一种室内环境质量预测方法

技术领域

本发明属于智能环境预测领域，具体涉及一种室内环境质量预测方法。

背景技术

在智能家居行业和建筑行业中，如何更好地提升室内环境质量是相关研究人员关注的焦点，因此需要建立可靠的室内环境质量变化预测模型来模拟室内环境变化。影响室内环境质量的因素有很多并且互相影响，目前的室内环境预测方法中较多的只考虑污染物浓度变化或者对环境质量指数时间序列的预测，如果能够在神经网络训练中如果能将影响因素作为特征数据模型引入环境质量的时间序列构成多维度的数据集，则相比单一特征模型来说训练后拥有更高的准确性。

常见的可用来进行预测的神经网络有LSTM，DP，RNN等。单一的神经网络结构一定程度上具有不能较好处理离群值，预测精度不足，处理较长的时间序列较为费时、运算量大，周期性吻合不佳等缺点。室内环境质量随着一天的时间变化呈现一定的周期规律，因此需要在通过神经网络预测前对时间序列进行分解剔除周期因素的影响，使得时间序列更好地反映相关趋势，预测结果更为准确。STL时间序列分解算法可将数据分解为季节序列，趋势序列和残差序列，能够契合室内环境质量变化的周期性和趋势性。

故，针对现有技术存在的技术缺陷，实有必要提出一种技术方案以解决现有技术存在的技术问题。

发明内容

本发明的目的在于克服现有技术的不足，适应实际应用需要，提供一种室内环境质量的预测方法，基于多维度环境变量历史数据结合神经网络模型进行室内环境预测，从而大大提高了预测精度。

为了解决现有技术存在的技术问题，本发明的技术方案如下：

一种室内环境质量预测方法，至少包括以下步骤：

步骤S1：构建多维度数据集；

步骤S2：构建神经网络模型并利用步骤S1构建的多维度数据集对神经网络模型进行训练得到预测模型；

步骤S3：利用步骤S2训练的预测模型进行室内环境质量预测；

其中，

步骤S1至少包括：

步骤S11：按统一周期采集室内污染物浓度组成相关数据集，对数据集进行计算出室内环境质量指数构成时间序列数据Y

步骤S12：将Y

步骤S13：采集同步骤S11同时间段相同时刻的的室内环境特征数据，构成数据集

作为进一步的改进方案，至少包括以下步骤：

步骤S21：将步骤S1构建的数据分为训练集和测试集并进行归一化；

步骤S22：构建3个独立的神经网络，采用每个子集相应对每个神经网络进行训练；

步骤S23：预测模型最终输出为：三个神经网络输出的叠加P＝P

作为进一步的改进方案，

步骤S21中，得到的数据进行归一化处理，将数据变为0到1之间，归一化处理方法如下：

作为进一步的改进方案，步骤S22中，使用相同参数的3个单独的神经网络进行模型训练，其中，误差计算loss采用绝对平均误差计算MAE公式：

其中R为实际值，P为预测值；

选择Tanh函数作为激活函数：

步骤S23中，训练好的模型分别就S

x＝x'×(x

再将预测结果合并，预测结果P

P＝P

作为进一步的改进方案，

步骤S11中，对采集的各种污染物浓度数据进行分时刻的质量指数计算，每一时间节点取质量指数最差的数据作为该时刻的环境质量指数:

Y

L为对应污染物浓度的AQI参考指数，C为对应浓度范围，具体可参照国内AQI指数评估表；各节点结果为室内环境质量指数的原始时间序列Y

作为进一步的改进方案，步骤S12进一步包括：

步骤S12.1：确定好STL时间序列分解算法的内循环次数n

步骤S12.2：内循环迭代，通过滤波处理和局部加权回归方法处理室内环境质量指数的时间序列Y

步骤S12.3：外循环根据每次内循环得出的残差序列R

h＝6×median(|R

B(x)的计算方法为：

内外循环迭代完成得到最终的S

作为进一步的改进方案，步骤S12.2进一步包括：

步骤S12.2.1：去趋势化，在k次迭代中首先对Y

′

Y

步骤S12.2.2：通过局部加权回归算法，将Y

λ

每个点有一个权重v，设有g(x)为回归曲线连接各点，将各个点的v

步骤S12.2.3：通过低通滤波处理将

步骤S12.2.4：在临时Y

作为进一步的改进方案，步骤S13进一步包括：

步骤S13.1：采集特征数据分别为天气，室内人数，室内活动，门窗通风、通风设备运转情况及其它设备运转情况构建数据集F

步骤S13.2：对数据集F

步骤S13.3：根据主观评估的方法建立特征数据模型，天气数据按照温和到剧烈主观分为20等分，室内活动由观察者就剧烈程度主观分为20等分，其他记录则按照数字化的数据进行记录，数据汇总成特征数据集

步骤S13.4：将环境特征数据集和序列S

作为进一步的改进方案，神经网络模型采用LSTM、DP或RNN。

采用上述技术方案，采集一段时间内的多种室内污染物浓度数据得出室内环境质量指数的时间序列，通过鲁棒局部加权回归(LOESS)作为平滑的时间序列分解算法(STL)对该时间序列进行分割为季节序列，趋势序列和残差序列。同时采集影响室内环境质量的环境特征数据汇总成数据集，分别结合季节序列，趋势序列和残差序列，生成新的3个多维度数据集。分别用3个单独的神经网络模型根据数据集进行训练，最后将训练好的模型预测序列进行叠加，得到最终的预测结果即为未来的市内环境质量变化趋势。

与现有技术相比，采用本发明至少具有如下的有益效果：

本发明技术方案充分考虑影响室内环境的各种因素，综合了室内各种污染物浓度变化趋势以及可能影响室内环境质量变化的各种因素，建立了一组多维度的数据集，同时结合了STL时间序列分解法和卷积神经网络在预测方面的优点，达到了良好的预测效果。将室内环境质量的时间序列进行分解，引入了特征数据模型参与训练，不同的序列采用单独的神经网络进行训练，对时间序列的趋势性和周期性进行考量，这使得神经网络在训练过程中能充分考虑到多种影响因素，大大提高了预测精度。拓展了深度学习和STL时间序列分解法的应用领域。

附图说明

图1为本发明提供的一种室内环境质量预测方法框架流程图；

图2为本发明提供的一种室内环境质量预测方法详细流程图；

图3为本发明一种优选实施方式的详细流程图；

图4为本实施例提供的一种室内环境质量预测模型输入输出结构示意图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1，所示为本发明一种室内环境质量预测方法的流程框图，至少包括以下步骤：

步骤S1：构建多维度数据集；

步骤S2：构建神经网络模型并利用步骤S1构建的多维度数据集对神经网络模型进行训练得到预测模型；

步骤S3：利用步骤S2训练的预测模型进行室内环境质量预测。

参见图2和图3，所示为本发明实施例具体流程框图，其中，步骤S1至少包括：

步骤S11：在室内恰当位置部署多个污染物采集器，按统一周期采集室内污染物浓度组成相关数据集，室内人员流动和生产生活照常进行，对数据集进行计算出室内环境质量指数构成时间序列数据Y

步骤S12：将Y

步骤S13：采集同步骤1同时间段相同时刻的的室内环境特征数据，通过主观评估的方法进行数字量化，构成数据集

步骤S2中，将数据分为训练集和测试集，归一化后开始训练，每个子集对应单独的可进行预测的卷积神经网络，经过准确性验证和修改神经网络参数后达到最佳预测结果。最终预测的环境质量指数序列为3个网络预测结果的叠加P＝P

步骤S21：将步骤S1构建的数据分为训练集和测试集并进行归一化；

步骤S22：构建3个独立的神经网络，采用每个子集相应对每个神经网络进行训练；

步骤S23：预测模型最终输出为：三个神经网络输出的叠加P＝P

其中，步骤S21中，得到的数据进行归一化处理，将数据变为0到1之间，归一化处理方法如下：

作为进一步的改进方案，步骤S22中，使用相同参数的3个单独的神经网络进行模型训练，其中，差计算loss采用绝对平均误差计算MAE公式：

其中R为实际值，P为预测值；

选择Tanh函数作为激活函数：

步骤S23中，训练好的模型分别就S

x＝x'×(x

再将预测结果合并，预测结果P

P＝P

采用本发明上述技术方案，基于多维度环境变量历史数据结合神经网络进行室内环境预测，采集一段时间内的室内污染物浓度数据得出室内环境质量指数的时间序列，通过时间序列分解算法(STL)对该时间序列进行分割为季节序列，趋势序列和残差序列。同时采集同一时间段的影响室内环境质量的环境特征数据汇总成数据集，结合前文的子序列生成新的3个多维度数据集。分别用3个单独的神经网络模型根据数据集进行训练，最后将训练好的模型预测序列进行叠加，得到最终的预测结果即为未来的市内环境质量变化趋势。

作为进一步改进方案，步骤S1可进一步分为：

步骤S11.1：通过部署在室内恰当位置的传感器按照统一频率采集一段时间内评估室内环境质量所需要的污染物实际浓度，在本实例中采集的污染物为甲醛，甲苯，二氧化碳，粉尘，可吸入颗粒物等污染物实际浓度，每30分钟采集一次，室内人员活动和设备运转照常进行，共采集3600组污染物数据；

步骤S11.2：对数据集进行预处理，缺失数据按照前后采集周期采集均值补充，以此防止数据丢失和异常带来的干扰和影响；

步骤S11.3：对采集的各种污染物浓度数据进行分时刻的质量指数计算，每一时间节点取质量指数最差的数据作为该时刻的环境质量指数:

Y

L为对应污染物浓度的AQI参考指数，C为对应浓度范围，具体可参照国内AQI指数评估表。各节点结果为室内环境质量指数的原始时间序列Y

比如如PM2.5浓度为425ug/m

步骤S12可进一步分为：

步骤S12.1：确定好STL时间序列分解算法的内循环次数n

步骤S12.2：内循环迭代，内循环次数为10，每次内循环通过滤波处理和局部加权回归(LOESS)方法处理Y

步骤S12.3：外循环根据每次内循环得出的残差序列R

步骤S13可进一步分为：

步骤S13.1：采集特征数据分别为天气，室内人数，室内活动，门窗通风及通风设备运转情况，其它设备运转情况。天气和室内人数除婴幼儿外如实记录，室内活动记录室内各人员在该时刻的实际活动情况以备后期分析，门窗通风及通风设备通风情况根据该时刻风机通风效率及评估门窗通风效率进行累加，其它设备运转情况进行功耗的详细记录，温湿度进行实际记录，注意时间粒度同Y

步骤S13.2：对数据集F

步骤S13.3：根据主观评估的方法建立特征数据模型，天气数据按照温和到剧烈主观分为20等分，本次实例选取的天气情况有{晴，多云，阴，小雨，小雪，中雨，中雪，大雨，大雪，暴雨}主观上分为{0,2,4,6,8,10,12,14,16,18}，室内活动由观察者就剧烈程度主观分为20等分，通风设备和风量交换数据则根据部署在该室内的新风系统和空调等计算对应功率的风量，门窗通风情况根据开闭和当时天气和风速等给出估计值，其他记录则按照数字化的数据进行记录，数据汇总成特征数据集

步骤S13.4：将环境特征数据集和序列S

参见图4，为本发明实施例预测模型输入输出示意图，其中设定神经网络输入维度为8，步长为5，输出维度为1。

应当理解，本文所述的示例性实施例是说明性的而非限制性的。尽管结合附图描述了本发明的一个或多个实施例，本领域普通技术人员应当理解，在不脱离通过所附权利要求所限定的本发明的精神和范围的情况下，可以做出各种形式和细节的改变。