自适应神经模糊推理系统在交通污染物浓度预测中的应用

城市交通带来的废气排放已经成为城市大气污染的主要来源之一。交通污染问题的成因和机理较为复杂,变化规律具有较强非线性和周期性特征。将自适应神经模糊推理系统(adaptive neuro fuzzy inference system,ANFIS)应用于交通污染物浓度时序数据预测时呈现出良好的泛化能力。本文以长沙市CO小时浓度数据为研究目标,通过分析CO浓度时序数据的自相关性、偏自相关性,以及交通流对CO浓度的时滞性影响,确定ANFIS预测模型的输入变量。结果表明,相较于传统的时间序列预测模型以及机器学习模型,ANFIS模型预测结果具有更高的精度,能够对交通环境污染进行预测及预警,为防止城市灾害性大气污染事件发生奠定理论研究基础并提供有效决策支持。