一种基于机器学习的室内花粉浓度预测方法及系统
本发明涉及室内环境监测与智能调控，具体为一种基于机器学习的室内花粉浓度预测方法及系统。
背景技术：
1、花粉浓度预测设备可广泛应用于住宅、办公场所、学校等各类建筑的室内空气质量管控，为花粉过敏人群提供精准的健康防护指导，同时为建筑通风系统和空气净化设备的智能运行提供数据支撑。
2、现有技术中已存在多种室内花粉浓度预测方法和系统，其中纯数据驱动的机器学习模型虽能拟合常规工况下的浓度变化规律，但在降雨、大风等极端气象条件以及人员密集活动等突发场景下，预测结果易出现较大偏差，泛化能力不足；而纯物理模型虽能基于流体力学原理模拟花粉运动过程，但计算过程复杂耗时，难以满足实时预测的应用需求。现有预测系统大多仅对花粉颗粒总浓度进行预测，通过颗粒浓度间接推断致敏风险，无法区分不同形态、不同粒径花粉的致敏能力差异，导致预警信息与实际过敏危害程度不匹配。
技术实现思路
1、针对现有技术的不足，本发明提供了一种基于机器学习的室内花粉浓度预测方法及系统，以解决现有技术中纯数据驱动模型在降雨、大风等极端气象条件及人员密集活动等突发场景下预测偏差大、泛化能力不足，纯物理模型计算复杂耗时难以满足实时预测需求，且仅对花粉颗粒总浓度进行预测无法区分不同形态、不同粒径花粉的致敏能力差异，导致预警信息与实际过敏危害程度不匹配的技术问题。
2、为实现上述的目的，本发明提供如下技术方案：一种基于机器学习的室内花粉浓度预测方法，包括：
3、s1、多源异构数据采集：
4、同步采集室外气象、建筑通风、室内环境及室内外花粉监测数据，确保各参数在时间维度上的严格对齐，消除数据异步导致的关联分析误差，为后续多维度特征融合提供统一的时间基准；
5、s2、多尺度特征工程与物理特征提取：
6、对数据进行清洗、归一化和缺失值补全，采用3σ准则剔除异常值并采用z-score方法统一数据量纲，提升后续模型训练的收敛速度和稳定性，提取时空特征、建筑特征和气象特征，全面覆盖影响室内花粉浓度的各类关键因素，基于花粉运动物理机理计算重力沉降速率、气流携带系数、i/o比动态系数，即室内外花粉浓度比值，用于表征室外花粉向室内的传递效率和再悬浮触发阈值的动态物理特征；其中重力沉降速率采用斯托克斯公式计算：，式中为花粉颗粒直径，为花粉颗粒密度，为空气密度，g为重力加速度，为空气动力黏度；气流携带系数根据室内风速与花粉沉降速率的比值确定，取值范围为0.1-0.9；再悬浮触发阈值设定为室内人员活动强度大于0.5m/s²时触发；量化不同环境条件下花粉颗粒的运动特性，为数据驱动模型提供符合客观规律的先验约束；
7、s3、构建物理和数据双驱动预测模型：
8、物理机理模块基于cfd模拟不同通风条件下花粉的扩散、沉降与再悬浮过程，输出维度为时间步长，监测点数量，物理特征数的物理约束张量，精确还原室内流场与花粉颗粒的相互作用，弥补纯数据驱动模型在极端工况下泛化能力不足的缺陷；数据驱动模块采用时空注意力增强transformer网络，将多尺度特征与物理约束张量在注意力融合层进行逐元素加权融合，有效捕捉长时序依赖关系和复杂非线性关联，解决传统机器学习模型时空预测精度不足的问题；所述时空注意力增强transformer网络依次包括输入层、时空编码层、多头注意力层、注意力融合层和多任务输出层，其中时空编码层采用正弦位置编码结合可学习的空间嵌入编码，分别对时间序列和空间位置信息进行编码；多头注意力层包含8个并行注意力头，分别捕捉不同尺度的时序依赖关系；在网络末端设置并行的过敏原与花粉颗粒协同预测分支，两个分支共享底层特征提取网络，分别输出未来1—24小时不同粒径花粉颗粒浓度和对应过敏原浓度，实现颗粒浓度与致敏风险的同步预测，避免仅预测颗粒浓度无法准确反映实际过敏危害的局限性；
9、s4、模型训练与验证：
10、将采集的历史数据按照7:2:1的比例划分为训练集、验证集和测试集，采用adam优化器对模型进行监督训练，初始学习率设置为0.001，批大小为32；引入物理损失函数约束输出范围，将基本物理定律嵌入训练过程，强制模型输出符合质量守恒、动量守恒规律，提升预测结果的物理合理性和可解释性；所述物理损失函数包括质量守恒损失、沉降速率约束损失和i/o比范围约束损失，其中质量守恒损失计算为室内花粉总质量变化量与进出室内花粉质量差的绝对值；沉降速率约束损失计算为模型预测沉降速率与理论计算沉降速率的均方误差；i/o比范围约束损失计算为当预测i/o比超出[0.01,0.9]范围时的惩罚项；总损失函数为，其中为均方误差数据损失，为物理损失，为动态权重系数，训练初期，随训练迭代次数增加线性增长至；通过验证集优化超参数，采用贝叶斯优化方法对学习率、批大小、注意力头数等超参数进行寻优，找到最优模型配置，进一步提高预测精度和鲁棒性；
11、s5、实时预测与动态修正：
12、将预处理后的实时数据输入训练好的模型，输出未来1—24小时逐小时的花粉颗粒浓度和过敏原浓度预测结果；基于监测偏差通过动态自适应修正子模块在线更新模型输出层参数，根据最新监测数据持续优化模型，适应不同建筑和季节的环境变化，解决离线训练模型性能随时间衰减的问题；所述动态自适应修正子模块采用滑动窗口在线学习，窗口大小设置为24小时，学习率为0.0001，每小时更新一次参数，当连续3个时间步的预测平均绝对百分比误差（mape）超过15%—20%时触发全连接层参数更新；同时触发异常事件修正，通过实时数据突变特征识别异常事件：当降雨量大于0.5mm/h时判定为降雨事件，将i/o比动态系数乘以0.2的修正系数；当室外风速大于10m/s时判定为大风事件，将气流携带系数乘以1.5的修正系数；当室内co2浓度变化率大于50ppm/10min时判定为人员密集活动事件，将再悬浮触发阈值降低至0.3m/s²；针对上述突发情况进行专项调整，大幅提升极端事件下的预测准确性；
13、s6、结果输出与调控建议生成：
14、生成分级预警信息，根据预测的过敏原浓度将过敏风险划分为4个等级：低风险（过敏原浓度<10ng/m³）、中风险（10ng/m³≤过敏原浓度<50ng/m³）、高风险（50ng/m³≤过敏原浓度<200ng/m³）、极高风险（过敏原浓度≥200ng/m³），便于用户快速识别并采取对应防护措施；结合通风系统参数输出最优门窗开关、净化器运行及人员活动建议，门窗开关策略基于室外花粉浓度、室内co2浓度和通风需求综合确定：当室外花粉浓度<100粒/m³且室内co2浓度>1000ppm时，建议开窗通风30分钟；当室外花粉浓度≥100粒/m³时，建议关闭门窗并开启空气净化器；空气净化器运行参数根据室内过敏原浓度自动调整：低风险时开启低档，中风险时开启中档，高风险及以上时开启高档并开启负离子功能；量化分析不同调控措施的效果，在保证室内co2浓度≤1000ppm等空气质量指标达标前提下，最大限度降低能耗和过敏风险。
15、优选的，所述s1、多源异构数据采集中，所述花粉监测数据的粒径区间划分为0-2.5μm、2.5-10μm、10-20μm、20-30μm、30-40μm和>40μm，形态类型包括单体、破裂、团聚和未知形态花粉，覆盖绝大多数具有致敏性的花粉颗粒范围，区分不同运动特性和致敏能力的花粉类型，为精准预测提供基础，所述s2、多尺度特征工程与物理特征提取中，所述i/o比动态系数综合考虑通风模式、空气交换率、室外气象条件及花粉粒径形态，准确反映不同条件下室内外花粉浓度的传递关系，解决传统固定i/o比假设导致的系统性偏差，全关模式下通过建筑缝隙渗透率与花粉粒径的函数计算，降雨后基于不同粒径花粉的雨水冲刷效率进行修正，考虑雨水对不同粒径花粉的冲刷效果差异，提高降雨后室内花粉浓度预测的准确性。
16、优选的，所述s3、构建物理和数据双驱动预测模型中，所述物理机理模块采用拉格朗日粒子追踪法模拟花粉颗粒运动轨迹，追踪单个花粉颗粒的完整运动路径，精确模拟颗粒与壁面、气流的相互作用，提高物理模拟精度，考虑壁面碰撞反弹、粘附及人员活动引起的再悬浮，预先建立不同通风条件下的花粉浓度分布数据库以快速调用物理约束项，避免实时cfd模拟的高计算量，实现物理约束项的毫秒级调用，满足实时预测的性能要求；所述时空注意力增强的transformer网络包括输入层、时空编码层、注意力融合层和多任务输出层，通过多头注意力机制自适应分配权重，自动识别不同影响因素的重要性，重点关注对花粉浓度影响较大的突变因素，重点捕捉突变气象和突发活动对浓度的影响。
17、优选的，所述s4、模型训练与验证中，所述物理损失函数包括质量守恒、沉降速率约束和i/o比范围约束损失，分别从总量守恒、颗粒运动规律、浓度传递关系三个维度约束模型输出，确保预测结果符合物理常识，总损失为数据损失与物理损失的加权和，物理损失权重随训练迭代动态调整，训练初期通过较高权重引导模型学习基本物理规律，后期降低权重让模型更好拟合实际数据，平衡物理合理性和数据拟合精度；所述s5、实时预测与动态修正中，所述动态自适应修正子模块采用滑动窗口在线学习，仅使用最近一段时间的监测数据更新参数，既保证模型时效性，又避免历史数据的过度干扰，当预测偏差超过15%—20%时触发参数更新，异常事件修正机制针对降雨、大风和人员密集活动分别调整模型参数。
18、优选的，所述s3、构建物理和数据双驱动预测模型中，所述过敏原与花粉颗粒协同预测分支通过学习花粉破裂率与过敏原释放量的关联及粒径分布特征实现独立预测，直接从花粉物理特征推导致敏风险，无需依赖昂贵且耗时的实验室过敏原检测；所述s6、结果输出与调控建议生成中，门窗开关策略和空气净化器参数基于室外浓度、通风需求和过滤效率综合确定，在保证室内co2浓度等空气质量指标达标前提下，最大限度减少室外花粉进入和室内花粉残留。
19、一种基于机器学习的室内花粉浓度预测系统，采用上述的一种基于机器学习的室内花粉浓度预测方法，包括：
20、多源数据采集模块，用于同步采集室外气象和花粉监测数据，实现多维度环境参数的一体化采集，为系统提供全面准确的输入数据；
21、花粉监测单元配备多粒径分级采样器和过敏原检测装置，可同时检测不同粒径、形态花粉颗粒及对应过敏原浓度，同时获取花粉的物理特征和生物致敏特征，为双维度预测提供数据支撑；
22、数据预处理模块，用于数据清洗、归一化和缺失值补全，消除数据噪声和不一致性，为后续模型训练和预测提供高质量数据；
23、物理以及数据双驱动预测模块，包括物理机理单元和数据驱动单元，物理机理单元基于cfd模拟花粉扩散和沉降与再悬浮过程并输出物理约束项，提供符合物理规律的先验约束，提升模型可解释性，数据驱动单元采用时空注意力增强transformer网络，发挥数据驱动模型在复杂非线性关系拟合上的优势，提高预测精度；
24、模型训练与验证模块，用于历史数据监督训练模型，引入物理损失函数约束输出并优化超参数，通过大规模历史数据训练和严格验证，确保模型在不同场景下的泛化能力；
25、实时预测与动态修正模块，用于输入实时数据输出预测结果，实时处理输入数据并快速输出结果，满足用户对时效性的要求；
26、输出与调控模块，用于生成分级预警和活动建议，将专业预测结果转化为直观易懂的信息和可操作的建议，方便用户使用。
27、优选的，所述多源数据采集模块包括气象监测、建筑通风监测、室内环境监测和花粉监测单元，分别采集对应参数，气象单元获取影响花粉扩散的关键参数，通风单元获取室内外空气交换参数，室内环境单元获取影响花粉再悬浮的参数，形成完整的参数采集体系，其中花粉监测单元配备durham重力采样器、andersen六级分级采样器和elisa检测装置；所述数据预处理模块包括多维度花粉特征提取单元，用于计算重力沉降速率、气流携带系数、i/o比动态系数和再悬浮触发阈值，自动计算与花粉运动相关的关键物理特征，无需人工干预，提高系统自动化程度。
28、优选的，所述物理机理单元内置不同户型和通风条件下的cfd模拟数据库，可快速调用物理约束项，预先模拟常见场景，大幅降低系统计算延迟，满足实时性要求，同时支持自定义户型和通风条件的在线模拟，支持用户上传自定义户型图和参数，生成个性化物理约束，适用于各种特殊建筑结构；所述数据驱动单元的多头注意力机制包括时间、空间和特征注意力头，分别捕捉对应维度的影响因素，时间头捕捉日变化、季节变化等周期性规律，空间头捕捉室内不同位置的浓度差异，特征头自动识别各影响因素的权重。
29、优选的，所述实时预测与动态修正模块包括异常事件检测子模块，可识别降雨、大风和人员密集进出的异常事件并触发对应修正策略，通过数据突变特征自动识别异常，无需人工干预，及时触发修正机制；所述过敏原与花粉颗粒协同预测分支内置不同花粉类型的过敏原释放模型，根据破裂花粉比例和粒径分布计算游离与结合态过敏原浓度，区分不同状态过敏原的致敏能力，更准确地反映实际过敏风险。
30、优选的，所述输出与调控模块包括闭环通风调控反馈单元，可与智能通风系统和空气净化器通信实现主动控制，形成预测、调控、监测和再预测的闭环，自动调整设备运行参数，无需人工操作，进一步提高控制效果和便利性。
31、与现有技术相比，本发明提供了一种基于机器学习的室内花粉浓度预测方法及系统，具备以下有益效果：
32、该基于机器学习的室内花粉浓度预测方法及系统，采用物理与数据双驱动的预测架构，结合物理损失函数的约束机制，使模型输出既符合客观物理规律，又能适应复杂多变的室内环境，解决了纯数据驱动模型在极端工况下泛化能力不足以及纯物理模型计算复杂度高的问题。通过设置过敏原与花粉颗粒协同预测分支，能够直接反映实际致敏风险，避免了仅通过颗粒浓度间接推断过敏危害的局限性。引入动态自适应修正与异常事件修正机制，使模型能够持续适应不同建筑和季节的环境变化，无需针对特定场景重新训练，降低了系统的部署和维护成本。多源异构数据的时间严格对齐与物理特征提取，为模型提供了准确的先验约束，提升了预测结果的可解释性和可靠性。