The invention discloses an indoor PM2.5 prediction method based on multi-example genetic neural network, which comprises the following steps: (1) data acquisition and feature selection; (2) constructing multi-example genetic neural network prediction model; (3) predicting indoor PM2.5 concentration m according to multi-example genetic neural network prediction model. Through the above method, the indoor PM2.5 prediction method based on the multi-example genetic neural network is proposed. By selecting seven characteristics closely related to indoor PM2.5, such as ventilation rate, air temperature and relative humidity, the model is trained. The multi-example neural network and the genetic algorithm are applied to the indoor air quality prediction, and the comparison is obtained. Good prediction accuracy, compared with the empirical model, greatly shorten the modeling time, with high reliability, high precision, high efficiency, strong practicability and other advantages.
【技术实现步骤摘要】
一种基于多示例遗传神经网络的室内PM2.5预测方法
本专利技术涉及颗粒物浓度检测
,特别是涉及一种基于多示例遗传神经网络的室内PM2.5预测方法。
技术介绍
经验模型和统计模型是早年对室内空气质量进行预测的主要方法,后来随着大气物理、化学机制研究的发展,机理模型逐渐取代之前的预测方法。在基于机理模型的空气质量预测方法研究中,主要的思路是对污染物在空气中的传播、扩散、化学反应等过程实施抽象模拟,通过研究大气污染物的物理化学特性及其在特定条件下的转化规律,对未来的空气质量状况做出预测。当今世界上普遍采用的空气质量预测模型大多是机理模型,但是对于我国室内空气的重要污染物之一PM2.5来说,其来源具有多样性且其形成机理较为复杂,研究其在室内空气中的扩散及复杂的转化机理并进行为之有效的建模难度较大,因此利用传统的机理模型对PM2.5浓度进行准确的预测比较困难,并且机理模型所需数据源多种多样,运算过程也非常耗时,机器学习被众多专家认为是一种全新的学习途径,能高效地解决问题,而伴随着机器学习的发展,新的机器学习理论和方法也在不断诞生,很多研究者开始尝试使用机器学习方法来进行空气质量预测的研究和探索,然而目前的研究多集中于对室外大气污染物的预测,利用机器学习的方法对室内空气污染物进行预测却鲜有提及。
技术实现思路
本专利技术主要解决的技术问题是提供一种基于多示例遗传神经网络的室内PM2.5预测方法。为解决上述技术问题,本专利技术采用的一个技术方案是:提供一种基于多示例遗传神经网络的室内PM2.5预测方法,包括以下步骤:(1)数据采集与特征选取:设定采样时间和采样时间间隔 ...
【技术保护点】
1.一种基于多示例遗传神经网络的室内PM2.5预测方法,其特征在于,包括以下步骤:(1)数据采集与特征选取:设定采样时间和采样时间间隔,采集当前时间t对应的当前室外温度wout、当前室内温度win、当前室外湿度sout、当前室内湿度sin、当前室外PM2.5浓度pout数据,当前室外温度wout、当前室内温度win、当前室外湿度sout、当前室内湿度sin、当前室外PM2.5浓度pout为输入参数,将每小时内采集的输入参数数据作为一个样本,删除由于传感器初始检测时不稳定造成的噪声数据;(2)构建多示例遗传神经网络预测模型;(3)根据多示例遗传神经网络预测模型预测室内PM2.5浓度m;所述构建多示例遗传神经网络预测模型的具体步骤为:步骤1:定义预测模型m=F(t,pout,win,wout,sin,sout,v),其中,m表示当前室内PM2.5浓度,v表示当前房间室内通风率,v=S×|wout‑win|,其中,S为窗口打开的面积;步骤2:将样本中的每个输入参数数据进行归一化处理,使之分布在[‑1,1]的间隔中,
【技术特征摘要】
1.一种基于多示例遗传神经网络的室内PM2.5预测方法,其特征在于,包括以下步骤:(1)数据采集与特征选取:设定采样时间和采样时间间隔,采集当前时间t对应的当前室外温度wout、当前室内温度win、当前室外湿度sout、当前室内湿度sin、当前室外PM2.5浓度pout数据,当前室外温度wout、当前室内温度win、当前室外湿度sout、当前室内湿度sin、当前室外PM2.5浓度pout为输入参数,将每小时内采集的输入参数数据作为一个样本,删除由于传感器初始检测时不稳定造成的噪声数据;(2)构建多示例遗传神经网络预测模型;(3)根据多示例遗传神经网络预测模型预测室内PM2.5浓度m;所述构建多示例遗传神经网络预测模型的具体步骤为:步骤1:定义预测模型m=F(t,pout,win,wout,sin,sout,v),其中,m表示当前室内PM2.5浓度,v表示当前房间室内通风率,v=S×|wout-win|,其中,S为窗口打开的面积;步骤2:将样本中的每个输入参数数据进行归一化处理,使之分布在[-1,1]的间隔中,其中A表示样本中同一输入参数下的所有数据,a表示属于A输入参数下的单个数据;步骤3:设定示例Bij、阈值e1和阈值e2:N个样本作为N个数据包,每个数...
【专利技术属性】
技术研发人员:吴宏杰,陈成,董铠铭,柳维生,
申请(专利权)人:苏州科技大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。