CN102110243A

CN102110243A - 一种人体舒适度的预测方法

Info

Publication number: CN102110243A
Application number: CN2009102438645A
Authority: CN
Inventors: 李丹
Original assignee: China Digital Video Beijing Ltd
Current assignee: China Digital Video Beijing Ltd
Priority date: 2009-12-23
Filing date: 2009-12-23
Publication date: 2011-06-29

Abstract

本发明提供了一种人体舒适度的预测方法，包括：建立步骤：针对某一区域，建立BP神经网络预测模型，将多个气象因子作为该预测模型的输入变量，将人体舒适度作为该预测模型的输出变量；训练步骤：对该区域的预测模型进行训练；预测步骤：利用训练后的预测模型，对待预测区域内待预测日期的人体舒适度进行预测。本发明用以提高预测的地区普遍性。

Description

一种人体舒适度的预测方法

技术领域

本发明涉及环境气象服务技术领域，特别是涉及一种人体舒适度的预测方法。

背景技术

随着国民经济的发展，气象部门相继在大中城市开展了包括空气污染、大气清洁度、紫外线强度、人体舒适度、医疗健康气象、花粉浓度等环境气象服务。这些贴近城市居民生活的环境气象服务，促进了生活质量的提高。

人体舒适度是以人类机体与近地大气之间的热交换原理为基础，从气象角度评价人类在不同气候条件下舒适感的一项生物气象指标。人体舒适度在城市环境气象服务中具有重要的基础性地位，它不仅之间影响城市中各类人群的日常生活(如晨练、上班、着装、旅游等)、疾病和健康(如中暑、脑中卒、心肌梗塞、感冒等)，也直接影响生产企业和商业销售的效率和收益(如商品的季节性、生产数量和销售数量决定、交通流量和事故率、野外作业和施工的适宜度等)。

人类机体对外界气象环境的主观感觉有别于大气探测仪器获取的各种气象要素结果。人体舒适度指数是为了从气象角度来评价在不同气候条件下人的舒适感，根据人类机体与大气环境之间的热交换而制定的生物气象指标。

人体的热平衡机能、体温调节、内分泌系统、消化器官等人体的生理功能受到多种气象要素的综合影响，例如大气温度、湿度、气压、光照、风等。实验表明：气温适中时，湿度对人体的影响并不显著，由于湿度主要影响人体的热代谢和水盐代谢，当气温较高或较低时，其波动对人体的热平衡和温热感就变的非常重要。例如，气温在15.5℃时，即使相对湿度波动达50％，对人体的影响也仅为气温变化1℃的作用；当温度在21-27℃时，若相对湿度改变为50％时，人体的散热量就有明显差异；相对湿度在30％时，人体的散热量比相对湿度在80％时为多；而当相对湿度超过80％时，由于高温高湿影响人体汗液的蒸发，机体的热平衡受到破坏，因而人体会感到闷热不适；随着温度的升高，这种情况将更趋明显。又如，当冬季的天气阴冷潮湿时，由于空气中相对湿度较高，身体的热辐射被空气中的水汽所吸收，加上衣服在潮湿的空气中吸收水份，导热性增大，加速了机体的散热，使人感到寒冷不适。当气温低于皮肤温度时，风能使机体散热加快，风速每增加1米/秒，会使人感到气温下降了2-3℃，风越大散热越快，人就越感到寒冷不适。

一般而言，气温、气压、相对湿度、风速四个气象要素对人体感觉影响最大。因而，现有技术通常根据这四项要素，来建立人体舒适度的非线性方程，例如，某城市气象部门根据温度和湿度之间的关系，得到人体舒适度模型的计算公式为：ssd＝(1.818t+18.18)(0.88+0.002f)+(t-32)/(45-t)-3.2v+18.2。其中ssd为人体舒适度指数，t为平均气温，f为相对湿度，v为风速。

由于上述方法由某城市气象部门，例如北京市气象局，依赖经验得到人体舒适度模型的计算公式，故所述模型只适用于所在的城市地区。但是，中国国土广阔，区域气象差异大，在北京市适用的人体舒适度模型，在应用到上海市时肯定存在偏差；因而，上述方法得出的人体舒适度模型不具备地区普遍性。

总之，需要本领域技术人员迫切解决的一个技术问题就是：如何解决现有预测方法得出的人体舒适度模型不具备地区普遍性的问题。

发明内容

本发明所要解决的技术问题是提供一种人体舒适度的预测方法，用以提高预测的地区普遍性。

为了解决上述问题，本发明公开了一种人体舒适度的预测方法，包括：

建立步骤：针对某一区域，建立BP神经网络预测模型，将多个气象因子作为该预测模型的输入变量，将人体舒适度作为该预测模型的输出变量；

训练步骤：对该区域的预测模型进行训练；

预测步骤：利用训练后的预测模型，对待预测区域内待预测日期的人体舒适度进行预测。

优选的，所述建立步骤包括：

第一建立操作：针对某一区域，建立BP神经网络预测模型，将多个气象因子作为该预测模型的输入变量，将人体舒适度作为该预测模型的输出变量，该预测模型的参数包括网络权值和网络阈值；

第一获取操作：分别获取该区域内所述多个气象因子中的每个气象因子值，作为训练样本的输入；

第二获取操作：获取所述每个输入样本对应的人体舒适度指标值，作为训练样本的期望输出；

所述训练步骤包括：

针对所述训练样本，采用BP算法训练该预测模型，得到模型参数，从而确定该区域的预测模型。

优选的，所述多个气象因子包括：最高气温、最低气温、最大相对湿度、最小相对湿度、平均风速和太阳辐射量。

优选的，所述预测步骤包括：

第一确定操作：确定该待预测区域所属的预测模型；

第一预测操作：将待预测区域内待预测日期的所述多个气象因子输入到所属的预测模型中，输出人体舒适度指标。

优选的，所述方法还包括：

确定等级步骤：根据所述输出的人体舒适度指标，确定人体舒适度等级。

优选的，所述方法还包括：

制定措施步骤：根据所述人体舒适度等级，制定预防措施。

优选的，所述建立步骤包括：

第二建立操作：针对某一区域内的某一季节，建立BP神经网络预测模型，将多个气象因子作为该预测模型的输入变量，将人体舒适度作为该预测模型的输出变量，该预测模型的参数包括网络权值和网络阈值；

第三获取操作：针对该季节，分别获取所述多个气象因子中的每个气象因子值，作为训练样本的输入；

第四获取操作：获取所述每个输入样本对应的人体舒适度指标值，作为训练样本的期望输出；

所述训练步骤包括：

针对所述训练样本，采用BP算法训练该区域内该季节的预测模型，得到模型参数，从而确定该区域内该季节的预测模型。

优选的，所述预测步骤包括：

第二确定操作：确定所述待预测区域内该待预测日期所属的预测模型；

第二预测操作：将所述待预测区域内该待预测日期的所述多个气象因子输入到所属的预测模型中，输出人体舒适度指标。

优选的，所述季节包括春季、夏季、秋季、冬季；或者，春季和夏季、秋季和冬季；或者，冬季和春季、夏季和秋季。

优选的，所述预测模型的结构包括输入层、一个或多个隐层和输出层，其中，，输入层的节点数与气象因子的数目相应，输出层节点数为1。

与现有技术相比，本发明具有以下优点：

本发明针对某一区域，利用BP神经网络来构造多个气象因子到人体舒适度的预测模型，然后，利用训练后的预测模型，对待预测区域内待预测日期的人体舒适度进行预测；由于BP神经网络能学习和存储大量的输入-输出预测关系，而无需事先揭示描述这种预测关系的数学方程，因此，所述预测模型具有已知气象因子到人体舒适度的预测能力；另外，由于本发明可以将每个区域的历史气象数据作为训练样本，来训练相应的预测模型，因而，本发明的预测方法可以适用于所有区域，也即，具备地区普遍性；

进一步，该预测模型的学习过程，是对模型参数进行不断修正的过程，此过程能够一直进行到预测模型输出的误差减少到预定精度，因而，本发明还能够提高人体舒适度的预测精度；

再者，本发明可以分别针对某一区域内的某一季节建立预测模型；其中，所述季节可以包括春季、夏季、秋季、冬季；也可以包括：春季和夏季、秋季和冬季；还可以包括冬季和春季、夏季和秋季。由于同一季节的气象因子数据具有更多的相似性，因而，能够提高预测模型的预测能力，从而提高气象因子到人体舒适度的预测精度。

附图说明

图1是本发明一种人体舒适度的预测方法实施例1的流程图；

图2是本发明一种BP神经网络结构图；

图3是本发明一种sigmoid函数示例；

图4是本发明一种人体舒适度的预测方法实施例2的流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

传统数学建模方法，包括机理建模、多元统计方法、卡尔曼滤波方法、基于模型的回归方法等，这些方法可以描述出一些简单的线性系统，但是，对一些复杂的线性系统和非线性系统难以精确描述。而气温、气压、相对湿度、风速等气象因子到人体舒适度的预测，是一个典型的非线性问题。

针对上述问题，本专利发明人创造性地提出了本发明实施例的核心构思之一，即利用神经网络可以在不了解输入或输出变量间关系的前提下完成非线性建模的特点，来建立多个气象因子到人体舒适度的预测模型。

参照图1，示出了本发明一种人体舒适度的预测方法实施例1的流程图，具体可以包括：

建立步骤101、针对某一区域，建立BP神经网络预测模型，将多个气象因子作为该预测模型的输入变量，将人体舒适度作为该预测模型的输出变量；

在实际中，该某一区域，可以为中国区域，也可为世界区域；可为平原区域，也可为高原区域；另外，还可为子区域，例如为北京市的海淀区等；本发明对具体的区域范围、区域面积和区域地形不加以限制。

一般而言，气温、气压、相对湿度、风速四个气象因子对人体舒适度的影响最大。但本发明不局限于上述四个气象因子，在建立某一区域的预测模型时，本领域技术人员可以根据实际需要，对所述气象因子进行选择。例如，选择下述气象因子作为预测模型的输入变量：最高气温、最低气温、最大相对湿度、最小相对湿度、平均风速和太阳辐射量。

神经网络的种类有很多，包括多层前馈网络、小脑神经网络等，其中，BP(Back Propagation)网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。

在本发明的一种优选实施例中，为所述某一区域建立BP神经网络预测模型，此时，建立步骤101可以包括以下子步骤：

第一建立子步骤、针对某一区域，建立BP神经网络预测模型，将多个气象因子作为该预测模型的输入变量，将人体舒适度作为该预测模型的输出变量，该预测模型的参数包括网络权值和网络阈值；

如图2所示，BP神经网络可以包括以下单元：

①处理单元(神经元)(图中用圆圈表示)，即神经网络的基本组成部分。输入层的处理单元只是将输入值转入相邻的联接权重，隐层和输出层的处理单元将它们的输入值求和并根据转移函数计算输出值；

②联接权重(图中如V，W)。它将神经网络中的处理单元联系起来，其值随各处理单元的联接程度而变化；

③层。神经网络一般具有输入层x、隐层y和输出层o；

④阈值。其值可为恒值或可变值，它可使网络能更自由地获取所要描述的函数关系；

⑤传递函数f(x)。它是将输入的数据转化为输出的处理单元，通常为非线性函数。

因此，确定了网络层数、每层节点数、传递函数、初始权系数等也就确定了BP网络。确定这些选项时有一定的指导原则，但更多的是靠经验。

具体到本发明实施例，则所述预测模型的结构包括输入层、一个或多个隐层和输出层，其中，输出层节点数为1，输入层的节点数与气象因子的数目相应。例如，在气象因子包括最高气温、最低气温、最大相对湿度、最小相对湿度、平均风速和太阳辐射量时，输入层的节点数则为6.

对于多层前馈网络来说，隐层节点数的确定是成败的关键。若数量太少，则网络所能获取的用以解决问题的信息太少；若数量太多，不仅增加训练时间，而且，隐层节点过多还可能出现所谓“过渡吻合”(Overfitting)问题，即测试误差增大导致泛化能力下降，因此，合理选择隐层节点数非常重要。

关于隐层数及其节点数的选择比较复杂，一般原则是：在能正确反映输入输出关系的基础上，应选用较少的隐层节点数，以使网络结构尽量简单。因此，本发明实施例优先选用单隐层结构，且根据如下经验公式选择隐层节点数：

其中，1＜a＜30。

BP网络的传递函数有多种。例如，可以采用sigmoid型函数f(x)＝1/[1+e^(-bx)](b＞0)作为隐层和输出层的传递函数。参考图3，示出了b＝1的sigmoid函数示例，其是一个良好的阈值函数，具有连续，光滑，严格单调，关于(0，0.5)中心对称的特点。

第一获取子步骤、分别获取该区域内所述多个气象因子中的每个气象因子值，作为训练样本的输入；

在实际中，可以从该区域气象部门的历史数据库中获取数据。例如，从北京市气象局中获取1998年6月1日至1999年3月22日共276天逐日的每个气象因子的数据值。

第二获取子步骤、获取所述每个输入样本对应的人体舒适度指标值，作为训练样本的期望输出；

对应上例，可于1998年6月1日至1999年3月22期间，在北京市选取多名试验者，并以所述多名试验者每天对不同气象因子的实际感受作为对应的人体舒适度指标值的依据。

在具体实现中，可以对人体舒适度进行分级，其中，每个等级对应一定范围的指标，表1示出了一种人体舒适度分级示意。

人体感受	人体舒适度等级	人体舒适度指标
			人体感觉很热，极不适应	4	81～90
人体感觉炎热，很不舒适	3	71～80
			人体感觉偏热，不舒适	2	61～70
人体感觉偏暖，较为舒适	1	51～60
			人体感觉最为舒适，最可接受	0	41～50
人体感觉略偏凉，较为舒适	-1	31～40
			人体感觉较冷(清凉)，不舒适	-2	21～30

人体感觉很冷，很不舒适	-3	11～20
			人体感觉寒冷，极不适应	-4	1～10

这样，获取人体舒适度指标值的一种方式可以为，根据同一天内多名试验者的人体感受，确定该天所属的人体舒适度等级，然后，再确定对应的人体舒适度指标。

由于输入变量和输出变量具有不同的阈值区间，所以，在获取原始数据后，还应对这些数据进行归一化处理。

例如，对于单隐层的预测模型，在隐层和输出层的传递函数均为：f(x)＝1/[1+e^(-x)]时，其输出值在0和1之间，此时，建立步骤101还可以包括归一化子步骤：

对所述输入和期望输出原始数据进行归一化处理，使其值在[0，1]之间。

例如，所述归一化步骤可以为，运用公式对所述原始数据进行归一化处理，使其值在[0，1]之间，其中，x为原始数据，X′为归一化数据。

训练步骤102、对该区域的预测模型进行训练；

例如，在该区域的预测模型为BP模型时，训练步骤102可以为，针对所述训练样本，采用BP算法训练该预测模型，得到模型参数，从而确定该区域的预测模型。

BP算法的训练过程由信号的正向传播与误差的反向传播两个过程组成。

1)正向传播：输入样本->输入层->各隐层(处理)->输出层；

2)误差反向传播：输出误差(某种形式)->隐层(逐层)->输入层；

其主要目的是通过将输出误差反传，将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权值(其过程，是一个权值调整的过程)。

因此，周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的训练次数为止。

相应地，本发明实施例可以包括以下两种训练方案：

一、误差调整方案

主要思想可以理解为：对确定的网络结构，根据期望输出值与实际输出值之间误差的大小，反复调整权值和阈值，直到此误差达到预定值为止。具体而言，可以在输出层得不到期望的输出时，转向误差信号的反向传播过程，具体可以包括以下过程：

正向传播过程A1、

输入层各神经元接收输入的学习样本信息，并传递给隐层各神经元；

隐层对所述学习样本信息进行变换，并传递给输出层各神经元；

输出层对所述隐层的输出信息进行变换，得到实际输出；

判断过程A2、

计算实际输出与期望输出之间的误差，并判断该误差是否满足预定误差，若是，则算法结束；否则，执行反向传播过程；

反向传播过程A3、

将所述误差信号通过输出层，向隐层、输入层逐层反传，其中，反传过程中按误差梯度下降的方式修正各层权值，并在传播结束时，返回A1。

在实现上述方案时，可以采用单个样本的的局部误差作为评价准则，例如，评价函数为平方型误差函数

也可以采用所有样本的全局误差；此外，还可以采用均方误差(MSE，Mean Square Error)等评价函数，本发明具体的评价准则不加以限制。

二、训练次数调整方案

训练次数是神经网络的一个重要参数。训练次数过多会造成网络的过拟和，导致结果产生偏差；训练次数过少则使网络难以收敛，达不到训练要求。本方案的思想在于，通过预先设定的训练次数来结束学习过程。

在具体实现中，该方案可以包括以下过程：

初始化过程B1、预置学习次数T，设定当前学习次数t＝0，

正向传播过程B2、

对于当前学习次数t，输入层各神经元接收输入的学习样本信息，并传递给隐层各神经元；

输出层对所述隐层输出信息进行变换，得到实际输出；

反向传播过程B3、

将所述误差信号通过输出层，向隐层、输入层逐层反传，其中，反传过程中按误差梯度下降的方式修正各层权值；

判断过程B4、

判断t＞T-2是否成立，若是，则算法结束；否则，更新学习次数t＝t+1，并返回B2。

可以理解，本发明不局限于BP算法的反向传播学习规则，还可以适用于其它学习规则，如利用动量规则的改进BP算法、自适应调整学习速率、动量-自适应学习速率调整算法、L-M(Levenberg-Marquardt)学习规则等，本领域技术人员可以根据需要进行选择。

此外，还可以将上述两种方案结合起来，对权值和阈值进行调整，本发明对此不加以限制。

预测步骤103、利用训练后的预测模型，对待预测区域内待预测日期的人体舒适度进行预测。

由于步骤101-步骤102得到的预测模型，是针对某一区域的。这样，所述预测步骤可以包括以下子步骤：

第一确定子步骤C1、确定该待预测区域所属的预测模型；

第一预测子步骤C2、将待预测区域内待预测日期的所述多个气象因子输入到所属的预测模型中，输出人体舒适度指标。

例如，上面分部针对北京、上海、广州三个城市，建立并训练了相应的预测模型，并存储在数据库中，那么，预知道广州某一天的人体舒适度，需要从该数据库中找到广州的预测模型；另外，预测步骤103与建立步骤101的气象因子是相同的，假设，广州的预测模型的输入向量包括最高气温、最低气温、最大相对湿度、最小相对湿度、平均风速和太阳辐射量6个气象因子，那么，第一预测子步骤C2中输入到模型的气象因子也是这6个。

在本发明的一种优选实施例中，所述方法还可以包括：

确定等级步骤、根据所述输出的人体舒适度指标，确定人体舒适度等级。

例如，表1的分级针对北京市，且预测步骤103预测出的北京市某一天的人体舒适度指标为65，那么，该天所属的人体舒适度等级为2级，对应的人体感受为人体感觉偏热，不舒适。

在本发明的另一种优选实施例中，在所述确定等级步骤后，所述方法还可以包括：

制定措施步骤、根据所述人体舒适度等级，制定预防措施。

例如，在人体舒适度为4级时，可以提醒市民注意防暑降温，以防中暑；在人体舒适度为3级时，建议市民注意防暑降温；在人体舒适度为2级时，可适当降温；在人体舒适度为-2级时，请注意保暖；在人体舒适度为-3级时，希望注意保暖防寒；在人体舒适度为-4级时，可以提醒市民注意保暖防寒，防止冻伤。

参照图4，示出了本发明一种人体舒适度的预测方法实施例2的流程图，具体可以包括：

建立步骤401、

第二建立子步骤411、针对某一区域内的某一季节，建立BP神经网络预测模型，将多个气象因子作为该预测模型的输入变量，将人体舒适度作为该预测模型的输出变量，该预测模型的参数包括网络权值和网络阈值；

第三获取子步骤412、针对该季节，分别获取所述多个气象因子中的每个气象因子值，作为训练样本的输入；

第四获取子步骤413、获取所述每个输入样本对应的人体舒适度指标值，作为训练样本的输出；

训练步骤402、针对所述训练样本，采用BP算法训练该区域内该季节的预测模型，得到模型参数，从而确定该区域内该季节的预测模型；

预测步骤403、利用训练后的预测模型，对待预测区域内待预测日期的人体舒适度进行预测，可以包括：

第二确定子步骤431、确定所述待预测区域内该待预测日期所属的预测模型；

第二预测子步骤432：将所述待预测区域内该待预测日期的所述多个气象因子输入到所属的预测模型中，输出人体舒适度指标。

在影响人体舒适度的多个气象因子中，气温的作用最明显。因为人是恒温动物，为了保持肌体体温与外界体温(T)的平衡，人体必须通过散热与产热来保持与环境温度的协调。当T＞28度时，人体通过汗来散热，而出汗又使体内盐分逸失。散热过程可引起末梢血管矿长，从而加重心脏的负担。高温还能使人的高级神经活动的某些机能如注意力、精确性、运动协调性及反应速度降低。当T＜17度时，人体通过产生热或减少散热来保持体温的恒定。如颤抖就是靠增加肌肉活动来产生热量的一种方式；而添加衣服可以减少热量的散失。而气温与季节的变化息息相关，例如，春夏季节气温偏高，秋冬季节气温偏低。

针对上述问题，本实施例与实施例1的区别在于，分别针对某一区域内的某一季节建立预测模型；其中，所述季节可以包括春季、夏季、秋季、冬季；也可以包括：春季和夏季、秋季和冬季；还可以包括冬季和春季、夏季和秋季。由于同一季节的气象因子数据具有更多的相似性，因而，本实施例能够提高预测模型的预测能力，从而提高气象因子到人体舒适度的预测性。

对于实施例2而言，由于其与图1所示的实施例1基本相似，所以描述的比较简单，相关之处参见实施例1的部分说明即可。

本发明可以应用于气象服务领域，用于鉴定和区别我国复杂气候条件下的人体舒适度特点，从而开展全国规范化的舒适度预报；同时，也可以适用于以人体舒适度为基础的各种应用研究中，如商业市场决策、野外施工条件预报、旅游区域和季节热点分析，气象疾病发病率预测，交通运输和驾驶安全性分析，以及军事季节装备和军事着装配置决策等应用研究。

以上对本发明所提供的一种人体舒适度的预测方法，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims

1.一种人体舒适度的预测方法，其特征在于，包括：

训练步骤：对该区域的预测模型进行训练；

2.如权利要求1所述的方法，其特征在于，所述建立步骤包括：

所述训练步骤包括：

3.如权利要求1所述的方法，其特征在于，所述多个气象因子包括：最高气温、最低气温、最大相对湿度、最小相对湿度、平均风速和太阳辐射量。

4.如权利要求2所述的方法，其特征在于，所述预测步骤包括：

第一确定操作：确定该待预测区域所属的预测模型；

5.如权利要求4所述的方法，其特征在于，还包括：

6.如权利要求5所述的方法，其特征在于，还包括：

制定措施步骤：根据所述人体舒适度等级，制定预防措施。

7.如权利要求2所述的方法，其特征在于，所述建立步骤包括：

所述训练步骤包括：

8.如权利要求7所述的方法，其特征在于，所述预测步骤包括：

9.如权利要求7所述的方法，其特征在于，所述季节包括春季、夏季、秋季、冬季；或者，春季和夏季、秋季和冬季；或者，冬季和春季、夏季和秋季。

10.如权利要求2所述的方法，其特征在于，所述预测模型的结构包括输入层、一个或多个隐层和输出层，其中，，输入层的节点数与气象因子的数目相应，输出层节点数为1。