摘要：通過隸屬度函數(shù)確定的加權(quán)KNN-BP神經(jīng)網(wǎng)絡(luò)方法,建立PM 2.5濃度動態(tài)實(shí)時(shí)預(yù)測模型,以PM 2.5、PM 10、NO 2、CO、O 3、SO 2等6種污染物前1 h的濃度及天氣現(xiàn)象、溫度、氣壓、濕度、風(fēng)速、風(fēng)向等6種氣象條件,以及預(yù)測時(shí)刻所在一周中天數(shù)和該時(shí)刻所在一天當(dāng)中的小時(shí)數(shù)為KNN實(shí)例的維度,選取3個(gè)近鄰,根據(jù)得到的歐氏距離確定每個(gè)近鄰變量的隸屬度權(quán)重,最終將所有近鄰的維度作為BP神經(jīng)網(wǎng)絡(luò)的輸入層數(shù)據(jù),輸出要預(yù)測的下1 h PM 2.5濃度,該方法避免了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)方法不能體現(xiàn)歷史時(shí)間窗內(nèi)的數(shù)據(jù)對當(dāng)前預(yù)測影響的問題。對北京市東城區(qū)監(jiān)測站2014-05-01T00:00—2014-09-10T23:00的數(shù)據(jù)進(jìn)行預(yù)測試驗(yàn),結(jié)果表明,加權(quán)KNN-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型相較其他方法的預(yù)測誤差最低,且穩(wěn)定性效果最好,是PM 2.5濃度實(shí)時(shí)預(yù)測的有效方法。