一种基于模型融合的室内空气预测方法技术

本发明专利技术公开一种基于模型融合的室内空气质量预测方法，该方法通过分类回归树，根据居住者的行为活动将室内空气质量预测模型和室外空气质量预测模型进行有效融合，对于回归树，从根到每个叶子节点分别再训练一个线性回归器，得到多个线性回归器，适用于不同情况下的室内空气质量预测，本发明专利技术有效的将人的活动、室内空气质量、室外空气质量、室外气象等多个数据源进行了有效的多源数据融合以及模型融合，从而获得更精确的学习和预测。

An indoor air prediction method based on model fusion

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，设置在室内外的大量传感器积累了规模庞大的各类数据，这些数据呈现出鲜明的异构性、分散性、多样性、有噪声、高增长率等特征。通过机器学习和数据挖掘的方法可对室内空气质量进行分析和预测，但目前关于空气质量的分析与预测研究，大多是以室外空气质量为研究对象。对室内空气成分的形成、来源及其室内浓度、分布特征、预测的研究相对较少。对室内空气质量进行预测，必须考虑室外空气质量的影响以及居住者的人为事件影响，而室内所属建筑物附近如果没有空气质量监测站，就需要综合考虑特定空间内覆盖的监测站数据进行预测，同时气象也是影响室外空气质量的一个非常重要的因素，目前这方面的研究还比较缺乏。
技术实现思路
本专利技术要解决的技术问题是提供一种基于模型融合的室内空气质量预测方法，结合影响室内空气质量的事件、室外空间未来一段时间内的空气质量指数、待测室内空间未来特定时间内的空气质量指数，进行聚合室内空气质量预测，预测结果更精确。为了解决所述技术问题，本专利技术采用的技术方案是：一种基于模型融合的室内空气质量预测方法，包括以下步骤：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、是否为交通高峰期等数据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、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。进一步的，步骤S31中，按照时间序列采集影响室内空气质量的时间，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。进一步的，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，变量j对应每个特征，s对应每个特征值，yi为每个特征xi的特征值，c1、c2为由s切分产生的两个子数据集的平均值；Step2：利用Step1得到的(j,s)划分训练数据集，得到两个子数据集R1、R2，R1(j,s)＝{x|x(j)≤s}，R2(j,s)＝{x|x(j)＞s}(3)Step3：继续对子数据集调用Step1和Step2，直到满足停止条件；Step4：将训练数据集划分为多个子数据集R1,R2,…RM，并且在每一个子数据集Rm(m＝1,2…M)上有一个固定的输出值cm，子数据集Rm上的cm最优值是Rm上所有特征xi对应的输出yi的均值，得到的回归树表示为:其中I表示x被划分在Rm中的样本。本专利技术所述基于模型融合的室内空气质量预测方法，步骤S01基于神经网络进行室外空气质量预测的具体步骤为：S11)、空间划分，以待测室内所属建筑物为圆心，半径为D千米的空间画圆，该圆形区域定义为待测室内空间的特定室外空间，将特定室外空间均匀划分成N个子区域。S12)、区域数据整合，针对每个子区域，因为有可能会有一个或多个监测站，所以需要整合统一的空气质量指数(AQI)和气象作为该区域的代表特征，AQI根据污染物的实际浓度计算得到污染物的指数，其中，I为空气质量指数，即AQI；C为该污染物的实际浓度值，Cl、Ch为该污染物浓度限值，Il、Ih为AQI限值，Cl、Ch、Il、Ih均为常量；气象数据包括温度、风速、气压、湿度和风速；根据每个子区域覆盖的多个空气质量或者气象监测站数据，计算其平均数据，对于空气中污染物颗粒物浓度、温度、气压和湿度，整合时采用取该子区域平均值的方法，对于风速，采用取该子区域最大值的方法，这样针对N个子区域的每个区域，得到了其典型特征。S13)、数据融合，将N个子区域的典型特征，包括过去最近3个小时的AQI数据、过去最近1个小时内的气象数据、当前时间是否为高峰期、以及当前时间的AQI数据进行简单线性融合，作为神经网络的输入；S14)、训练迭代BP神经网络，输出室外空气质量未来一段时间内的AQI变化值。进一步的，进行区域数据整合前，若存在数据缺失的情况，则先进行数据填充，填充的数据包括某一时刻的气象数据，和某一时刻的AQI数据，填充数据采用的方法是利用后一时刻的数据修补前一时刻的数据。进一步的，调用迭代BP神经网络输出DeltaIAQI1值，其中DeltaIAQI1表示AQI的变化，即AQI预测值与当前值的差。因输出范围较大，将输出节点归一化处理，将DeltaIAQI1的值除以100，即将输出数据分布到(-1,1)的区间。本专利技术所述基于模型融合的室内空气质量预测方法，步骤S02基于线性回归进行室内空气质量预测的具体步骤为：S21)、数据填充，根据数据的变化趋势按照插值法进行数据填充；S22)、线性回归预测，去室内过去最近三个小时内的空气质量指数，利用线性回归预测未来一小时的空气质量指数。本专利技术的有益效果：本专利技术采用迭代BP神经网络，可以有效融合待测室内所属的建筑物所在特定空间内所覆盖的若干个监测站的空气质量数据以及气象数据，进行室外空气质量的预测。所提出的BP迭代算法可以进行样本更新、自适应调节学习率，可以不断调整权值以降低预测误差。采用线性本文档来自技高网...

【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