一种气溶胶浓度预测方法与流程

1.本发明涉及气溶胶领域，尤其涉及一种气溶胶浓度预测方法。


背景技术：

2.气溶胶传播日益受到人们的重视。随着气温的变化，季节性效应 可能会推动冬季更大的爆发。
3.针对相关问题的研究，都是采用机器学习，深度学习的方法。深 度学习的模型相对统一，目前现有技术中更多比较分散，例如使用数 据，再搭建深度学习模型跑数据，计算结果，及做简单优化，但是没 有后续持续优化过程，保持一段时间后，随着环境的改变，可能一开 始搭建的模型参数便不再准确了。


技术实现要素：

4.鉴于上述问题，提出了本发明以便提供克服上述问题或者至少部 分地解决上述问题的一种气溶胶浓度预测方法。
5.根据本发明的一个方面，提供了一种气溶胶浓度预测方法，所述 预测方法包括：
6.获取多个监测点的气溶胶浓度；
7.预处理多个监测点的气溶胶浓度，获得所述多个监测点的气溶胶 浓度的时间序列；
8.根据所述时间序列构建组合深度学习网络，获得初始气溶胶浓度 预测模型；
9.根据实时监测的气溶胶浓度优化所述初始气溶胶浓度预测模型， 获得优化气溶胶浓度预测模型；
10.根据所述优化气溶胶浓度预测模型预测气溶胶的浓度。
11.可选的，所述组合深度学习网络具体包括：多个时间embedding 提取模块、多个卷积长短期记忆网络、图卷积神经网络和输出网络；
12.所述时间embedding提取模块和所述卷积长短期记忆网络的数 量与所述监测点的数量相同，用于提取所述气溶胶浓度的时间序列的 时间embedding；
13.所述卷积长短期记忆网络用于将历史时间段的气溶胶浓度信息 和下一时刻的信息进行关联，提取气溶胶浓度之间的时间相关性特征；
14.所述图卷积神经网络用于接收多个所述卷积长短期记忆网络输 出的时间相关性特征，在图结构上实现卷积操作，提取建筑内的不同 监测点之间的空间相关性特征；
15.所述输出网络用于输出预测结果。
16.可选的，所述根据所述时间序列构建组合深度学习网络，获得初 始气溶胶浓度预测模型具体包括：
17.根据气溶胶浓度的时间序列训练所述组合深度学习网络，并采用 贝叶斯优化方式调整所述组合深度学习网络中的超参数，获得训练好 的气溶胶浓度预测模型；
18.获取多个监测点的待测气溶胶浓度，并进行预处理得到气溶胶浓 度的时间序列；
19.将所述待测气溶胶浓度的时间序列输入到所述气溶胶浓度预测 模型中，获得目标点气溶胶浓度预测值。
20.可选的，所述预测方法还包括：搭建深度学习训练模型，具体包 括：
21.将多个监测点的气溶胶浓度的时间序列分为训练样本和测试样 本，将每个监测点的气溶胶浓度的时间序列作为1路输入；
22.将训练样本一一对应输入到多个所述时间embedding提取模块 中，得到多个监测点的所述气溶胶浓度的时间序列的时间embedding；
23.将多个时间embedding一一对应输入到多个所述卷积长短期记 忆网络中，获得多个气溶胶浓度之间的时间相关性特征；
24.将多个时间相关性特征输入到所述图卷积神经网络中，得到建筑 内的不同监测点之间的空间相关性特征；
25.将所述空间相关性特征输入到所述输出层得到气溶胶浓度预测 值，迭代训练结束后，获得预估气溶胶浓度预测模型；
26.利用测试样本测试所述预估气溶胶浓度预测模型，并采用贝叶斯 优化方式对所述组合深度学习网络中的超参数进行调整，获得训练气 溶胶浓度预测模型。
27.可选的，所述根据实时监测的气溶胶浓度优化所述初始气溶胶浓 度预测模型，获得优化气溶胶浓度预测模型具体包括：
28.将观测值分为训练集和测试集，并利用最小最大规格化对所述训 练集和所述测试集进行缩放；
29.将所述观测值和所述预测值利用时间序列转换为输入和输出的 顺序对；
30.将所述输入和输出的顺序对划分为比例为4比1的训练集和测试 集；用最小最大规格化算法将所述训练集和测试集缩放为0-1之间的 映射值，处理后的值等于处理前的值除以最大值减最小值的差；
31.利用第一xgboost网络对所述经缩放处理后的训练集和测试集 进行特征提取，并根据提取后的特征值利用级联卷积长短期记忆网络 进行不同时间尺度下的气溶胶浓度预测，得到第一预测值，所述第一 预测值为调整后的预测值；
32.将相关数据作为第二xgboost网络的输入，并根据经第二 xgboost网络筛选后输出的数据和所述第一预测值，利用深度神经网 络进行训练，得到误差值；
33.第二xgboost网络，用于筛选输入的相关数据，以去除干扰特征， 并将筛选后的气溶胶数据输入至深度神经网络中；
34.所述深度神经网络包括依次连接的正则化函数、第一全连接层、 第二全连接层、第三全连接层、第四全连接层和第五全连接层；
35.将所述调整后的预测值和误差值进行求和计算，获得求和计算结 果；
36.根据所述求和计算结果优化基于深度学习的气溶胶预测模型。
37.可选的，所述利用第一xgboost网络对所述经缩放处理后的训练 集和测试集进行特征提取，并根据提取后的特征值利用级联卷积长短 期记忆网络进行不同时间尺度下的气溶胶浓度预测，得到第一预测值， 具体包括：
38.利用第一xgboost网络对所述经缩放处理后的训练集和测试集 进行特征提取，并将阈值低于10的特征值从训练集和测试集中去除；
39.利用级联卷积长短期记忆网络对清理后的训练集和测试集进行 训练，得到第一预测值，所述第一预测值为调整后的预测值；
40.级联卷积长短期记忆网络包括依次连接的两层卷积长短期记忆 网络，第一层卷积长短期记忆网络，用于对xgboost网络提取的特征 值进行不同时间尺度下的气溶胶浓度预测，并将预测结果传输至第二 层卷积长短期记忆网络；
41.所述第二层卷积长短期记忆网络，用于结合所述第一层卷积长短 期记忆网络的预测结果获得调整后的预测值。
42.本发明提供的一种气溶胶浓度预测方法，所述预测方法包括：获 取多个监测点的气溶胶浓度；预处理多个监测点的气溶胶浓度，获得 所述多个监测点的气溶胶浓度的时间序列；根据所述时间序列构建组 合深度学习网络，获得初始气溶胶浓度预测模型；根据实时监测的气 溶胶浓度优化所述初始气溶胶浓度预测模型，获得优化气溶胶浓度预 测模型；根据所述优化气溶胶浓度预测模型预测气溶胶的浓度。通过 反馈机制的不断修正，能够有效准确地预测室内气溶胶的浓度。
43.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发 明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明 的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的 具体实施方式。
附图说明
44.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描 述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附 图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不 付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
45.图1为本发明实施例提供的一种气溶胶浓度预测方法的流程图。
具体实施方式
46.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图 中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实 现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例 是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传 达给本领域的技术人员。
47.本发明的说明书实施例和权利要求书及附图中的术语“包括”和
ꢀ“
具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包 含了一系列步骤或单元。
48.下面结合附图和实施例，对本发明的技术方案做进一步的详细描 述。
49.如图1所示，一种气溶胶浓度预测方法，预测方法包括：
50.步骤100：获取多个监测点的气溶胶浓度；
51.步骤200：预处理多个监测点的气溶胶浓度，获得多个监测点的 气溶胶浓度的时间序列；
52.步骤300：根据时间序列构建组合深度学习网络，获得初始气溶 胶浓度预测模型；
53.步骤400：根据实时监测的气溶胶浓度优化所述初始气溶胶浓度 预测模型，获得优化气溶胶浓度预测模型；
54.步骤500：根据优化气溶胶浓度预测模型预测气溶胶的浓度。
55.模型初步搭建阶段
56.获取多个监测点的气溶胶浓度，并进行预处理得到多个监测点的 气溶胶浓度的时间序列；构建组合深度学习网络。
57.各组成部分介绍：组合深度学习网络包括多个时间embedding提 取模块、多个卷积长短期记忆网络、1个图卷积神经网络以及1个输 出网络。
58.时间embedding提取模块和卷积长短期记忆网络的数量与气溶 胶监测点的数量相同，用于提取所述气溶胶浓度的时间序列的时间 embedding。
59.卷积长短期记忆网络用于将历史时间段的气溶胶浓度信息和下 一时刻的信息进行关联，提取气溶胶浓度之间的时间相关性特征；图 卷积神经网络用于接收多个卷积长短期记忆网络输出的时间相关性 特征，在图结构上实现卷积操作，提取建筑内的不同监测点之间的空 间相关性特征；输出网络用于输出预测结果。
60.处理预测流程：
61.根据气溶胶浓度的时间序列对所述组合深度学习网络进行训练， 并采用贝叶斯优化方式对所述组合深度学习网络中的超参数进行调 整，得到训练好的气溶胶浓度预测模型。
62.获取多个监测点的待测气溶胶浓度，并进行预处理得到气溶胶浓 度的时间序列，预处理的方法包括利用插值法补全空缺值，处理掉明 显异常值。
63.将所述待测气溶胶浓度的时间序列输入到气溶胶浓度预测模型 中，得到目标点气溶胶浓度预测值。
64.深度学习训练模型搭建包括：
65.将多个监测点的气溶胶浓度的时间序列分为训练样本和测试样 本，将每个监测点的气溶胶浓度的时间序列作为1路输入。
66.将训练样本一一对应输入到多个所述时间embedding提取模块 中，得到多个监测点的气溶胶浓度的时间序列的时间embedding，在 气溶胶浓度的时间序列的时间embedding提取时采用time2vec方式 进行。
67.将多个时间embedding一一对应输入到多个卷积长短期记忆网 络中，得到多个气溶胶浓度之间的时间相关性特征。
68.将多个时间相关性特征输入到图卷积神经网络中，得到建筑内的 不同监测点之间的空间相关性特征。
69.将空间相关性特征输入到输出层得到气溶胶浓度预测值，迭代训 练结束后，得到预估的气溶胶浓度预测模型。
70.利用测试样本对预估的气溶胶浓度预测模型进行测试，并采用贝 叶斯优化方式对组合深度学习网络中的超参数进行调整，得到训练好 的气溶胶浓度预测模型。
71.模型参数优化阶段包括：
72.使用上述方案获得初步气溶胶浓度预测模型，在后续随着数据量 不断累积，使用深度学习方案对参数不断进行优化。
73.处理数据，将观测值分为训练集和测试集，并利用最小最大规格 化对训练集和测试集进行缩放；具体细节为：
74.获取气溶胶浓度检测站点过去48小时至24小时的观测值，以及 过去72小时、48小时和24小时气溶胶浓度预测模型的预测值。获 取气溶胶浓度检测站点过去48小时至24小时的观测值，以及过去 72小时、48小时和24小时气溶胶浓度预测模型的预测值。
75.将获取的观测值和预测值利用时间序列转换为输入和输出的顺 序对，将输入和输出的顺序对划分为比例为4比1的训练集和测试集， 用最小最大规格化算法将训练集和测试集缩放为0-1之间的映射值， 处理时，处理后的值等于处理前的值除以最大值减最小值的差。
76.利用第一xgboost网络对经缩放处理后的训练集和测试集进行 特征提取，并根据提取后的特征值利用级联c-lstm网络进行不同 时间尺度下的气溶胶浓度预测，得到调整后的预测值，具体细节为： 1)利用第一xgboost网络对经缩放处理后的训练集和测试集进行特 征提取，并将阈值低于10的特征值从训练集和测试集中去除；2)利 用级联c-lstm网络对清理后的训练集和测试集进行训练，得到调 整后的预测值。级联c-lstm网络包括依次连接的两层lstm网络， 第一层lstm网络，用于对xgboost网络提取的特征值进行不同时 间尺度下的气溶胶浓度预测，并将预测结果传输至第二层lstm网 络；第二层lstm网络，用于结合第一层lstm网络的预测结果得到 调整后的预测值。
77.将相关数据作为第二xgboost网络的输入，并根据经第二 xgboost网络筛选后输出的数据以及调整后的预测值，利用深度神经 网络进行训练，得到误差值，相关数据包括：温度、风速、风口位置， 人员姿势。风口位置具体包括顶送顶回、同侧上送下回、异侧上送下 回、异侧下送上回，。其中温度，风速、人员姿势使用仪器直接测定， 风口位置按建筑物的不同进行调整。
78.第二xgboost网络，用于筛选输入的相关数据，以去除干扰特 征，并将筛选后的相关气象数据输入至深度神经网络中。深度神经网 络包括依次连接的正则化函数、第一全连接层、第二全连接层、第三 全连接层、第四全连接层以及第五全连接层。
79.第一全连接层中神经元的个数为16个；第二全层中神经元的个 数为32个；第三层为64个；第四层为32个；第五层为16个。
80.将调整后的预测值以及误差值进行求和计算，并根据计算结果完 成基于深度学习的气溶胶预测的优化。
81.气溶胶浓度的防控与控制过程如下：
82.根据持续性反馈机制预测的气溶胶浓度，进行气溶胶浓度的防控 和控制：基于已有的系统进行如下调控，无需进行繁琐的改造也可实 现气溶胶浓度的有效控制。
83.应在避免回风混入其他房间的前提下，全开新风阀和排风阀，采 用最大新风量运行。
84.避免回风混入其他房间的措施：对于全空气系统，1)空调机为 单风机，应全关回风阀门，使空调机无渗漏；2)空调机为送风 回风 两个风机时，回风送往新风的通道阀门全关，使空调机无渗漏。
85.对于风机盘管 新风系统，1)多房间共用同一盘管，关闭风机盘 管，保持新风；2)多房间通过吊顶或走廊统一回风，关闭风机盘管， 保持新风。当因关闭回风导致室内供热量/冷量不足时，可适当调高/ 降低热泵/冷机的供水温度，以改善室内舒适度。
86.当系统无法避免回风混入其他房间时，应关闭中央空调，按照如 下通风方案确保
空气流通：1)建筑外窗可开启时，打开外窗的同时 单独开启排风系统；2)建筑外窗不可开启时，开机楼梯间加压送风 系统并单独开启排风系统。
87.空调滤网按防疫指导要求，根据所在地疫情变化决定采用预防性 消毒或疫源地消毒。建议适当采用紫外线或臭氧等消毒方式，对已污 染空间进行消毒处理，以保障空间人员的安全。
88.有益效果：能够预测某一实际建筑物在固定情况下气溶胶浓度， 从而进一步采取方案，如通风，消毒等对气溶胶浓度过高时处理。也 能够在发现污染源后，对实际扩散情况进行进一步评估及参照。
89.以上的具体实施方式，对本发明的目的、技术方案和有益效果进 行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方 式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则 之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保 护范围之内。