【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及空氣質(zhì)量和健康指數(shù)的預(yù)測，具體涉及一種基于pytorch的空氣質(zhì)量和健康指數(shù)的預(yù)測方法。
技術(shù)介紹
1、隨著全球工業(yè)化和城市化的快速發(fā)展，空氣污染問題日益嚴(yán)重，空氣污染每年導(dǎo)致數(shù)百萬人死亡，特別是低收入和中等收入國家；目前，空氣中的細(xì)顆粒物、二氧化硫和二氧化氮等污染物已被證明與多種急性和慢性健康問題相關(guān)，如呼吸道疾病、心血管疾病及癌癥。
2、目前，為了能夠降低空氣中的污染物對市民健康的影響，通過實時采集空氣中各污染物的實時濃度進(jìn)行分析獲得空氣質(zhì)量和健康指數(shù)，讓居民能夠直觀的感受到空氣的當(dāng)前質(zhì)量和健康程度。
3、但是，目前計算的健康指數(shù)是根據(jù)居民處于健康狀況下的對應(yīng)指標(biāo)，而居民的身體狀態(tài)不同，對空氣中的污染物的反應(yīng)情況不同，居民無法了解自己在目前空氣質(zhì)量和健康指數(shù)的風(fēng)險。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)的目的在于提供一種基于pytorch的空氣質(zhì)量和健康指數(shù)的預(yù)測方法，解決以下技術(shù)問題：
2、如何根據(jù)空氣質(zhì)量和健康指數(shù)對用戶進(jìn)行風(fēng)險預(yù)警。
3、本專利技術(shù)的目的可以通過以下技術(shù)方案實現(xiàn)：
4、一種基于pytorch的空氣質(zhì)量和健康指數(shù)的預(yù)測方法，包括以下步驟：
5、s1：通過外接平臺對接，獲取初始空氣監(jiān)測數(shù)據(jù)和病例信息數(shù)據(jù)；
6、s2：通過數(shù)據(jù)預(yù)處理模塊對初始空氣監(jiān)測數(shù)據(jù)和病例信息數(shù)據(jù)進(jìn)行預(yù)處理，得到處理后空氣監(jiān)測數(shù)據(jù)和病例信息數(shù)據(jù)；
7、s3：通過模型構(gòu)建模塊構(gòu)建pytorch
8、s4：通過將處理后空氣監(jiān)測數(shù)據(jù)和病例信息數(shù)據(jù)導(dǎo)入模型訓(xùn)練與評估模塊的輸入層，并將處理后空氣監(jiān)測數(shù)據(jù)和病例信息數(shù)據(jù)送入隱藏層；
9、s5：隱藏層通過非線性變換學(xué)習(xí)處理后空氣監(jiān)測數(shù)據(jù)和病例信息數(shù)據(jù)的復(fù)雜特征；通過前向傳播使輸出層生成輸出健康指數(shù)和空氣質(zhì)量的預(yù)測值；
10、s6：根據(jù)損失函數(shù)計算誤差，通過優(yōu)化模塊對模型進(jìn)行優(yōu)化；回到步驟s5；直至完成訓(xùn)練周期；進(jìn)入步驟s7；
11、s7：通過完成訓(xùn)練的神經(jīng)網(wǎng)絡(luò)預(yù)測模型對初始監(jiān)測數(shù)據(jù)進(jìn)行實時分析獲取實時的空氣質(zhì)量和健康指數(shù)；
12、s8：通過對用戶的病例信息數(shù)據(jù)獲取用戶對各污染物監(jiān)測指標(biāo)的敏感度；通過對用戶的敏感度、健康指數(shù)代入預(yù)設(shè)風(fēng)險值計算規(guī)則獲得風(fēng)險值；通過風(fēng)險值判斷是否需要對用戶進(jìn)行預(yù)警
13、作為本專利技術(shù)進(jìn)一步的方案：所述空氣監(jiān)測數(shù)據(jù)包括多個污染物監(jiān)測指標(biāo)；
14、所述輸入層、隱藏層和輸出層分別包括若干個人工神經(jīng)元，所述神經(jīng)元通過可學(xué)習(xí)的權(quán)重和參數(shù)相連。
15、作為本專利技術(shù)進(jìn)一步的方案：所述隱藏層的工作過程包括以下步驟：
16、s10：神經(jīng)元對接收到的空氣監(jiān)測數(shù)據(jù)進(jìn)行線性變換；
17、s20：通過激活函數(shù)引入非線性關(guān)系；
18、作為本專利技術(shù)進(jìn)一步的方案：所述激活函數(shù)為relu激活函數(shù)。
19、作為本專利技術(shù)進(jìn)一步的方案：所述優(yōu)化模型的優(yōu)化步驟包括：
20、s100：計算動量與梯度估計；
21、s200：偏差修正；
22、s300：參數(shù)更新。
23、作為本專利技術(shù)進(jìn)一步的方案：所述損失函數(shù)為交叉熵?fù)p失函數(shù)。
24、作為本專利技術(shù)進(jìn)一步的方案：預(yù)設(shè)風(fēng)險值計算規(guī)則為通過公式：
25、計算編號用戶的風(fēng)險值；
26、其中，為判斷函數(shù)，當(dāng)時，；當(dāng)時，；為污染物監(jiān)測指標(biāo)的總數(shù)量，；為第個污染物監(jiān)測指標(biāo)的權(quán)重系數(shù)；為編號用戶第個污染物監(jiān)測指標(biāo)的敏感度；為第個污染物監(jiān)測指標(biāo)的標(biāo)準(zhǔn)敏感度；為第一預(yù)設(shè)常數(shù)；為實時健康指數(shù)。
27、作為本專利技術(shù)進(jìn)一步的方案：是否需要對用戶進(jìn)行預(yù)警的判斷過程為：
28、將編號用戶的風(fēng)險值與預(yù)設(shè)閾值進(jìn)行對比；
29、當(dāng)時，無風(fēng)險，無需預(yù)警；
30、當(dāng)時，有低風(fēng)險，進(jìn)行一級預(yù)警；
31、當(dāng)時，有高風(fēng)險，進(jìn)行二級預(yù)警。
32、本專利技術(shù)的有益效果：
33、（1）本專利技術(shù)首先通過外接平臺對接，獲取初始空氣監(jiān)測數(shù)據(jù)和病例信息數(shù)據(jù)；之后通過數(shù)據(jù)預(yù)處理模塊對初始空氣監(jiān)測數(shù)據(jù)和病例信息數(shù)據(jù)進(jìn)行預(yù)處理，得到處理后空氣監(jiān)測數(shù)據(jù)和病例信息數(shù)據(jù)；接著通過模型構(gòu)建模塊構(gòu)建pytorch深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)預(yù)測模型；所述神經(jīng)網(wǎng)絡(luò)預(yù)測模型包括模型訓(xùn)練與評估模塊；然后通過將處理后空氣監(jiān)測數(shù)據(jù)和病例信息數(shù)據(jù)導(dǎo)入模型訓(xùn)練與評估模塊的輸入層，并將處理后空氣監(jiān)測數(shù)據(jù)和病例信息數(shù)據(jù)送入隱藏層；開始進(jìn)行訓(xùn)練，隱藏層通過非線性變換學(xué)習(xí)處理后空氣監(jiān)測數(shù)據(jù)和病例信息數(shù)據(jù)的復(fù)雜特征；通過前向傳播使輸出層生成輸出健康指數(shù)和空氣質(zhì)量的預(yù)測值；根據(jù)損失函數(shù)計算誤差，通過優(yōu)化模塊對模型進(jìn)行優(yōu)化；進(jìn)行循環(huán)訓(xùn)練；直至完成訓(xùn)練周期；最后通過完成訓(xùn)練的神經(jīng)網(wǎng)絡(luò)預(yù)測模型對初始監(jiān)測數(shù)據(jù)進(jìn)行實時分析獲取實時的空氣質(zhì)量和健康指數(shù)；在訓(xùn)練神經(jīng)網(wǎng)絡(luò)過程中，損失函數(shù)采用了交叉熵?fù)p失函數(shù)來度量模型輸出與實際標(biāo)簽之間的差異；通過適應(yīng)性調(diào)整，通過最小化誤差優(yōu)化預(yù)測精度；
34、（2）本專利技術(shù)通過外接平臺獲取用戶的病例信息數(shù)據(jù)；通過對用戶的病例信息數(shù)據(jù)獲取用戶對各污染物監(jiān)測指標(biāo)的敏感度；通過對用戶的敏感度、健康指數(shù)代入預(yù)設(shè)風(fēng)險值計算規(guī)則獲得風(fēng)險值；通過風(fēng)險值判斷是否需要對用戶進(jìn)行預(yù)警；自動根據(jù)用戶情況進(jìn)行風(fēng)險提醒，提醒用戶進(jìn)行防范，避免對用戶的健康產(chǎn)生影響。
本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點】
1.一種基于PyTorch的空氣質(zhì)量和健康指數(shù)的預(yù)測方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于PyTorch的空氣質(zhì)量和健康指數(shù)的預(yù)測方法，其特征在于，所述空氣監(jiān)測數(shù)據(jù)包括多個污染物監(jiān)測指標(biāo)；
3.根據(jù)權(quán)利要求2所述的一種基于PyTorch的空氣質(zhì)量和健康指數(shù)的預(yù)測方法，其特征在于，所述隱藏層的工作過程包括以下步驟：
4.根據(jù)權(quán)利要求3所述的一種基于PyTorch的空氣質(zhì)量和健康指數(shù)的預(yù)測方法，其特征在于，所述激活函數(shù)為ReLU激活函數(shù)。
5.根據(jù)權(quán)利要求4所述的一種基于PyTorch的空氣質(zhì)量和健康指數(shù)的預(yù)測方法，其特征在于，所述優(yōu)化模型的優(yōu)化步驟包括：
6.根據(jù)權(quán)利要求1所述的一種基于PyTorch的空氣質(zhì)量和健康指數(shù)的預(yù)測方法，其特征在于，所述損失函數(shù)為交叉熵?fù)p失函數(shù)。
7.根據(jù)權(quán)利要求6所述的一種基于PyTorch的空氣質(zhì)量和健康指數(shù)的預(yù)測方法，其特征在于，預(yù)設(shè)風(fēng)險值計算規(guī)則為通過公式：計算編號用戶的風(fēng)險值；
8.根據(jù)權(quán)利要求7所述的一種基于PyTorch的空氣質(zhì)量
...【技術(shù)特征摘要】
1.一種基于pytorch的空氣質(zhì)量和健康指數(shù)的預(yù)測方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于pytorch的空氣質(zhì)量和健康指數(shù)的預(yù)測方法，其特征在于，所述空氣監(jiān)測數(shù)據(jù)包括多個污染物監(jiān)測指標(biāo)；
3.根據(jù)權(quán)利要求2所述的一種基于pytorch的空氣質(zhì)量和健康指數(shù)的預(yù)測方法，其特征在于，所述隱藏層的工作過程包括以下步驟：
4.根據(jù)權(quán)利要求3所述的一種基于pytorch的空氣質(zhì)量和健康指數(shù)的預(yù)測方法，其特征在于，所述激活函數(shù)為relu激活函數(shù)。
5.根據(jù)權(quán)利要求...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：吳筱帆，
申請(專利權(quán))人：德州聚安特安全服務(wù)有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。