The invention discloses an indoor air quality prediction method based on model fusion. The method effectively fuses the indoor air quality prediction model and the outdoor air quality prediction model according to the behavior of the occupants by classifying the regression tree. For the regression tree, a line is trained from the root to each leaf node respectively. The regression device obtains a plurality of linear regression machines, which are suitable for indoor air quality prediction under different conditions. The method effectively fuses multiple data sources such as human activities, indoor air quality, outdoor air quality, outdoor meteorology, and so on, so as to obtain more accurate learning and prediction. Test.
【技术实现步骤摘要】
一种基于模型融合的室内空气预测方法
本专利技术涉及一种室内空气预测方法,具体的说,是一种基于模型融合的室内空气预测方法,属于环境工程领域。
技术介绍
目前,人们大多数的时间都是在室内度过,室内空气环境对人的健康影响最为直接和密切。分析和预测室内空气质量(IndoorAirQuality,IAQ)的状态和趋势,对人类健康、环境保护、建筑设计与装修都有着非常重要的研究意义和应用价值。室内空气成分主要来源于:(1)室外空气,包括室外大气中的成分以及人类在工业生产活动中所产生的各种排放等,通过建筑物的门窗、门隙、窗缝、换气、过滤系统等进入到室内。(2)室内主要是烹饪、抽烟、清洁、装饰材料、家具、各类电子产品等产生的污染。根据我国现行的室内空气质量标准(GB/T188883-2002),影响室内空气质量的参数共19项,包括PM2.5、甲醛HOCO、二氧化碳CO2、TVOC等。目前关于室内空气环境的研究包括:(1)计算流体力学(ComputationalFluidDynamics,CFD)根据建筑室内环境蕴含的流体力学和传热定律,建立一组偏微分方程,包括质量、动量、能量以及组分平衡方程,并通过离散化策略求解获得建筑室内温度分布、风速流场、污染物浓度分布等。(2)首先计算通过建筑物围护结构缝隙等进入室内的颗粒物质量,再计算不同气流组织形式下颗粒物的沉降量以及室内颗粒物的排出量,最后综合计算出室内颗粒物质量分布值以及PM值。以上研究方法存在以下问题:物理建模复杂度高、涉及参数多、求解精度与多种因素有关,需要依靠专业技术人员,预测结果也存在较大的误差。智慧城市的建设,设置在 ...
【技术保护点】
1.一种基于模型融合的室内空气质量预测方法,其特征在于:包括以下步骤:S01)、基于神经网络进行室外空气质量预测,以待测室内所属建筑物所在的室外空气质量为预测目标,融合建筑物所在特定空间区域内多个监测站空气质量数据、气象数据、是否为交通高峰期作为神经网络的输入,对神经网络进行训练,获取该建筑物所在的位置未来一段时间内的室外空气质量指数所发生的变化;S02)、基于线性回归进行建筑物室内空气质量预测,以建筑物待测室内空气质量为预测目标,根据其过去一段时间内的空气质量数据,利用线性回归算法预测其未来一段时间内的空气质量指数所发生的变化,S03)、基于分类回归树,结合影响待测建筑物室内空气质量的事件、待测室内所属建筑物所在位置的室外未来一段时间内的空气质量变化指数、待测室内未来一段时间内的空气质量变化指数,进行聚合室内空气质量预测。
【技术特征摘要】
1.一种基于模型融合的室内空气质量预测方法,其特征在于:包括以下步骤:S01)、基于神经网络进行室外空气质量预测,以待测室内所属建筑物所在的室外空气质量为预测目标,融合建筑物所在特定空间区域内多个监测站空气质量数据、气象数据、是否为交通高峰期作为神经网络的输入,对神经网络进行训练,获取该建筑物所在的位置未来一段时间内的室外空气质量指数所发生的变化;S02)、基于线性回归进行建筑物室内空气质量预测,以建筑物待测室内空气质量为预测目标,根据其过去一段时间内的空气质量数据,利用线性回归算法预测其未来一段时间内的空气质量指数所发生的变化,S03)、基于分类回归树,结合影响待测建筑物室内空气质量的事件、待测室内所属建筑物所在位置的室外未来一段时间内的空气质量变化指数、待测室内未来一段时间内的空气质量变化指数,进行聚合室内空气质量预测。2.根据权利要求1所述的基于模型融合的室内空气质量预测方法,其特征在于:步骤S03的具体步骤为:S31)、采集影响室内空气质量的事件,定义事件的特征值为0或1,1表示该事件正在进行,0表示该事件没有进行,将影响室内空气质量事件的特征与步骤S01得到的室外未来一段时间内的空气质量指数变化数据、步骤S02得到的待测室内空间未来一段时间内的空气质量指数变化数据相融合,融合后的数据即为分类回归树的训练数据集;S32)、基于训练数据集生成回归树,首先寻找一个最佳的特征去切分输入数据集,寻找最佳切分特征的方法为:针对每个特征的每个特征值,将数据切分为两份,计算切分的误差,如果当前误差小于最小的误差,那么将当前切分设置为最佳切分并返回最佳切分的特征和阈值,阈值就是最佳切分对应的特征值;然后根据选取的最佳特征返回的特征和阈值,如果所选特征为空,划分结束,所选特征不为空,按照阈值切分数据集并返回两个子数据集;继续对产生的两个子数据集进行特征选择和切分数据集的操作,直到满足停止条件生成一个回归树;S33)、回归树剪枝,分别为预剪枝和后剪枝,预剪枝是在树的生成过程中设置参数限制树的生长,后剪枝是将已有的回归树切分产生测试集,如果存在任一子集是一棵树,计算该棵树当前两个叶子节点合并后的误差和不合并的误差,如果合并后的误差小于不合并的误差,就将叶子节点合并;S34)、基于线性回归树,进行聚合室内空气质量预测,假设最后生成的回归树有N个叶子节点,即整个训练集被分成了N份,每一份再分别训练成一个线性回归模型,则每一个叶子节点的预测结果为:h(x)=w0+w1x1+w2x2+...+wnxn(1),其中h(x)代表预测结果,xi是样本的第i个特征值,wi是xi对应的系数。3.根据权利要求2所述的基于模型融合的室内空气质量预测方法,其特征在于:步骤S31中,按照时间序列采集影响室内空气质量的事件,每分钟采集一次数据,计算出事件的持续时间,该持续时间以分钟为单位。4.根据权利要求2所述的基于模型融合的室内空气质量预测方法,其特征在于:基于训练数据集生成回归树的具体步骤为:Step1:选择最佳切分特征j与特征值s,计算:遍历特征j,对固定的特征j扫描特征值s,选择使公式(2)达到最小值的对(j,s),公式2中,变...
【专利技术属性】
技术研发人员:宋玲,吕强,吕舜铭,卢冉,
申请(专利权)人:山东建筑大学,
类型:发明
国别省市:山东,37
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。