[发明专利]一种智慧城市空气品质高精度测量方法

说明书

本发明公开了一种智慧城市空气品质高精度测量方法，从优化传感器空间布置、空气质量预测纠正等角度，提高区域空气品质测量的准确度，符合区域内不同位置人体对空气品质的感知测量。考虑颗粒物及部分气体成分扩散的因素，区域内的空气质量传感器组应在不同地点冗余布置，同时考虑不同气体成分变化对未来空气质量数据的影响，对未来的空气质量数据做出精准预测，得出区域空气品质的最准确测量结果。该方法同时可以排查传感器的异常情况，为空气污染提供足够的预警时间。

技术领域

本发明涉及一种空气质量检测与预警领域，特别是一种智慧城市空气品质高精度测量方法。

背景技术

空气质量的问题成为近几年来各国关注的焦点问题。由于废料、尾气产生的有害细颗粒物造成大气环境的污染，也就是广为人知的PM2.5及PM10。空气质量的问题不仅会对人体的身体健康造成永久性的危害，也会对生态系统及社会生产造成不利影响。因此，采用对空气质量进行监测和管理的方法可以在一定程度上解决空气污染造成的影响。

现阶段，区域内的空气质量检测传感器在一般情况下只设置一组，并且所负责的工作范围较大，其监测数值往往不能准确反应监测范围内所有地点的空气品质情况。但是在区域内采集冗余设计，布置大量检测传感器时，系统的计算速度又无法达到要求，无法对未来做出有效地预警。

伴随着人工智能和大数据技术的发展，使大量空气质量数据的预测成为可能，本发明提出一种以传感器测量为主、空气质量预测为辅的空气品质高精度测量方法，即在区域内采取传感器组冗余布置，在计算某一个地点地未来空气品质数据时，综合考虑不同周边环境和不同气体成分的影响，得出该地点空气品质的最准确结果，做出有效地预警。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种智慧城市空气品质高精度测量方法，提高区域空气品质测量的准确度。

为解决上述技术问题，本发明所采用的技术方案是：一种智慧城市空气品质高精度测量方法，包括以下步骤：

1)采集各监测点的初始空气质量数据；

2)对于每一个监测点，将所述监测点的初始空气质量数据划分为多组训练集，利用每组训练集训练一个预测器，任一个预测器的具体训练过程包括：

2a)将一组训练集内的数据经过EWT信号分解，得到多个子序列；

2b)对每个子序列使用LSTM训练和预测，得到LSTM网络；

2c)采用反向误差传播算法对LSTM网络进行多次迭代，完成对一个子序列的LSTM网络的训练过程；

2d)重复步骤2b)和2c)，得到n个LSTM神经网络，n为子序列的数目；

2e)利用n个LSTM神经网络对子序列进行预测，得到每组子序列的预测结果，将所述预测结果进行重构后得到预测器的预测结果；

3)将所有预测器输出的预测结果按照权重加权相加，得到最终的预测结果。

步骤3)之后，还包括：

4)使用灰狼优化算法优化每个预测器的权重，将M组输出结果按照优化后的权重加权，得到模型A的输出结果，即得到未来T分钟的空气质量变化值；其中M为训练集的组数。

步骤4)之后，还包括：

5)通过以下公式计算随机选取的无传感器地点的未来空气品质y，其中，为该无传感器地点各相邻监测点的空气质量变化值，l_i为第i个相邻监测点与所述随机选取的监测点的距离，为所有相邻监测点到该无传感器地点距离之和，P为3或4。

步骤5)之后，还包括：