【技术实现步骤摘要】
本专利技术涉及空气质量监测，具体是指人工智能生态因子空气环境质量监测方法及系统。
技术介绍
1、空气环境质量监测是评估和监测大气中污染物浓度和气象参数的过程，综合考虑生态因素对空气环境质量的影响。但是传统预测模型存在忽略站点间关系导致特征表达能力弱，模型学习能力弱和出现过拟合的问题；传统寻参算法存在参数搜索的随机性弱，从而导致无法跳出局部最优，寻参出现越界从而降低参数的有效性的问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了人工智能生态因子空气环境质量监测方法及系统，针对传统预测模型存在忽略站点间关系导致特征表达能力弱，模型学习能力弱和出现过拟合的问题，本方案采用计算城市中站点之间的强弱关联度，从而准确地反映站点间的联系和相互作用，通过设置多层隐藏层进行特征学习后，并基于对损失函数添加正则项完成神经网络的构建，从而提高模型的表达能力和预测准确性；针对传统寻参算法存在参数搜索的随机性弱，从而导致无法跳出局部最优，寻参出现越界从而降低参数的有效性的问题，本方案采用基于加速度因子和随机数调整速度，基于混沌系统调整位置，并对越界参数采用缓冲壁技术处理，从而保证参数搜索的随机性和有效性双达标。
2、本专利技术采取的技术方案如下：本专利技术提供的人工智能生态因子空气环境质量监测方法，该方法包括以下步骤：
3、步骤s1：数据采集，基于监测站采集生态因子中的空气污染物和负氧离子浓度历史数据及对应标签，标签为空气质量评估等级；
4、步
5、步骤s3：建立空气质量预测模型，基于拓扑图并计算站点间强弱关联度分配边权值，用特征矩阵存储属性特征并基于拉普拉斯变换对矩阵进行聚合变换；基于构造多层隐藏层进行特征学习，在损失函数中添加正则项，从而构建神经网络，建立空气质量预测模型；
6、步骤s4：寻参，初始化参数后基于随机数和加速度因子更新速度，添加混沌程度对位置更新，基于缓冲壁技术处理越界粒子，最终完成寻参。
7、进一步地，在步骤s2中，所述数据预处理具体包括以下步骤：
8、步骤s21：建立分区空气质量与监测站空气质量的关系，根据每个监测站到待预测监测站的距离设置不同的权重，处理结果为该分区的空气质量，反映受影响分区的空气污染程度，所用公式如下：
9、；
10、式中，是受影响分区的空气质量，ai1是受影响分区，i1是受影响分区索引，aqi是空气质量指数，sj1是ai1分区内第j1个监测站，k是分区内监测站数量，wj1是j1监测站的影响权重；
11、步骤s22：空间插值，若受影响子区域内没有监测站且存在缺失值，则采用空间插值法进行空间插值。
12、进一步地，在步骤s3中，所述建立空气质量预测模型具体包括以下步骤：
13、步骤s31：建立拓扑图，建立拓扑图g（v，e）来描述多个环境监测点之间的拓扑关系，该图由节点和边组成，图中的每个节点代表一个环境监测站，v表示多个环境监测站的集合，v={v1，v2，…，vn}，n是环境监测站的数量，e表示连接这些站点的边；
14、步骤s32：计算城市中每两个站点之间的强弱关联度lq，并存储在邻接矩阵a中，作为对应站点边权值，所用公式如下：
15、；
16、式中，（a，b）和（c，d）分别是两个站的地理位置，a和c是维度信息，b和d是经度信息，r是地球半径；
17、步骤s33：建立特征矩阵，特征矩阵x用于存储图中每个节点的属性特征，即每个监测站的空气污染物和负氧离子浓度历史数据；用p代表图中节点的定量特征，对应模型输入的历史时间窗口大小；用xt表示每个监测站空气污染物和负氧离子浓度历史数据值；
18、步骤s34：矩阵变换，邻接矩阵a通过拉普拉斯变换生成矩阵ã，对关联节点的特征进行聚合和变换，计算出目标节点的新特征，所用公式如下：
19、ã=d-1/2ad-1/2；
20、hi+1=σ1（ãhiwi）；
21、式中，ã是自连通的邻接矩阵，d是度矩阵，hi+1是目标节点的新特征，σ1为非线性激活函数，wi是第i层的权值矩阵，hi是第i层的激活值；
22、步骤s35：神经网络构造，将变换后得到的矩阵输入到gru中，通过单元间的信息传递动态获取时间特征，并通过全连通层对网络输出进行变换，具体包括以下步骤：
23、步骤s351：局部分量由lstm网络构成，全局分量计算过程如下：
24、；
25、；
26、；
27、；
28、式中，f（）是图卷积过程，w是训练过程中的权重，b是训练时的偏置，c是细胞状态，u是更新门，r是复位门，h是输出，t和t-1是时刻，xt是输入的特征矩阵；
29、步骤s352：首先基于输入计算中间状态，然后计算遗忘门和复位门的状态，计算公式如下：
30、；
31、；
32、；
33、式中，是用于计算门控状态的中间状态，ft是遗忘门，rt是复位门，σ是激活函数；
34、步骤s353：遗忘门用于控制内部状态ct，复位门用于计算输出状态c，所用公式如下：
35、；
36、；
37、式中，g是用于计算输出状态的激活函数，⊙是逐元素相乘；
38、步骤s354：空气质量预测，经过上述多层隐藏层特征学习后，将学习到的数据特征作为输入建立空气预测模型进行训练，设空气质量数据的特征向量为x，相应的标签为t，对于一组样本[xl，tl]，xl=[xl1，xl2，…，xln]t，tl=[tl1，tl2，…，tln]t，具有l个隐藏层节点的神经网络ol的输出表示为：
39、；
40、式中，l是样本的索引，l是样本数量，βq是连接第i个隐藏层和第q个输出层的权重矩阵，ωi是特征向量层和隐藏层之间的连接权重，ci是隐层的偏置向量；
41、步骤s355：定义损失函数，预先设定损失评估阈值，当损失函数低于损失评估阈值时，模型训练完成，损失函数l（ω）所用公式如下：
42、；
43、式中，lo（w）是预测值与实际值之间的差异，λ是正则化系数，n是权重索引，n是权重数量；
44、步骤s356：基于损失函数调整参数，所用公式如下：
45、；
46、式中，ω’是调整后的参数，η是学习率。
47、进一步地，在步骤s4中，所述寻参具体包括以下步骤：
48、步骤s41：初始化，初始化参数位置、初始速度，并将基于各参数建立的空气质量预测模型预测正确率作为参数适应度值，适应度值最高的作为最优参数；
49、步骤s42：更新速度，所用公式如下：
50、；
本文档来自技高网...
【技术保护点】
1.人工智能生态因子空气环境质量监测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的人工智能生态因子空气环境质量监测方法，其特征在于：在步骤S3中，所述建立空气质量预测模型具体包括以下步骤：
3.根据权利要求1所述的人工智能生态因子空气环境质量监测方法，其特征在于：在步骤S4中，所述寻参具体包括以下步骤：
4.根据权利要求1所述的人工智能生态因子空气环境质量监测方法，其特征在于：在步骤S2中，所述数据预处理具体包括以下步骤：
5.人工智能生态因子空气环境质量监测系统，用于实现如权利要求1-4中任一项所述的人工智能生态因子空气环境质量监测方法，其特征在于：包括数据采集模块、数据预处理模块、空气质量预测模块和寻参模块；
【技术特征摘要】
1.人工智能生态因子空气环境质量监测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的人工智能生态因子空气环境质量监测方法，其特征在于：在步骤s3中，所述建立空气质量预测模型具体包括以下步骤：
3.根据权利要求1所述的人工智能生态因子空气环境质量监测方法，其特征在于：在步骤s4中，所述寻参具体包括以下步骤...
【专利技术属性】
技术研发人员：高旭东，
申请(专利权)人：河北东医生物科技有限公司，
类型：发明
国别省市：
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。