【技術實現步驟摘要】
本專利技術涉及工業源廢氣監測與防治領域，具體涉及一種基于統計信息輔助的多站點vocs預測方法。
技術介紹
1、工業園區中揮發性有機化合物(vocs)的監測和預警極為重要，且缺乏高及時性的vocs預測技術，導致vocs污染突發事件的預警和處理能力較弱。一旦發生污染緊急情況，可能嚴重危害區域安全生產和人民的生命健康，造成無法彌補的損失。
2、lstm(長短期記憶)模型[graves?a,graves?a.long?short-termmemory.supervised?sequence?labelling?with?recurrent?neural?networks,2012:37-45.]在預測空氣質量[van?houdt?g,mosquera?c,nápoles?g.a?review?on?the?longshort-term?memory?model.artificial?intelligence?review,2020,53(8):5929-5955.]方面取得了重要的研究進展。首先，在提高測量精度方面，lstm模型在預測空氣質量方面優于傳統的統計模型和其他深度學習模型。例如，一些研究表明，lstm模型在預測pm2.5和pm10[tsai?y?t,zeng?y?r,chang?y?s.air?pollution?forecasting?using?rnn?withlstm//2018ieee?16th?intl?conf?on?dependable,autonomic?and?secure?computing,1
3、以上研究進展表明，lstm模型在空氣質量預測方面具有廣闊的應用前景。但這些模型的預測性能仍受到數據質量、模型結構、參數選擇等因素的影響，有待進一步的研究和優化。基于文獻綜述，關注使用多站點vocs監測數據進行預測的研究較少，關于vocs監測數據的統計數據輔助深度學習模型的提升預測效果的研究也較少。
技術實現思路
1、本專利技術提供了一種基于統計信息輔助的多站點vocs預測方法，本專利技術獨特地將統計信息融入多站點vocs預測中，使得短期、長期及潛在的環境變化均可得到準確反映。
2、一種基于統計信息輔助的多站點vocs預測方法，包括以下步驟：
3、1)收集待預測區域的多站點vocs監測數據，并進行預處理，得到預處理后的多站點vocs監測數據；
4、2)對預處理后的多站點vocs監測數據進行統計特征計算及其相似度分析，得到不同站點之間的統計特征相似度；
5、3)根據不同站點之間的相似度選擇相似度高的站點數據，計算站點監測量的自相關統計量，根據該統計量選擇用于模型訓練的特征屬性。
6、4)利用步驟3)的相似度高的站點數據訓練lstm模型，并對lstm模型進行評價和調優，得到多站點vocs預測模型；
7、5)采用多站點vocs預測模型對排放的vocs進行預測。
8、步驟1)中，多站點是指三個及以上。
9、步驟1)中，預處理包括：數據清洗和格式調整。
10、步驟1)中，所述的多站點vocs監測數據為非甲烷烴(vocs)的時間序列數據。
11、步驟2)中，對預處理后的多站點vocs監測數據進行統計特征計算和分析，具體包括：
12、對預處理后的多站點vocs監測數據求取每個站點的vocs數據的平均值、標準差、方差以及極小值和極大值；
13、通過余弦相似度算法計算每個站點統計量的相似性，
14、余弦相似度算法：
15、
16、其中，向量a＝{a1,a2,a3,a4,a5}，向量b＝{b1,b2,b3,b4,b5}。每個站點vocs的平均值、標準差、方差以及極小值和極大值分別可以用向量a或b表示，其中，a1,a2,a3,a4,a5或b1,b2,b3,b4,b5五個元素分別代表平均值、標準差、方差以及極小值和極大值。
17、因此，可以得到不同站點之間的相似度值，表示為fij(即公式(1)中的f)，即站點i和站點j的余弦相似度，其值越接近1表示越相似。
18、步驟3)中，根據步驟2)所得到的不同站點之間的相似度值，設定閾值大于0.6或相似度最高的3個及以上站點，作為多站點預測模型建模的站點。
19、步驟3)中，計算站點的非甲烷烴、廢氣、煙氣流量、煙氣溫度、煙氣壓力、煙氣含水量6項監測量的spearman相關系數矩陣，根據該統計量選擇與非甲烷烴相關性系數絕對值大于0.5或排序前2的監測量，用于模型訓練的特征屬性，例如非甲烷烴、煙氣流量、煙氣壓力。
20、步驟4)中，訓練lstm模型輸入數據為所選取的多個站點，按監測時間對數據進行對齊，格式為：
21、時間，監測站1數據1，監測站1數據2，監測站1數據3，監測站2數據1，監測站2數據2，監測站2數據3，監測站3數據1，監測站3數據2，監測站3數據3，……
本文檔來自技高網...
【技術保護點】
1.一種基于統計信息輔助的多站點VOCs預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于統計信息輔助的多站點VOCs預測方法，其特征在于，步驟1)中，多站點是指三個及以上。
3.根據權利要求1所述的基于統計信息輔助的多站點VOCs預測方法，其特征在于，步驟1)中，預處理包括：數據清洗和格式調整。
4.根據權利要求1所述的基于統計信息輔助的多站點VOCs預測方法，其特征在于，步驟1)中，所述的多站點VOCs監測數據為非甲烷烴VOCs的時間序列數據。
5.根據權利要求1所述的基于統計信息輔助的多站點VOCs預測方法，其特征在于，步驟2)中，對預處理后的多站點VOCs監測數據進行統計特征計算及相似度分析，具體包括：
6.根據權利要求1所述的基于統計信息輔助的多站點VOCs預測方法，其特征在于，步驟3)中，根據不同站點之間的統計特征相似度，選擇相似度高的站點數據，具體包括：
7.根據權利要求1所述的基于統計信息輔助的多站點VOCs預測方法，其特征在于，步驟3)中，計算站點監測量的自相關統計量，根據自
8.根據權利要求1所述的基于統計信息輔助的多站點VOCs預測方法，其特征在于，步驟4)中，所述的LSTM模型是利用Keras構建，添加1個隱含層，最后添加一個輸出層。
9.根據權利要求1所述的基于統計信息輔助的多站點VOCs預測方法，其特征在于，步驟4)中，對LSTM模型進行評價和調優，得到多站點VOCs預測模型，具體包括：
10.根據權利要求1所述的基于統計信息輔助的多站點VOCs預測方法，其特征在于，步驟5)中，采用多站點VOCs預測模型對排放的VOCs進行預測，具體包括：
...【技術特征摘要】
1.一種基于統計信息輔助的多站點vocs預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于統計信息輔助的多站點vocs預測方法，其特征在于，步驟1)中，多站點是指三個及以上。
3.根據權利要求1所述的基于統計信息輔助的多站點vocs預測方法，其特征在于，步驟1)中，預處理包括：數據清洗和格式調整。
4.根據權利要求1所述的基于統計信息輔助的多站點vocs預測方法，其特征在于，步驟1)中，所述的多站點vocs監測數據為非甲烷烴vocs的時間序列數據。
5.根據權利要求1所述的基于統計信息輔助的多站點vocs預測方法，其特征在于，步驟2)中，對預處理后的多站點vocs監測數據進行統計特征計算及相似度分析，具體包括：
6.根據權利要求1所述的基于統計信息輔助的多站點vocs預測方法，其特征在于，步驟3)...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。