前言

This week studied an article based on neural networks to predict PM2.5.Different neural networks are based on different principles. In this study, a combination of artificial, convolutional, and recurrent neural networks was adopted, which greatly improved the prediction ability of the model.In addition, in terms of deep learning, I learned how to manually derive RNN models.

本周学习了一篇基于神经网络来预测PM2.5的文章。不同的神经网络基于不同的原理。本研究采用人工神经网络、卷积神经网络和循环神经网络的组合，大大提高了模型的预测能力。除此之外，在深度学习方面，学习了如何手动推导RNN模型。

文献阅读：基于组合神经网络和改进多目标优化算法的PM2.5预测新系统——以环渤海经济带为例

--Zhirui Tian, Mei Gai,
New PM2.5 forecasting system based on combined neural network and an improved multi-objective optimization algorithm: Taking the economic belt surrounding the Bohai Sea as an example,
Journal of Cleaner Production,
Volume 375,
2022,
134048,
ISSN 0959-6526,
https://doi.org/10.1016/j.jclepro.2022.134048.

背景

科学技术的进步大大提高了人类的生活质量;然而，化石燃料的过度使用加剧了空气污染。根据联合国和世界卫生组织的估计，由于室外空气污染，每年约有430万人因吸入细颗粒而死亡。

PM2.5的空气质量指标是指粒径为2.5μm或更小的污染物。具体来说，直径小于人类头发直径的二十分之一;因此，阻断这些污染物是困难的。如果直接吸入支气管，它会干扰肺部的空气交换并引起疾病，包括哮喘、支气管炎和心血管疾病。建立准确的 PM2.5预报系统是必要的，它可以及时提醒居民并尽可能减轻污染物的有害影响，而不会干扰居民的生活。

当前技术存在的缺陷

(1)大多数方法忽略数据预处理，这会导致准确性显著下降。尽管一些方法使用EMD技术通过傅里叶变换将原始数据转换为频域，但它们面临着模态混叠和端点效应等问题。

(2)CTM和统计方法需要大量的先验知识或历史数据，这些知识或历史数据往往难以获得，缺乏这些知识或历史数据会导致准确性急剧下降。

(3)大多数人工智能模型使用单个神经网络进行预测;然而，每个数据集中的数据分布是不同的，使用单个神经网络很难获得足够的精度。

(4)单目标优化现已广泛使用;但是，通常只能将精度（MSE/MAPE）设置为优化目标，而忽略了预测稳定性的重要性。

本文提供的贡献

●更高级的数据预处理方法

使用VMD代替传统的EMD。VMD对采样和噪声具有鲁棒性，可以有效地防止模式混叠，并为EMD中不可避免的问题提供有效的解决方案。

●组合神经网络的应用

不同的神经网络基于不同的原理。本研究采用人工神经网络、卷积神经网络和循环神经网络的组合，大大提高了模型的预测能力。

●先进的无约束加权算法

采用无约束加权算法得到不同神经网络预测结果的最优权重。我们选择了最先进的多目标蝠鲼觅食算法，并对其进行了改进，使结果更加准确。

●一种新的混沌映射方法

我们提出了一种新的混沌映射方法，该方法可以在解区间内生成均匀分布的初始解，并有效提高搜索全局解的能力。

●点预测和区间预测相结合

将点和区间预测结合起来。点预测可以提供准确的预测结果，区间预测可以提供更多关于不确定性的信息。点预测和区间预测相结合，更有利于居民根据PM改变动作2.5预测。

流程图

多目标麻雀搜索算法

多目标多宇宙优化

物理学中的多元宇宙理论是MVO算法背后的灵感来源。宇宙中出现了个体，因为一次巨大的爆炸，多次巨大的爆炸促成了整个多元宇宙人口的诞生。白洞、黑洞、虫洞是多元宇宙理论中的三个核心概念。

我们假设在宇宙和最优宇宙之间总是存在虫洞。公式如下。

xij={ {Xj+TDR∗((ubj−lbj)∗r4+lbj)r3<0.5Xj−TDR∗((ubj−lbj)∗r4+lbj)r3≥0.5xijr2≥WEP

WEP代表虫洞存在的可能性，TDR代表物体在最优虫洞中的转换距离。WEP=min+l∗(max−minL)TDR=1-l1/pL1/p

其中p定义随迭代次数变化的检测速度。p的值越高，本地检测速度越快。

综述

在这项研究中，一种新型的PM型2.5开发了、组合神经网络和改进多目标优化算法相结合的预测系统。我们开发了一种新的混沌映射方法，可以有效增强多目标优化算法搜索全局解的能力。我们的模型在预测和预警方面表现出令人满意的准确性，在点预测和区间预测中都取得了优异的结果。通过实验1验证了组合模型的准确性，所提模型在所有10种模型中均取得了最佳性能。通过实验2验证了VMD方法的先进性。VMD对数据的分解更准确，有效地改进了模型的预测。分别通过实验3和实验4验证了模型的泛化能力和预警能力。我们改进的MOMRFO模型的优越性在讨论部分进行了解释。通过实验 1-4 和两次讨论中描述的实验验证了模型的准确性、先进性和泛化能力。我们的模型的实际意义如下：

1)PM2.5是一个比较严格的空气质量数据。监控PM2.5使我们能够更好地了解空气质量。

2)有必要解决PM2.5引起的问题;因此，控制产生这种粒子的来源很重要。

3)一个PM2.5预测系统不仅为国家环境保护政策的制定提供了数据支撑，也为依法监测和处罚提供了依据。

4)本文提出的组合模型更适合非线性数据或波动较大的数据。对于具有大量先验知识或历史数据的案例，该模型的预测性能与统计模型大致相同;但是，它相对较慢。