一种地下轨道公共区空气质量预测方法、存储介质及设备技术

本发明专利技术公开了一种地下轨道公共区空气质量预测方法、存储介质及设备，包括获取并处理时间序列特征的空气质量数据集，将数据集进行划分，构建全新时序特征编码模块、新型时序注意力机制，通过反向传播算法对训练集与验证集对模型进行迭代计算，设定预测参数，获取训练好符合设计损失的模型，将训练好的模型进行输出，可对地下轨道公共区空气质量进行预测。本发明专利技术实现了地下轨道公共区空气质量的预测，通过对空气温度、湿度、二氧化碳浓度预测可以使得地铁站对风机空调等设备进行合理开关，为地铁站节能减排提供参考。铁站节能减排提供参考。铁站节能减排提供参考。

【技术实现步骤摘要】
一种地下轨道公共区空气质量预测方法、存储介质及设备


[0001]本专利技术涉及空气质量预测
，特别涉及一种地下轨道公共区空气质量预测方法、存储介质及设备。

技术介绍

[0002]随着城市人口的增长与土地资源的紧缺，地下轨道交通已成为城市交通的重要组成部分。空气温湿度、二氧化碳浓度是人体一项重要环境适应性指标，地下设施的通风、空调调控温度将直接影响到公共区域的温湿度。如何对通风、空调设施的开启时间进行调整，在达到合理的设定温湿度和二氧化碳浓度又能有很好节能环保的效果成为城市地铁运营时的一大难题。空气质量预测模型能通过对各项影响因素的处理提前预测地下轨道交通公共区的温湿度变化，对地铁运营实现舒适环保的交通环境具有重大意义。
[0003]空气质量数据作为一种时间序列，具有很强的时间特性，目前空气质量预测的有传统的时间序列预测如AR、MA、ARMA、ARIMA等。随着机器学习技术的发展，深度学习已然成为数据预测的热门方法，rnn循环神经网络的出现让机器学习运用于空气质量预测上，然而rnn对长时间预测较差。为了解决长时依赖问题，lstm长短时记忆网络被提出了，lstm作为rnn的一个升级模型，具有大部分rnn模型的优点，对长时间序列预测起了巨大作用，但随着seq2seq，transformer等新型深度学习模型的出现并在自然语言处理中大获成功，以及其中注意力机制的优异表现，将人们的目光放到了将他们运用于时间序列处理上。

技术实现思路

[0004]本专利技术针对现有技术中的不足，提供一种地下轨道公共区空气质量预测方法、存储介质及设备，通过引入全新的时序注意力机制模块和新型的时序特征编码模块，将时间序列数据中的时间特性转化为时序注意力机制中的注意力分数，从而挖掘地下轨道公共区空气质量的特性，以精准完成空气质量预测。
[0005]为实现上述目的，本专利技术采用以下技术方案：
[0006]一种地下轨道公共区空气质量预测方法，包括以下步骤：
[0007]S1：采集获取地下轨道公共区中具有时序特征的室内温度、室外温度、室内湿度、室内二氧化碳浓度、室内人流量数据、以及采集获取地下轨道公共区中空调和风机的开启状态数据；将所采集获取的数据进行前处理，划分数据集后输入至多源数据输入模块；
[0008]S2：多源数据输入模块将处理后的数据输出至时序特征编码模块，通过时序特征编码模块对输入的时间序列中的每个数据建立一个唯一编码，然后将添加好时序特征编码的数据导入至时序注意力机制模块；
[0009]S3：时序注意力机制模块将不同时间的数据进行自注意力机制处理，计算不同时间对当前时间空气质量的影响，然后输入至预测输出模块；
[0010]S4：预测输出模块通过反向传播算法进行计算迭代，并输出预测结果。
[0011]为优化上述技术方案，采取的具体措施还包括：
[0012]进一步地，步骤S1具体内容为：
[0013]S1.1：对地下轨道公共区中各个监测点的历史时序数据进行每半个小时的采集，包含地下轨道公共区中的室内温度、室外温度、室内湿度、室内二氧化碳浓度、室内人流量数据，同时采集空调和风机的开启状态数据，并设定空调和风机的内设温度以及工作频率始终恒定，只关注其开启状态，令开启状态为1，关闭状态为0；
[0014]S1.2：对采集的数据进行前处理，包括使用线性插值法对丢失、错误数据进行补缺；
[0015]S1.3：根据预测目标选择相应的数据，包括：若预测目标为地下轨道公共区中的室内温度，则以室外温度、室内人流量、空调和风机的开启状态作为输入数据；若预测目标为地下轨道公共区中的室内湿度，则以室内温度、室内人流量、空调和风机的开启状态作为输入数据；若预测目标为地下轨道公共区中的二氧化碳浓度，则以室内温度、室内湿度、室内人流量、空调和风机开启状态作为输入数据；
[0016]S1.4：根据步骤S1.3选择的输入数据，将对应部分的室内温度、室外温度、室内湿度、室内二氧化碳浓度、室内人流量、空调和风机开启状态生成二维张量，其中每个一维张量的数据都是以时间t为轴的时间序列；
[0017]S1.5：将生成好的张量数据按照7：2：1的比例划分训练集、验证集、测试集；
[0018]S1.6：将划分好的数据集数据输入至多源数据输入模块，多源数据输入模块使用线性归一化法对各数据集数据进行归一化处理；
[0019]S1.7：然后将归一化好的数据集中数据用全连接线性层与时序特征编码模块连接，而全连接线性层用于将各个时间序列的数据参数扩展成维数为d
model
的数列。
[0020]进一步地，步骤S2所述通过时序特征编码模块对输入的时间序列中每个数据建立一个唯一编码，然后将添加好时序特征编码的数据导入至时序注意力机制模块的具体内容为：
[0021]S2.1：时序特征编码模块将二维张量按照时间轴分成各个一维向量，并为每个一维向量添加时序特征编码，具体是先将一维向量中的室内人流量、空调和风机的开启状态、室外温度中数据的每个参数添加同一个时序特征编码，然后按照时间序列顺序分离出其它的一维向量，并对这些一维向量添加不同的时序特征编码；
[0022]S2.2：将添加过时序特征编码的二维张量经过归一化和一个全连接层后输入至时序注意力机制模块。
[0023]进一步地，所述为每个一维向量添加时序特征编码的具体方式为：
[0024][0025][0026]式中，T为输入的时间序列的时刻位置，i表示为输入向量维数的位置，d
model
表示所有子层输入输出的维数，PE
(T，2i)
和PE
(T，2i+1)
分别表示在对应向量维数的奇数位置和偶数位置的位置编码数值。
[0027]进一步地，步骤S3的具体内容为：
[0028]S3.1：将时序特征编码模块输出的二维张量数据分别与自注意力机制模块中W
q
，W
K
，W
V
三个可训练权重矩阵相乘得到Q、K、V三个矩阵，将Q矩阵与K矩阵的转置矩阵相乘，以保证Q矩阵中每行向量即每个时刻的q向量都与K矩阵中其他不同时刻的k向量相乘，进而模拟时间序列数据不同时间对当前时间的影响，将所得矩阵除以表示k向量维度，再由softmax函数进行归一化，并与V矩阵相乘，得到自注意力分数矩阵Z，使得输出的自注意力分数矩阵每行均是输入数据的自注意力数值；
[0029]其中在矩阵Q和矩阵K的转置矩阵相乘后，需用含零矩阵E对所得结果进行过滤，将数据在当前时间节点以后所得的注意力分数清零，模拟时序数列中，当前时刻中的室内温度、室外温度、室内湿度和室内二氧化碳浓度收到前多个时间的影响因素影响而不受到该时刻后多个时刻的影响因素影响，优化自注意力机制中对室内温度、室外温度、室内湿度和室内二氧化碳浓度预测时的干扰项；
[0030]S3.2：将自注意力分数矩阵Z与时序特征编码模块的输入数据矩阵进行相加，经过归一化后通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地下轨道公共区空气质量预测方法，其特征在于，包括以下步骤：S1：采集获取地下轨道公共区中具有时序特征的室内温度、室外温度、室内湿度、室内二氧化碳浓度、室内人流量数据、以及采集获取地下轨道公共区中空调和风机的开启状态数据；将所采集获取的数据进行前处理，划分数据集后输入至多源数据输入模块；S2：多源数据输入模块将处理后的数据输出至时序特征编码模块，通过时序特征编码模块对输入的时间序列中的每个数据建立一个唯一编码，然后将添加好时序特征编码的数据导入至时序注意力机制模块；S3：时序注意力机制模块将不同时间的数据进行自注意力机制处理，计算不同时间对当前时间空气质量的影响，然后输入至预测输出模块；S4：预测输出模块通过反向传播算法进行计算迭代，并输出预测结果。2.根据权利要求1所述的一种地下轨道公共区空气质量预测方法，其特征在于，步骤S1具体内容为：S1.1：对地下轨道公共区中各个监测点的历史时序数据进行每半个小时的采集，包含地下轨道公共区中的室内温度、室外温度、室内湿度、室内二氧化碳浓度、室内人流量数据，同时采集空调和风机的开启状态数据，并设定空调和风机的内设温度以及工作频率始终恒定，只关注其开启状态，令开启状态为1，关闭状态为0；S1.2：对采集的数据进行前处理，包括使用线性插值法对丢失、错误数据进行补缺；S1.3：根据预测目标选择相应的数据，包括：若预测目标为地下轨道公共区中的室内温度，则以室外温度、室内人流量、空调和风机的开启状态作为输入数据；若预测目标为地下轨道公共区中的室内湿度，则以室内温度、室内人流量、空调和风机的开启状态作为输入数据；若预测目标为地下轨道公共区中的二氧化碳浓度，则以室内温度、室内湿度、室内人流量、空调和风机开启状态作为输入数据；S1.4：根据步骤S1.3选择的输入数据，将对应部分的室内温度、室外温度、室内湿度、室内二氧化碳浓度、室内人流量、空调和风机开启状态生成二维张量，其中每个一维张量的数据都是以时间t为轴的时间序列；S1.5：将生成好的张量数据按照7：2：1的比例划分训练集、验证集、测试集；S1.6：将划分好的数据集数据输入至多源数据输入模块，多源数据输入模块使用线性归一化法对各数据集数据进行归一化处理；S1.7：然后将归一化好的数据集中数据用全连接线性层与时序特征编码模块连接，而全连接线性层用于将各个时间序列的数据参数扩展成维数为d
model
的数列。3.根据权利要求2所述的一种地下轨道公共区空气质量预测方法，其特征在于，步骤S2所述通过时序特征编码模块对输入的时间序列中每个数据建立一个唯一编码，然后将添加好时序特征编码的数据导入至时序注意力机制模块的具体内容为：S2.1：时序特征编码模块将二维张量按照时间轴分成各个一维向量，并为每个一维向量添加时序特征编码，具体是先将一维向量中的室内人流量、空调和风机的开启状态、室外温度中数据的每个参数添加同一个时序特征编码，然后按照时间序列顺序分离出其它的一维向量，并对这些一维向量添加不同的时序特征编码；S2.2：将添加过时序特征编码的二维张量经过归一化和一个全连接层后输入至时序注意力机制模块。
4.根据权利要求3所述的一种地下轨道公共区空气质...

【专利技术属性】
技术研发人员：张艳芹，吴烨，倪世钱，李加宝，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：