基于RBF神经网络的PM2.5浓度预测

来源：环境监测管理与技术杂志2025年第4期北京时间：

作者：万梓康；谢劭峰；林买金；孟春阳；彭祥天；张茗斐；

单位：桂林理工大学测绘地理信息学院；桂林理工大学测绘地理信息学院；桂林理工大学测绘地理信息学院；桂林理工大学测绘地理信息学院；桂林理工大学测绘地理信息学院；桂林理工大学测绘地理信息学院；

摘要：针对传统RBF神经网络在PM25回归预测中参数优化的问题，提出了粒子群算法优化的径向基神经网络（PSO-RBF）、鲸鱼算法优化的径向基神经网络（WOA-RBF）、北方苍鹰算法优化的径向基神经网络（NGO-RBF）和灰狼算法优化的径向基神经网络（GWO-RBF）4种模型，以2021年12月1日—2022年8月31日拉萨、成都、北京和上海的大气污染物、气象因素、大气可降水量（PWV）及叶面积指数（LAI）的小时数据作为训练集，分别预测了4个城市在2022年9月、10月、11月共计91 d的PM25质量浓度变化。结果表明：PSO-RBF模型的优化性能最为显著，相对于RBF模型，PSO-RBF模型的MAE、MAPE、RMSE、R2均得到显著提升。

关键词：PM2.5,RBF神经网络,粒子群算法,大气污染物,气象因素,回归预测,

基金资助：国家自然科学基金资助项目（41864002）