環(huán)境質(zhì)量與人們的健康息息相關(guān)，一直是研究的熱點。本文選取長沙市2017年NO2、PM10等大氣數(shù)據(jù)對PM2.5日均值進行預測，采用BIC準則進行特征選擇。在傳統(tǒng)的超限學習機（ELM）的基礎(chǔ)上，引入正則化項以控制模型的復雜度，并用遺傳算法（GA）對模型的輸入層權(quán)重矩陣和隱含層閾值矩陣進行優(yōu)化，建立遺傳算法和正則化極限學習機（GA-RE-ELM）的PM2.5預測模型。實驗表明，該模型相比BP神經(jīng)網(wǎng)絡(luò)、超限學習機有更好的精度，均方誤差分別降低了35.09%、25.49%，平均絕對誤差分別降低了40.86%、30.80%，平均絕對百分誤差分別降低了45.49%、31.65%，為PM2.5濃度的預測提供一種新的方法。

　　空氣質(zhì)量的好壞和人們的健康息息相關(guān)，PM2.5 作為衡量空氣質(zhì)量的重要標準，逐漸引起人們的重視，進而成為眾多學者研究的熱點。從國內(nèi)外近幾年的研究狀況來看，應用數(shù)值方法來預測PM2.5 濃度通常需要較詳細的排放源時空分布資料和高分辨率的氣象模式，但該方法的發(fā)展在我國的大部分城市并不成熟。而回歸分析、時間序列、貝葉斯網(wǎng)絡(luò)等廣泛應用的空氣質(zhì)量統(tǒng)計預測方法，其預測精度并不能令人滿意。隨著計算機技術(shù)和理論的發(fā)展，基于智能原理的人工神經(jīng)網(wǎng)絡(luò)、支持向量機模型在PM2.5 濃度的預測中取得了不錯的效果。然而，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)容易過擬合，隱藏層神經(jīng)元個數(shù)難以確定、尋找結(jié)構(gòu)參數(shù)復雜，而且在輸入數(shù)據(jù)較多且具有多重共線性時，神經(jīng)網(wǎng)絡(luò)模型的訓練效率會降低，從而影響空氣質(zhì)量預測的精度。陳紹煒，易少強，張衛(wèi)輝等分別提出了各種與極限學習機（ELM）結(jié)合的預測模型，在工程問題上取得了一定的效果，但這些方法都有可能陷入局部最優(yōu)。

　　本文運用BIC 信息準則選擇與PM2.5 濃度相關(guān)的指標，并結(jié)合遺傳算法和正則化項，提出了一種基于超限學習機的PM2.5 預測模型（GA-RELM）。該預測模型融合了遺傳算法全局尋優(yōu)和正則化項能控制ELM 模型復雜度，能有效地提高PM2.5 濃度預測的精度，并分析與其有關(guān)的指標，為加強環(huán)境污染的防控提供有力的參考。