System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于空气质量预测,更具体地,涉及一种基于informer的室内空气质量预测设置方法、装置及介质。
技术介绍
1、室内空气质量是指室内空气中各种成分的含量,室内空气污染指室内各种气体成分的含量的多少。影响室内空气质量的不良因素包括物理、化学和生物因素。室内空气污染主要是人为污染,其中又以化学性污染最为突出。在室内空气质量参数中,污染物参数居多,按不同参照标准参数略有不同,但主要参数还是相同的。室内空气质量污染物参数主要有甲醛、苯及其同系物、总挥发性有机化合物(tvoc)、氨、氡、二氧化碳、一氧化碳、可吸入颗粒物(pm10)、苯并[a]芘、微生物、臭氧、氮氧化物、二氧化硫。
2、现有技术中,如cn110009245a公开一种基于神经网络的室内空气质量预测方法、装置及电子设备,涉及室内空气质量预测领域,包括获取目标室内空间的待预测的室内空气质量指标以及预确定的室内环境指标及其参数值;基于待预测的室内空气质量指标、预确定的室内环境指标在预先训练的多个神经网络室内空气质量预测模型中选取目标神经网络室内空气质量预测模型;将目标室内空间的预确定的室内环境指标的参数值作为目标神经网络室内空气质量预测模型的输入,输出为待预测的室内空气质量指标值。该方法更加灵活、方便、快捷,在得到比较全面的空气质量评价结果的同时,预测精度较高,可靠性强。
3、如cn108537383a公开一种基于模型融合的室内空气质量预测方法,该方法通过分类回归树,根据居住者的行为活动将室内空气质量预测模型和室外空气质量预测模型进行有效融合,对于
4、如cn107884511b公开一种用于预测室内空气质量的设备,包括:室外空气质量预测单元,被配置为预测室外空气质量;确定单元,被配置为确定室外空气质量与室内空气质量之间的关系;监测单元,被配置为监测室内空气质量异常;以及室内空气质量预测单元,被配置为根据室外空气质量、室外空气质量与室内空气质量之间的关系以及室内空气质量异常来预测室内空气质量。通过该技术方案,能够更加准确地预测室内空气质量,并且以较小的代价达到室内空气的净化。
5、如上所例举的现有方案中,均未在室内空气质量的预测中引入自注意力机制,如何有效地在预测模型中加入自注意力机制以提升室内空气质量的预测精度,是当下亟需要解决的技术问题。
技术实现思路
1、提供了本专利技术以解决现有技术中存在的上述问题。因此,需要一种基于informer的室内空气质量预测设置方法、装置及介质,以准确地对室内空气质量进行快速精确的预测。
2、根据本专利技术的第一方案,提供了一种基于informer的室内空气质量预测设置方法,所述方法包括:
3、构建informer模型,所述informer模型包括编码器和解码器,所述编码器中引入自注意力机制和自注意力蒸馏模块,所述自注意力机制为让编码器每个键只关注前u个重要的查询,所述自注意力蒸馏模块用于将第j层的输入特征图通过卷积、激活函数和池化操作转换为第(j+1)层的输出特征图所述解码器以所述编码器的输出作为输入,通过一次前向过程生成长序列的输出;
4、获取室内外空气质量数据集,利用所述室内外空气质量数据集对所述informer模型进行训练;
5、通过训练好的informer模型实现室内空气质量预测。
6、进一步地,让编码器每个键只关注前u个重要的查询,包括:
7、在所述自注意力机制中,第i个查询的稀疏度量定义为:
8、
9、其中,式(1)中括号内左侧第一项是第i个查询在所有键上的log-sum-exp(lse),第二项是算术平均,qi是第i个查询,lk是键的总数,是第j个键的转置,d是向量维度的平方根;通过计算查询和所有键之间的相似性,然后通过log-sum-exp和算术平均的差异来实现的,以得出每个查询的稀疏性。
10、基于预设阈值,若第i个查询的稀疏度量超过所述设定阈值,则确定第i个查询为重要的,若第i个查询的稀疏度量未超过所述设定阈值,则确定第i个查询为不重要的。
11、进一步地,通过如下公式将第j层的输入特征图通过卷积、激活函数和池化操作转换为第(j+1)层的输出特征图
12、
13、其中,ab表示注意力块,conv1d·是在时间维度上进行1维卷积操作,elu为激活函数,maxpool表示带有步幅2的最大池化操作,用于对输出进行下采样减半。
14、进一步地,所述解码器以所述编码器的输出作为输入,通过一次前向过程生成长序列的输出,包括:
15、在解码器中,输入向量表示为xtde,由起始标记(start token)xttoken和目标序列的占位符xt0拼接而成,起始标记xttoken是一个长度为ltoken的向量,表示解码器的初始输入,目标序列的占位符xt_0是一个大小为ly×dmodel的向量;
16、在自注意力计算中,采用掩码多头注意力机制,将掩码的点积设为负无穷,以防止每个位置关注未来的位置,
17、编码器的输出通过一个全连接层获得。
18、进一步地,利用所述室内外空气质量数据集,通过设定的损失函数对所述informer模型进行训练,所述损失函数用于比较预测值与目标值之间的平均平方误差。
19、进一步地,所述损失函数表示为:
20、
21、其中,n表示样本数量,表示第i个预测值,表示第i个目标值。
22、进一步地,所述室内外空气质量数据集包括室内空气的pm值、温湿度数据集。
23、进一步地,获取室内外空气质量数据集,利用所述室内外空气质量数据集对所述informer模型进行训练,包括:
24、对所述室内外空气质量数据集进行归一化、平滑处理和时间窗口划分,得到处理后的时间序列数据;
25、对所述处理后的时间序列数据进行时间编码,将时间信息编码到数据中,使用正弦函数和余弦函数生成时间编码,或使用自回归模型中的滞后变量作为时间编码;
26、将时间编码转换成三维张量格式作为预处理数据,所述三维张量包括样本数、时间步长和特征数;
27、将处理后的数据集划分成训练集、验证集和测试集,用于informer模型训练、调参和评估;
28、基于所述训练集,通过设定的训练超参数对所述informer模型进行训练;所述训练超参数包括学习率、优化器、批次大小、注意力头数、提前停止、输入序列长度、解码器起始标记长度以及预测序列长度。
29、根据本专利技术的第二技术方案,提供一种基于informer的室内空气质量预测设置装置,所述装置包括:<本文档来自技高网...
【技术保护点】
1.一种基于informer的室内空气质量预测设置方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,让编码器每个键只关注前u个重要的查询,包括:
3.根据权利要求1所述的方法,其特征在于,通过如下公式将第j层的输入特征图通过卷积、激活函数和池化操作转换为第(j+1)层的输出特征图
4.根据权利要求1所述的方法,其特征在于,所述解码器以所述编码器的输出作为输入,通过一次前向过程生成长序列的输出,包括:
5.根据权利要求1所述的方法,其特征在于,利用所述室内外空气质量数据集,通过设定的损失函数对所述informer模型进行训练,所述损失函数用于比较预测值与目标值之间的平均平方误差。
6.根据权利要求5所述的方法,其特征在于,所述损失函数表示为:
7.根据权利要求1所述的方法,其特征在于,所述室内外空气质量数据集包括室内空气的PM值、温湿度数据集。
8.根据权利要求7所述的方法,其特征在于,获取室内外空气质量数据集,利用所述室内外空气质量数据集对所述informer模型进行训练
9.一种基于informer的室内空气质量预测设置方法装置,其特征在于,所述装置包括:
10.一种可读存储介质,其特征在于,所述可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1至8中任一项所述的方法。
...【技术特征摘要】
1.一种基于informer的室内空气质量预测设置方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,让编码器每个键只关注前u个重要的查询,包括:
3.根据权利要求1所述的方法,其特征在于,通过如下公式将第j层的输入特征图通过卷积、激活函数和池化操作转换为第(j+1)层的输出特征图
4.根据权利要求1所述的方法,其特征在于,所述解码器以所述编码器的输出作为输入,通过一次前向过程生成长序列的输出,包括:
5.根据权利要求1所述的方法,其特征在于,利用所述室内外空气质量数据集,通过设定的损失函数对所述informer模型进行训练,所述损失函数用于比较预测值与目标值之间...
【专利技术属性】
技术研发人员:龙慧,方雷,胡利,罗觉灵,张雅璐,于昊立,周捷,
申请(专利权)人:长沙师范学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。