Modelo de predicción mejorado para las concentraciones diarias de PM_2.5 con optimización de enjambres de partículas y...

Área de la Ciencia:

• Ciencias del medio ambiente
• Ciencias de la computación
• Inteligencia artificial

Sus antecedentes:

• La urbanización en China ha exacerbado la contaminación por neblina, siendo el PM2.5 el principal contribuyente.
• Los modelos de predicción existentes, como la red neuronal BP, sufren una precisión insatisfactoria debido a la aleatoriedad de los parámetros iniciales.
• Es necesario disponer de métodos estables y precisos para la predicción de las partículas PM2,5 a fin de abordar los problemas de calidad del aire.

Objetivo del estudio:

• Para desarrollar y evaluar un nuevo modelo de fusión, el enjambre de partículas optimizó la red neuronal de propagación inversa (IPSO-BP), para mejorar la predicción de PM2.5.
• Abordar las limitaciones de las redes neuronales BP tradicionales en la previsión de PM2,5.
• Mejorar la estabilidad y la precisión de los modelos de predicción de las PM2,5.

Principales métodos:

• Utilizó una red neuronal de propagación hacia atrás (BP) para la predicción de valores de PM2,5.
• Empleó un algoritmo mejorado de optimización de enjambres de partículas (PSO) para optimizar los parámetros iniciales de la red neuronal BP.
• Incorporó factores de aprendizaje asincrónico, pesos de inercia adaptativos y estrategia de búsqueda de vuelo de Levy dentro del algoritmo PSO.

Principales resultados:

• El modelo IPSO-BP demostró un mejor rendimiento de predicción en comparación con una sola red neuronal BP.
• En un experimento de simulación en la ciudad de Nanchang, el modelo logró una precisión de predicción del 86,76%.
• El modelo alcanzó un coeficiente de correlación R2 de 0,95734 y un error de raíz media cuadrada (RMSE) de 5,2407.

Conclusiones:

• El modelo IPSO-BP propuesto ofrece un enfoque estable y preciso para la predicción de las PM2,5.
• Las mejoras en el algoritmo PSO (aprendizaje asincrónico, pesas adaptativas, vuelo Levy) mejoran significativamente las capacidades de predicción.
• Este modelo contribuye a la prevención y gestión de la contaminación atmosférica, en particular de la bruma.