图5.3.8 本模型预测曲线与原始数据对比 c.模型检验：
通过上图明显发现通过训练数据可以较为准确得到最近一段时间的预测值。在短期时间内预测值与真实值误差较小，一旦时间较长误差就会突然增加，这是由于训练数据有限，导致神经模型不是很完美。只适用于短期预测。
六、模型优缺点及其改进（应该整体谈一下这篇论文所涉及的模型方法的优缺
点）
6.1 基于BP神经网络的PM2.5发生与演变模型（该去掉） 6.1.1模型优点
（1）污染物影响因子考虑了大气中各种污染物具有发生化学反应的可能性； （2）考虑了各种天气因素及其每日最高、最低温度对PM2.5的影响； （3）对于近期PM2.5值预测比较准确。 应该写出这些优点导致模型有哪些提高 6.1.2模型缺点
（1）对于中长期的PM2.5值预测有较大误差，精确度较差；导致模型怎么样了 （2）题目附件所给数据较少且数据不完整，导致神经训练程度不够使模型怎样了；
6.1.3模型的优化
（1）可以结合将BP神经网络与遗传算法结合，能够进行更长期，更精确地预测；
16
七、参考文献：
[1] 环境质量标准, 中华人民共和国国家标准，GB 3095-2012
[2] 环境空气质量指数（AQI）技术规定（试行）：中华人民共和国国家环境保护标准， HJ 633-2012
[3] 阳其凯，张贵强，张竞铭，基于遗传算法与BP神经网络的PM2.5发生演化模型，计算机与现代化，总第223期；15-19页，2014年第三期 [4] 吴建国等，数学模型案例精编，北京水利水电出版社，2005年
17
附录
附录一 （源文件代码）杭州各监测站时空分布三维绘图程序
clear all;clc;
A=xlsread('C:\\Users\\Administrator\\Desktop\\杭州市各监测站地理位置信息.xlsx',1); d={'浙江农大','临平镇','和睦小学','下沙','朝晖五区','西溪','卧龙桥','滨江区','城厢镇','云栖','千岛湖'}; x=A(:,1); y=A(:,2); z=A(:,3);
scatter(x,y,5,z)%散点图 hold on plot(x,y,'*') text(x,y,d); hold off figure
[X,Y,Z]=griddata(x,y,z,linspace(min(x),max(x),200)',linspace(min(y),max(y),200),'v4');%插值
pcolor(X,Y,Z);shading interp%伪彩色图 hold on plot(x,y,'*') text(x,y,d); hold off
figure,contourf(X,Y,Z) %等高线图
18
hold on plot(x,y,'*') text(x,y,d); hold off
figure,surf(X,Y,Z)%三维曲面 hold on plot(x,y,'*') text(x,y,d); hold off
19
附录二 BP神经网络模型程序源文件代码 %-----BP神经网络方法— clear all; clc;
%% -------数据处理模块------------------ úta=load('sysc.txt');
A=xlsread('C:\\Users\\Administrator\\Desktop\\预测PM2.5.xls'); datay=A(:,8)'; data=A(:,1:7)';
%-----------------数据归一化处理---------- for i=1:7
dmin(i)=min(data(i,:)); dmax(i)=max(data(i,:)); end
dymin=min(datay); dymax=max(datay); for i=1:length(datay)
datay1(i)=(datay(i)-dymin)/(dymax-dymin); end for i=1:7 for j=1:54
data1(i,j)=(data(i,j)-dmin(i))/(dmax(i)-dmin(i)); end
20