quality index，AQI）預(yù)測模型，解決了空氣質(zhì)量預(yù)測過程中因數(shù)據(jù)特征空間維度過大而產(chǎn)生的維度災(zāi)難問題以及不相關(guān)因子對模型預(yù)測精度的干擾問題，提升了空氣質(zhì)量預(yù)測模型的預(yù)測精度，為環(huán)境監(jiān)測與治理提供實(shí)時準(zhǔn)確的空氣質(zhì)量信息。

1基于RF_ANN的AQI預(yù)測方法

1.1基于RF_ANN的AQI預(yù)測模型

將隨機(jī)森林算法與人工神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，降低了輸入因子的維度，減少了不相關(guān)維度對結(jié)果的干擾，實(shí)現(xiàn)對青島市空氣質(zhì)量預(yù)測模型的優(yōu)化。

空氣質(zhì)量指數(shù)是定量描述空氣質(zhì)量狀況的指數(shù)，基于隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)優(yōu)化的空氣質(zhì)量指數(shù)預(yù)測模型（RF_ANN）的具體操作流程如圖1所示。首先通過隨機(jī)森林算法對氣象因子和污染物因子進(jìn)行重要性度量，選取最優(yōu)特征子集，隨后用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行AQI指數(shù)的預(yù)測。

1.2隨機(jī)森林算法選取最優(yōu)特征子集

隨機(jī)森林是一種集成機(jī)器學(xué)習(xí)算法，具有分析復(fù)雜相互作用特征變量重要性的能力，對存在噪聲和缺失值的數(shù)據(jù)具有很好的魯棒性[9]，且學(xué)習(xí)速度較快，可作為高維數(shù)據(jù)的特征選擇工具[1013]。

定義1袋外數(shù)據(jù)（outofbag，OOB）：采用bootstrap方法[14]從數(shù)據(jù)集中隨機(jī)抽取K個自助樣本集，建立K個決策樹，未被抽到的樣本組成K個袋外數(shù)據(jù)。

定義2袋外數(shù)據(jù)誤差errOOB：輸入O個袋外數(shù)據(jù)，分類器會給出O個相應(yīng)的分類結(jié)果。設(shè)隨機(jī)森林分類器分類錯誤的數(shù)目為X，袋外數(shù)據(jù)誤差=X/O。

定義3基于袋外數(shù)據(jù)分類準(zhǔn)確率的變量重要性度量（mean decrease accuracy，MDA）：假設(shè)隨機(jī)森林中有Ntree棵樹，袋外數(shù)據(jù)誤差記為errOOB1，把一個變量的取值變?yōu)殡S機(jī)數(shù)，改變后的隨機(jī)森林預(yù)測準(zhǔn)確性為errOOB2，那么對于特征X的重要性度量為

MDA=∑（errOOB2-errOOB1）/Ntree

將某個特征的值加入隨機(jī)噪聲數(shù)據(jù)，袋外準(zhǔn)確率降低越多，說明這個特征越重要。

隨機(jī)森林算法篩選輸入因子的步驟：

1）利用bootstrap采樣方法，在原始訓(xùn)練數(shù)據(jù)集中隨機(jī)生成K個樣本集，在m個特征中選擇一個最具分類能力的特征進(jìn)行節(jié)點(diǎn)分裂，生成多個決策樹[15]。

2）將生成的決策樹組成隨機(jī)森林，使用樹分類器投票的方法對新數(shù)據(jù)進(jìn)行分類。

3）基于袋外數(shù)據(jù)分類準(zhǔn)確率的變量重要性度量，計算每個特征變量的重要性，并按降序排序。

4）確定刪除比例，從當(dāng)前特征變量中刪除相應(yīng)比例中不重要的指標(biāo)，從而得到一個新的特征集。

5）用新的特征集建立新的隨機(jī)森林，計算特征集中每個特征的重要性，并排序。

6）重復(fù)步驟2）～4），直到剩下m個特征。

7）根據(jù)得到的每個特征集和隨機(jī)森林，計算對應(yīng)的袋外誤差errOOB，將袋外誤差最低的特征集作為最后選定的特征集。

1.3人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型

人工神經(jīng)網(wǎng)絡(luò)（artificial neural networks，ANN）是從輸入空間到輸出空間的一個非線性映射[16]。BP神經(jīng)網(wǎng)絡(luò)是近年應(yīng)用較多的一種前饋神經(jīng)網(wǎng)絡(luò)，結(jié)構(gòu)簡潔，穩(wěn)定性好，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖2所示。BP學(xué)習(xí)算法主要通過訓(xùn)練輸入和輸出樣本集使網(wǎng)絡(luò)達(dá)到給定的映射函數(shù)關(guān)系[17]，網(wǎng)絡(luò)中含有R個神經(jīng)元節(jié)點(diǎn)，隱含層神經(jīng)元通常采用sigmoid激活函數(shù)。a1i為隱含層節(jié)點(diǎn)i的輸出，a2k為輸出層節(jié)點(diǎn)k的輸出，節(jié)點(diǎn)之間存在權(quán)值w。BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測過程如下：

1）輸入樣本正向傳播。將選取的最優(yōu)特征子集對應(yīng)的數(shù)據(jù)作為輸入數(shù)據(jù)輸入模型進(jìn)行傳播。

2）輸出誤差逆向傳播。用通過模型正向傳播得到的實(shí)際輸出值與真實(shí)值進(jìn)行對比，通過誤差逆向傳播對網(wǎng)絡(luò)模型進(jìn)行校正。

3）循環(huán)訓(xùn)練。對BP神經(jīng)網(wǎng)絡(luò)模型的輸入樣本進(jìn)行反復(fù)循環(huán)訓(xùn)練，使模型輸出誤差盡可能小。

4）模型驗(yàn)證。檢查輸出誤差是否已經(jīng)滿足結(jié)束學(xué)習(xí)的要求。如果符合，就結(jié)束整個學(xué)習(xí)過程，否則繼續(xù)循環(huán)訓(xùn)練。

5）預(yù)測結(jié)果。輸入測試集數(shù)據(jù)，對目標(biāo)結(jié)果進(jìn)行預(yù)測。

2建模過程與方法

2.1數(shù)據(jù)選擇

選擇青島市2013—2017年的6個氣象因子監(jiān)測值，其中包括日均氣溫、日均風(fēng)速、日均氣壓、日均可見度、日均相對濕度、日均總降雨量或融雪，同時選擇同期PM25，PM10，NO2，SO2，CO，O3濃度的日均值。使用2013—2016年4年的氣象和污染物濃度數(shù)據(jù)作為訓(xùn)練空氣質(zhì)量預(yù)測模型的訓(xùn)練集，將2017年的氣象和污染物濃度數(shù)據(jù)作為驗(yàn)證模型的測試集。空氣質(zhì)量預(yù)測模型的輸入特征為預(yù)測日當(dāng)天的氣象因子值和前一天的污染物濃度，把預(yù)測日當(dāng)天空氣質(zhì)量指數(shù)作為模型的輸出值。

2.2建模方法

利用隨機(jī)森林算法進(jìn)行特征選擇，輸入數(shù)據(jù)為預(yù)測日前一天的污染物濃度值和當(dāng)天的氣象因子值，采用R語言中的randomForest程序包，設(shè)置100棵決策樹，即函數(shù)參數(shù)Ntree=100，importance=true用基于袋外數(shù)據(jù)分類準(zhǔn)確率的變量重要性度量對特征的重要性進(jìn)行排序，依次去掉重要性最小的特征，將選取的特征子集作為神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入。以預(yù)測值和真實(shí)值的平均絕對誤差作為評價標(biāo)準(zhǔn)和特征選擇的依據(jù)，重復(fù)迭代，最終選取平均絕對誤差最低的特征子集作為模型的最優(yōu)特征子集。

將選出的最優(yōu)特征子集中的特征去臟[18]并消除具有共線性的特征[19]，作為BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入，輸入數(shù)據(jù)為預(yù)測日前一天的污染物濃度值和當(dāng)天的氣象因子值，神經(jīng)網(wǎng)絡(luò)參數(shù)：設(shè)置隱層單元個數(shù)為10，即參數(shù)size=10；權(quán)重調(diào)整速度為001，即參數(shù)decay=001，最大迭代次數(shù)為1 000次，即參數(shù)maxit=1 000，以2013—2016年的數(shù)據(jù)用Nnet函數(shù)訓(xùn)練預(yù)測模型，并預(yù)測2017年1月2日～10月1日的AQI和空氣質(zhì)量等級。

3預(yù)測及結(jié)果分析

3.1AQI指數(shù)預(yù)測

隨機(jī)森林對因子變量重要性的排序情況如圖3所示。通過序列向后搜索的方法，根據(jù)特征集合中特征的重要性進(jìn)行排序，依次去掉重要性最小的特征，將選出的特征子集輸入BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。各個特征子集輸出的真實(shí)值與預(yù)測值的平均絕對誤差如圖4所示。由圖4可以看出，將不重要的特征依次刪除之后，預(yù)測值與真實(shí)值的平均絕對誤差先逐步降低，當(dāng)達(dá)到最低值后又開始逐步升高。這是因?yàn)殚_始時，隨著冗余特征的刪除，模型分類性能提升，隨后將重要性高的特征刪除后，降低了分類器的性能，這說明本算法可以有效地識別和刪除冗余特征，達(dá)到特征選擇的目的。采用RF_ANN模型消除的冗余特征為PM10、O3濃度、SO2濃度、日均氣溫和日均氣壓；篩選出的最優(yōu)特征子集為日均風(fēng)速、NO2濃度、日均總降雨量和/或融雪、PM25、日均相對濕度、日均可見度及CO濃度。

篩選出模型輸入因子的同時，用2013—2016年的青島市空氣質(zhì)量與氣象數(shù)據(jù)為AQI指數(shù)建立了預(yù)測模型，使用該模型對青島市2017年的AQI指數(shù)進(jìn)行預(yù)測，預(yù)測值與實(shí)測值的相關(guān)系數(shù)為082，AQI預(yù)測值與實(shí)測值相關(guān)性分析如圖5所示。青島市2017年前100 d部分空氣質(zhì)量指數(shù)的預(yù)測值與實(shí)測值進(jìn)行對比，AQI預(yù)測值與實(shí)測值比較如圖6所示，AQI的平均絕對誤差為1273。

3.2與一般神經(jīng)網(wǎng)絡(luò)預(yù)測模型對比

空氣質(zhì)量指數(shù)范圍為0～500，分為6級，分別是：1級優(yōu)、2級良、3級輕度污染、4級中度污染、5級重度污染、6級嚴(yán)重污染[20]。選用準(zhǔn)確率、空報率和漏報率3個指標(biāo)與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比較，3個指標(biāo)定義如下：

A=D/C×100%

B=H/C×100%

D=L/C×100%

式中，A為準(zhǔn)確率；D為預(yù)報結(jié)果正確的天數(shù)；C為總天數(shù)；B為空報率；H為預(yù)報結(jié)果偏高的天數(shù)；D為漏報率；L為預(yù)報結(jié)果偏低的天數(shù)。

4結(jié)束語

本文基于隨機(jī)森林算法與人工神經(jīng)網(wǎng)絡(luò)算法，提出了一種空氣質(zhì)量預(yù)測模型。通過隨機(jī)森林算法對氣象因子和空氣質(zhì)量污染物因子等多個特征進(jìn)行特征選擇，并對神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行訓(xùn)練。測試結(jié)果表明，該模型能發(fā)現(xiàn)與空氣質(zhì)量密切相關(guān)的特征因子，具有較準(zhǔn)確的空氣質(zhì)量預(yù)測效果。該研究為通過大數(shù)據(jù)解決大氣環(huán)境問題提供了新的思路和方法。而探索其他與空氣質(zhì)量密切相關(guān)的特征因子及提高更高維度特征數(shù)據(jù)集預(yù)測的穩(wěn)定性是下一步的研究內(nèi)容。

參考文獻(xiàn)：

[1]Boznar M， Lesjak M， Mlakar P. A Neural NetworkBased Method for the ShortTerm Predictions of Ambient SO2 Concentrations in Highly Polluted Industrial Areas of Complex Terrain[J]. Atmospheric Environment， Part B， Urban Atmosphere， 1993， 27（2）： 221230.

[2]李柞泳， 鄧新民. 環(huán)境污染預(yù)測的人工神經(jīng)網(wǎng)絡(luò)模型[J]. 成都?xì)庀髮W(xué)院學(xué)報， 1997， 12（4）： 279283.

[3]白曉平， 李紅， 張啟明， 等. 人工神經(jīng)網(wǎng)絡(luò)在空氣污染預(yù)報中的研究進(jìn)展[J]. 科技導(dǎo)報， 2006， 24（12）： 7781.

[4]周秀杰， 蘇小紅， 袁美英. 基于BP網(wǎng)絡(luò)的空氣污染指數(shù)預(yù)報研究[J]. 哈爾濱工業(yè)大學(xué)學(xué)報， 2004， 36（5）： 582585.

[5]JIANG D H， ZHANG Y， HU X， et al. Progress in Developing an ANN Model for an Air Pollution Index Forecast[J]. Atmospheric Environment， 2004， 38（40）： 70557064.

[6]王儉， 劉振山. BP模型的改進(jìn)及其在大氣污染預(yù)報中的應(yīng)用[J]. 城市環(huán)境與城市生態(tài)， 2002， 15（5）： 1719.

[7]Lu W Z， Wang W J. Potential Assessment of the “Support Vector Machine” Method in Forecasting Ambient Air Pollutant Trends[J]. Chemosphere， 2005， 59（5）： 693701.

[8]Nunnari G， Doring S， Schlink U， et al. Modeling SO2 Concentration at a Point with Statistical Approaches[J]. Environmental Modeling & Software， 2004， 19（10）： 887905.

[9]蔣勝利. 高維數(shù)據(jù)的特征選擇與特征提取研究[D]. 西安： 西安電子科技大學(xué)， 2011.

[10]尹華， 胡玉平. 基于隨機(jī)森林的不平衡特征選擇算法[J]. 中山大學(xué)學(xué)報： 自然科學(xué)版， 2014， 53（5）： 5965.

[11]蔣盛益， 鄭琪， 張倩生. 基于聚類的特征選擇方法[J]. 電子學(xué)報， 2008， 36（12）： 157160.

[12]劉元寧， 王剛， 朱曉冬， 等. 基于自適應(yīng)多種群遺傳算法的特征選擇[J]. 吉林大學(xué)學(xué)報： 工學(xué)版， 2011， 41（6）： 16901693.

[13]楊帆， 林琛， 周綺鳳， 等. 基于隨機(jī)森林的潛在k近鄰算法及其在基因表達(dá)數(shù)據(jù)分類中的應(yīng)用[J]. 系統(tǒng)工程理論與實(shí)踐， 2012， 32（4）： 815825.

[14]李欣海. 隨機(jī)森林模型在分類與回歸分析中的應(yīng)用[J]. 應(yīng)用昆蟲學(xué)報， 2013， 50（4）： 11901197.

[15]姚登舉， 楊靜， 詹曉娟. 基于隨機(jī)森林的特征選擇算法[J]. 吉林大學(xué)學(xué)報： 工學(xué)版， 2014， 44（1）： 137141.

[16]祝翠玲， 蔣志方， 王強(qiáng). 基于BP神經(jīng)網(wǎng)絡(luò)的環(huán)境空氣質(zhì)量預(yù)測模型[J]. 計算機(jī)工程與應(yīng)用， 2007， 43（22）： 223227.

[17]萬顯列， 楊鳳林， 王慧卿. 利用人工神經(jīng)網(wǎng)絡(luò)對空氣中的O3濃度進(jìn)行預(yù)測[J]. 中國環(huán)境科學(xué)， 2003， 23（1）： 110112.

[18]吳小紅， 康海燕， 任德官. 基于神經(jīng)網(wǎng)絡(luò)中小城市空氣污染指數(shù)預(yù)估器的設(shè)計[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識， 2005， 35（2）： 8791.

[19]黃海洪， 孫崇智， 金龍. 基于主分量的神經(jīng)網(wǎng)絡(luò)水位預(yù)報模型應(yīng)用研究[J]. 大氣科學(xué)學(xué)報， 2005， 28（1）： 5863.

[20]趙宏， 劉愛霞， 王愷， 等. 基于GA_ANN改進(jìn)的空氣質(zhì)量預(yù)測模型[J]. 環(huán)境科學(xué)研究， 2009， 22（11）： 12761281.