摘要：通過隸屬度函數確定的加權KNN-BP神經網絡方法,建立PM 2.5濃度動態實時預測模型,以PM 2.5、PM 10、NO 2、CO、O 3、SO 2等6種污染物前1 h的濃度及天氣現象、溫度、氣壓、濕度、風速、風向等6種氣象條件,以及預測時刻所在一周中天數和該時刻所在一天當中的小時數為KNN實例的維度,選取3個近鄰,根據得到的歐氏距離確定每個近鄰變量的隸屬度權重,最終將所有近鄰的維度作為BP神經網絡的輸入層數據,輸出要預測的下1 h PM 2.5濃度,該方法避免了傳統BP神經網絡方法不能體現歷史時間窗內的數據對當前預測影響的問題。對北京市東城區監測站2014-05-01T00:00—2014-09-10T23:00的數據進行預測試驗,結果表明,加權KNN-BP神經網絡預測模型相較其他方法的預測誤差最低,且穩定性效果最好,是PM 2.5濃度實時預測的有效方法。