[发明专利]一种利用误差传递的空气质量数据实时校准方法

说明书

本发明公开了一种利用误差传递的空气质量数据实时校准方法，其特征在于：首先初始化模型，然后采集最近时间段的国标数据和卓易设备数据，并对采集的国标数据进行克里金插值，得到采样频率与卓易设备相等的国标插值数据；其次，对国标插值数据及卓易设备数据进行基于Bagging模型的建模；接着，基于上次模型的误差，对本次Bagging模型输出的结果进行数据校准，得到校准值；最后等待最新国标数据的采集，并根据新采集的国标数据，来更新校准误差，并将误差传递给下一个模型。本方法通过对宜兴的实测数据进行模型验证，本方法能够有效的提高低精度设备的精度和准确率，能够进行区域部署，应用于实际生产环境。

技术领域

本发明属于空气质量数据实时校准方法技术领域，具体涉及一种利用误差传递的空气质量数据实时校准方法。

背景技术

随着我国工业化的发展，环境污染问题也日益严重。近年来，我国对环境问题逐步重视，我国环境污染程度逐步降低，但与发达国家相比仍差距很大。目前，监测空气环境质量是控制空气环境污染的一种有效手段。通过对工业区的空气质量进行实时监测，能够有效地监控企业的污染排放程度，严格控制空气质量环境。但是目前高精度高准确率的空气质量监测站使用的传感器成本较大，且实时性较低。江苏卓易信息科技股份有限公司自主研发了一种基于ARM架构的嵌入式设备(以下简称卓易设备)，使用了成本和国家监测站相比较低的便携式传感器，能够准实时地监测空气环境质量。但是卓易设备精度和国家监测站相比较低，且准确率不高，存在一定的错误率。

基于机器学习的设备校准方法能够有效地对设备进行校准，提高设备的精度和准确度。文献1[Ma T T.P–Q decoupled control schemes using fuzzy neural networksfor the unified power flow controller[J].International Journal of ElectricalPowerEnergy Systems,2007,29(10):748-758.]提出了一种基于模糊神经网络的在线校准方法运用于工业控制，文献2[Li C,Liu K,Wang H.The incremental learningalgorithm with support vector machine based on hyperplane-distance[J].AppliedIntelligence,2011,34(1):19-27.]提出了一种支持向量机的在线训练方法，能够实现增量样本的学习。但是文献1、2的方法构建的模型有效时间较短，无法长时间学习，而重新构建支持向量机或神经网络的时间复杂度较高，计算时间较长。文献3[Breiman L.Baggingpredictors[J].Machine learning,1996,24(2):123-140.]提出了一种集成学习算法——Bagging算法，能够集成多种机器学习算法，组成一个功能更强大的机器学习模型。文献4[Prasad AM,Iverson L R,Liaw A.Newer classification and regression treetechniques:bagging and random forests for ecological prediction[J].Ecosystems,2006,9(2):181-199.]提出了基于Bagging算法的回归树模型，能够对连续型数值进行回归分析，并且具有较低的时间复杂度。但是文献3、4的机器学习方法生成的模型是独立的模型，均不能满足使用需求。

发明内容

发明目的：针对现有技术中存在的不足，本发明的目的是提供一种利用误差传递的空气质量数据实时校准方法，能够有效的提高低精度设备的精度和准确率，能够进行区域部署。

技术方案：为实现上述发明目的，本发明采用的技术方案是：