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() 一种扬尘预警方法技术_技高网

一种扬尘预警方法技术

技术编号:42604024 阅读:10 留言:0更新日期:2024-09-03 18:14
本申请公开了一种扬尘预警方法,涉及扬尘预测领域,包括:采集扬尘数据和环境数据;采用基于迭代最小二乘法的多元卡尔曼滤波算法对采集的扬尘数据和环境数据进行滤波处理;并将滤波处理后的数据上传至云服务器;采样长短期记忆神经网络LSTM和前向反馈神经网络FFNN分别训练两个预测子模型;其中,LSTM子模型用于获取扬尘数据的长期变化趋势,FFNN子模型用于获取扬尘数据与环境数据之间的非线性映射关系;通过加权平均方式集成LSTM子模型和FFNN子模型,生成最终的扬尘预测模型;利用扬尘预测模型对未来一段时间内的扬尘浓度进行预测。针对现有技术中存在的扬尘预警精度低问题,本申请通过多元卡尔曼滤波处理,LSTM和FFNN网络集成灯,提高了扬尘预测精度。

【技术实现步骤摘要】

本申请涉及扬尘预测领域,特别涉及一种扬尘预警方法


技术介绍

1、随着城市化进程的加快,建筑施工活动日益频繁,由此产生的扬尘污染问题日益突出。施工扬尘是指在施工过程中产生的对大气造成污染的尘粒,主要包括施工现场的裸露地面起尘、物料堆场起尘、物料运输等环节产生的尘粒。扬尘污染不仅影响大气能见度和空气质量,而且会对人体健康造成危害,尤其是可吸入颗粒物pm10和细颗粒物pm2.5等。为有效防控施工扬尘污染,需要对扬尘浓度进行实时监测和预警,及时采取洒水、覆盖等降尘措施。

2、目前,针对施工扬尘污染预警已经开展了大量研究和实践。传统方法主要是在施工现场安装扬尘监测设备,通过监测扬尘浓度超标情况触发预警。但这类方法只能在扬尘浓度超标后进行滞后处理,预警的时效性和准确性较差。近年来,一些研究尝试引入机器学习算法,通过建模分析历史扬尘监测数据,预测未来一段时间内的扬尘浓度趋势,以期提前预警。然而,现有的扬尘预测模型大多只考虑扬尘本身的时序特征,忽略了环境因素(如温度、湿度)对扬尘的影响,且对监测数据的质量缺乏控制,导致预测精度不足。此外,现有方法多采用单一预测模型,模型泛化性能和鲁棒性有待提高。

3、在相关技术中,比如中国专利文献cn109932988b中提供了一种城市扬尘污染扩散预测系统及方法,包括扬尘污染扩散预测中心和位于城市不同扬尘排放区域内前端在线监测设备;扬尘污染扩散预测中心分别与每一个前端在线监测设备连接;前端在线监测设备,用于采集城市不同区域的扬尘信息和气象信息,并实时传输给扬尘污染扩散预测中心;扬尘污染扩散预测中心,用于根据前端在线监测设备上传的扬尘信息和气象信息,对城市各区域的扬尘污染扩散情况进行预测,并根据预测结果进行扬尘污染预警。前端在线监测设备采集城市不同区域的扬尘信息和气象信息,并实时传输给扬尘污染扩散预测中心。然而,扬尘数据可能存在噪声、异常值和缺失值等问题,直接使用原始数据进行预测可能会影响预警精度。因此该方案的扬尘预测精度有待进一步提高。


技术实现思路

1、针对现有技术中存在的扬尘预警精度低问题,本申请提供了一种扬尘预警方法,通过多元卡尔曼滤波处理,lstm和ffnn网络集成灯,提高了扬尘预测精度。

2、本申请的目的通过以下技术方案实现。

3、本说明书提供一种扬尘预警方法,包括:在施工现场布设多个扬尘监测节点,每个监测节点包含防尘传感器和气象传感器,防尘传感器器采集包含细颗粒物pm2.5和可吸入颗粒物pm10的扬尘数据;气象传感器采集包含环境温度和环境湿度的环境数据;在每个监测节点设置边缘计算节点,采用基于迭代最小二乘法的多元卡尔曼滤波算法对采集的扬尘数据和环境数据进行滤波处理;并将滤波处理后的数据上传至云服务器;在云服务器,以滤波处理后的环境数据和扬尘数据为输入,采样长短期记忆神经网络lstm和前向反馈神经网络ffnn分别训练两个预测子模型;其中,lstm子模型用于获取扬尘数据的长期变化趋势,ffnn子模型用于获取扬尘数据与环境数据之间的非线性映射关系;通过加权平均方式集成lstm子模型和ffnn子模型,生成最终的扬尘预测模型;利用扬尘预测模型对未来一段时间内的扬尘浓度进行预测。

4、其中,基于迭代最小二乘法的多元卡尔曼滤波算法将迭代最小二乘法与卡尔曼滤波算法相结合,用于在多个变量之间存在线性关系时,对系统状态进行估计。该算法通过迭代最小二乘法估计状态空间模型中的未知参数,然后将估计的参数值代入卡尔曼滤波算法中,对系统状态进行滤波估计。与传统的卡尔曼滤波算法相比,基于迭代最小二乘法的多元卡尔曼滤波算法能够同时处理多个变量,并自适应地调整模型参数,提高滤波估计的精度。在扬尘监测中,该算法可以用于对采集的扬尘数据和环境数据进行滤波处理,去除测量噪声和异常值,得到更准确和稳定的数据估计值。前向反馈神经网络(feed-forwardneuralnetwork,ffnn)是一种常见的人工神经网络结构,也称为多层感知器(multilayerperceptron,mlp)。在扬尘预测中,ffnn可以用于建立扬尘数据与环境数据之间的非线性映射关系。通过将滤波处理后的环境数据和扬尘数据作为输入,ffnn可以学习到它们之间的复杂关系,并根据输入的环境条件预测未来的扬尘浓度。

5、优选地,云服务器采用时间序列数据库influxdb存储各监测节点上传的扬尘浓度数据和环境数据,采用kafka消息队列缓存实时预测结果,采用mysql关系数据库存储预测模型参数和元数据。

6、进一步的,采用基于迭代最小二乘法的多元卡尔曼滤波算法对采集的扬尘数据和环境数据进行滤波处理,包括:将扬尘数据和环境数据分别作为系统状态变量和观测变量,建立状态空间模型;根据状态空间模型,设置初始状态变量、状态估计协方差矩阵、过程噪声协方差矩阵和观测噪声协方差矩阵;在每个时刻k,获取当前时刻k的环境数据作为输入,根据上一时刻k-1的状态估计值和状态估计协方差矩阵,计算当前时刻k的状态预测值和状态预测协方差矩阵;获取当前时刻k的扬尘数据作为观测值,计算观测值与状态预测值之间的新息向量;利用迭代最小二乘法,通过新息向量递归更新状态变量的最优估计,得到当前时刻的状态估计值和状态估计协方差矩阵;将更新后的状态估计值作为当前时刻滤波后的扬尘数据输出,将更新后的状态估计协方差矩阵的对角元素开方作为滤波结果的标准差,用于量化估计的不确定性;重复以上步骤,进行扬尘数据和环境数据的滤波处理。

7、其中,新息向量,也称为残差向量或测量残差,指的是在卡尔曼滤波算法中,当前时刻的实际观测值与基于上一时刻估计值预测得到的观测值之间的差值。它反映了观测值与模型预测值之间的偏差或不一致性。在卡尔曼滤波算法中,新息向量用于更新状态估计值和估计协方差矩阵,公式如下:新息向量=z(k)-h(k)×x(k|k-1),其中,z(k)为k时刻的实际观测值,h(k)为观测矩阵,x(k|k-1)为基于k-1时刻估计值预测得到的k时刻状态估计值。信息向量则是在信息滤波(informationfilter)算法中使用的概念,信息滤波算法是卡尔曼滤波算法的对偶形式。在信息滤波算法中,状态估计值和估计协方差矩阵的更新是通过信息向量和信息矩阵来实现的。信息向量是状态变量的线性函数,它包含了观测值提供的关于状态变量的信息,公式如下:新息向量=h(k)'×r(k)-1×z(k),其中,h(k)为观测矩阵,r(k)为观测噪声协方差矩阵,z(k)为k时刻的实际观测值。虽然新息向量和信息向量都用于融合观测信息和模型预测信息,更新状态估计,但它们在算法实现和更新方式上有所不同。新息向量是卡尔曼滤波算法中的核心概念,用于计算卡尔曼增益矩阵和更新状态估计;而信息向量是信息滤波算法中的核心概念,用于直接更新信息矩阵和信息向量。

8、进一步的,建立状态空间模型,通过如下公式:状态方程:x(k)=a(k)×x(k-1)+b(k)×u(k)+w(k),观测方程:z(k)=h(k)×x(k)+v(k);其中,x(k)为k时刻本文档来自技高网...

【技术保护点】

1.一种扬尘预警方法,包括:

2.根据权利要求1所述的扬尘预警方法,其特征在于:

3.根据权利要求2所述的扬尘预警方法,其特征在于:

4.根据权利要求3所述的扬尘预警方法,其特征在于:

5.根据权利要求4所述的扬尘预警方法,其特征在于:

6.根据权利要求1至5任一所述的扬尘预警方法,其特征在于:

7.根据权利要求6所述的扬尘预警方法,其特征在于:

8.根据权利要求7所述的扬尘预警方法,其特征在于:

9.根据权利要求8所述的扬尘预警方法,其特征在于:

10.根据权利要求9所述的扬尘预警方法,其特征在于:

【技术特征摘要】

1.一种扬尘预警方法,包括:

2.根据权利要求1所述的扬尘预警方法,其特征在于:

3.根据权利要求2所述的扬尘预警方法,其特征在于:

4.根据权利要求3所述的扬尘预警方法,其特征在于:

5.根据权利要求4所述的扬尘预警方法,其特征在于:

6.根据权...

【专利技术属性】
技术研发人员:辛成彬曾德志李文龙许国辉李灿杨海屿张佳立许全生
申请(专利权)人:中航建设集团有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1