室内空气质量的预测方法及室内空气质量检测系统与流程

1.本发明涉及气体检测领域，更具体来说，涉及一种基于实际测量到的室内空气质量的检测值对今后一段时间内的室内空气质量进行预测的室内空气质量的预测方法及使用该预测方法的室内空气质量检测系统。


背景技术：

2.目前对室内空气质量的检测(或是质量评价)都是通过对室内空气中的各成分的浓度进行检测，并且基于检测出的检测值(浓度值)和预先设定的阈值，来控制设置于室内的空气净化设备(空调器、空气净化器等)的动作，以将室内空气中的各成分的浓度控制到适宜范围。
3.但是，众所周知，因传感器的特性及气体的扩散特性等，若要检测出准确的浓度，则需要花费一定的时间，明显存在滞后性。以二氧化碳为例，若室内空气中的二氧化碳的浓度已经超过预设阈值后再开启排气扇或是启动空调器的排气模式，则不仅在检测到二氧化碳的浓度超过预设阈值时，在室内的人们已经处于二氧化碳超标的环境中，而且从排气扇的开启或排气模式的启动到二氧化碳降低至适宜范围本身就需要一定的时间，这段时间内人们会持续处于这种环境中，而使人们感到不适。
4.因此，以往提出了多种提前对室内空气浓度进行预测的方法。
5.例如在专利文献1(jp2003-090819)中，提出了一种物质浓度的定量方法、物质浓度检测装置以及记录介质，其中，使用气体传感器元件1中的传感器输出y(t)的时间微分值a(t)(即，传感器的输出值随着时间的变化量)和a(t)的时间微分值b(t)(即，上述变化量随着时间的变化量)，来预测今后一段时间的传感器输出，以对特定气体浓度进行检测。
6.另外，例如在专利文献2(jp3830846)中，提出一种气体传感器启动时的气体浓度预测方法以及气体检测方法，其中，在所述气体传感器的输出稳定之前的规定期间，基于启动气体传感器之后的规定时间后的该气体传感器的输出值的变化速度(即，传感器输出的时间微分值)，来预测被检测气体的气体浓度。
7.无论是专利文献1，还是专利文献2，均是根据一个一个实际数据的变化，利用传感器输出的时间微分值，拟合出数据变化的趋势线来预测(或是计算)出今后一段时间的传感器输出。
8.但是，这不可避免地导致其中的计算量大，并且每一次的检测都需要这么大量的计算，而会给设置于检测设备内的运算器带来很大的负担。
9.而如今，随着利用神经网络的ai技术和图像识别技术的不断发展，对室内空气浓度进行预测的方法也在不断地改进和优化。
10.例如在专利文献3(cn109442695)中，提出了一种基于室内人数的空调及新风系统预测性控制方法及系统，其中，包括如下步骤：采集当前室内图像和当前室内二氧化碳浓度数据；根据所述当前室内图像和/或所述当前室内二氧化碳浓度数据识别当前室内人数；根据所述当前室内二氧化碳浓度数据和所述当前室内人数预测第一预设时长后的温度变化
量和二氧化碳浓度变化量；以及根据所述温度变化量和所述二氧化碳变化量调节空调和/或新风系统。
11.另外，又例如在专利文献4(cn109812938a)中，提出了一种基于神经网络的空气净化方法及系统，其中，包括如下步骤：数据实时采集步骤，通过数据采集节点实时采集室内的空气质量和人数数据；数据预先分析步骤，将采集的室内空气质量数据导入空气质量预先分析模型，对模型进一步进行学习训练，并结合室内人数数据变化情况和当前室内空气质量数据对室内空气质量数据的变化趋势进行分析；预先净化步骤，根据空气质量预先分析模型的数据分析结果对室内的空气质量进行预先净化。
12.无论是专利文献3，还是专利文献4，均需要通过室内图像采集人数数据或是准确地识别室内人数，并且在考虑该室内人数的基础上，来预测或分析室内空气中单个检测对象的检测值变化趋势。
13.但是，一方面准确地识别室内人数的图像传感器或是识别方式必然会导致检测设备成本的大幅增加，另一方面，室内空气的浓度变化与室内人数并非是唯一的趋同对应关系，还会受到其他环境因素的影响，例如每个人的co2排出量不同、室内空间的面积大小、室内是否有绿植、是否已开窗/开门等，这时存在室内人数多时的室内空气中单个检测对象(例如co2浓度)的检测值反而小于室内人数少时的室内空气中单个检测对象(例如co2浓度)的检测值的情况。这时，若像专利文献3、专利文献4这样将室内人数(单个因素)用作对室内空气的检测值变化趋势进行修正的依据，则反而会使检测值变化趋势的预测或分析变得不准确。
14.因此，如何在不考虑具体单个因素(例如室内人数)作为修正检测值变化趋势的依据的情况下，提前并且准确地预测今后一段时间的趋势值，便成为亟待解决的技术问题。


技术实现要素：

15.本发明为解决上述技术问题而作，其目的在于提供一种室内空气质量的预测方法及使用该预测方法的室内空气质量检测系统，能够不考虑具体单个变量作为修正检测值变化趋势的依据，通过选择合适的历史时序变化模型，来提前并且准确地预测今后一段时间的趋势值。
16.为了解决上述技术问题，本发明的第一方面提供一种室内空气质量的预测方法，其特征是，在将包含检测区域(s)的检测场所或者其他检测场所在内的大量历史时序实测结果作为历史时序学习值而学习得到的许多个历史时序变化模型中，选取与在一个规定时间段通过设置于所述检测区域的传感器单元连续检测到的检测对象的多个时序检测值的集合之间满足预设条件的历史时序变化模型，并且根据所选取的所述历史时序变化模型，来推断得出今后一段时间的预测值。
17.根据本发明的第一方面的预测方法，通过前期收集大量的历史数据、选择合适的学习算法以及设定尽可能多的归纳偏好，将这些历史数据作为训练样本或训练样例进行学习，从而生成许多个历史时序变化模型，并且，基于在特定检测区域检测到的多个检测值来选择与上述多个检测值相匹配的历史时序变化模型，基于所选取的历史时序变化模型来推断出该特定检测区域的今后一段时间的预测值。由此，在不检测或者不知道检测区域内的人数的情况下，仅通过获取室内空气中的检测对象的一小部分检测值，就能够预测该特定
检测区域内的检测对象在今后一段时间内的变化趋势(变化值)。
18.此外，由于无需采用价格高昂的图像传感器或是复杂的识别方式，因此，能够降低室内空气质量检测系统的设备成本。
19.本发明的第二方面的室内空气质量的预测方法是在本发明的第一方面的室内空气质量的预测方法的基础上，其特征是，当存在多个满足所述预设条件的历史时序变化模型时，选取与所述集合之间的匹配程度最高的那一个历史时序变化模型。
20.根据本发明的第二方面的预测方法，通过从多个符合预设条件的历史时序变化模型中选取与其当前的时序检测值之间的匹配度最高的的那一个历史时序变化模型，能够尽可能地提高预测精度。
21.本发明的第三方面的室内空气质量的预测方法是在本发明的第一方面的室内空气质量的预测方法的基础上，其特征是，当不存在满足所述预设条件的历史时序变化模型时，重新选取起始时刻以及/或者长度不同于所述一个规定时间段的下一个规定时间段的多个时序检测值的新集合，继续对是否存在与所述新集合之间满足所述预设条件的历史时序变化模型进行判断，直至找到满足所述预设条件的历史时序变化模型。
22.根据本发明的第三方面的预测方法，通过重新选取新的时序检测值集合，能够找到合适的历史时序变化模型，避免由于局部数据的稀有性而导致无法预测这一情况。
23.本发明的第四方面的室内空气质量的预测方法是在本发明的第三方面的室内空气质量的预测方法的基础上，其特征是，直至找到满足所述预设条件的历史时序变化模型的时刻，对由该时刻以及该时刻之前的全部所述时序检测值进行学习，从而生成为新历史时序变化模型。
24.根据本发明的第四方面的预测方法，能够有效地利用已检测到的检测对象的检测值，增加数据库的模型数量。并且，在减轻系统下次启动时的计算量。
25.本发明的第五方面的室内空气质量的预测方法是在本发明的第四方面的室内空气质量的预测方法的基础上，其特征是，在所述时刻之后的检测过程中，持续将检测到的新时序检测值输入所述新历史时序变化模型，以对所述新历史时序变化模型进行更新。
26.根据本发明的第五方面的预测方法，能够不断提高所述新历史时序变化模型对新数据样本的适应能力(泛化能力)。
27.本发明的第六方面的室内空气质量的预测方法是在本发明的第一方面的室内空气质量的预测方法的基础上，其特征是，在所述预测值超过预设阈值的情况下，使用预先确定的方法通知上述情况的发生可能性，或是通知采取相应的手段，抑或是自动控制采取相应的手段。
28.根据本发明的第六方面的预测方法，通过将预测值与预设阈值进行判断，从而能在检测区域内的实际检测值超过预设阈值(即，检测区域的人员处于不安全的空气环境)之前，预先进行通知(通知上述情况的发生可能性或是通知采取相应的手段)，或是预先自动控制采取相应的手段，因此，能确保安全的环境。另外，由于能够提前通过是否存在超过预设阈值的可能性，从而给应急处置预留了时间。
29.本发明的第七方面的室内空气质量的预测方法是在本发明的第六方面的室内空气质量的预测方法的基础上，其特征是，所述预先确定的方法包括：通过蜂鸣器、警报器、图像显示设备、指示灯发出通知；和/或经由遥控器、手机、pc端接收信号并发出通知。
30.本发明的第八方面的室内空气质量的预测方法是在本发明的第六方面的室内空气质量的预测方法的基础上，其特征是，所述相应的手段包括：提示自行打开门、窗；和/或提示控制所述检测区域内的人数；和/或提示离开所述检测区域；和/或提示手动开启空气处理设备或强制自动开启空气处理设备。
31.根据本发明的第七方面和第八方面的预测方法，能通过一种或多种预先确定的方法进行通知，从而能够更有效率地引起相关人员(检测区域内的人员或是监控中心的人员等)的注意。另外，除了单纯通知上述情况(检测区域的人员处于不安全的空气环境)的发生可能性之外，还能通过具体指示相关人员采取相应的动作，从而能更有效地避免上述情况的实际发生。除此之外，也可以通过强制自动开启空气处理设备，来预防上述情况的实际发生。
32.本发明的第九方面的室内空气质量的预测方法是在本发明的第六方面的室内空气质量的预测方法的基础上，其特征是，在预测到一段时间后的预测值将低于预设阈值的情况下，向相关人员或相关设备通知上述情况的发生可能性，或是通知相关人员或相关设备降低空气处理设备的运转负载或者停止所述空气处理设备的运转。
33.根据本发明的第九方面的预测方法，能够在预测到预测值将低于预设阈值的情况下及时降低空气处理设备的运转负载或者停止该空气处理设备的运转，从而避免不必要的电力浪费。
34.本发明的第十方面的室内空气质量的预测方法是在本发明的第六方面的室内空气质量的预测方法的基础上，其特征是，在首次通知开始的规定时间后，预测值仍超过所述预设阈值，强制启动空气处理设备或是对所述空气处理设备的性能进行强制调节。
35.根据本发明的第十方面的预测方法，由于在首次通知开始的规定时间后，预测值仍超过所述预设阈值，强制启动所述空气处理设备或是对所述空气处理设备的性能进行强制，因此，能够在通知所采取的相应的手段不奏效时，强制自动介入，从而能更可靠地防止上述情况的实际发生。
36.本发明的第十一方面的室内空气质量的预测方法是在本发明的第一方面的室内空气质量的预测方法的基础上，其特征是，在所选取的所述历史时序变化模型中，使用紧随着与所述一个规定时间段的多个时序检测值相对应的多个历史时序学习值之后的一个历史时序学习值，作为下一单位时间的预测值，对所述下一单位时间的预测值与通过所述传感器单元检测到的下一单位时间的检测值之间的误差进行计算，当所述误差小于等于容许值时，继续使用所选取的所述历史时序变化模型进行后续预测。
37.本发明的第十二方面的室内空气质量的预测方法是在本发明的第十方面的室内空气质量的预测方法的基础上，其特征是，当所述误差大于容许值时，重新选择历史时序变化模型。
38.根据本发明的第十一方面和第十二方面的预测方法，通过将预测值与下一单位时间的检测值进行比较，能够评估模型的预测精度。并且，通过计算预测值与下一单位时间的检测值之间的误差，能够根据该误差的大小确定是继续使用目前的模型，还是重新选取精度更佳的模型。由此，能够提高预测精度。与实时重新选择匹配的模型的方式相比，简化计算量。
39.本发明的第十三方面的室内空气质量的预测方法是在本发明的第一方面或第十
一方面的室内空气质量的预测方法的基础上，其特征是，在所选取的所述历史时序变化模型中，使用紧随着与所述一个规定时间段的多个时序检测值相对应的多个历史时序学习值之后的多个历史时序学习值，作为下一个规定时间段的预测值，对在下一个规定时间段通过所述传感器单元连续检测到的多个时序检测值的集合与所述下一个规定时间段的预测值的集合之间的数据集误差是否在容许误差范围内进行判断，当时所述数据集误差在所述容许范围内时，继续使用所选取的所述历史时序变化模型进行后续预测。
40.本发明的第十四方面的室内空气质量的预测方法是在本发明的第十三方面的室内空气质量的预测方法的基础上，其特征是，基于由所述下一个规定时间段的多个时序检测值构成的集合，或者，基于由所述一个规定时间段的多个时序检测值以及所述下一个规定时间段的多个时序检测值构成的集合，对所选取的所述历史时序变化模型进行修正而单独生成修正后模型，并且采用所述修正后模型进行后续预测。
41.本发明的第十五方面的室内空气质量的预测方法是在本发明的第十三方面的室内空气质量的预测方法的基础上，其特征是，当所述数据集误差在所述容许范围外时，重新选择历史时序变化模型。
42.根据本发明的第十三方面至第十五方面的预测方法，与仅采用将一个检测值与一个预测值进行比较的方式相比，能够从整体变化趋势的角度来评估所选取的历史时序变化模型的预测精度，避免由于个别奇点而导致不必要的模型更换这一情况。
43.本发明的第十六方面的室内空气质量的预测方法是在本发明的第一方面至第十二方面中的任一方面的室内空气质量的预测方法的基础上，其特征是，所述检测对象是二氧化碳、二氧化碳之外的其他气体成分、颗粒物、温度、湿度中的任意一种或多种。。
44.根据本发明的第十六方面的预测方法，能理想地适用于二氧化碳的预测，但也可以适用于其他检测对象的预测。
45.另一方面，本发明提供一种室内空气质量检测系统，其特征是，包括：至少一个检测端，每一个所述检测端具有设置于检测区域的一个或多个传感器单元；数据接收模块，所述数据接收模块接收在一个规定时间段通过所述传感器单元连续检测到的检测对象的多个时序检测值；数据分析模块，所述数据分析模块将包含所述检测区域的检测场所或者其他检测场所在内的大量历史实测结果作为历史时序学习值进行学习而生成许多个历史时序变化模型；选取预测模块，所述选取预测模块从许多个所述历史时序变化模型中选取与由多个所述时序检测值构成的集合之间满足预设条件的历史时序变化模型，来推断得出今后一段时间的预测值。
46.根据本发明的室内空气质量检测系统，能够利用检测端所具有的传感器单元检测到的当前时间的多个时序检测值(一个单位时间内的多个时刻的检测值)，来预测所述检测区域的室内空气中的检测对象在今后一段时间的预测值，从而能够提前预判今后一段时间的室内空气质量。
47.在本发明的上述室内空气质量检测系统的基础上，其特征是，包括通知模块，所述通知模块用于在所述预测值超过预设阈值或低于所述预设阈值的情况下向通知单元发出通知指令。
48.根据本发明的上述室内空气质量检测系统，能够通过通知单元引起相关人员(检测区域内的人员或是监控中心的人员等)的注意。另外，通知的内容除了是上述情况(即，检
测区域的人员处于不安全的空气环境)的发生可能性之外，也可以是具体指示相关人员采取相应的动作，从而能更有效地避免上述情况的实际发生。
49.在本发明的上述室内空气质量检测系统的基础上，其特征是，包括控制单元，当所述预测值超过预设阈值时，所述控制单元启动空气处理设备或是调节空气处理设备的性能，或者，当自所述预测值超过预设阈值起经过了一段时间时，所述控制单元强制启动空气处理设备或是强制调节空气处理设备的性能。此外，在预测到一段时间后的预测值将低于预设阈值的情况下，所述控制单元降低空气处理设备的运转负载或者停止所述空气处理设备的运转。
50.根据本发明的上述室内空气质量检测系统，能够通过控制单元，自动开启空气处理设备，由此预防上述情况的实际发生。并且，在进行上述处理后，当预测到一段时间后的预测值将低于预设阈值时，通过降低空气处理设备的运转负载或者停止空气处理设备的运转，能够避免不必要的电力浪费。
51.在本发明的上述室内空气质量检测系统的基础上，其特征是，所述控制单元是智能网关。
52.在本发明的上述室内空气质量检测系统的基础上，其特征是，所述控制单元安装于设置在所述检测区域以外的监控中心。
附图说明
53.图1是表示本发明的室内空气质量检测系统的系统构架图的第一例的示意图。
54.图2是表示本发明的室内空气质量检测系统的系统构架图的第二例的示意图。
55.图3是表示本发明的室内空气质量检测系统的系统构架图的第三例的示意图。
56.图4是表示本发明的室内空气质量检测系统的系统构架图的第四例的示意图。
57.图5是对本发明的室内空气质量预测方法的第一实施方式进行说明的流程图。
58.图6是对本发明的室内空气质量预测方法的第一实施方式的变形例1进行说明的流程图。
59.图7是对本发明的室内空气质量预测方法的第一实施方式的变形例2进行说明的流程图。
60.图8是对本发明的室内空气质量预测方法的第一实施方式的变形例3进行说明的流程图。
61.图9是对本发明的室内空气质量预测方法的第二实施方式进行说明的流程图。
62.图10是对本发明的室内空气质量预测方法的第二实施方式的变形例1进行说明的流程图。
63.图11是对本发明的室内空气质量预测方法的第二实施方式的变形例2进行说明的流程图。
64.图12是对本发明的室内空气质量预测方法的第三实施方式进行说明的流程图。
65.图13是对本发明的室内空气质量预测方法的第三实施方式的变形例1进行说明的流程图。
66.图14是对本发明的室内空气质量预测方法的第三实施方式的变形例2进行说明的流程图。
67.图15是对本发明的室内空气质量预测方法的第三实施方式的变形例3进行说明的流程图。
68.图16是表示在同一检测区域的不同人数情况下的co2浓度的时序变化曲线图。
具体实施方式
下面，参照图1至图4，对本发明的室内空气质量检测系统100、100a、100b以及100c进行说明。需要说明的是，在针对这些室内空气质量检测系统的下述描述中，针对相同或相似的构成要素，标注相同或相似的符号，并适当省略说明。此外，本发明的室内空气质量检测系统并不限于这些情况，可以根据实际系统需求进行适当改变。(室内空气质量检测系统100)
69.首先，参照图1，对本发明的室内空气质量检测系统100的系统整体进行说明。
70.如图1所示，本发明的室内空气质量检测系统100具有数据接收模块120、数据分析模块130、选取预测模块140、路由设备150、智能网关160、通知模块170以及至少一个检测端110。接着，将对上述室内空气质量检测系统100的各构成要素进行详细说明。
71.上述检测端110是例如设置于办公区域或会议室等检测区域s的模组，其中包括对用于对一个或多个检测区域s内的室内空气质量进行检测的一个或多个传感器单元111。更具体地，在每一个所述传感器单元111中具有对室内空气中的一个或多个检测对象进行检测的一个或多个传感器元件(未图示)。由此，每一个检测端110通过该一个或多个传感器单元111(以及其中的一个或多个传感器元件)获取一个或多个检测区域s的室内空气的(一个或多个)检测对象的检测值。
72.更具体来说，每一个传感器单元111(每一个传感器元件)所能检测的检测对象可以是例如二氧化碳、挥发性有机物、氮氧化物、硫氧化物、臭氧、一氧化碳、甲醛等气体成分中的一个或多个，或是例如pm2.5、pm10等颗粒物含量中的一个或多个，抑或是温度、湿度等物理参数中的一个或多个。
73.关于检测值的发送，检测端110具有多种处理方式。例如，当检测端110检测到一个或多个检测对象的一个检测值(即，在检测对象为一个的情况下，表示该检测对象在某一时刻的检测值，在检测对象为多个的情况下，表示同一时刻的多个检测对象各自的检测值)时，检测端110直接对该检测值(以及设备id)进行发送(具体而言，通过后述路由设备150并经由英特网发送至后述数据接收模块120)，但不限于此。例如，检测端110也可具有临时缓存功能，在该检测端110累积检测到一个或多个检测对象的特定个数的检测值(例如，特定个数为10个)后，该检测端110同时发送上述特定个数的检测值(以及设备id)。
74.在本例中，由每一检测端110(传感器单元111)检测到的各检测对象的一个或多个检测值通过路由设备150传递至后述的数据接收模块120。不过，关于检测值的传输方式，并不限于此。根据系统的实际架构情况和性能，也可不设置路由设备150，也就是说，例如在后述智能网关160具有2g、nb-iot等通信模块的情况下，智能网关160能够直接接收这些检测值，然后，通过该智能网关160将这些检测值发送至后述的数据接收模块120。不过，在本例中，将在设置有路由设备150的基础上进行进一步说明。
75.数据接收模块120通过英特网与上述路由设备150连接，接收从上述路由设备150经由英特网传输而来的上述各检测对象的一个或多个检测值，随后，将接收到的一个或多
个检测值分别发送至后述数据分析模块130和选取预测模块140以进行后续的模型匹配、选取以及预测工作。在本室内空气质量检测系统100中，数据存取模块120例如是一个独立的云模块。此外，在本室内空气质量检测系统100中，数据接收模块120在接收到通过后述选取预测模块140推断出的一个或多个检测对象的今后某一特定时刻或某一特定时间段的多个预测值(预测数据)后，判断该特定时刻的预测值或该特定时间段的多个预测值中的任一预测值是否超过预设阈值或者低于预设阈值，并且，在预测值超过预设阈值或者低于预设阈值的情况下，将该情况发送给后述通知模块170。关于预测值、预设阈值以及通知模块170，将在后文中进行详细说明。数据接收模块120还可以具有历史数据存储功能，对输入的所有检测值进行存储，以用于历史时序变化模型的重新选取、新模型的生成等。需要说明的是，此处的“历史数据”既包括在包含检测区域s的检测场所或者其他检测场所在内的历史时序实测结果，也可包括在一个规定时间段通过传感器单元111连续检测到的各检测对象的一个或多个时序检测值。由此，能够将实现预测功能模块都集中整合在一个云端，通信方式简便、通信快速、且可以减少数据因传输导致的数据丢包或缺损等问题。关于历史时序变化模型的重新选取、新模型的生成等，将在后文中进行详细说明。
76.数据分析模块130经由英特网与上述数据接收模块120连接，以接收来自上述数据接收模块120的一个或多个检测值。在本室内空气质量检测系统100中，该数据分析模块130例如也是一个独立的云模块。此外，数据分析模块130是具有机器学习功能的分析模块，其将过往在检测区域s以及/或者检测区域s以外的其他检测区域检测到的各检测对象的大量历史时序实测值的集合作为学习样本数据集或学习样例(即，带有标记的学习样本)数据集，并且，根据实际情况，利用合适的学习算法对上述数据集进行训练，从而生成(建立)并存储有许多个学习完成模型。上述学习算法包括神经网络算法(包括卷积神经网络算法、循环神经网络算法等)、回归学习算法(包括线性回归分析算法、对数几率回归算法、多分类学习算法等)、支持向量机算法、决策树算法、贝叶斯分类器、聚类分析算法等。根据各算法的特点、是否具有标记以及实际需求等，上述学习算法可用于监督学习、半监督学习以及无监督学习。此外，需要特别说明的是，在本发明中，考虑到数据具有时序性，因而，学习完成模型又被称为历史时序变化模型，其包括拟合曲线、神经网络结构(包括结构自身、各结点间的加权系数以及激活函数)等。关于历史时序变化模型的建立，以训练样例为例，当带有设备id标记的历史时序实测值被输入数据分析模块130时，该数据分析模块130首先根据设备id对历史时序实测值进行分类学习。具体而言，例如在存在检测区域s、检测区域p、检测区域q等多个检测区域的情况下，通过识别设备id，数据分析模块130将各历史时序实测值分类成检测区域s的历史时序实测值、检测区域p的历史时序实测值、检测区域q的历史时序实测值以及其他检测区域的历史时序检测值。然后，在完成分类学习后，针对每一检测区域的历史时序实测值(带有标记)，数据分析模块130将该检测区域的历史时序实测值(带有标记)的集合作为训练样例数据集、例如{d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
、
……
、ys}进行学习(其中，t0表示某一检测时间段的起始时刻，te表示该检测时间段的结束时刻，ys表示检测区域s内的设备id)。需要说明的是，上述数据集{d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
、
……
、ys}既可以是检测区域s中检测到的所有历史时序实测值的集合，也可以是检测区域s中检测到的过去某一次检测时间段内的历史时序实测值的集合，还可以是检测区域s中检测到的过去多次检测时间段内的历史时序实测值的集合。若集合{d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
、
……
、ys}表示检测区域s
中检测到的过去某一次检测时间段内的历史时序实测值的集合，或者表示检测区域s中检测到的过去多次检测时间段内的历史时序实测值的集合，那么，将存在多个上述集合，针对每一个集合，基于相同的学习算法和归纳偏好(inductive bias)，能够生成一个对应的历史时序变化模型。另一方面，若集合{d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
、
……
、ys}表示检测区域s中检测到的所有历史时序实测值的集合，那么，在学习过程中，即使采用同一学习算法，基于不同的归纳偏好，也会产生多个不同的历史时序变化模型(学习完成模型)。例如，在学习算法是回归学习算法的情况下，若采用“奥卡姆剃刀”原则，则会生成最平滑的历史时序变化模型，但若采用其他原则，则会产生其他的历史时序变化模型，并且，虽然这些历史时序变化模型的平滑程度不如基于“奥卡姆剃刀”原则生成的历史时序变化模型，但其泛化能力可能更为优异。更具体而言，在检测区域s是会议室的情况下，可以设置不同的归纳偏好，例如，可以设置“检测对象的整体变化趋势稳定(例如，会议室内的人数始终恒定或基本没有变化，从而co2的整体变化趋势稳定，没有突变的情况发生)”这一偏好、“检测对象会突然产生剧烈变化(例如，原本在会议室内开会的人数为5人，在开会过程中，突然进来了10个人)”这一偏好等。
77.作为历史时序变化模型的一例，图16示出了在同一检测区域的不同人数情况下的co2浓度拟合的时序变化曲线图。其中，每一条实测曲线可视为一个历史时序变化模型。更具体而言，在同一检测区域、例如会议室中开过三次会议，其中，每一次会议的人数均不相同。并且，在每一次会议中，检测端110的传感器单元111对该会议室内的二氧化碳的ppm的时序变化值进行了检测，从而获得了随着时间变化的二氧化碳的ppm的多个实测值。基于二氧化碳的ppm的上述多个时序实测值，利用回归分析而生成一条拟合曲线以作为一个历史时序变化模型。
78.选取预测模块140接收来自数据存取模块120的各检测对象的一个或多个检测值，并且，该选取预测模块140基于上述各检测对象的一个或多个检测值的集合，从由数据分析模块130生成的许多个历史时序变化模型中选取与上述集合之间满足预设条件的历史时序变化模型，根据所选取的历史时序变化模型来推断出各检测对象在今后一段时间或今后某一特定时刻的预测值。并且，在推断出各检测对象在今后一段时间或今后某一特定时刻的预测值后，该选取预测模块140将该预测值发送回数据接收模块120。
79.通知模块170是一种对上述预测值超过预设阈值或者低于预设阈值这一情况进行通知的模块，在本室内空气质量检测系统100中，该通知模块170也是一个独立的云模块。具体而言，数据接收模块120接收到来自选取预测模块140的一个或多个预测值后，将这些预测值与预设阈值进行比较，当这些预测值中的任一预测值(当预测值为一个时，则为该预测值)超过预设阈值或者低于预设阈值时，该数据接收模块120经由英特网将“预测值超过预设阈值或者低于预设阈值”这一信息发送给通知模块170。该通知模块170收到上述信息后，向相应的设备(例如，后述智能网关160以及作为优选例的后述监控中心180或手机app190)发送“未来一段时间或某一特定时刻的预测值将超过预设阈值或者低于预设阈值”这一通知并提示或催促相关人员采取相应的手段(或指示相应的设备进行自动控制)。
80.智能网关160通过英特网与通知模块170连接，从而接收来自通知模块170的通知。当接收到来自通知模块170的“预测值超过预设阈值或者低于预设阈值”这一通知时，该智能网关160自动进行后述空气处理设备200的控制。具体而言，当接收到上述通知后，智能网
关160自动启动空气处理设备200或者自动调节该空气处理设备200的性能(例如，在检测对象是co2的ppm的情况下，当ppm的预测值大于预设阈值时，智能网关160自动启动空气处理设备200或者加大该空气处理设备200的风量；当ppm的预测值从危险浓度值下降至预设阈值(安全浓度值)时停止空气处理设备200的运转或者降低空气处理设备200的运转负载)。
81.此外，作为优选例，智能网关160还具有通知单元(未图示)。具体而言，在具有通知单元的情况下，智能网关160在进行自动控制的同时，通过其通知单元向位于该检测区域s内的人发出通知信号。作为通知单元，可以是蜂鸣器、警报器、图像显示设备(例如，led面板、电视屏幕等)、遥控器、指示灯等设置于该检测区域s内的通知部件。
82.此外，作为优选例，该室内空气质量检测系统100还可包括设置于检测区域s以外的监控中心180以及/或者安装于智能手机的手机app190。在该情况下，当判定为预测值超过预设阈值或者低于预设阈值时，通知模块170能够择一地将该信息发送给智能网关160、监控中心180以及手机app190。在智能网关160、监控中心180以及手机app190中的任意一者接收到上述信息后，进行自动控制以启动/停止空气处理设备200或者调节该空气处理设备200的性能。
83.另一方面，在该系统100包括监控中心180以及/或者手机app190的情况下，当“预测值超过预设阈值或者低于预设阈值”这一信息被发送至监控中心180时，该监控中心180在进行自动控制的同时，通过其所具有的通知单元向相关工作人员发出通知。作为该监控中心180的通知单元，可以是蜂鸣器、警报器、图像显示设备(例如，led面板、电视屏幕等)、遥控器、指示灯、pc等通知部件。当上述信息被发送至手机app190时，该手机app190在进行自动控制的通知，通过该手机所具有的通知模块向手机的持有人发出通知。
84.作为上述通知单元的通知方式，例如可以是蜂鸣器的蜂鸣、警报器的警报、遥控器的液晶屏闪烁、灯光闪烁、震动等，或是手机app通知、手机短信、手机微信、手机振动等，抑或是pc端邮件、安装于pc端的监控软件通知等。
85.另外，在上述说明中，智能网关160、监控中心180或者手机app190在收到“预测值超过预设阈值或者低于预设阈值”这一信息后进行自动控制并向相关人员发出通知。不过，作为其替代，当智能网关160、监控中心180或者手机app190收到上述信息后，也可不进行自动控制，而是向相关人员发出通知并建议相关人员手动采取相应的手段，例如，建议相关人员自行打开门、窗，或是建议对检测区域s内的人数进行控制，或是建议手动开启空气处理设备200，抑或是建议相关人员离开该检测区域s。
86.此外，需要说明的是，在该室内空气质量检测系统100中，数据接收模块120、数据分析模块130、选取预测模块140以及通知模块170共同配置于一个云端。不过，上述模块的配置方式不限于此，也可分属于多个不同的云端，这将在后文中进行详细说明。
87.需要说明的是，本发明中所说的“空气处理设备200”包括空调装置、换气设备、除湿机、加湿器、空气净化器等。(室内空气质量检测系统100a)
88.接着，参照图2，对本发明的室内空气质量检测系统100a进行说明。
89.与上述室内空气质量检测系统100相比，该室内空气质量检测系统100a的不同点在于，预测值是否超过预设阈值或者低于预设阈值这一判断功能是由通知模块170执行的。
90.具体而言，在该室内空气质量检测系统100a中，通知模块170通过英特网与选取预
测模块140直接连接。在该情况下，选取预测模块140在推断出检测对象的今后一段时间或者今后某一特定时刻的预测值后，将预测值直接发送给通知模块170。通知模块170在接收到上述预测值后，将这些预测值与预设阈值进行比较，当这些预测值中的任意一者(当预测值为一个时，则为该预测值)超过预设阈值或者低于预设阈值时，该通知模块170将“预测值超过预设阈值或者低于预设阈值”这一信息发送给智能网关160或者监控中心180或者手机app190。如此一来，与上述室内空气质量检测系统100相比，能够简化数据传输的步骤，即不需要先将预测值传输回数据接收模块120，再通过数据接收模块120向通知模块170发送上述消息。(室内空气质量检测系统100b)
91.接着，参照图3，对本发明的室内空气质量检测系统100b进行说明。
92.与上述室内空气质量检测系统100和100a相比，该室内空气质量检测系统100b的不同点在于下述三点：数据接收模块120、数据分析模块130、选取预测模块140以及通知模块170分别配置于两个独立的云端；检测端110检测到的多个检测值首先发送至智能网关160，再通过智能网关160将包括系统id以及设备id的上述多个检测值发送至数据接收模块120；当监控中心180接收到“预测值超过预设阈值或者低于预设阈值”这一消息时，监控中心180的工作人员通过智能楼宇系统等对空气处理设备200进行远程控制，或者，当手机app接收到上述消息时，该手机的持有者可以通过操作手机app来手动控制空气处理设备200。
93.具体而言，该室内空气质量检测系统100b具有预测云端a和监控云端b，该预测云端a配置有数据接收模块120、数据分析模块130以及选取预测模块140，该监控云端b配置有通知模块170。通过上述这样的配置，能够使每一云端具有单一功能，简化云端的结构，使整个系统的架构清晰、明确。
94.此外，在该室内空气质量检测系统100b中，检测端110不必具有临时缓存功能，其在检测到一个或多个检测对象的一个检测值后立即将该检测值(以及设备id)发送至智能网关160。当特定个数的检测值被发送至智能网关160时，该智能网关160对这些检测值赋予系统id，并且将被赋予了设备id和系统id的检测值一同发送至配置于预测云端a的数据接收模块120。
95.关于上述第三个不同点，具体而言，当监控中心180接收到“预测值超过预设阈值或者低于预设阈值”这一消息时，该监控中心180仅向工作人员发出通知而不进行自动控制，工作人员在察觉到该通知后，可以通过智能楼宇系统等智能化系统对位于该检测区域s内的空气处理设备200进行手动远程控制。另一方面，当手机app190接收到上述信息时，安装有该手机app190的智能手机仅通过通知模块向该手机的持有者发出通知，当该手机的持有者察觉到该通知后，该手机的持有者利用手机的蓝牙、nfc、wi-fi等通信功能对空气处理设备200进行手动控制。当然，当监控中心180或手机app190接收到上述消息时，也能够发出通知并直接进行自动控制，或者，在通知发出后经过了一定时间后空气处理设备200未被手动控制的情况下，再强制进行自动控制(例如通过智能网关160向空气处理设备200发出相应运转的控制指令)。(室内空气质量检测系统100c)
96.最后，参照图4，对室内空气质量检测系统100c进行说明。
97.与上述室内空气质量检测系统100b相比，该室内空气质量检测系统100c的不同点
在于，监控云端b还具有数据存储模块300。
98.如图4所示，智能网关160经由路由设备150并通过英特网将特定个数的检测值同时发送至配置于预测云端a的数据接收模块120以及配置于监控云端b的数据存储模块300。其中，该数据存储模块300对输入的所有检测值进行存储，以用于历史时序变化模型的重新选取、新模型的生成等。例如，数据接收模块120需要调取存储在数据存储模块300内的历史数据时，将需求发送至智能网关160，经由智能网关160获取相应的历史数据。此时智能网关160起到连接所有云端的作用，在多云端的情形时，通信构架简单，而且可以简化云端的结构。关于历史时序变化模型的重新选取、新模型的生成等，将在后文中进行详细说明。
99.此外，需要再次强调的是，虽然在本发明的上述系统100、100a、100b以及100c中均设置有路由设备150，但是，根据系统的实际架构情况，也可不设置路由设备150，而是通过具有2g或者nb-iot等通信模块的智能网关160执行数据的接收和传输。(室内空气质量的预测方法)
100.以下，以本发明的室内空气质量检测系统100为例，在图1的基础上，将参照图5至图16，对本发明的室内空气质量的预测方法进行说明。(第一实施方式)
101.接着，参照图5，对第一实施方式的室内空气质量的预测方法的具体步骤进行说明。
102.如图5所示，首先，启动室内空气质量检测系统100。
103.接着，在步骤s110中，检测端110对检测区域s内的一个或多个检测对象进行连续检测。具体而言，检测端110通过一个或多个传感器单元111在每一单位时间(例如，每1分钟)获取各检测对象的检测值d，其中，在检测对象为多个(例如，检测对象为三个，包括co2的浓度、温度、湿度)的情况下，该检测值d是具有三个分量的向量，而在检测对象仅为一个的情况下，该检测值d为标量。
104.在步骤s120中，数据接收模块120接收从检测端110发送而来的检测值，并且对规定时间段进行设定。具体而言，将该规定时间段的起始时刻设为t0(例如，启动后的第1分钟)，将结束时刻设为te＝t0 a-1，其中，a表示a个单位时间(例如，a分钟)。由此，在该数据接收模块120中形成由各检测对象的a个时序检测值d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
构成的实时时序样本数据集{d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
}。此外，如上文所说明的那样，检测端110在发送上述时序检测值的同时，还发送设备id，因此，上述实时时序样本数据集{d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
}还可转化成实时时序样例数据集{d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
、ys}，其中，ys表示检测区域s中的设备id。
105.在步骤s130中，数据接收模块120分别向数据分析模块130以及选取预测模块140发送上述实时时序样本数据集{d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
}或者实时时序样例数据集{d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
、ys}。
106.接着，在步骤s140中，选取预测模块140向数据分析模块130发送模型选取指令，要求从许多个历史时序变化模型中选取与上述实时时序样例数据集之间满足预设条件的历史时序变化模型。具体而言，以样例的情况为例，在实时时序样例数据集被输入至数据分析模块130后，首先，基于标记，该数据分析模块130对上述实时时序样例数据集中的检测值进行分类，即，判断该实时时序样例数据集中的检测值属于哪个检测区域中检测到的值。接
着，当判定上述实时时序样例数据集中的检测值属于检测区域s时，将该实时时序样例数据集与该检测区域s中的所有历史时序变化模型(也可以是生成这些历史时序变化模型的历史时序实测值的集合)进行比较，选取与该数据集之间满足预设条件的历史时序变化模型。关于预设条件，例如，在集合{d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
、
……
、ys}表示检测区域s中检测到的过去某一次检测时间段内的历史时序实测值的集合，或者表示检测区域s中检测到的过去多次检测时间段内的历史时序实测值的集合的情况下，即在存在多个由历史时序实测值构成的集合的情况下，将数据集{d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
}与每一个集合{d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
、
……
}中的任意a个连续的历史时序实测值构成的子集合{d
t0’、d
t0 1’、d
t0 2’、
……
、d
te’}进行比较，若小于规定值，则判定为满足预设条件。此外，选取历史时序变化模型的方法多种多样，并不限于上述方法，例如，还可以采用留出法(hold-out)将数据集{d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
}分成两个互斥的第一子集合{d
t0
、d
t0 1
、d
t0 2
、
……
、d
t0’}和第二子集合{d
t0’ 1
、d
t0’ 2
、d
t0’ 3
、
……
、d
te
},并且，将第一子集合输入各历史时序变化模型以获取与上述第二子集合相对应的一个预测值子集合{c
t0’ 1
、c
t0’ 2
、c
t0’ 3
、
……
、c
te
}，通过将第二子集合与该预测值子集合进行比较，选取小于规定值的历史时序变化模型。当不存在满足预设条件的历史时序变化模型时，选取预先存储于数据分析模块130的初始历史时序变化模型，并进入步骤s150。
107.在步骤s150中，选取预测模块140向数据接收模块120发送要求重新选取新的时序检测值的实时时序样本或样例数据集的指令，基于该指令，数据接收模块120重新选取时序检测值的数据集。具体而言，在本实施方式中，保持时序检测值的集合长度不变，删除前n个时序检测值，并且增加后续检测到的n个新时序检测值，由此形成新的时序检测值集合{d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
}。然后，重复进行步骤s130至步骤s150的处理，直到找到满足预设条件的历史时序变化模型为止。在存在满足预设条件的历史时序变化模型的情况下，进入步骤s160。
108.在步骤160中，对满足预设条件的历史时序变化模型是否存在多个进行判断。当仅存在一个满足预设条件的历史时序变化模型时，就采用该历史时序变化模型(步骤161)，当存在多个满足预设条件的历史时序变化模型时，则采用匹配程度最高的那一个历史时序变化模型(步骤162)。所谓匹配程度最高，例如是指最小、最小。当选取完满足预设条件以及/或者匹配程度最高的那一个历史时序变化模型时，进入步骤s170。
109.在步骤s170中，选取预测模块140基于最新的时序检测值集合以及对应的历史时序变化模型来推断出今后一段时间的预测值d
te 1
、d
te 2
、d
te 3
、
……
、d
te t
，其中，t为大于1的自然数。接着，进入步骤s180。
110.在步骤180中，对规定时间段的起始时刻进行更新，返回步骤s120进行下一次预测。具体而言，在本实施方式中，将原起始时刻更新为原起始时刻的下一单位时间以作为新起始时刻。例如，在利用第1分钟～第10分钟的10个时序检测值推断出第11分钟～第20分钟的预测值的情况下，将规定时间段的起始时刻更新为第2分钟，从而利用第2分钟～第11分钟的时序检测值来推断第12分钟～第21分钟的预测值。(第一实施方式的效果)
111.根据本发明的第一实施方式的预测方法，通过前期收集大量的历史数据、选择合适的学习算法以及设定尽可能多的归纳偏好，将这些历史数据作为训练样本或训练样例进行学习，从而生成许多个历史时序变化模型，并且，基于在特定检测区域检测到的多个检测值来选择与上述多个检测值相匹配的历史时序变化模型，基于所选取的历史时序变化模型来推断出该特定检测区域的今后一段时间的预测值。由此，在不检测或者不知道检测区域内的人数的情况下，仅通过获取室内空气中的检测对象的一小部分检测值，就能够预测该特定检测区域内的检测对象在今后一段时间内的变化趋势(变化值)。此外，由于无需采用价格高昂的图像传感器或是复杂的识别方式，因此，能够降低室内空气质量检测系统100的设备成本。(第一实施方式的变形例1)
112.接着，参照图6，对室内空气质量预测方法的第一实施方式的变形例1进行说明。
113.在上述第一实施方式的步骤s180中，作为更新起始时刻的方法，将原起始时刻更新为原起始时刻的下一单位时间以作为新起始时刻。不过，更新起始时刻的方法并不限于此，例如，也可如步骤s180’所示的那样，将原起始时刻更新为原结束时刻te的下一单位时间以作为新起始时刻。例如，在利用第1分钟～第10分钟的10个时序检测值推断出第11分钟～第20分钟的预测值的情况下，将规定时间段的起始时刻更新为第11分钟，从而利用第11分钟～第20分钟的时序检测值来推断第21分钟～第30分钟的预测值。(第一实施方式的变形例的效果)
114.根据该变形例，与实施方式一相比，能够在推断出今后每一段时间的检测对象的预测值的同时，减轻系统的计算量。(第一实施方式的变形例2)
115.接着，参照图7，对室内空气质量预测方法的第一实施方式的变形例2进行说明。
116.在上述第一实施方式的步骤s150中，作为重新选取时序检测值的数据集的方法，保持时序检测值的集合长度不变，删除前n个时序检测值，并且增加后续检测到的n个新时序检测值，由此形成新的时序检测值集合{d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
}。不过，上述重新选取数据集的方法并不限于此，例如，也可如步骤s150’所示的那样，在原时序检测值的集合{d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
}的基础上增加n个新的时序检测值d
t0 1
、d
t0 2
、
……
、d
t0 n
，从而形成新集合{d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
、d
t0 1
、d
t0 2
、
……
、d
t0 n
}。具体而言，如图7所示，可以保持原规定时间段的起始时刻t0不变，仅将结束时刻相应地延后n个单位时间，如此一来，就可以形成上述新集合。不过，如图7所示，本变形例还包括步骤s190。具体而言，在步骤180中对起始时刻进行更新后，进入步骤s190，在该步骤s190中，对a进行重置以确保每次预测开始时的时序实测值集合中的实测值个数相同。(第一实施方式的变形例3)
117.如图8所示，与上述第一实施方式的不同点在于，该变形例3包括步骤s180’和步骤s150’。也就是说，作为更新起始时刻的方法，将原起始时刻更新为该原起始时刻的下一单位时间以作为新起始时刻，并且，在不存在满足预设条件的历史时序变化模型的情况下，增加时序检测值集合中的检测值个数以作为继续选取历史时序变化模型的依据。(第一实施方式的变形例2和3的效果)
118.根据上述变形例2和3，在基于时序检测值的原集合无法选取满足预设条件的历史
时序变化模型的情况下，通过在该集合中增加后续检测到的时序检测值以形成集合元素更多的新集合，能够更容易地找到合适且泛化能力更佳的历史时序变化模型。(第二实施方式)
119.接着，在图5至图8的基础上，参照图9，对室内空气质量预测方法的第二实施方式进行说明。
120.在第二实施方式中，预测方法不仅包括第一实施方式及其变形例中的预测步骤，还包括通知步骤。
121.在推断出今后一段时间的预测值d
te 1
、d
te 2
、d
te 3
、
……
、d
te t
后，进入通知步骤。在步骤210中，数据接收模块120从选取预测模块140获取上述预测值。接着，在步骤s220中，对上述预测值d
te 1
、d
te 2
、d
te 3
、
……
、d
te t
中的任意一个预测值(当t＝1时，表示只有一个预测值)是否超过预设阈值进行判断。当所有的预测值均未超过预设阈值时，上述数据接收模块120从选取预测模块140获取后续的新预测值，并且返回步骤s220。当任一预测值超过预设阈值时，该数据接收模块120向通知模块170发送“预测值超过预设阈值”这一消息，并进入步骤s230。在步骤s230中，通知模块170使用预先确定的方法向通知单元发送通知指令，以使该通知单元向相关人员或相关设备发出未来可能发生上述情况的通知、或是通知相关人员采取相应的手段、或是指示相关设备进行自动控制，然后，进入步骤s240。在步骤s240中，当相关人员收到上述通知后，立刻启动空气处理设备200或者调节该空气处理设备200的性能，或者，当智能网关160或者监控中心180(或者手机app190)的通知单元收到上述通知后，立刻启动空气处理设备200或者自动调节该空气处理设备200的性能。然后，从步骤s240进入步骤s250，获取后续的新检测值并返回步骤s220。(第二实施方式的效果)
122.根据该第二实施方式，通过将预测值与预设阈值进行比较，能够及时采取适当的措施来改善室内的空气质量。(第二实施方式的变形例1)
123.接着，在图5至图8的基础上，参照图10，对室内空气质量预测方法的第二实施方式的变形例1进行说明。
124.在上述第二实施方式中，当预测值大于预设阈值时，立刻启动空气处理设备200或者调节该空气处理设备200的性能。不过，作为预测值大于预设阈值时的处理方式，并不限于此。例如，也可如图7所示的那样，当预测值大于预设阈值时，不直接启动空气处理设备200或者调节该空气处理设备200的性能，而是先对通知的时间是否持续了一定时间(是否经过了一定时间)进行判断(步骤s231)。当通知的持续时间超过了一定时间时，智能网关160或者监控中心180或者手机app的控制模块强制启动空气处理设备200或者强制调节空气处理设备200的性能(步骤s240’)。(第二实施方式的变形例1的效果)
125.根据该变形例，在从首次通知发出起经过了一定时间后预测值仍超过预设阈值的情况下，强制启动空气处理设备200或是强制调节空气处理设备200的性能，因此，能避免因未留意通知等缘故导致的检测区域s内的室内空气质量的持续恶化。此外，与上述第二实施方式相比，该变形例以使用者的手动控制操作为优先，这样，能够避免频繁地调节空气处理设备这一情况，并且，能够避免不必要的调节。
(第二实施方式的变形例2的效果)
126.在上述第二实施方式及其变形例1中，对预测值大于预设阈值的情况进行了通知，但并不限于此。例如，在该变形例2中，也可如图11所示的那样包括步骤s221。具体而言，当预测值大于预设阈值时，将启动空气处理设备200或者对该空气处理设备200的性能进行调节，在该情况下，检测对象的值必然会发生变化。以co2的ppm为例，在上述启动或调节开始后，获取后续的新预测值，将该预测值与预设阈值进行比较，若新预测值依旧大于预设阈值时，继续开启空气处理设备200或者继续调节该空气处理设备200的性能，若新预测值等于或小于预设阈值时，说明空气处理设备200的运转起到了有益的作用，此时，将新预测值等于或小于预设阈值这一消息发送给智能网关160或者监控中心180或者手机app。此时，智能网关160或者监控中心180或者手机app190可以根据实际情况停止空气处理设备200的运转或者降低空气处理设备200的运转负载。(第二实施方式的变形例2的效果)
127.根据该变形例2，能够及时地通知“检测对象的值将在今后某一时刻下降至安全浓度”这一信息。由此，能够根据实际情况停止空气处理设备200的运转或者降低空气处理设备200的运转负载，避免不必要的电力浪费。(第三实施方式)
128.接着，在图5至图8的基础上，参照图12，对室内空气质量预测方法的第三实施方式进行说明。
129.第三实施方式的预测方法不仅包括第一实施方式中的预测步骤，还包括模型评估步骤。
130.具体而言，在推断出今后一段时间的预测值d
te 1
、d
te 2
、d
te 3
、
……
、d
te t
后，选取预测模块140从该数据接收模块120获取上述规定时间段之后的下一单位时间的检测值d
te 1
(步骤s310)。接着，在步骤s320中，选取预测模块140对检测值d
te 1
与d
te 1
之间的误差是否大于容许值进行判断。当误差小于或等于容许值时，继续使用所选取的历史时序变化模型进行预测(步骤s330)。当误差大于容许值时，将d
te 1
添加至原时序检测值的集合{d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
}，形成新集合{d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
、d
te 1
}，并且，利用该新集合并按照第一实施方式的步骤s120～步骤s162重新选取与该新模型之间符合预设条件的历史时序变化模型(步骤s340)。在选取到新的历史时序变化模型后，根据该模型，更新预测值{d
te 2
、d
te 3
、
……
、d
te t
}(步骤s350)。(第三实施方式的效果)
131.根据第三实施方式，通过将预测值与下一单位时间的检测值进行比较，能够评估模型的预测精度。并且，通过计算预测值与下一单位时间的检测值之间的误差，能够根据该误差的大小确定是继续使用目前的模型，还是重新选取精度更佳的模型。由此，能够提高预测精度。(第三实施方式的变形例1)
132.接着，在图5至图8的基础上，参照图13，对室内空气质量预测方法的第三实施方式的变形例1进行说明。
133.在上述第三实施方式中，获取规定时间段之后的下一单位时间的检测值d
te 1
，计算该检测值d
te 1
与预测值d
te 1
之间的误差，根据该误差来判断是否需要更换历史时序变化
模型。不过，关于模型评估的方法，并不限于此。
134.例如，如图13所示的那样，并非仅选取一个检测值d
a 1
，而是选取规定时间段之后的下一时间段的检测值集合{d
te 1
、d
te 2
、d
te 3
、
……
、d
te m
}，其中，m是小于t的自然数(步骤310’)。接着，将检测值集合{d
te 1
、d
te 2
、d
te 3
、
……
、d
te m
}与预测值集合{d
te 1
、d
te 2
、d
te 3
、
……
、d
te t
}中的子集合{d
te 1
、d
te 2
、d
te 3
、
……
、d
te m
}进行比较(例如，可以采用作为两者的匹配程度的度量)(步骤320’)。当误差小于容许值时，继续使用所选取的原历史时序变化模型。当误差大于容许值时，将d
te 1
、d
te 2
、d
te 3
、
……
、d
te m
添加至原时序检测值的集合{d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
}，形成新集合{d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
、d
te 1
、d
te 2
、d
te 3
、
……
、d
te m
}，并且，利用该新集合并按照第一实施方式的步骤s120～步骤s162重新选取与该新模型之间符合预设条件的历史时序变化模型(步骤s340’)。在选取到新的历史时序变化模型后，根据该模型，更新预测值{d
te m 1
、d
te m 2
、
……
、d
te t
}(步骤s350’)。(第三实施方式的变形例1的效果)
135.与上述第三实施方式相比，该变形例1采用了一个时间段内的多个检测值与多个预测值进行比较。如此，与仅采用将一个检测值与一个预测值进行比较的方式相比，能够从整体变化趋势的角度来评估所选取的历史时序变化模型的预测精度，避免由于个别奇点而导致不必要的模型更换这一情况。(第三实施方式的变形例2)
136.接着，在图5至图8的基础上，参照图14，对室内空气质量预测方法的第三实施方式的变形例2进行说明。
137.在上述变形例1中，当检测值集合{d
te 1
、d
te 2
、d
te 3
、
……
、d
te m
}与预测值集合{d
te 1
、d
te 2
、d
te 3
、
……
、d
te t
}中的子集合{d
te 1
、d
te 2
、d
te 3
、
……
、d
te m
}之间的误差小于或等于容许值时，继续沿用所选取的历史时序变化模型(步骤s330)。不过，关于该情况下的处理，并不限于此。
138.例如，在上述误差小于或等于容许值的情况下，可以就是否对现有模型进行修正进行判断(步骤s321)。例如，可以预先设置小于上述容许值的修正阈值，当上述误差小于修正阈值时，继续使用所选取的原历史时序变化模型，而当上述误差大于或等于修正阈值且小于或等于容许值时，可以利用{d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
、d
te 1
、d
te 2
、d
te 3
、
……
、d
te m
}使所选取的原历史时序变化模型进行进一步学习而另外生成修正后的历史时序变化模型，并且采用该修正后的历史时序变化模型进行后续预测。以神经网络结构为例，通过深度学习，原历史时序变化模型(教师模型)可另外生成修正后的历史时序变化模型(学生模型)，并且，根据实际需求和系统的自身性能，修正后的历史时序变化模型可以是派生模型(结构相同而加权系数不同)，也可以是蒸馏模型(结构和加权系数均不同)。(第三实施方式的变形例2的效果)
139.与上述第三实施方式和变形例1相比，在该变形例2中，当检测值集合{d
te 1
、d
te 2
、d
te 3
、
……
、d
te m
}与预测值集合{d
te 1
、d
te 2
、d
te 3
、
……
、d
te t
}中的子集合{d
te 1
、d
te 2
、d
te 3
、
……
、d
te m
}之间的误差小于或等于容许值时，并非当然地沿用所选取的历史时序变化模型，而是根据上述误差的大小进一步判断是否进行深度学习。当判定为不需要进行深度学习时，沿用原历史时序变化模型，而当判定为需要进行深度学习时，利用检测值集合{d
t0
、dt0 1
、d
t0 2
、
……
、d
te
、d
te 1
、d
te 2
、d
te 3
、
……
、d
te m
}使原历史时序变化模型进行进一步学习而另外生成精度更佳的修正后历史时序变化模型。如此一来，通过使用精度更佳的修正后历史时序变化模型，能够进一步提高预测精度。(第三实施方式的变形例3)
140.接着，在图5至图8的基础上，参照图15，对室内空气质量预测方法的第三实施方式的变形例3进行说明。
141.在上述第三实施方式的变形例1中，当规定时间段之后的下一单位时间的检测值d
te 1
与预测值d
te 1
之间的误差小于或等于容许值时，继续采用所选取的原历史时序变化模型。不过，上述误差小于或等于容许值的情况下的处理方法并不限于此。例如，通过将变形例1和变形例2进行组合，能够得到如图12所示的方案。即，在检测值d
te 1
与预测值d
te 1
之间的误差小于或等于容许值的情况下，继续获取该检测值d
te 1
之后的一段时间内的检测值d
te 2
、d
te 3
、
……
、d
te m
，并按照变形例2中所述的步骤进行进一步处理。(第三实施方式的变形例3的效果)
142.与上述第三实施方式的变形例1和变形例2相比，该变形例3能够同时从局部和整体这两个角度来评估所选取的历史时序变化模型的预测精度。(其他实施方式)
143.以上，对本发明的室内空气质量预测系统100以及预测方法的第一实施方式、第二实施方式、第三实施方式及其变形例进行了说明。不过，需要说明的是，本发明的室内空气质量预测系统100以及预测方法并不限于此。
144.例如，在第一实施方式中，当不存在与时序检测值集合{d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
}之间满足预定条件的历史时序变化模型的情况下，通过选取固定长度但起始时刻和结束时刻不同的时序检测值的新集合，或者选取起始时刻相同但长度不同的时序检测值的新集合，继续选取与该新集合之间满足预设条件的历史时序变化模型，知道选取到这样的历史时序变化模型为止。在该情况下，优选，直到选取到满足预设条件的历史时序变化模型的时刻为止，数据分析模块130将该时刻以及该时刻之前的所有时序检测值作为训练样本或训练样例进行学习，从而生成一个新历史时序变化模型。并且，更为优选的是，在上述时刻之后的检测过程中，将检测到的新时序检测值持续输入至上述新历史时序变化模型而对该历史时序变化模型进行更新。如此一来，可以简化数据分析模块130的计算量。
145.此外，当多个时序检测值d
t0
、d
t0 1
、d
t0 2
、
……
、d
te
在传输过程中发生数据丢失时，也可基于由剩余的时序检测值构成的新集合来重新选取与该新集合之间满足预设条件的历史时序变化模型。如此一来，即使在发生数据丢失的情况下，也能够获得较佳的历史时序变化模型来进行后续预测。
146.熟悉本领域的技术人员易于想到其它的优点和修改。因此，在其更宽泛的上来说，本发明并不局限于这里所示和所描述的具体细节和代表性实施例。因此，可以在不脱离如所附权利要求书及其等价物所限定的总体发明概念的精神或范围的前提下做出修改。