CN110009245A - 基于神经网络的室内空气质量预测方法、装置及电子设备 - Google Patents
基于神经网络的室内空气质量预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110009245A CN110009245A CN201910294605.9A CN201910294605A CN110009245A CN 110009245 A CN110009245 A CN 110009245A CN 201910294605 A CN201910294605 A CN 201910294605A CN 110009245 A CN110009245 A CN 110009245A
- Authority
- CN
- China
- Prior art keywords
- air quality
- indoor air
- index
- neural network
- indoor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Abstract
本发明提供了一种基于神经网络的室内空气质量预测方法、装置及电子设备,涉及室内空气质量预测领域,包括获取目标室内空间的待预测的室内空气质量指标以及预确定的室内环境指标及其参数值;基于待预测的室内空气质量指标、预确定的室内环境指标在预先训练的多个神经网络室内空气质量预测模型中选取目标神经网络室内空气质量预测模型;将目标室内空间的预确定的室内环境指标的参数值作为目标神经网络室内空气质量预测模型的输入,输出为待预测的室内空气质量指标值。该方法更加灵活、方便、快捷,在得到比较全面的空气质量评价结果的同时,预测精度较高,可靠性强。
Description
技术领域
本发明涉及室内空气质量预测技术领域,尤其是涉及一种基于神经网络的室内空气质量预测方法、装置及电子设备。
背景技术
目前,室内空气质量各项指标数据的获得方法最常用的有现场定时监测法及在线实时传感监测法。现场定时监测法是采用某些复杂的空气质量监测设备在特点时间点现场监测,获得相关的空气质量指标数据;在线实时传感监测法一般是基于各类监测传感器,采用有线或无线传输系统,获取室内空气质量的实时及历史监测数据。
在实际的民用生活中上述两种监测方法均存在使用缺陷,如现场定时监测法不能进行长久数据监测与分析,数据缺乏有效代表性,无法表征室内环境空气质量的长期状况,达不到日益趋高的环境质量标准及社会需求。而在线实时传感监测法系统复杂,包括监测模块、传输模块、存储及显示模块等,目前在民用中覆盖范围小,且室内空气质量参数指标多,要求的传感器类型及数量也多,很难得到全面的空气质量评价结果。
综上,现有技术中仅存在采用空气质量监测设备或传感监测系统对室内空气质量进行监测的方法;而对于室内空气质量进行预测方法目前尚未提及。
发明内容
有鉴于此,本发明的目的在于提供基于神经网络的室内空气质量预测方法、装置及电子设备。
第一方面,本发明实施例提供了一种基于神经网络的室内空气质量预测方法,包括以下步骤:
获取目标室内空间的待预测的室内空气质量指标;
获取所述目标室内空间的预确定的室内环境指标以及所述预确定的室内环境指标的参数值;
基于所述待预测的室内空气质量指标、所述预确定的室内环境指标在预先训练的多个神经网络室内空气质量预测模型中选取目标神经网络室内空气质量预测模型;其中每个神经网络室内空气质量预测模型对应于一个或多个室内空气质量指标;
将所述目标室内空间的所述预确定的室内环境指标的参数值作为所述目标神经网络室内空气质量预测模型的输入,输出为待预测的室内空气质量指标值。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述方法还包括:
获取所述目标室内空间的类型;
所述基于所述待预测的室内空气质量指标、所述预确定的室内环境指标在预先训练的多个神经网络室内空气质量预测模型中选取目标神经网络室内空气质量预测模型,包括:
基于所述目标室内空间的类型、所述待预测的室内空气质量指标以及所述预确定的室内环境指标在预先训练的多个神经网络室内空气质量预测模型选取目标神经网络室内空气质量预测模型;其中每个神经网络室内空气质量预测模型对应于一个室内空间的类型,每个神经网络室内空气质量预测模型对应于一个或多个室内空气质量指标。
结合第一方面或第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述方法还包括:
构建多个神经网络室内空气质量预测模型。
结合第一方面的第二种可能的实施方式,本发明实施例提供了第一方面的第三种可能的实施方式,其中,
所述构建多个神经网络室内空气质量预测模型,包括:
基于预先选取的室内环境指标的样本数据、预先选取的室内空气质量指标的样本数据以及预设神经网络算法构建得到多个神经网络室内空气质量预测模型;其中所述预先选取的室内环境指标的样本数据以及所述预先选取的室内空气质量指标的样本数据是在预先选定的样本室内空间中采集得到的。
结合第一方面的第三种可能的实施方式,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述基于预先选取的室内环境指标的样本数据、预先选取的室内空气质量指标的样本数据以及预设神经网络算法构建得到多个神经网络室内空气质量预测模型,包括:
对所述预先选取的室内环境指标的样本数据以及所述预先选取的室内空气质量指标的样本数据进行数据预处理,得到神经网络训练用指标的样本数据集;其中所述数据预处理包括数据提取处理、异常数据剔除处理、数据关联处理和数据标准化处理中的一个或多个;
基于预设神经网络算法构建包括输入层、隐含层及输出层结构的神经网络模型;其中所述输入层的输入参数个数由所述预先选取的室内环境指标的数量确定;所述输出层的输出参数个数由所述预先选取的室内空气质量指标的数量确定;所述隐含层的参数数量根据下式确定:式中,ni表示输入层的输入参数个数;no表示输出层的输出参数数量;a表示样本数据集的样本数;
将所述样本数据集中划分为训练用样本以及验证用样本;
基于所述训练用样本对所述神经网络模型进行模型训练及参数优化得到所述神经网络室内空气质量预测模型;
基于所述验证用样本对所述神经网络室内空气质量预测模型进行模型验证。
结合第一方面的第四种可能的实施方式,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述方法还包括:
基于所述预先选取的室内空气质量指标的样本数据构建室内空气质量指标数据库;
基于所述预先选取的室内环境指标的样本数据构建室内环境数据库;
基于所述室内环境数据库和所述室内空气质量指标数据库构建神经网络样本数据库;或者,基于所述神经网络训练用指标的样本数据集构建神经网络样本数据库。
结合第一方面,本发明实施例提供了第一方面的第六种可能的实施方式,其中,所述室内空气质量指标包括甲醛浓度、苯系物浓度、总挥发性有机污染物浓度、氨浓度、颗粒物浓度和二氧化碳浓度;
所述室内环境指标包括:室内空间大小、室内装修信息、室内温度和室内湿度。
第二方面,本发明实施例还提供一种基于神经网络的室内空气质量预测装置,包括:
第一指标获取模块,用于获取目标室内空间的待预测的室内空气质量指标;
第二指标获取模块,用于获取所述目标室内空间的预确定的室内环境指标以及所述预确定的室内环境指标的参数值;
预测模型选取模块,用于基于所述待预测的室内空气质量指标、所述预确定的室内环境指标在预先训练的多个神经网络室内空气质量预测模型中选取目标神经网络室内空气质量预测模型;其中每个神经网络室内空气质量预测模型对应于一个或多个室内空气质量指标;
预测结果输出模块,用于将所述目标室内空间的所述预确定的室内环境指标的参数值作为所述目标神经网络室内空气质量预测模型的输入,输出为待预测的室内空气质量指标值。
第三方面,本发明实施例提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的预测方法的步骤。
第四方面,本发明实施例提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行上述的预测方法的步骤。
本发明实施例带来了以下有益效果:
本发明实施例提供的一种基于神经网络的室内空气质量预测方法、装置、电子设备及计算机可读介质中,其中,该基于神经网络的室内空气质量预测方法通过获取目标室内空间的待预测的室内空气质量指标以及目标室内空间的室内环境指标的参数值;然后基于获取的待预测的室内空气质量指标在预先训练的多个神经网络室内空气质量预测模型中选取目标神经网络室内空气质量预测模型;其中每个神经网络室内空气质量预测模型对应于一个或多个室内空气质量指标;最后将获取到的目标室内空间的室内环境指标的参数值作为目标神经网络室内空气质量预测模型的输入,输出为待预测的室内空气质量指标值。可见,本发明实施例提供的技术方案是基于人工神经网络(Artificial NeuralNetwork,简称ANN)的非线性模拟技术及各室内空气质量指标与室内环境指标之间的响应关系建立室内空气各室内空气质量指标的快速预测模型,使用时,仅需要通过采集待测室内空间的室内环境指标(例如房屋面积、装修程度等),该室内环境指标可以简单、快速、方便地获取到(例如可以由相对简单的仪器测量或者人为输入即可),将上述室内环境指标作为输入参数输入到上述构建的快速预测模型即可获得该室内环境指标条件下的室内空气质量指标预测值,从而对室内空气质量进行评价,相对于现有的采用复杂的空气质量监测设备或者传感监测设备进行监测的方式,该方法更加灵活、方便、快捷,在得到比较全面的空气质量评价结果的同时,预测精度较高,可靠性强。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的神经网络模型结构示意图;
图2为本发明实施例提供的神经网络预测结果示意图;
图3为本发明实施例提供的一种基于神经网络的室内空气质量预测方法的流程图;
图4为本发明实施例提供的另一种基于神经网络的室内空气质量预测方法的流程图;
图5为本发明实施例提供的一种基于神经网络的室内空气质量预测装置的示意图;
图6为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前现有技术中仅存在采用空气质量监测设备或传感监测系统对室内空气质量进行监测的方法;而对于室内空气质量进行预测方法目前尚未提及,基于此,本发明实施例提供的一种基于神经网络的室内空气质量预测方法、装置及电子设备,可以填补室内空气质量预测领域的空白,对室内空气污染防控提供了一种新思路,具有极其重要的现实意义。且该方法简单,适用性广,可随时获得任何环境条件下室内空气质量指标数据。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种基于神经网络的室内空气质量预测方法的原理进行简要说明:
1)首先研究室内空间的室内空气质量指标数据及室内环境指标数据;因不同室内空间污染物指标浓度与环境特征的关系不尽相同,首先对研究空间进行分类统计,类型包括生活住宅、酒店宾馆、商务办公及车内空间等;分别通过室内环境监测设备定时监测,获得室内空气质量指标数据,包括甲醛浓度、甲苯等苯系物浓度、总挥发性有机污染物浓度、氨浓度、颗粒物浓度、二氧化碳浓度等,进一步的,基于定时监测的数据形成室内空气质量指标数据库;并同时收集室内空间对应的相关环境数据,包括温度、湿度、空间大小、室内空气流速、装修程度、装修使用时间等,进一步的,基于收集的环境数据形成环境数据样本库;
2)数据分析及标准化处理;对上述室内空气质量指标数据以及环境数据进行分析,从中提取得到能够表征特定环境条件下相应的室内空气各污染指标数据,并为消除数据之间的巨大差异性对数据进行标准化处理,构建神经网络样本数据,进一步的,基于神经网络样本数据形成神经网络样本数据库。
3)神经网络模型设计及构建;根据用户需求,设计神经网络模型,一般包括输入层、隐含层及输出层。输入层及输出层参数数量根据上述所建的神经网络样本数据库参数数量而决定,可为多输入单输出模型结构及多输入多输出模型结构。隐含层参数数量根据经验公式决定。
4)模型训练及参数优化;在神经网络样本数据库中随机提取80%的数据作为训练样本集,剩下20%的数据作为预测样本集,并优化选择模型各层函数,确定训练样本的目标输出与实际输出的误差所需达到的精度要求。当模型实际输出与目标输出的误差符合预设精度,则训练结束;否则即反复训练,直至符合要求。
5)模型预测及室内空气质量指标数据的获得;网络训练结束后,即可输入预测样本集进行数据验证,并通过数据标准化处理方式得到室内空气质量各表征指标数据。
为了便于理解,下面以本地建筑装修时间在0.5-5年的酒店宾馆室内空间为例,构建神经网络室内空气质量指标预测模型。
酒店宾馆属于装修较为复杂的一个室内空间,各种家具、地板、地毯、墙壁等均散发浓度较高的甲醛等挥发性有机污染物,对环境及人体健康危害极大,为室内空气污染排放大户。
1)通过室内环境监测设备定时监测,收集了待研究室内空间空气质量指标数据及环境数据样本100组,包括甲醛浓度、甲苯浓度、总挥发性有机污染物浓度、可吸入颗粒物PM10浓度、二氧化碳浓度、温度、湿度、房间面积、风速、装修程度(分别简单装修、中等装修、精装修、豪华装修)、装修使用时间(按月计)等。
2)数据分析及标准化处理;对上述100组数据进行分析,从中提取得到能够表征某环境条件下相应的室内空气各污染指标数据的75组有效数据,并为消除数据之间的巨大差异性对数据进行标准化处理,将原始数据转化至[0,1]范围内提高模型训练精度,构建神经网络样本数据库。
3)神经网络模型设计及构建;根据酒店宾馆室内空间装修及空气污染特点,以总挥发性有机污染物TVOC为预测指标,设计多输入单输出神经网络模型。为提高模型映射能力及降低运算复杂程度,根据映射存在定理:“给定任一连续函数f:Un→Rm,f(X)=Y。这里U是闭单位区间[0,1],f可以精确地用一个三层感知器网络实现”,本实施例中网络模型结构为三层,其中隐含层参数数量根据经验公式决定。
其中,ni—输入层神经元个数,此案例为6;no—输出层神经元个数,此案例中为1;a—训练集中的样本数,此案例中取为10。则计算得到隐含层参数个数为13。据此,构建的神经网络模型结构如图1所示。
4)模型训练及参数优化;在神经网络样本数据库75组数据中随机提取60组数据作为训练样本集,剩下15组数据作为预测样本集,并优化选择模型各层函数,确定训练样本的目标输出与实际输出的误差所需达到的精度要求,此案例中网络精度设为0.001;当模型实际输出与目标输出的误差≦0.001,则训练结束;否则即反复训练,直至符合要求。
5)模型预测及室内空气质量指标数据的获得。网络训练结束后,输入预测样本集的15组数据进行模型验证,预测结果见图2。结果显示所构建的神经网络预测模型的网络预测数据值与目标数据值吻合较好,误差较小,且网络预测数据值与目标数据值的相关系数近0.98。最后通过数据标准化处理方式得到室内总挥发性性有机污染物TVOC数据。
实施例一:
如图3所示,本发明实施例提供了一种基于神经网络的室内空气质量预测方法,包括以下步骤:
步骤S102,获取目标室内空间的待预测的室内空气质量指标;
上述的目标室内空间是指待测的室内空间,需要说明的是,这里的室内空间是指封闭或半封闭的空间,例如可以是无窗或有窗的房间(例如,住宅房间、酒店房间、宾馆房间、办公室房间),也可以是车辆(例如汽车、火车等)的内部空间。
上述的室内空气质量指标用于表征室内空气质量,即能够用于对室内空气质量进行评价的指标;
具体的,本实施例中的室内空气质量指标包括但不限于甲醛浓度、甲苯等苯系物浓度、总挥发性有机污染物浓度、氨浓度、颗粒物浓度、二氧化碳浓度等。
上述的待预测的室内空气质量指标是指用户根据测试需求从多个室内空气质量指标中选取出的若干室内空气质量指标组成的集合;在一个实施例中,待预测的室内空气质量指标例如为甲醛浓度组成的集合,在其他实施例中,待预测的室内空气质量指标例如为甲醛浓度和总挥发性有机污染物浓度组成的集合。
步骤S104,获取目标室内空间的预确定的室内环境指标以及预确定的室内环境指标的参数值;
具体的,该步骤S104包括:
1、获取目标室内空间的预确定的室内环境指标;
上述的室内空气质量指标用于表征室内空间的环境状态。
具体的,室内环境指标包括室内空间大小(例如房间面积)、室内装修信息、室内温度和室内湿度;其中室内装修信息包括装修程度、装修使用时间(按月计),装修程度例如可以是简单装修、中等装修、精装修、豪华装修,装修使用时间包括装修用时(例如3个月)、装修完成后使用时长(例如36个月);
上述预确定的室内环境指标是指用户根据室内空间实际情况在多个室内环境指标中选取出的若干特定的室内环境指标组成的集合。在一个实施例中,考虑到有些室内空间的装修信息(例如装修时间)被遗忘的情况,预确定的室内环境指标为室内空间大小(例如房间面积)、室内温度和室内湿度;
综上可知,室内环境指标并不必然与室内空气质量指标是相关的。
需要指出的是,为了建立全面的室内空间的环境评价体系,在其他实施例中,室内环境指标还可以包括:室内空气流速、室内家具信息(例如两张木质床);上述的室内家具信息包括:室内家具种类(如床、椅子)、室内家具材质(如木头材质、金属材制)及室内家具数量(2张)等,相应的,在训练模型时,也需要将增加的室内环境指标(例如室内空气流速)加入进去,即训练得到输入参数为室内空间大小、室内装修信息、室内温度和室内湿度和室内空气流速,输出为甲苯浓度的神经网络室内空气质量预测模型,同理得到输入参数为室内空间大小、室内装修信息、室内温度和室内湿度和室内空气流速,输出为甲苯浓度和甲醛浓度的神经网络室内空气质量预测模型等。
通过将多个室内环境指标来表征室内空间的室内环境状态,使得室内空间的环境指标评价更加全面。
本实施例中,通过将各室内空气质量指标与各室内环境指标建立对应关系(响应关系或映射关系),当对同样情况的目标室内空间(即目标室内空间的所有室内环境指标与样本室内空间的所有室内环境指标均相同,这里的样本室内空间是在建立预测模型时使用的)的室内空气质量进行评价时,即可立即对应得到各室内空气质量指标的预测值。
2、获取预确定的室内环境指标的参数值。
步骤S106,基于待预测的室内空气质量指标、预确定的室内环境指标在预先训练的多个神经网络室内空气质量预测模型中选取目标神经网络室内空气质量预测模型;
其中每个神经网络室内空气质量预测模型对应于一个或多个室内空气质量指标;每个神经网络室内空气质量预测模型对应于一个或多个室内环境指标;
这里的多个神经网络室内空气质量预测模型中的每个神经网络室内空气质量预测模型对应于一个或多个室内空气质量指标,每个神经网络室内空气质量预测模型对应于一个或多个室内环境指标;即多个神经网络室内空气质量预测模型包括单输入单输出的神经网络室内空气质量预测模型、多输入单输出的神经网络室内空气质量预测模型以及多输入多输出的神经网络室内空气质量预测模型;例如,第一个神经网络室内空气质量预测模型对应的室内空气质量指标为甲醛浓度,其对应的室内环境指标为室内装修程度;另一个神经网络室内空气质量预测模型对应的室内空气质量指标为甲醛浓度,其对应的室内环境指标为室内装修程度、室内空间大小;第三个神经网络室内空气质量预测模型对应的室内空气质量指标为甲醛浓度和甲苯浓度,其对应的室内环境指标为室内装修程度、室内空间大小、室内温度;其他的神经网络室内空气质量预测模型与此类似,在此不再赘述。
需要指出的是,上述的室内环境指标可以是大类环境指标,也可以是小类环境指标,例如包括室内装修程度(小类环境指标)、装修时间(小类环境指标)的室内装修信息(称为大类环境指标);包括室内温度、室内湿度等小类环境指标的室内气候信息(大类环境指标);包括室内家具种类、室内家具材质及室内家具数量等小类环境指标的室内家具信息(大类环境指标);本实施例考虑到一般输入层参数数量都大于1,因此,这里的一个通常指的是大类环境指标。
上述的目标神经网络室内空气质量预测模型是指多个神经网络室内空气质量预测模型中对应于待预测的室内空气质量指标以及对应于预确定的室内环境指标的神经网络室内空气质量预测模型。
步骤S108,将目标室内空间的预确定的室内环境指标的参数值作为所述目标神经网络室内空气质量预测模型的输入,输出为待预测的室内空气质量指标值。
本发明实施例提供的基于神经网络的室内空气质量预测方法通过获取目标室内空间的待预测的室内空气质量指标以及目标室内空间的室内环境指标的参数值;然后基于获取的待预测的室内空气质量指标在预先训练的多个神经网络室内空气质量预测模型中选取目标神经网络室内空气质量预测模型;其中每个神经网络室内空气质量预测模型对应于一个或多个室内空气质量指标;最后将获取到的目标室内空间的室内环境指标的参数值作为目标神经网络室内空气质量预测模型的输入,输出为待预测的室内空气质量指标值。可见,本发明实施例提供的技术方案是基于人工神经网络(Artificial Neural Network,简称ANN)的非线性模拟技术及各室内空气质量指标与室内环境指标之间的响应关系建立室内空气各室内空气质量指标的快速预测模型,使用时,仅需要通过采集待测室内空间的室内环境指标(例如房屋面积、装修程度等),该室内环境指标可以简单、快速、方便地获取到(例如可以由相对简单的仪器测量或者人为输入即可),将上述室内环境指标作为输入参数输入到上述构建的快速预测模型即可获得该室内环境指标条件下的室内空气质量指标预测值,从而对室内空气质量进行评价,相对于现有的采用复杂的空气质量监测设备或者传感监测设备进行监测的方式,该方法更加灵活、方便、快捷,在得到比较全面的空气质量评价结果的同时,预测精度较高,可靠性强。
进一步的,参照图4,本发明实施例提供了另一种基于神经网络的室内空气质量预测方法,该方法包括:
步骤S202,获取目标室内空间的类型;
考虑到不同类型的室内空间(例如酒店空间跟车内空间)的室内空气质量指标(污染物)的指标浓度与其所在的室内环境指标的关系不尽相同,因此,这里首先获取目标室内空间的类型,即确定目标室内空间是酒店、办公室、生活住宅、车内空间等。
步骤S204,获取目标室内空间的待预测的室内空气质量指标;
步骤S206,获取目标室内空间的预确定的室内环境指标以及预确定的室内环境指标的参数值;
步骤S208,基于目标室内空间的类型、待预测的室内空气质量指标以及预确定的室内环境指标在预先训练的多个神经网络室内空气质量预测模型中选取目标神经网络室内空气质量预测模型;其中每个神经网络室内空气质量预测模型对应于一个或多个室内空气质量指标;每个神经网络室内空气质量预测模型对应于一个室内空间的类型,每个神经网络室内空气质量预测模型对应于一个或多个室内空气质量指标;每个神经网络室内空气质量预测模型对应于一个或多个室内环境指标;
步骤S210,将目标室内空间的预确定的室内环境指标的参数值作为目标神经网络室内空气质量预测模型的输入,输出为待预测的室内空气质量指标值。
本发明实施例提供的预测方法通过预先对研究的室内空间进行分类统计建立不同类型的室内空间的快速预测模型,扩大室内空间适用范围的同时,能够提高目标室内空间的预测精度。
进一步的,本发明实施例提供了第三种基于神经网络的室内空气质量预测方法,与上述两种方法的区别在于,该方法还包括:
构建多个神经网络室内空气质量预测模型。
具体的,基于预先选取的室内环境指标的样本数据、预先选取的室内空气质量指标的样本数据以及预设神经网络算法构建得到多个神经网络室内空气质量预测模型;
其中预先选取的室内环境指标以及预先选取的室内空气质量指标是用户根据实际需求自行确定的;同样的,这里的预先选取的室内空气质量指标为在上述的室内空气质量指标中选取出的一个或多个室内空气质量指标的集合;预先选取的室内环境指标为在上述的室内环境指标中选取出的一个或多个室内环境指标的集合;
上述预先选取的室内环境指标的样本数据以及所述预先选取的室内空气质量指标的样本数据是在预先选定的样本室内空间中采集得到的;上述的样本室内空间包括酒店、旅馆、宾馆、住宅、办公室、车辆内部空间等。预先选定的样本室内空间即为上述类型的样本室内空间的任意一种。
具体的,在预先选定的样本空间中,每间隔预设时间采集预先选取的室内环境指标的样本数据以及所述预先选取的室内空气质量指标的样本数据,得到多个预先选取的室内环境指标的样本数据以及所述预先选取的室内空气质量指标的样本数据,每一个预设时间点采集的预先选取的室内环境指标的样本数据以及所述预先选取的室内空气质量指标的样本数据即是一个样本,得到的多个预先选取的室内环境指标的样本数据以及所述预先选取的室内空气质量指标的样本数据即为一组样本,一组样本包括多个样本,通常对于一个样本空间,样本的数量(样本数)一般选取1-10之间的任意数值
需要说明的是,在一个实施例中,样本室内空间可以与目标室内空间的类型不同,例如在上述的一种基于神经网络的室内空气质量预测方法(步骤S102至S108)的实施例中;在另一实施例中,样本室内空间也可以与目标室内空间的类型相同,例如在上述的另一种基于神经网络的室内空气质量预测方法(步骤S202至S210)的实施例中;
该基于预先选取的室内环境指标的样本数据、预先选取的室内空气质量指标的样本数据以及预设神经网络算法构建得到多个神经网络室内空气质量预测模型的步骤通过以下步骤执行:
1、对预先选取的室内环境指标的样本数据以及预先选取的室内空气质量指标的样本数据进行数据预处理,得到神经网络训练用指标的样本数据集;
这里的样本数据集构成训练用的一组样本。
其中所述数据预处理包括异常数据剔除处理、数据关联处理和数据标准化处理中的一个或多个;这里的异常数据剔除处理主要是指将预先选取的室内环境指标的样本数据以及预先选取的室内空气质量指标的样本数据中的错误数据进行剔除;数据关联处理主要是指将预先选取的室内环境指标的样本数据与预先选取的室内空气质量指标的样本数据进行对应关联起来;这里的数据标准化处理是指为了消除不同类型的数据之间的巨大差异性,主要包括归一化处理,即将预先选取的室内环境指标的样本数据以及预先选取的室内空气质量指标的样本数据转化至[0,1]的范围内。
需要指出的是,考虑到预先选取的室内环境指标中可能存在无法获取(例如装修信息)的数据,进一步的,数据预处理还可以包括数据提取处理,即对无法获取的室内环境指标进行筛选,从预先选取的室内环境指标中提取出表征室内环境状态的有效的室内环境指标;此时需要进行标注,即标示出预先选取的室内环境指标与有效的室内环境指标,从而确定该模型能够预测的室内空间的场景,以防应用场景错误导致的预测结果出错。
可以理解的是,上述神经网络训练用指标也包括室内环境指标以及所述室内空气质量指标;
2、基于预设神经网络算法构建包括输入层、隐含层及输出层结构的神经网络模型;
其中所述输入层的输入参数个数由预先选取的室内环境指标的数量确定;所述输出层的输出参数个数由预先选取的室内空气质量指标的数量确定;
所述隐含层的参数数量根据下式确定:式中,ni表示输入层的输入参数个数;no表示输出层的输出参数数量;a表示样本数据集的样本数;
这里的样本数是指对于一个预先选定的样本室内空间采集的次数,比如采集测量10次,则样本数记为10。需要说明的是,考虑隐含层参数个数以及计算量,如果样本数量大于10,计算公式中样本数一般也取为10。
3、将样本数据集划分为训练用样本以及验证用样本;
具体的,训练用样本的样本数通常大于所述验证用样本的样本数,且所述训练用样本的样本数与所述验证用样本的样本数之和等于所述样本数据集的样本数。
例如样本数据集的样本数为10,随机从样本数据集中提取出采集测量的8个样本作为训练用样本;剩余的2个样本作为验证用样本。
4、基于样本数据集中的训练用样本对所述神经网络模型进行模型训练及参数优化得到所述神经网络室内空气质量预测模型;
这里的神经网络室内空气质量预测模型为多个神经网络室内空气质量预测模型中的一个;且神经网络室内空气质量预测模型为满足预设精度要求的神经网络模型;
具体的,在样本数据集随机提取80%的数据作为训练用样本,剩下20%的数据作为验证用样本,并优化选择模型各层函数,确定训练样本的目标输出与实际输出的误差所需达到的精度要求。当模型实际输出与目标输出的误差符合预设精度,例如模型实际输出与目标输出的误差≦0.001(误差阈值);则训练结束;否则即反复训练,直至符合要求。应当指出的是,上述比例仅是示例性的,不应理解为对本申请的限制;当然也可以根据实际需求(比如应用场景)来确定。
5、基于样本数据集中的验证用样本对神经网络室内空气质量预测模型进行模型验证。
训练结束后,即可输入验证用样本的样本数据进行数据验证,
进一步的,通过数据标准化处理方式得到表征室内空气质量的各室内空气质量指标的标准化数据。
具体的,上述的预设神经网络算法采用深度学习中的反向传播算法(Backpropagation Algorithm,简称BP算法)。
需要说明的是,当进行训练、验证或预测时,如果神经网络的设置与训练样本的输入及预测样本的输入不一致时,发出提示信息,例如弹出警告对话框的形式发出提示信息。当然,神经网络训练完成后,输出训练过程的曲线以及训练结果图,例如用户通过软件界面的“绘制训练结果”按钮,弹出训练结果图。
为了便于校对以及对模型进行更新,进一步的,该方法还包括:
6、基于预先选取的室内空气质量指标的样本数据构建室内空气质量指标数据库;
7、基于预先选取的室内环境指标的样本数据构建室内环境数据库;
8、基于所述室内环境数据库和所述室内空气质量指标数据库构建神经网络样本数据库;或者,基于所述神经网络训练用指标的样本数据集构建神经网络样本数据库。
实施例二:
如图5所示,本发明实施例还提供了一种基于神经网络的室内空气质量预测装置,包括:
第一指标获取模块10,用于获取目标室内空间的待预测的室内空气质量指标;
第二指标获取模块20,用于获取所述目标室内空间的预确定的室内环境指标以及所述预确定的室内环境指标的参数值;
预测模型选取模块30,用于基于所述待预测的室内空气质量指标、所述预确定的室内环境指标在预先训练的多个神经网络室内空气质量预测模型中选取目标神经网络室内空气质量预测模型;其中每个神经网络室内空气质量预测模型对应于一个或多个室内空气质量指标;每个神经网络室内空气质量预测模型对应于一个或多个室内环境指标;
预测结果输出模块40,用于将所述目标室内空间的所述预确定的室内环境指标的参数值作为所述目标神经网络室内空气质量预测模型的输入,输出为待预测的室内空气质量指标值。
进一步的,该装置还包括:模型构建模块,用于构建多个神经网络室内空气质量预测模型。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例提供的基于神经网络的室内空气质量预测装置,与上述实施例提供的基于神经网络的室内空气质量预测方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
参见图6,本发明实施例还提供一种电子设备100,包括:处理器40,存储器41,总线42和通信接口43,所述处理器40、通信接口43和存储器41通过总线42连接;处理器40用于执行存储器41中存储的可执行模块,例如计算机程序。
其中,存储器41可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器41用于存储程序,所述处理器40在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中,或者由处理器40实现。
处理器40可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41,处理器40读取存储器41中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的进行基于神经网络的室内空气质量预测方法的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于神经网络的室内空气质量预测方法,其特征在于,包括以下步骤:
获取目标室内空间的待预测的室内空气质量指标;
获取所述目标室内空间的预确定的室内环境指标以及所述预确定的室内环境指标的参数值;
基于所述待预测的室内空气质量指标、所述预确定的室内环境指标在预先训练的多个神经网络室内空气质量预测模型中选取目标神经网络室内空气质量预测模型;其中每个神经网络室内空气质量预测模型对应于一个或多个室内空气质量指标;每个神经网络室内空气质量预测模型对应于一个或多个室内环境指标;
将所述目标室内空间的所述预确定的室内环境指标的参数值作为所述目标神经网络室内空气质量预测模型的输入,输出为待预测的室内空气质量指标值。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述目标室内空间的类型;
所述基于所述待预测的室内空气质量指标、所述预确定的室内环境指标在预先训练的多个神经网络室内空气质量预测模型中选取目标神经网络室内空气质量预测模型,包括:
基于所述目标室内空间的类型、所述待预测的室内空气质量指标以及所述预确定的室内环境指标在预先训练的多个神经网络室内空气质量预测模型选取目标神经网络室内空气质量预测模型;其中每个神经网络室内空气质量预测模型对应于一个室内空间的类型,每个神经网络室内空气质量预测模型对应于一个或多个室内空气质量指标;每个神经网络室内空气质量预测模型对应于一个或多个室内环境指标。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
构建多个神经网络室内空气质量预测模型。
4.根据权利要求3所述的方法,其特征在于,所述构建多个神经网络室内空气质量预测模型,包括:
基于预先选取的室内环境指标的样本数据、预先选取的室内空气质量指标的样本数据以及预设神经网络算法构建得到多个神经网络室内空气质量预测模型;其中所述预先选取的室内环境指标的样本数据以及所述预先选取的室内空气质量指标的样本数据是在预先选定的样本室内空间中采集得到的。
5.根据权利要求4所述的方法,其特征在于,所述基于预先选取的室内环境指标的样本数据、预先选取的室内空气质量指标的样本数据以及预设神经网络算法构建得到多个神经网络室内空气质量预测模型,包括:
对所述预先选取的室内环境指标的样本数据以及所述预先选取的室内空气质量指标的样本数据进行数据预处理,得到神经网络训练用指标的样本数据集;其中所述数据预处理包括异常数据剔除处理、数据关联处理和数据标准化处理中的一个或多个;
基于预设神经网络算法构建包括输入层、隐含层及输出层结构的神经网络模型;其中所述输入层的输入参数个数由所述预先选取的室内环境指标的数量确定;所述输出层的输出参数个数由所述预先选取的室内空气质量指标的数量确定;所述隐含层的参数数量根据下式确定:式中,ni表示输入层的输入参数个数;no表示输出层的输出参数数量;a表示样本数据集的样本数;
将所述样本数据集划分为训练用样本以及验证用样本;
基于所述训练用样本对所述神经网络模型进行模型训练及参数优化得到所述神经网络室内空气质量预测模型;
基于所述验证用样本对所述神经网络室内空气质量预测模型进行模型验证。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
基于所述预先选取的室内空气质量指标的样本数据构建室内空气质量指标数据库;
基于所述预先选取的室内环境指标的样本数据构建室内环境数据库;
基于所述室内环境数据库和所述室内空气质量指标数据库构建神经网络样本数据库;或者,基于所述神经网络训练用指标的样本数据集构建神经网络样本数据库。
7.根据权利要求1所述的方法,其特征在于,所述室内空气质量指标包括甲醛浓度、苯系物浓度、总挥发性有机污染物浓度、氨浓度、颗粒物浓度和二氧化碳浓度;
所述室内环境指标包括:室内空间大小、室内装修信息、室内温度和室内湿度。
8.一种基于神经网络的室内空气质量预测装置,其特征在于,包括:
第一指标获取模块,用于获取目标室内空间的待预测的室内空气质量指标;
第二指标获取模块,用于获取所述目标室内空间的预确定的室内环境指标以及所述预确定的室内环境指标的参数值;
预测模型选取模块,用于基于所述待预测的室内空气质量指标、所述预确定的室内环境指标在预先训练的多个神经网络室内空气质量预测模型中选取目标神经网络室内空气质量预测模型;其中每个神经网络室内空气质量预测模型对应于一个或多个室内空气质量指标;每个神经网络室内空气质量预测模型对应于一个或多个室内环境指标;
预测结果输出模块,用于将所述目标室内空间的所述预确定的室内环境指标的参数值作为所述目标神经网络室内空气质量预测模型的输入,输出为待预测的室内空气质量指标值。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至7任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910294605.9A CN110009245A (zh) | 2019-04-12 | 2019-04-12 | 基于神经网络的室内空气质量预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910294605.9A CN110009245A (zh) | 2019-04-12 | 2019-04-12 | 基于神经网络的室内空气质量预测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110009245A true CN110009245A (zh) | 2019-07-12 |
Family
ID=67171460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910294605.9A Pending CN110009245A (zh) | 2019-04-12 | 2019-04-12 | 基于神经网络的室内空气质量预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009245A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111649779A (zh) * | 2020-05-31 | 2020-09-11 | 天津大学 | 基于密集神经网络的油井含油率和总流速测量方法及应用 |
CN112308140A (zh) * | 2020-10-30 | 2021-02-02 | 上海市建筑科学研究院有限公司 | 室内环境质量监控方法和终端 |
US10978199B2 (en) | 2019-01-11 | 2021-04-13 | Honeywell International Inc. | Methods and systems for improving infection control in a building |
CN112947637A (zh) * | 2021-01-29 | 2021-06-11 | 安徽佳美瑞物联科技有限公司 | 一种办公环境智能调节系统 |
US11184739B1 (en) | 2020-06-19 | 2021-11-23 | Honeywel International Inc. | Using smart occupancy detection and control in buildings to reduce disease transmission |
US11288945B2 (en) | 2018-09-05 | 2022-03-29 | Honeywell International Inc. | Methods and systems for improving infection control in a facility |
CN114594202A (zh) * | 2020-12-07 | 2022-06-07 | 大金工业株式会社 | 室内空气质量的预测方法及室内空气质量检测系统 |
CN114646348A (zh) * | 2022-03-21 | 2022-06-21 | 贵州航天天马机电科技有限公司 | 一种用于履带车舱室作业环境评价的监视装置及方法 |
US11372383B1 (en) | 2021-02-26 | 2022-06-28 | Honeywell International Inc. | Healthy building dashboard facilitated by hierarchical model of building control assets |
US11402113B2 (en) | 2020-08-04 | 2022-08-02 | Honeywell International Inc. | Methods and systems for evaluating energy conservation and guest satisfaction in hotels |
US11474489B1 (en) | 2021-03-29 | 2022-10-18 | Honeywell International Inc. | Methods and systems for improving building performance |
CN115290832A (zh) * | 2022-09-30 | 2022-11-04 | 南通润厚设备工程有限公司 | 用于等离子废气处理设备的废气处理监测方法 |
US11619414B2 (en) | 2020-07-07 | 2023-04-04 | Honeywell International Inc. | System to profile, measure, enable and monitor building air quality |
US11620594B2 (en) | 2020-06-12 | 2023-04-04 | Honeywell International Inc. | Space utilization patterns for building optimization |
US11662115B2 (en) | 2021-02-26 | 2023-05-30 | Honeywell International Inc. | Hierarchy model builder for building a hierarchical model of control assets |
US11783652B2 (en) | 2020-06-15 | 2023-10-10 | Honeywell International Inc. | Occupant health monitoring for buildings |
US11783658B2 (en) | 2020-06-15 | 2023-10-10 | Honeywell International Inc. | Methods and systems for maintaining a healthy building |
US11823295B2 (en) | 2020-06-19 | 2023-11-21 | Honeywell International, Inc. | Systems and methods for reducing risk of pathogen exposure within a space |
US11894145B2 (en) | 2020-09-30 | 2024-02-06 | Honeywell International Inc. | Dashboard for tracking healthy building performance |
US11914336B2 (en) | 2020-06-15 | 2024-02-27 | Honeywell International Inc. | Platform agnostic systems and methods for building management systems |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751242A (zh) * | 2015-03-27 | 2015-07-01 | 北京奇虎科技有限公司 | 预测空气质量指数的方法与装置 |
CN107023947A (zh) * | 2017-04-01 | 2017-08-08 | 青岛海尔空调器有限总公司 | 一种评价室内空气质量的方法和空气质量评价系统 |
CN107273995A (zh) * | 2016-04-08 | 2017-10-20 | 株式会社日立制作所 | 空气质量预报方法 |
CN107330514A (zh) * | 2017-07-10 | 2017-11-07 | 北京工业大学 | 一种基于集成极限学习机的空气质量预测方法 |
CN108399470A (zh) * | 2018-02-09 | 2018-08-14 | 苏州科技大学 | 一种基于多示例遗传神经网络的室内pm2.5预测方法 |
US20180330811A1 (en) * | 2015-01-13 | 2018-11-15 | Delos Living Llc | Systems, methods and articles for monitoring and enhancing human wellness |
CN109297534A (zh) * | 2018-09-21 | 2019-02-01 | 苏州数言信息技术有限公司 | 用于评价室内环境质量的环境参数权重确定方法及系统 |
-
2019
- 2019-04-12 CN CN201910294605.9A patent/CN110009245A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180330811A1 (en) * | 2015-01-13 | 2018-11-15 | Delos Living Llc | Systems, methods and articles for monitoring and enhancing human wellness |
CN104751242A (zh) * | 2015-03-27 | 2015-07-01 | 北京奇虎科技有限公司 | 预测空气质量指数的方法与装置 |
CN107273995A (zh) * | 2016-04-08 | 2017-10-20 | 株式会社日立制作所 | 空气质量预报方法 |
CN107023947A (zh) * | 2017-04-01 | 2017-08-08 | 青岛海尔空调器有限总公司 | 一种评价室内空气质量的方法和空气质量评价系统 |
CN107330514A (zh) * | 2017-07-10 | 2017-11-07 | 北京工业大学 | 一种基于集成极限学习机的空气质量预测方法 |
CN108399470A (zh) * | 2018-02-09 | 2018-08-14 | 苏州科技大学 | 一种基于多示例遗传神经网络的室内pm2.5预测方法 |
CN109297534A (zh) * | 2018-09-21 | 2019-02-01 | 苏州数言信息技术有限公司 | 用于评价室内环境质量的环境参数权重确定方法及系统 |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11626004B2 (en) | 2018-09-05 | 2023-04-11 | Honeywell International, Inc. | Methods and systems for improving infection control in a facility |
US11288945B2 (en) | 2018-09-05 | 2022-03-29 | Honeywell International Inc. | Methods and systems for improving infection control in a facility |
US10978199B2 (en) | 2019-01-11 | 2021-04-13 | Honeywell International Inc. | Methods and systems for improving infection control in a building |
US11887722B2 (en) | 2019-01-11 | 2024-01-30 | Honeywell International Inc. | Methods and systems for improving infection control in a building |
CN111649779B (zh) * | 2020-05-31 | 2022-04-08 | 天津大学 | 基于密集神经网络的油井含油率和总流速测量方法及应用 |
CN111649779A (zh) * | 2020-05-31 | 2020-09-11 | 天津大学 | 基于密集神经网络的油井含油率和总流速测量方法及应用 |
US11620594B2 (en) | 2020-06-12 | 2023-04-04 | Honeywell International Inc. | Space utilization patterns for building optimization |
US11783658B2 (en) | 2020-06-15 | 2023-10-10 | Honeywell International Inc. | Methods and systems for maintaining a healthy building |
US11914336B2 (en) | 2020-06-15 | 2024-02-27 | Honeywell International Inc. | Platform agnostic systems and methods for building management systems |
US11783652B2 (en) | 2020-06-15 | 2023-10-10 | Honeywell International Inc. | Occupant health monitoring for buildings |
US11184739B1 (en) | 2020-06-19 | 2021-11-23 | Honeywel International Inc. | Using smart occupancy detection and control in buildings to reduce disease transmission |
US11823295B2 (en) | 2020-06-19 | 2023-11-21 | Honeywell International, Inc. | Systems and methods for reducing risk of pathogen exposure within a space |
US11778423B2 (en) | 2020-06-19 | 2023-10-03 | Honeywell International Inc. | Using smart occupancy detection and control in buildings to reduce disease transmission |
US11619414B2 (en) | 2020-07-07 | 2023-04-04 | Honeywell International Inc. | System to profile, measure, enable and monitor building air quality |
US11402113B2 (en) | 2020-08-04 | 2022-08-02 | Honeywell International Inc. | Methods and systems for evaluating energy conservation and guest satisfaction in hotels |
US11894145B2 (en) | 2020-09-30 | 2024-02-06 | Honeywell International Inc. | Dashboard for tracking healthy building performance |
CN112308140A (zh) * | 2020-10-30 | 2021-02-02 | 上海市建筑科学研究院有限公司 | 室内环境质量监控方法和终端 |
CN114594202A (zh) * | 2020-12-07 | 2022-06-07 | 大金工业株式会社 | 室内空气质量的预测方法及室内空气质量检测系统 |
CN112947637B (zh) * | 2021-01-29 | 2022-06-24 | 阜阳小欧智能科技有限公司 | 一种办公环境智能调节系统 |
CN112947637A (zh) * | 2021-01-29 | 2021-06-11 | 安徽佳美瑞物联科技有限公司 | 一种办公环境智能调节系统 |
US11599075B2 (en) | 2021-02-26 | 2023-03-07 | Honeywell International Inc. | Healthy building dashboard facilitated by hierarchical model of building control assets |
US11662115B2 (en) | 2021-02-26 | 2023-05-30 | Honeywell International Inc. | Hierarchy model builder for building a hierarchical model of control assets |
US11815865B2 (en) | 2021-02-26 | 2023-11-14 | Honeywell International, Inc. | Healthy building dashboard facilitated by hierarchical model of building control assets |
US11372383B1 (en) | 2021-02-26 | 2022-06-28 | Honeywell International Inc. | Healthy building dashboard facilitated by hierarchical model of building control assets |
US11474489B1 (en) | 2021-03-29 | 2022-10-18 | Honeywell International Inc. | Methods and systems for improving building performance |
CN114646348A (zh) * | 2022-03-21 | 2022-06-21 | 贵州航天天马机电科技有限公司 | 一种用于履带车舱室作业环境评价的监视装置及方法 |
CN115290832B (zh) * | 2022-09-30 | 2022-12-13 | 南通润厚设备工程有限公司 | 用于等离子废气处理设备的废气处理监测方法 |
CN115290832A (zh) * | 2022-09-30 | 2022-11-04 | 南通润厚设备工程有限公司 | 用于等离子废气处理设备的废气处理监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009245A (zh) | 基于神经网络的室内空气质量预测方法、装置及电子设备 | |
CN107992968B (zh) | 基于集成时间序列分析技术的电能表计量误差预测方法 | |
Wang et al. | Multi-criteria building energy performance benchmarking through variable clustering based compromise TOPSIS with objective entropy weighting | |
CN111104981B (zh) | 一种基于机器学习的水文预报精度评价方法及系统 | |
Liang et al. | Occupancy data analytics and prediction: A case study | |
CN108593990B (zh) | 一种基于电能用户用电行为模式的窃电检测方法和应用 | |
Jin et al. | Sensing by proxy: Occupancy detection based on indoor CO2 concentration | |
Wang et al. | Quantitative energy performance assessment methods for existing buildings | |
CN109145949A (zh) | 基于集成学习的非侵入式电力负荷监测与分解方法及系统 | |
CN110634080A (zh) | 异常用电检测方法、装置、设备及计算机可读存储介质 | |
CN107133436A (zh) | 一种多重抽样模型训练方法及装置 | |
Mora et al. | Occupancy patterns obtained by heuristic approaches: Cluster analysis and logical flowcharts. A case study in a university office | |
CN106878375A (zh) | 一种基于分布式组合传感器网络的座舱污染物监测方法 | |
CN107239967A (zh) | 房产信息处理方法、装置、计算机设备及存储介质 | |
Gao et al. | Using data mining in optimisation of building energy consumption and thermal comfort management | |
CN108170765A (zh) | 基于在校行为数据多维分析的贫困生资助推荐方法 | |
CN107180275A (zh) | 一种标准化营业额预估方法与系统 | |
Albra et al. | The effect of gross domestic product and population growth on CO2 emissions in Indonesia: An application of the ant colony optimisation algorithm and cobb-douglas model | |
CN103996076B (zh) | 电力需求的变化预警方法和系统 | |
Mirshahi et al. | Automatic odor prediction for electronic nose | |
Frešer et al. | Anticipatory system for T--H--C dynamics in room with real and virtual sensors | |
Ahmed et al. | Analysing building performance data for energy-efficient building operation | |
Szczurek et al. | Occupancy detection using gas sensors | |
Manfren | Multi‐Scale Computing for a Sustainable Built Environment | |
Ravichandran et al. | A numerical simulation-based method to predict floor wise distribution of cooling loads in Indian residences using Tukey honest significant difference test |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190712 |