基于云计算和机器学习算法的空气质量监测与告警方法、系统、装置和介质制造方法及图纸

本发明专利技术提出一种基于云计算和机器学习的空气质量监测与告警方法、系统、装置和介质，利用云计算的算力,采用MapReduce架构，将支持神经网络NN、决策树DT、向量机SVM三种机器学习算法进行横向结合，利用历史预测误差为这三种算法赋予权重，之后计算出最终的空气质量预测结果，以此充分发挥这些机器学习算法各自优势，准确预测空气质量，为人们出行和相关部门大气污染治理工作提供帮助。污染治理工作提供帮助。污染治理工作提供帮助。

【技术实现步骤摘要】
基于云计算和机器学习算法的空气质量监测与告警方法、系统、装置和介质


[0001]本专利技术涉及云环境下空气质量监测与告警，尤其涉及云计算下基于人工智能的空气质量监测与告警。

技术介绍

[0002]随着工业发展，空气污染问题日益加剧，空气污染给人们的生活工作带来严重影响，比如空气污染会引发哮喘、咳嗽等呼吸疾病，会增加患有固有疾病的人群加剧病情、甚至威胁生命的风险。对空气质量进行监测与告警能够让人们提前做好预防工作，也能辅助环境治理部门做好决策与治理工作。
[0003]当前机器学习发展迅猛，各种智能算法应用到各行各业。在大气污染预警方面，已经有支持向量机SVM算法、随机森林算法RF、决策树DT、神经网络NN、粒子群PSO、人工鱼群AFSA等多种人工智能算法融入。然而这些算法都是单独使用或者互相纵向结合来分析污染物浓度，并没有充分利用这些智能算法横向平行计算的优势。
[0004]同时，随着我国空气监测系统的规模不断扩大，空气质量数据迅速膨胀，海量的空气质量因子的监测数据对准确、实时分析带来巨大挑战。云计算技术，不仅提供海量数据存储，还可以有强大的计算能力支持实时数据分析与挖掘，其中MapReduce是一种分布式编程模型，能够把要处理的数据分割成很多的模块让网络中的大量计算机分别同时计算，之后把结果进行汇总得出结论。
[0005]本专利技术提出一种基于云计算和机器学习的空气质量监测与告警方法、系统、装置和介质，利用云计算的算力，采用MapReduce架构，将支持神经网络NN、决策树DT、向量机SVM三种机器学习算法进行横向结合，利用历史预测误差为这三种算法赋予权重，之后计算出最终的空气质量预测结果，以此充分发挥这些机器学习算法各自优势，准确预测空气质量，为人们出行和相关部门大气污染治理工作提供帮助。

技术实现思路

[0006]本专利技术一方面提供一种基于云计算和机器学习的空气质量监测与告警方法，具体包括以下步骤：步骤1：将各个监测传感器获得的空气质量因子的采样值传入到云平台；步骤2：云平台计算空气质量因子的预测值；具体计算是，采采用神经网络NN、决策树DT、支持向量机SVM算法分别计算出空气质量的预测值，并基于历史预测情况为三种算法赋予权重：W
NN
，W
D
T，W
SVM
，计算最终的空气质量预测值；步骤3：依据步骤2获得的空气质量预测值确定空气质量等级，当空气质量等级为轻度污染、中度污染或者重度污染时，发出告警，提示空气质量因子超标。
[0007]步骤2中具体计算过程如下：
[0008]步骤2.1，采用神经网络NN算法计算空气质量预测值：
[0009]神经网络是一个多层神经网络，一般由一个输入层、一个或多个隐含层和一个输
出层组成。在同一个层内部，各神经元之间没有连接，连接只存在于相邻层的神经元节点之间。通常使用Sigmoid函数作为连接函数，该函数可将任意范围内的输入值映射到(0，1)范围内，因此也被称为压缩函数：
[0010][0011]首先初始化网络，确定隐含层的层数和每层内部的神经元个数，初始化神经网络的各层神经元之间的连接权重，确定输入和目标输出，本专利技术采用经验方式确定隐含层节点个数是输入层节点个数，n
out
是输出层节点个数，由于本专利技术空气质量因子有六种：PM2.5、PM10、SO2、CO、NO2、O3，因此模型输入层节点个数为6，即n
in
＝6；同时本专利技术采用隐含层层数为1，即采用三层神经网络完成对空气质量的预测。
[0012]之后输入训练数据，确定训练数据集并将数据集中的各组数据输入到神经网络中；根据神经网络和权重值计算得到网络的输出。计算神经网络得到的输出和目标输出之间的误差，若误差达不到可接受的阈值，则反向传播通过误差信息修正网络中的连接权重。
[0013]设训练样本集为：TDS＝＝{(x1，y1)，(x2，y2)
…
(x
N
，y
N
)}，x1、x2、
…
x
N
是空气质量因子样本，y2、
…
y
N
是对应空气质量因子样本的空气质量值。
[0014]例如x1是2013年1月份开封市空气质量因子的值，如下表所示：
[0015]月份PM2.5PM10SO2CONO2O3Jan
‑
13193206385.594210
[0016]y1是x1对应的空气质量值，也称AQI值，为
[0017]月份AQIJan
‑
13238
[0018]x2是2013年2月份开封市空气质量因子的值，如下表所示：
[0019]月份PM2.5PM10SO2CONO2O3AQIFeb
‑
13145145264.557150188
[0020]y2是x2对应的空气质量值，也称AQI值，为
[0021]月份AQIJan
‑
13188
[0022]神经网络在(x
i
，y
i
)上的均方误差Ei表示为误差阈值设为μ。隐藏层与输出层之间的权重更新Δτ为：其中，θ为神经网络学习效率，0＜θ＜1，τ为隐藏层与输出层之间的权重，表示对均方误差E
i
对权重τ的一阶导数。
[0023]判断数据集中的数据是否已经全部参与到神经网络的训练过程。若是，则输出神经网络各层节点之间的权重，训练过程结束；否则，则继续执行训练过程。
[0024]通过上述学习过程，可以得到误差在给定阈值范围内的神经网络。确定神经网络中各神经元节点之间的连接权重后，即可使用该网络根据新的输入进行计算并输出结果。
[0025]将当前空气质量因子监测值代入神经网络模型，获得空气质量预测值P
NN
。
[0026]步骤2.2，决策树DT算法计算空气质量预测值：
[0027]决策树，Decision Tree，DT，可以分析隐藏在数据中的具有重要意义的信息，其表达直观，用户易于理解其中隐含的信息，被广泛应用在数据挖掘和预测中。
[0028]训练数据集为TDS(Training Data Set)，样本数量为N，表达式为TDS＝{(x1，y1)，(x2，y2)
…
(x
N
，y
N
)}，x1、x2、
…
x
N
是空气质量因子样本，例如x1是表格中；y1、y2、
…
y
N
是对应的空气质量样本值。
[0029]决策树在进行样本划分时的目标函数为最小误差平方和，即：其中，j表示每个样本中的第j变量，样本变量总数为M，在本专利技术中，M＝6，s表示第j个变量的划分点s，R1(j，s)表示该划分的左边区域，R2(j，s)表示该划分的右边区域，c1和c2标识区域R1(j，s)和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于云计算和机器学习的空气质量监测与告警方法，其特征在于，包括以下步骤：步骤1：将各个监测传感器获得的空气质量因子的采样值传入到云平台；步骤2：云平台计算空气质量因子的预测值；具体计算是，采用神经网络NN、决策树DT、支持向量机SVM算法分别计算出空气质量的预测值，并基于历史预测情况为三种算法赋予权重：W
NN
，W
DT
，W
SVM
，计算最终的空气质量预测值；步骤3：依据步骤2获得的空气质量预测值确定空气质量等级，当空气质量等级为轻度污染、中度污染或者重度污染时，发出告警，提示空气质量因子超标。2.根据权利要求1所述的方法，其中采用神经网络NN计算空气质量预测值的过程为：首先初始化网络，确定隐含层的层数和每层内部的神经元个数，初始化神经网络的各层神经元之间的连接权重，确定输入和目标输出，隐含层节点个数n
in
是输入层节点个数，n
out
是输出层节点个数，之后输入训练数据，确定训练数据集并将数据集中的各组数据输入到神经网络中；根据神经网络和权重值计算得到网络的输出；计算神经网络得到的输出和目标输出之间的误差，若误差达不到可接受的阈值，则反向传播通过误差信息修正网络中的连接权重；训练样本集为：TDS＝＝{(x1,y1),(x2,y2)
…
(x
N
,y
N
)}，x1、x2、
…
x
N
是空气质量因子样本，y2、
…
y
N
是对应空气质量因子样本的空气质量值；神经网络在(x
i
,y
i
)上的均方误差E
i
表示为误差...

【专利技术属性】
技术研发人员：黄海，吴霖瑞，谢昊岩，吴岁纯，罗莉芳，
申请(专利权)人：许昌学院，
类型：发明
国别省市：