[发明专利]基于迁移学习的室内颗粒悬浮物浓度预测方法

说明书

基于迁移学习的室内颗粒悬浮物浓度预测方法，属于颗粒悬浮物浓度预测技术领域。它包括以下步骤：步骤1、数据获取和整合：对不同室内环境条件下的颗粒悬浮物浓度变化情况进行监测，并按照源域和目标域数据量的不同进行数据的收集和整合；步骤2、建模训练：构建域适应迁移算法DAELM模型，并进行学习训练；步骤3、将训练后的DAELM模型用于目标域的室内颗粒悬浮物浓度预测，并给出预测结果。本发明专利通过将迁移算法引入室内颗粒悬浮物浓度预测领域，能有用于预测只有少量信息的目标室内环境条件下的颗粒悬浮物浓度变化情况，提高了模型的泛化性能，有效解决当前室内颗粒悬浮物浓度预测方法泛化性能较差的问题。

技术领域

本发明专利属于颗粒悬浮物浓度预测技术领域，具体涉及基于迁移学习的室内颗粒悬浮物浓度预测方法。

背景技术

随着社会的不断发展和人们生活水平的不断提升，人们对空气质量(颗粒悬浮物浓度高低水平)的关注也越来越多。颗粒悬浮物是指空气中直径小于等于一定数值的颗粒物，颗粒悬浮物可以较长时间地悬浮物在空气中。虽然颗粒悬浮物只是空气中含量很少的组分，但是由于其具有粒径小、面积大、活性强、易附带有毒有害物质等特点，其对人体健康和空气质量等具有很大的影响。作为人们每天停留时间最长的地方，室内场所的空气质量也越发受到重视。

目前，对室内颗粒悬浮物浓度预测的研究较少，现有的方法基本基于机器学习和深度学习等方法进行，即监测室内颗粒悬浮物浓度的变化，利用相关算法对颗粒悬浮物浓度的变化趋势进行研究，并做出未来变化的预测。目前常用的算法有神经网络算法、支持向量机算法(SVM)和极限学习机算法(ELM)等。但是，由于不同的室内环境对室内颗粒悬浮物浓度的变化影响较大，而当前的研究多针对某一特定的室内环境，因此，当前对室内颗粒悬浮物浓度预测的研究存在较大的局限性，当前的预测方法只能对某一种特定室内环境条件下的颗粒悬浮物浓度进行预测，无法对其他不同室内环境条件下的颗粒悬浮物浓度进行泛化预测。

发明专利内容

针对现有技术中存在的上述问题，本发明专利的目的在于提供一种基于迁移学习的室内颗粒悬浮物浓度预测方法，该方法相较于现有方法引入了迁移算法，增强了模型的泛化性能，可以对不同室内环境条件下的颗粒悬浮物浓度变化进行预测。

本发明专利提供如下技术方案：基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于：包括以下步骤:

步骤1、数据获取和整合：对不同室内环境条件下的颗粒悬浮物浓度变化情况进行监测，并按照源域和目标域数据量的不同进行数据的收集和整合；

步骤2、建模训练：构建域适应迁移算法DAELM模型，利用域适应迁移算法DAELM模型对步骤一中整合的数据进行学习训练；

步骤3、将训练后的DAELM模型用于目标域的室内颗粒悬浮物浓度预测，并给出预测结果。

所述的基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于所述步骤1包括以下具体步骤：

步骤1.1、分别对源域室内环境条件下的悬浮物浓度变化和目标域室内环境条件下的悬浮物浓度变化进行监测，按照源域数据大于目标域数据的原则进行悬浮物浓度数据的测量；

步骤1.2、将步骤1.1中所获取的源域数据和目标域数据进行组合，按照特征数据和标签数据分别组合的原则进行数据重组，以获得DAELM模型的输入特征数据。

所述的基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于所述步骤2中，所述域适应迁移算法DAELM模型基于ELM算法构建，所述域适应迁移算法DAELM模型在对源域数据进行学习训练的同时，加入对目标域数据的训练学习，将域适应迁移算法DAELM模型中的预测性能从源域迁移到目标域中。

所述的基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于所述ELM算法网络结构如下所示：