【技術實現步驟摘要】
本專利技術屬于數據預測領域，具體涉及一種適用于地下建筑空間的空氣質量預測方法。
技術介紹
1、地下建筑空間由于其特殊的封閉性和使用環境，與地面建筑相比，空氣質量問題更為突出。對地下建筑空間進行空氣質量預測，不僅關系到人體健康和環境安全，還對設施運行管理和能源利用優化具有重要意義。
2、地下建筑空間的空氣質量預測對人員健康、安全管理、能源優化以及法規遵從都具有不可忽視的重要性，目前已經有多種方法用于地下建筑空間的空氣質量預測（如基于物理模型、數據驅動模型、混合模型等），但由于地下建筑的特殊環境和復雜因素，這些方法在實際應用中仍然存在一定的問題和局限性，包括：（1）物理模型依賴于污染物擴散和流體力學理論，難以建模復雜非線性影響；（2）傳統模型如回歸模型，無法充分挖掘數據中的隱含模式和非線性特征；（3）數據驅動模型（如深度學習模型）過度擬合于特定地下空間的數據，難以推廣到不同類型或結構的地下建筑。
3、個體與集體學習平衡策略（icss）是一種新型的元啟發式優化算法，旨在平衡個體學習和集體學習這兩種學習方式，通過動態切換實現搜索空間內的高效探索與利用。icss算法性能對隨機計數器值和學習策略切換的頻率高度依賴，參數的選擇對不同問題的優化效果有很大影響，而這些參數的設置缺乏通用的理論指導。icss算法的隨機計數器和擾動策略具有較高的隨機性，導致算法在復雜問題上表現不穩定，尤其是在低維或收斂速度要求高的場景中。
技術實現思路
1、針對現有技術中的上述不足，本專利技術提供
2、為實現如上所述的專利技術目的，本專利技術采用如下所述的技術方案：一種適用于地下建筑空間的空氣質量預測方法，所述預測方法具體包括如下步驟。
3、s1、收集地下建筑空間內與空氣質量相關的多源數據，對所述多源數據選取得到高特征變量，利用高特征變量構建數據集，所述數據集包括q組時間序列數據；
4、s2、構建基于lstm的預測模型使用長短期記憶網絡建模時間序列數據，所述時間序列數據包括輸入特征變量和輸出目標污染物濃度，將數據集中的時間序列數據按照一定比例劃分為測試集和訓練集。
5、s3、將訓練集輸入lstm的預測模型，并利用改進的個體與集體學習平衡策略對lstm的預測模型的學習率r和隱藏單元數h整定，對lstm的預測模型訓練，得到高性能的空氣質量預測模型；所述改進的個體與集體學習平衡策略包括：首先，通過引導因子和方向擾動因子并結合歷史最優解，優化個體學習階段的代理個體位置更新方向性；其次，在集體學習階段中引入多樣性維護機制并引入基于距離的懲罰項，對過于接近全局最優解的代理個體施加懲罰，強制對應代理個體偏離當前解，改進集體學習階段的尋優數學模型。
6、s4、將測試集中的輸入高特征變量輸入高性能的空氣質量預測模型，輸出精確的目標污染物濃度，得到地下建筑空間的空氣質量。
7、進一步的，在地下建筑空間中，通過多源傳感器和監控設備收集空氣質量相關數據，對所述多源數據處理得到高特征變量具體方法為：對收集到的多源數據進行標準化處理，消除量綱差異，并清洗數據，包括時間序列數據標準化和異常值剔除，其中時間序列數據標準化通過原始數據點的均值和標準差作為標準設計，數學模型為：
8、；
9、式中，為原始數據點，即原始特性值；為第q個原始數據點，q個原始數據點組成一個特征變量，為標準化數據點，其中。
10、進一步的，對特征變量的時間序列數據的異常值剔除方法為：設第c個特征變量的時間序列數據集為，每個數據點計算其與k個最近鄰的數據點的平均距離，將所有數據點的平均鄰域距離存儲為數組，根據平均鄰域距離和平均鄰域距離標準差定義動態閾值，對每個數據點，比較其平均鄰域距離與動態閾值，若大于，則視為異常點剔除。
11、進一步的，利用篩選出的高特征變量構建最終數據集，其中最終數據集包括輸入特征變量和輸出特征變量，所述輸入特征變量包括溫度、濕度、風速、車流量以及空間體積；輸出特征變量為真實污染物濃度，本專利技術針對的污染物為pm2.5，其中將輸入特征變量按照時間序列的順序，時間靠前百分之70的數據作為訓練集，其余百分之30的數據作為測試集。
12、進一步的，對基于lstm的地下建筑空間的空氣質量預測模型訓練，輸入數據為訓練集，利用改進的個體與集體學習平衡策略對lstm的預測模型的學習率r和隱藏單元數h尋優，使得lstm的預測模型在最佳學習率r和隱藏單元數h下性能達到最佳狀態，提高對地下建筑空間的空氣質量預測的準確性；其中，學習率r是控制lstm模型參數更新的步長，決定每次梯度下降時更新權重的幅度，學習率過小導致訓練時間過長；學習率過大導致參數更新幅度過大，在訓練中出現發散現象，空氣質量預測涉及復雜的非線性關系，需要平衡學習率的大??；隱藏單元數影響模型的容量和表達能力，每個隱藏單元存儲特定時間步的記憶信息，用于捕捉時間序列數據的長短期依賴，隱藏單元數過小導致模型容量不足，無法捕捉復雜的非線性關系，容易欠擬合，導致預測不準確；隱藏單元數過大會導致過擬合。
13、進一步的，改進的個體與集體學習平衡策略的代理個體位置為二維向量，即每個代理個體位置為，將每個代理個體位置與一組學習率r和隱藏單元數h的集合映射，即;，代理個體的數目即為學習率r和隱藏單元數h的集合數，利用改進的個體與集體學習平衡策略對代理個體位置更新，同時利用適應度函數對代理個體位置評估，調整改進的個體與集體學習平衡策略對代理個體位置的更新方向，得到最佳的代理個體位置，所述最佳的代理個體位置解析后即為地下建筑空間的空氣質量預測模型訓練過程中最佳的學習率r和隱藏單元數h值；其中，在地下建筑空間空氣質量預測中，適應度函數的設計需要能夠量化模型預測性能與實際目標的差距。
14、進一步的，本專利技術的適應度函數結合預測精度和復雜度的權衡，定義為：
15、；
16、式中，為每個代理個體位置的適應度值，即；為模型復雜度的權重系數，為預測誤差的權重系數，+=1；為模型預測的第q個時間序列污染物濃度，為第q個時間序列真實污染物濃度，為第i個代理個體的位置對應的隱藏單元數；根據設計，適應度值越小說明當前針對地下建筑空間的空氣質量預測模型訓練的精度越高，即當前的學習率r和隱藏單元數h越精確。
17、針對個體與集體學習平衡策略的個體學習階段的尋優數學模型，引入引導性搜索策略并結合歷史最優解的信息，優化個體學習的方向性，減少純隨機擾動對解的尋優精度的影響；改進的個體學習階段的尋優數學模型為：
18、；
19、式中，為第i個代理第k+1次迭代的位置，為第i個代理第k次迭代的位置，為第i個代理在其搜索歷史中發現的最優解，服從高斯分布的隨機擾動，為第i個代理的位置標準差，為引導因子，控制向歷史最優解靠近的程度；本文檔來自技高網...
【技術保護點】
1.一種適用于地下建筑空間的空氣質量預測方法，其特征在于，所述方法包括：
2.如權利要求1所述的一種適用于地下建筑空間的空氣質量預測方法，其特征在于，對所述高特征變量處理，包括對高特征變量的時間序列數據的異常值剔除方法為：設第c個特征變量的時間序列數據集為，每個數據點計算其與k個最近鄰的數據點的平均距離，將所有數據點的平均鄰域距離存儲為數組，根據平均鄰域距離和平均鄰域距離標準差定義動態閾值，對每個數據點，比較其平均鄰域距離與動態閾值，若大于，則視為異常點剔除。
3.如權利要求2所述的一種適用于地下建筑空間的空氣質量預測方法，其特征在于，所述高特征變量構建的數據集包括輸入特征變量和輸出特征變量，其中輸入特征變量包括溫度、濕度、風速、車流量以及空間體積；輸出特征變量為真實污染物濃度，所述輸入特征變量按照時間序列的順序，時間靠前百分之70的數據作為訓練集，其余百分之30的數據作為測試集。
4.如權利要求1所述的一種適用于地下建筑空間的空氣質量預測方法，其特征在于，對所述LSTM的預測模型的學習率r和隱藏單元數h整定，包括：改進的個體與集體學習平衡策略
5.如權利要求4所述的一種適用于地下建筑空間的空氣質量預測方法，其特征在于，所述適應度函數結合預測精度和復雜度的權衡，定義為：
6.如權利要求1所述的一種適用于地下建筑空間的空氣質量預測方法，其特征在于，所述利用改進的個體與集體學習平衡策略對LSTM的預測模型的學習率r和隱藏單元數h整定，具體步驟為：
...【技術特征摘要】
1.一種適用于地下建筑空間的空氣質量預測方法，其特征在于，所述方法包括：
2.如權利要求1所述的一種適用于地下建筑空間的空氣質量預測方法，其特征在于，對所述高特征變量處理，包括對高特征變量的時間序列數據的異常值剔除方法為：設第c個特征變量的時間序列數據集為，每個數據點計算其與k個最近鄰的數據點的平均距離，將所有數據點的平均鄰域距離存儲為數組，根據平均鄰域距離和平均鄰域距離標準差定義動態閾值，對每個數據點，比較其平均鄰域距離與動態閾值，若大于，則視為異常點剔除。
3.如權利要求2所述的一種適用于地下建筑空間的空氣質量預測方法，其特征在于，所述高特征變量構建的數據集包括輸入特征變量和輸出特征變量，其中輸入特征變量包括溫度、濕度、風速、車流量以及空間體積；輸出特征變量為真實污染物濃度，所述輸入特征變量按照時間序列的順序，時間靠前百分之70的數據作為訓練集，其余百分之30的數據作為測試集。
4.如權利要求1所述的一種適用于地下建筑空間的空氣...
【專利技術屬性】
技術研發人員：邵永平，
申請(專利權)人：中鐵十七局集團第二工程有限公司，
類型：發明
國別省市：
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。