本研究构建了基于相关性较好的初始样本机制的BP神经网络预报模型，以石家庄和邢台为例，对模型的构建过程进行详细阐述，选取了PM_2.5、PM₁₀、SO₂、CO、NO₂、O₃六种空气污染物对预报模型进行设计。利用这一预报模型实现了空气污染物相邻两日浓度差值的预测。该模型的原理是：以前一日污染物浓度和相关性较好的气象因子作为模型输入因素，对空气污染物相邻两日浓度差值进行预测，通过此模型预报出的浓度差值，加上前一日污染物浓度的实测值，即可预报出未来一日污染物浓度。
空气污染物相邻两日浓度差预测值算法：输入参数，对样本进行优化筛选，选出最优样本，在进行训练前先将样本数据归一化到[-1，1]区间，然后从最优的样本中选出训练样本和测试样本，选取最优训练样本建立BP神经网络并进行误差测试，选择最优预测模型，输入归一化后的相关因子，得到输出结果进行数据反归一化处理，得出预测值。BP神经网络层数选取时涉及到输入层、输出层和隐藏层的选取，隐藏层个数通过试验得到。本文将某一种污染物相邻两日浓度差值作为模型输出，所建立的 BP 神经网络模型的输出层为1。
模型主要采用平均绝对误差MAE及平均相对误差MRE两种指标对预报结果进行分析，结果表明：平均绝对误差（MAE）中CO、PM10都较大，平均相对误差（MRE）各季节有所不同。石家庄站点冬季空气污染物预报结果的平均相对误差（MRE）分布在-1.17～1.75的范围内。其中O3的平均相对误差（MRE）最小，为0.05；PM10次之，为0.09；CO最差，为1.75；平均绝对误差（MAE）中CO最大、PM10次之。邢台站点冬季空气污染物预报结果的平均相对误差（MRE）分布在-1.02～1.83的范围内。其中NO2的平均相对误差（MRE）最小，均为0.19；CO最差，为1.83；同样，平均绝对误差（MAE）CO最大，PM10次之。通过冬季空气质量模型对空气质量等级预报准确率进行检验，石家庄和邢台SO2等级预报准确率均为100%，O3的等级预报准确率均为90%以上，PM2.5、PM10的等级预报准确率均为80%以上；首要污染物预报准确率均为80%以上。
对石家庄和邢台冬季空气污染物相邻两日浓度差监测值与预测值曲线图的相关系数进行了统计，结果表明：石家庄PM2.5的相邻两日浓度差监测值和预测值的相关系数最大，为0.79，石家庄O3的相关系数最小，为0.55。总体上，石家庄的空气质量等级预报准确率好于邢台。预报实践表明，在冬季的空气质量预报中，应考虑重污染过程的天气分型，需要根据历史上污染天气型控制时所对应的空气污染状况，对其预报结果进行适当的人工订正。
 

BP神经网络，空气质量预报