CN110239577B - 一种车内污染环境下列车乘员健康防护系统及其方法 - Google Patents
一种车内污染环境下列车乘员健康防护系统及其方法 Download PDFInfo
- Publication number
- CN110239577B CN110239577B CN201910676726.XA CN201910676726A CN110239577B CN 110239577 B CN110239577 B CN 110239577B CN 201910676726 A CN201910676726 A CN 201910676726A CN 110239577 B CN110239577 B CN 110239577B
- Authority
- CN
- China
- Prior art keywords
- train
- air quality
- concentration
- pollutant
- air
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000009423 ventilation Methods 0.000 claims abstract description 50
- 238000009472 formulation Methods 0.000 claims abstract description 7
- 239000000203 mixture Substances 0.000 claims abstract description 7
- 239000003344 environmental pollutant Substances 0.000 claims description 112
- 231100000719 pollutant Toxicity 0.000 claims description 111
- 238000012544 monitoring process Methods 0.000 claims description 84
- 238000003915 air pollution Methods 0.000 claims description 45
- 230000015654 memory Effects 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 16
- 238000009792 diffusion process Methods 0.000 claims description 15
- 241000254158 Lampyridae Species 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 239000000356 contaminant Substances 0.000 claims description 8
- 238000013136 deep learning model Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 239000000809 air pollutant Substances 0.000 claims description 5
- 231100001243 air pollutant Toxicity 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004887 air purification Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 230000009193 crawling Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000003202 long acting thyroid stimulator Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
- B60H1/00—Heating, cooling or ventilating [HVAC] devices
- B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
- B60H1/0073—Control systems or circuits characterised by particular algorithms or computational models, e.g. fuzzy logic or dynamic models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61D—BODY DETAILS OR KINDS OF RAILWAY VEHICLES
- B61D27/00—Heating, cooling, ventilating, or air-conditioning
- B61D27/009—Means for ventilating only
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
- B60H1/00—Heating, cooling or ventilating [HVAC] devices
- B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
- B60H1/00735—Control systems or circuits characterised by their input, i.e. by the detection, measurement or calculation of particular conditions, e.g. signal treatment, dynamic models
- B60H1/008—Control systems or circuits characterised by their input, i.e. by the detection, measurement or calculation of particular conditions, e.g. signal treatment, dynamic models the input being air quality
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
- B60H1/00—Heating, cooling or ventilating [HVAC] devices
- B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
- B60H1/00814—Control systems or circuits characterised by their output, for controlling particular components of the heating, cooling or ventilating installation
- B60H1/00821—Control systems or circuits characterised by their output, for controlling particular components of the heating, cooling or ventilating installation the components being ventilating, air admitting or air distributing devices
- B60H1/00828—Ventilators, e.g. speed control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
- B60H1/00—Heating, cooling or ventilating [HVAC] devices
- B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
- B60H1/00814—Control systems or circuits characterised by their output, for controlling particular components of the heating, cooling or ventilating installation
- B60H1/00821—Control systems or circuits characterised by their output, for controlling particular components of the heating, cooling or ventilating installation the components being ventilating, air admitting or air distributing devices
- B60H1/00835—Damper doors, e.g. position control
- B60H1/00849—Damper doors, e.g. position control for selectively commanding the induction of outside or inside air
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
- B60H3/00—Other air-treating devices
- B60H3/0085—Smell or pollution preventing arrangements
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
- B60Y2200/00—Type of vehicle
- B60Y2200/30—Railway vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T30/00—Transportation of goods or passengers via railways, e.g. energy recovery or reducing air resistance
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种车内污染环境下列车乘员健康防护系统,包括基础数据获取模块、列车外部空气质量预测模块、列车内部空气质量预测模块和通风策略制定模块;基础数据获取模块获取基础数据;列车外部空气质量预测模块对列车的外部空气质量进行预测;列车内部空气质量预测模块对列车的内部空气质量进行预测;通风策略制定模块制定通风策略并进行列车乘员的健康防护。本发明还公开了所述车内污染环境下列车乘员健康防护系统的方法。本发明根据获取的车内外的空气质量数据,对列车内外的空气质量数据信息进行预测并制定通风策略,因此本发明能够对列车的内外空气质量数据制定对应的通风策略,从而进行列车乘员的健康防护,而且可靠性高、准确性好。
Description
技术领域
本发明具体涉及一种车内污染环境下列车乘员健康防护系统及其方法。
背景技术
随着经济技术的发展和人们生活水平的提高,交通已经成为了现代社会最为重要的组成部分之一。而随着技术的发展,我国的铁路行业也得到了极大的发展。
列车通风,是保障列车正常运行和保障列车乘员舒适的重要手段之一。而随着人们对于环境污染的重视,以及对于健康的持续关注,列车内部的环境污染情况也受到了公众的关注。
目前,由于我国的列车几乎都是密封式车厢,车厢内的PM2.5等污染物不易于及时净化。现有的列车车厢一般只安装了简单的通风系统对大颗粒污染物进行过滤,没有配置列车乘员健康预警系统及高效的空气净化设备。而列车靠站开门会导致大气污染物直接进入并滞留在车厢内,对列车乘员的健康造成严重威胁。
现阶段,对列车乘员健康的保护(列车通风策略)主要涉及新型车载空气净化装置的安装,如公开号为105172818B的专利提出了列车专用空气净化器,包括:上箱体和与上箱体相互的下箱体。公开号为106975279A的专利提出了一种高速列车空气净化装置、系统及方法,包括进气通道和滤网库。这些方法通过搭载高昂的空气净化新设备对列车内部的大气污染物进行净化,实施成本较高。
发明内容
本发明的目的之一在于提供一种能够根据实际情况制定各个车厢的通风策略,从而实现列车乘员进行健康防护的车内污染环境下列车乘员健康防护系统。
本发明的目的之二在于提供一种所述车内污染环境下列车乘员健康防护系统所采用的方法。
本发明提供的这种车内污染环境下列车乘员健康防护系统,包括包括基础数据获取模块、列车外部空气质量预测模块、列车内部空气质量预测模块和通风策略制定模块;基础数据获取模块的输出端同时连接列车外部空气质量预测模块的输入端和列车内部空气质量预测模块的输入端;列车外部空气质量预测模块的输出端和列车内部空气质量预测模块的输出端均连接通风策略制定模块;基础数据获取模块用于获取空气质量监测站的空气质量数据和位置信息,以及列车的车内外的污染物数据信息;列车外部空气质量预测模块用于对列车的外部空气质量数据进行预测;列车内部空气质量预测模块用于对列车的内部空气质量数据进行预测;通风策略制定模块用于根据列车内外部的空气质量预测数据制定通风策略,从而进行列车乘员的健康防护。
本发明还提供了一种所述车内污染环境下列车乘员健康防护系统的方法,包括如下步骤:
S1.获取各个空气质量监测站的数据信息及对应的空气质量监测数据;
S2.获取列车的污染物数据信息和列车的位置信息;
S3.根据列车的位置信息以及各个空气质量监测站的数据信息及对应的空气质量监测数据,对列车所在区域的空气质量进行预测;
S4.对列车内外部的空气质量进行建模;
S5.根据步骤S3和步骤S4的预测结果,对列车未来时刻的车内外空气质量进行预测;
S6.根据步骤S5的预测结果,制定列车各个车厢的通风策略。
步骤S1所述的各个空气质量监测站的数据信息及对应的空气质量监测数据,具体为获取空气质量监测站的编号信息、空气质量监测站的经纬度信息以及空气质量监测站所监测的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度和AQI参数值。
步骤S2所述的列车的污染物数据信息和列车的位置信息,具体为获取列车各个车厢内的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度和车厢编号,以及列车各个车厢外部的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度和O3浓度,列车各个车厢的经纬度信息,以及列车在过去若干分钟有的分均速度,以及列车剩余行驶路线的有向路径。
步骤S3所述的对列车所在区域的空气质量进行预测,具体为采用如下步骤进行预测:
A.根据列车的t个历史时刻的位置信息和空气质量监测站的位置信息,计算列车与各个空气质量监测站之间的历史距离;
B.计算列车在未来T分钟后的预计位置;
C.计算列车在T分钟后,与各个空气质量监测站之间的预计距离;
D.计算列车与各个空气质量监测站之间的实时距离,并选取实时距离最小的若干个空气质量监测站作为列车途径区域的最小空间单元,并记录选取的空气质量监测站所对应的空气质量监测数据;
E.记录步骤D选取的若干个空气质量监测站与列车的历史距离,建立最小空间单元内的污染物扩散模型;
F.根据步骤E得到的最小空间单元内的污染物扩散模型,以及步骤C得到的列车在T分钟后与各个空气质量监测站之间的预计距离,对T分钟后的列车所在区域的空气质量进行预测。
步骤B所述的计算列车在未来T分钟后的预计位置,具体为采用如下算式计算列车的预计位置:
式中为列车在未来T分钟后的预计位置,LOTC为列车的当前的位置的经度信息,v为列车在过去若干分钟有的分均速度,为列车剩余行驶路线的有向路径的经度分量数据,LATC为列车的当前的位置的纬度信息,为列车剩余行驶路线的有向路径的纬度分量数据。
步骤E所述的建立最小空间单元内的污染物扩散模型,具体为采用加权正则化极限学习机作为最小空间单元内的污染物扩散模型;且模型的输入为每个历史时刻的列车与各个空气质量监测站之间的距离,以及对应的各个空气质量监测站的空气监测数据;模型的输出为每个历史时刻的列车所处位置的污染物数据信息。
步骤S4所述的对列车内外部的空气质量进行建模,具体为采用如下步骤进行建模:
a.连续读取若干个连续时刻的列车内部的污染物数据信息和列车外部的污染物数据信息;
b.将步骤a获取的污染物数据信息划分为训练集和验证集;
c.对列车内部污染物数据信息的自身关联性进行分析计算;
d.建立列车车内外污染物浓度确定性映射关系的深度学习模型。
步骤c所述的对列车内部污染物数据信息的自身关联性进行分析计算,具体为采用如下步骤进行相关性分析:
(1)采用如下算式,计算列车内部所有大气污染物两两之间的互信息度量:
式中MI(ai;bi)为污染物a和污染物b之间的互信息度量结果;污染物a的序列记为{ai|i=1,2,...,X},污染物b的序列记为{bi|i=1,2,...,X};P(A,B)为随机变量ai和bi的联合概率分布函数,P(A)为ai的边缘概率分布函数,P(B)为bi的边缘概率分布函数,H(ai)为边缘熵,H(ai|bi)为条件熵;
(2)根据步骤(1)计算得到的所有大气污染物两两之间的互信息度量,构建污染物的互信息度量集合;
(3)对于每一种污染物,选取该种污染物互信息度量最大的若干组污染物;所选取的若干组污染物的相关性最强。
步骤d所述的建立列车车内外污染物浓度确定性映射关系的深度学习模型,具体为针对每一种污染物,将训练集中列车外部的该种污染物的数据信息和步骤c选取的该种污染物互信息度量最大的若干组污染物的数据信息作为堆叠长短时记忆网络模型的输入,以训练集中列车内部的该种污染物的数据信息作为堆叠长短时记忆网络模型的输出,对堆叠长短时记忆网络模型进行训练,从而得到列车车内外污染物浓度确定性映射关系的深度学习模型。
所述的堆叠长短时记忆网络模型,每层的神经元个数由萤火虫算法寻优得到,具体包括如下步骤:
1)确定适应度函数;
2)对算法进行初始化设置;
3)将所有萤火虫按照适应度排列并存档;
4)从群体中筛选出最优萤火虫并成为领导个体;
5)对搜索次数进行判断:
若搜索次数达到要求,则算法结束,输出最优解,用于确定堆叠长短时记忆网络模型的最优神经元个数;
若搜索次数未达到要求,则重复步骤3)~步骤5),直至搜索次数达到要求。
步骤S6所述的制定列车各个车厢的通风策略,具体为采用如下规则制定通风策略:
若AO<min(AIR),则认定列车内部空气污染程度低于列车外部空气污染程度,停止通风外循环系统,开启内循环空气过滤装置,从而避免外界空气对车厢造成车内环境二次污染;
若AO>max(AIR),则认定列车内部空气污染程度高于列车外部空气污染程度,开启通风外循环系统,停止内循环空气过滤装置;且对于任意车厢,判断若AIe>AIe+1且AIe>AIe-1,则认定此时车厢e的空气污染程度高于相邻的车厢,此时提高与车厢e相邻的车厢的通风系统空气过滤强度以减少不同车厢间的交叉污染,并加快空气污染物流动并被排出车外;
若min(AIR)<AO<max(AIR),则认定部分车厢的空气污染程度高于外部空气污染程度,部分车厢的空气污染程度低于外部空气污染程度;此时将空气污染程度高于外部空气污染程度的车厢的通风外循环系统开启;同时,停止空气污染程度低于外部空气污染程度的车厢的通风外循环系统,且开启空气污染程度低于外部空气污染程度的车厢的内循环空气过滤装置;
其中,AO为列车外部的AQI预测结果;AIR为列车第R节车厢内部的AQI预测结果。
本发明还提供了一种实现所述基于车内外环境污染物监测的列车通风方法的系统,
本发明提供的这种车内污染环境下列车乘员健康防护系统及其方法,根据获取的车内外的空气质量数据,对列车内外的空气质量数据信息进行预测,并根据预测结果指定相应的通风策略,因此本发明方法能够对列车的内外空气质量数据进行预测并制定通风策略,而且可靠性高、准确性好。
附图说明
图1为本发明系统的系统功能模块图。
图2为本发明方法的方法流程示意图。
具体实施方式
如图1所示为本发明系统的系统功能模块图:本发明提供的这种车内污染环境下列车乘员健康防护系统,包括包括基础数据获取模块、列车外部空气质量预测模块、列车内部空气质量预测模块和通风策略制定模块;基础数据获取模块的输出端同时连接列车外部空气质量预测模块的输入端和列车内部空气质量预测模块的输入端;列车外部空气质量预测模块的输出端和列车内部空气质量预测模块的输出端均连接通风策略制定模块;基础数据获取模块用于获取空气质量监测站的空气质量数据和位置信息,以及列车的车内外的污染物数据信息;列车外部空气质量预测模块用于对列车的外部空气质量数据进行预测;列车内部空气质量预测模块用于对列车的内部空气质量数据进行预测;通风策略制定模块用于根据列车内外部的空气质量预测数据制定通风策略,从而进行列车乘员的健康防护。
如图所示为本发明方法的方法流程示意图:本发明还提供了一种所述车内污染环境下列车乘员健康防护系统的方法,包括如下步骤:
S1.获取各个空气质量监测站的数据信息及对应的空气质量监测数据;具体为获取空气质量监测站的编号信息、空气质量监测站的经纬度信息以及空气质量监测站所监测的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度和AQI参数值;
在具体实施时,采用增量式网络爬虫,爬取监测全国城市空气质量实时发布平台数据更新的情况;将爬取周期设置为该平台内同一个url两次更新之间的时间差,即1小时;站点级空气质量数据采集模块对每个整点发布的全国大气污染物指标进行解析,包括不同监测站的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度和AQI,其具体可采用矩阵表示,即表示为而且,首先判断爬取内容是否重复,若没有重复则将数据保存在数据存储平台中;最终存储格式为其中Code为监测站编号,LOTS为监测站经度,LATS为监测站纬度;而且,各监测数据需与监测站编号和经纬度对应,记录每条监测数据的时间戳,相邻数据间隔为采集时间间隔数据,可以选取为1小时;
S2.获取列车的污染物数据信息和列车的位置信息;具体为获取列车各个车厢内的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度和车厢编号,以及列车各个车厢外部的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度和O3浓度,列车各个车厢的经纬度信息,以及列车在过去若干分钟有的分均速度,以及列车剩余行驶路线的有向路径;
在具体实施时,在列车车厢安装车载污染物实时数据采集模块,包括车内空气数据采集子模块和车外空气数据采集子模块,各模块由颗粒物浓度检测传感器(采集PM2.5浓度和PM10浓度)和气体成分浓度分析传感器(采集气体并进行CO、NO2、SO2、O3成分分析)组成;
对于列车内部,传感器组安装于每节车厢的中部车顶上,对各指标的采样时间间隔均为5分钟,采集数据经无线传输装置以4G方式传输至车载数据存储平台中。所述列车内部污染物相关指标包括T个连续时刻的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度,采用矩阵表示,具体可表示为前述污染物浓度数据的最终存储格式为R为列车的编号;
对于列车外部,传感器组安装于每节车厢外的中部,对各指标的采样时间间隔均为5分钟,采集数据经无线传输装置以4G方式传输至车载数据存储平台中。与车内空气数据采集子模块不同,为减少列车行驶时空气流速过快对传感器采集的影响,在传感器组外增加一个保护罩;所述列车外部污染物相关指标包括T个连续时刻的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度,可表示为前述污染物浓度数据的最终存储格式为R为列车的编号;
各监测数据需与车厢编号对应,记录每条监测数据的时间戳,相邻数据间隔为采集时间间隔数据,建议优选为5分钟;
S3.根据列车的位置信息以及各个空气质量监测站的数据信息及对应的空气质量监测数据,对列车所在区域的空气质量进行预测;具体为采用如下步骤进行预测:
A.根据列车的t个历史时刻的位置信息和空气质量监测站的位置信息,计算列车与各个空气质量监测站之间的历史距离;
B.计算列车在未来T分钟后的预计位置;具体为采用如下算式计算列车的预计位置:
式中为列车在未来T分钟后的预计位置,LOTC为列车的当前的位置的经度信息,v为列车在过去若干分钟有的分均速度,为列车剩余行驶路线的有向路径的经度分量数据,LATC为列车的当前的位置的纬度信息,为列车剩余行驶路线的有向路径的纬度分量数据;
C.计算列车在T分钟后,与各个空气质量监测站之间的预计距离;
D.计算列车与各个空气质量监测站之间的实时距离,并选取实时距离最小的若干个空气质量监测站作为列车途径区域的最小空间单元,并记录选取的空气质量监测站所对应的空气质量监测数据;
在具体实施时,选取距离最小的3个监测站点ε1、ε2和ε3,作为列车途径区域的最小空间单元,记录其监测站编号Code1、Code2和Code3;将编号与数据存储平台中的实时监测记录对齐,读取上述3个监测站点在t个连续历史时刻内的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度和AQI指标集合
E.记录步骤D选取的若干个空气质量监测站与列车的历史距离,建立最小空间单元内的污染物扩散模型;具体为采用加权正则化极限学习机作为最小空间单元内的污染物扩散模型;且模型的输入为每个历史时刻的列车与各个空气质量监测站之间的距离,以及对应的各个空气质量监测站的空气监测数据;模型的输出为每个历史时刻的列车所处位置的污染物数据信息;
在具体实施时,将加权正则化极限学习机的隐含层神经元数量设置为25,正则化项系数设置为2-10,得到训练完备后的污染物扩散模型;
F.根据步骤E得到的最小空间单元内的污染物扩散模型,以及步骤C得到的列车在T分钟后与各个空气质量监测站之间的预计距离,对T分钟后的列车所在区域的空气质量进行预测;
S4.对列车内外部的空气质量进行建模;具体为采用如下步骤进行建模:
a.连续读取若干个连续时刻的列车内部的污染物数据信息和列车外部的污染物数据信息;
b.将步骤a获取的污染物数据信息划分为训练集和验证集;
c.对列车内部污染物数据信息的自身关联性进行分析计算;具体为采用如下步骤进行相关性分析:
(1)采用如下算式,计算列车内部所有大气污染物两两之间的互信息度量:
式中MI(ai;bi)为污染物a和污染物b之间的互信息度量结果;污染物a的序列记为{ai|i=1,2,...,X},污染物b的序列记为{bi|i=1,2,...,X};P(A,B)为随机变量ai和bi的联合概率分布函数,P(A)为ai的边缘概率分布函数,P(B)为bi的边缘概率分布函数,H(ai)为边缘熵,H(ai|bi)为条件熵;
(2)根据步骤(1)计算得到的所有大气污染物两两之间的互信息度量,构建污染物的互信息度量集合,如下式所示:
(3)对于每一种污染物,选取该种污染物互信息度量最大的若干组污染物;所选取的若干组污染物的相关性最强;
在具体实施时,对于每种污染物指标相关的互信息集合进行降序排列,选取互信息最大的三组污染物关系记为Ω1,Ω2,Ω3,这些污染物指标序列的相关性最强;
d.建立列车车内外污染物浓度确定性映射关系的深度学习模型;具体为针对每一种污染物,将训练集中列车外部的该种污染物的数据信息和步骤c选取的该种污染物互信息度量最大的若干组污染物的数据信息作为堆叠长短时记忆网络模型的输入,以训练集中列车内部的该种污染物的数据信息作为堆叠长短时记忆网络模型的输出,对堆叠长短时记忆网络模型进行训练,从而得到列车车内外污染物浓度确定性映射关系的深度学习模型;
在具体实施时,模型采用四层堆叠的长短时记忆网络循环结构,将每一层的输出向量作为下一层的输入,学习数据的深度特征表示;
同时,每层的神经元个数由萤火虫算法寻优得到,具体包括如下步骤:
1)确定适应度函数;
在具体实施时,对于萤火虫群体中的每个个体需要构建一个长短时记忆网络,并将长短时记忆网络获取验证集上的预测结果。为实现模型复杂度和精度之间的平衡,将神经元个数和预测均方误差(MSE)的加权结合作为评价每个萤火虫的适应度函数,设置为最小化优化问题以确定搜索方向,适应度函数如下:
式中fitness为适应度函数,αi为结合权重,εi为堆叠长短时记忆网络中第i层的神经元数量,f(t)为堆叠长短时记忆网络在验证集上的预测结果,Y(t)为实际验证集数据;
2)对算法进行初始化设置;
在具体实施时,设定萤火虫的取值范围为[20,100],群体数量设置为200,迭代次数阈值设置为100。随机初始化200个萤火虫作为堆叠长短时记忆网络模型的神经元个数,计算各个萤火虫的适应度
3)将所有萤火虫按照适应度排列并存档;
4)从群体中筛选(可以采用轮盘赌方法)出最优萤火虫并成为领导个体;
5)对搜索次数进行判断:
若搜索次数达到要求,则算法结束,输出最优解,用于确定堆叠长短时记忆网络模型的最优神经元个数;
若搜索次数未达到要求,则重复步骤3)~步骤5),直至搜索次数达到要求
按照上述步骤建立基于堆叠长短时记忆网络的PM2.5、PM10、CO、NO2、SO2、O3车内外浓度确定性映射关系学习模型;
S5.根据步骤S3和步骤S4的预测结果,对列车未来时刻的车内外空气质量进行预测;
S6.根据步骤S5的预测结果,制定列车各个车厢的通风策略;具体为采用如下规则制定通风策略:
若AO<min(AIR),则认定列车内部空气污染程度低于列车外部空气污染程度,停止通风外循环系统,开启内循环空气过滤装置,从而避免外界空气对车厢造成车内环境二次污染;
若AO>max(AIR),则认定列车内部空气污染程度高于列车外部空气污染程度,开启通风外循环系统,停止内循环空气过滤装置;且对于任意车厢,判断若AIe>AIe+1且AIe>AIe-1,则认定此时车厢e的空气污染程度高于相邻的车厢,此时提高与车厢e相邻的车厢的通风系统空气过滤强度以减少不同车厢间的交叉污染,并加快空气污染物流动并被排出车外;
若min(AIR)<AO<max(AIR),则认定部分车厢的空气污染程度高于外部空气污染程度,部分车厢的空气污染程度低于外部空气污染程度;此时将空气污染程度高于外部空气污染程度的车厢的通风外循环系统开启;同时,停止空气污染程度低于外部空气污染程度的车厢的通风外循环系统,且开启空气污染程度低于外部空气污染程度的车厢的内循环空气过滤装置;
其中,AO为列车外部的AQI预测结果;AIR为列车第R节车厢内部的AQI预测结果。
此外,完成一次通风策略的制定后,各监测站持续对空气质量指标进行检测并上传至控制端。特别地,且在第一次训练完成后的一段时间内,所述模型都不需要再次进行训练,只需根据更新后的数据进行预测;同时,由于空气污染物的扩散影响和极端天气情况的发生,所述模型均需要定期进行重新训练以确保预警准确性,将重新训练的时间间隔设定为1小时。
本发明提供的这种车内污染环境下列车乘员健康防护系统及其方法,所述站点级空气质量数据采集模块采用增量式网络爬虫爬取中国环境监测总站的实时更新监测数据;将爬取周期设置为全国城市空气质量实时发布平台内同一个url两次更新之间的时间差,对每个整点发布的全国大气污染物指标进行解析。根据监测站空间分布掌握列车前方行驶区域的周边监测站污染物指标,该方法充分利用现有的城市污染物监测数据,对铁路行车大气污染状况预警有着指导作用;
本发明提出了一种最小空间单元的车外区域大气污染物扩散模型,融合车-站实时距离、监测站污染物浓度、列车端污染物浓度、列车行驶路线等指标,对一定时刻后的车外大气污染物浓度扩散状况进行判断,为提供列车外部大气环境分析提供空间相关数据集;
本发明提出了一种列车内外部污染物浓度确定性建模方法,在列车车厢内部和外部安装传感器组,对大气污染物浓度进行实时采样,并建立堆叠长短时记忆网络学习列车内部污染物浓度与外部污染物浓度的确定性关系;
本发明基于车外区域大气污染物扩散结果和车内外部污染物浓度确定性关系,预测一定时刻后的车内污染物浓度,并对列车内外空气质量差异、列车内部车厢间空气质量差异进行判定,根据不同污染情况选择不同的通风防护方案,避免不同车厢间的交叉污染以及车外空气污染严重时的车内二次污染;通过本发明方法制定通风策略后,能够对列车的所有乘员的健康起到一定的防护作用。
Claims (8)
1.一种车内污染环境下列车乘员健康防护方法,由车内污染环境下列车乘员健康防护系统实现;车内污染环境下列车乘员健康防护系统包括基础数据获取模块、列车外部空气质量预测模块、列车内部空气质量预测模块和通风策略制定模块;基础数据获取模块的输出端同时连接列车外部空气质量预测模块的输入端和列车内部空气质量预测模块的输入端;列车外部空气质量预测模块的输出端和列车内部空气质量预测模块的输出端均连接通风策略制定模块;基础数据获取模块用于获取空气质量监测站的空气质量数据和位置信息,以及列车的车内外的污染物数据信息;列车外部空气质量预测模块用于对列车的外部空气质量数据进行预测;列车内部空气质量预测模块用于对列车的内部空气质量数据进行预测;通风策略制定模块用于根据列车内外部的空气质量预测数据制定通风策略,从而进行列车乘员的健康防护;同时,所述的车内污染环境下列车乘员健康防护方法包括如下步骤:
S1.获取各个空气质量监测站的数据信息及对应的空气质量监测数据;
S2.获取列车的污染物数据信息和列车的位置信息;
S3.根据列车的位置信息以及各个空气质量监测站的数据信息及对应的空气质量监测数据,对列车所在区域的空气质量进行预测;具体为采用如下步骤进行预测:
A.根据列车的t个历史时刻的位置信息和空气质量监测站的位置信息,计算列车与各个空气质量监测站之间的历史距离;
B.采用如下算式计算列车在未来T分钟后的预计位置:
式中为列车在未来T分钟后的预计位置,LOTC为列车的当前的位置的经度信息,v为列车在过去若干分钟有的分均速度,为列车剩余行驶路线的有向路径的经度分量数据,LATC为列车的当前的位置的纬度信息,为列车剩余行驶路线的有向路径的纬度分量数据;
C.计算列车在T分钟后,与各个空气质量监测站之间的预计距离;
D.计算列车与各个空气质量监测站之间的实时距离,并选取实时距离最小的若干个空气质量监测站作为列车途径区域的最小空间单元,并记录选取的空气质量监测站所对应的空气质量监测数据;
E.记录步骤D选取的若干个空气质量监测站与列车的历史距离,建立最小空间单元内的污染物扩散模型;采用加权正则化极限学习机作为最小空间单元内的污染物扩散模型;且模型的输入为每个历史时刻的列车与各个空气质量监测站之间的距离,以及对应的各个空气质量监测站的空气监测数据;模型的输出为每个历史时刻的列车所处位置的污染物数据信息;
F.根据步骤E得到的最小空间单元内的污染物扩散模型,以及步骤C得到的列车在T分钟后与各个空气质量监测站之间的预计距离,对T分钟后的列车所在区域的空气质量进行预测;
S4.对列车内外部的空气质量进行建模;
S5.根据步骤S3和步骤S4的预测结果,对列车未来时刻的车内外空气质量进行预测;
S6.根据步骤S5的预测结果,制定列车各个车厢的通风策略。
2.根据权利要求1所述的车内污染环境下列车乘员健康防护方法,其特征在于步骤S1所述的各个空气质量监测站的数据信息及对应的空气质量监测数据,具体为获取空气质量监测站的编号信息、空气质量监测站的经纬度信息以及空气质量监测站所监测的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度和AQI参数值。
3.根据权利要求2所述的车内污染环境下列车乘员健康防护方法,其特征在于步骤S2所述的列车的污染物数据信息和列车的位置信息,具体为获取列车各个车厢内的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度和车厢编号,以及列车各个车厢外部的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度和O3浓度,列车各个车厢的经纬度信息,以及列车在过去若干分钟有的分均速度,以及列车剩余行驶路线的有向路径。
4.根据权利要求3所述的车内污染环境下列车乘员健康防护方法,其特征在于步骤S4所述的对列车内外部的空气质量进行建模,具体为采用如下步骤进行建模:
a.连续读取若干个连续时刻的列车内部的污染物数据信息和列车外部的污染物数据信息;
b.将步骤a获取的污染物数据信息划分为训练集和验证集;
c.对列车内部污染物数据信息的自身关联性进行分析计算;
d.建立列车车内外污染物浓度确定性映射关系的深度学习模型。
5.根据权利要求4所述的车内污染环境下列车乘员健康防护方法,其特征在于步骤c所述的对列车内部污染物数据信息的自身关联性进行分析计算,具体为采用如下步骤进行相关性分析:
(1)采用如下算式,计算列车内部所有大气污染物两两之间的互信息度量:
式中MI(ai;bi)为污染物a和污染物b之间的互信息度量结果;污染物a的序列记为{ai|i=1,2,...,X},污染物b的序列记为{bi|i=1,2,...,X};P(A,B)为随机变量ai和bi的联合概率分布函数,P(A)为ai的边缘概率分布函数,P(B)为bi的边缘概率分布函数,H(ai)为边缘熵,H(ai|bi)为条件熵;
(2)根据步骤(1)计算得到的所有大气污染物两两之间的互信息度量,构建污染物的互信息度量集合;
(3)对于每一种污染物,选取该种污染物互信息度量最大的若干组污染物;所选取的若干组污染物的相关性最强。
6.根据权利要求5所述的车内污染环境下列车乘员健康防护方法,其特征在于步骤d所述的建立列车车内外污染物浓度确定性映射关系的深度学习模型,具体为针对每一种污染物,将训练集中列车外部的该种污染物的数据信息和步骤c选取的该种污染物互信息度量最大的若干组污染物的数据信息作为堆叠长短时记忆网络模型的输入,以训练集中列车内部的该种污染物的数据信息作为堆叠长短时记忆网络模型的输出,对堆叠长短时记忆网络模型进行训练,从而得到列车车内外污染物浓度确定性映射关系的深度学习模型。
7.根据权利要求6所述的车内污染环境下列车乘员健康防护方法,其特征在于所述的堆叠长短时记忆网络模型,每层的神经元个数由萤火虫算法寻优得到,具体包括如下步骤:
1)确定适应度函数;
2)对算法进行初始化设置;
3)将所有萤火虫按照适应度排列并存档;
4)从群体中筛选出最优萤火虫并成为领导个体;
5)对搜索次数进行判断:
若搜索次数达到要求,则算法结束,输出最优解,用于确定堆叠长短时记忆网络模型的最优神经元个数;
若搜索次数未达到要求,则重复步骤3)~步骤5),直至搜索次数达到要求。
8.根据权利要求7所述的车内污染环境下列车乘员健康防护方法,其特征在于步骤S6所述的制定列车各个车厢的通风策略,具体为采用如下规则制定通风策略:
若AO<min(AIR),则认定列车内部空气污染程度低于列车外部空气污染程度,停止通风外循环系统,开启内循环空气过滤装置,从而避免外界空气对车厢造成车内环境二次污染;
若AO>max(AIR),则认定列车内部空气污染程度高于列车外部空气污染程度,开启通风外循环系统,停止内循环空气过滤装置;且对于任意车厢,判断若AIe>AIe+1且AIe>AIe-1,则认定此时车厢e的空气污染程度高于相邻的车厢,此时提高与车厢e相邻的车厢的通风系统空气过滤强度以减少不同车厢间的交叉污染,并加快空气污染物流动并被排出车外;
若min(AIR)<AO<max(AIR),则认定部分车厢的空气污染程度高于外部空气污染程度,部分车厢的空气污染程度低于外部空气污染程度;此时将空气污染程度高于外部空气污染程度的车厢的通风外循环系统开启;同时,停止空气污染程度低于外部空气污染程度的车厢的通风外循环系统,且开启空气污染程度低于外部空气污染程度的车厢的内循环空气过滤装置;
其中,AO为列车外部的AQI预测结果;AIR为列车第R节车厢内部的AQI预测结果。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910676726.XA CN110239577B (zh) | 2019-07-25 | 2019-07-25 | 一种车内污染环境下列车乘员健康防护系统及其方法 |
US17/291,995 US11938784B2 (en) | 2019-07-25 | 2020-07-13 | Health protection system for passengers on a train in a polluted indoor environment and method thereof |
PCT/CN2020/101736 WO2021012983A1 (zh) | 2019-07-25 | 2020-07-13 | 一种车内污染环境下列车乘员健康防护系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910676726.XA CN110239577B (zh) | 2019-07-25 | 2019-07-25 | 一种车内污染环境下列车乘员健康防护系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110239577A CN110239577A (zh) | 2019-09-17 |
CN110239577B true CN110239577B (zh) | 2020-06-30 |
Family
ID=67893425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910676726.XA Active CN110239577B (zh) | 2019-07-25 | 2019-07-25 | 一种车内污染环境下列车乘员健康防护系统及其方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11938784B2 (zh) |
CN (1) | CN110239577B (zh) |
WO (1) | WO2021012983A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110239577B (zh) | 2019-07-25 | 2020-06-30 | 中南大学 | 一种车内污染环境下列车乘员健康防护系统及其方法 |
CN110333325B (zh) * | 2019-08-02 | 2021-09-17 | 中南大学 | 一种大气污染环境下列车运行防护方法及系统 |
CN112149230B (zh) * | 2020-09-27 | 2022-06-10 | 中南大学 | 一种强风铁路风致列车舒适性劣化预测方法 |
CN112680501B (zh) * | 2020-12-30 | 2023-02-24 | 中南大学 | 基于微生物的列车车厢空气调控方法、系统及存储介质 |
FR3136702A1 (fr) * | 2022-06-16 | 2023-12-22 | Psa Automobiles Sa | Procédé et dispositif de pilotage d’un système de contrôle d’air d’un habitacle d’un véhicule |
CN115009324B (zh) * | 2022-07-08 | 2023-11-03 | 成都西交轨道交通技术服务有限公司 | 基于云边协同的轨道交通不稳定网络事故预警系统及方法 |
CN115115293B (zh) * | 2022-08-31 | 2023-01-31 | 安徽逸天科技有限公司 | 一种基于大数据的公共交通环境监测分析管理方法及系统 |
CN115796402B (zh) * | 2023-02-08 | 2023-05-12 | 成都理工大学 | 一种基于组合模型的空气质量指数预测方法 |
CN117408441A (zh) * | 2023-12-15 | 2024-01-16 | 北京三五二环保科技有限公司 | 一种结合室内外环境的健康监测方法、系统、设备及介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2887632B1 (fr) * | 2005-06-22 | 2007-10-05 | Valeo Systemes Thermiques | Dispositif et procede de surveillance et de controle de la qualite de l'air, pour vehicule automobile |
CN105172818B (zh) | 2015-08-05 | 2018-02-02 | 江苏荣邦机械制造有限公司 | 列车专用空气净化器 |
CN108263409A (zh) * | 2016-12-30 | 2018-07-10 | 河南辉煌信通软件有限公司 | 一种空气循环系统 |
CN106975279B (zh) | 2017-05-02 | 2019-04-12 | 青岛大学 | 一种高速列车空气净化装置、系统及方法 |
CN107167178B (zh) * | 2017-05-18 | 2019-07-05 | 重庆大学 | 车内环境检测方法及检测系统 |
KR101963956B1 (ko) * | 2017-06-27 | 2019-04-01 | 주식회사 애니텍 | 지하철용 공기질 개선장치 |
CN109655107B (zh) * | 2018-12-25 | 2021-08-10 | 深圳市元征科技股份有限公司 | 空气质量监测方法、装置、车辆及计算机可读存储介质 |
CN110239577B (zh) * | 2019-07-25 | 2020-06-30 | 中南大学 | 一种车内污染环境下列车乘员健康防护系统及其方法 |
-
2019
- 2019-07-25 CN CN201910676726.XA patent/CN110239577B/zh active Active
-
2020
- 2020-07-13 US US17/291,995 patent/US11938784B2/en active Active
- 2020-07-13 WO PCT/CN2020/101736 patent/WO2021012983A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
CN110239577A (zh) | 2019-09-17 |
US20210291614A1 (en) | 2021-09-23 |
WO2021012983A1 (zh) | 2021-01-28 |
US11938784B2 (en) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110239577B (zh) | 一种车内污染环境下列车乘员健康防护系统及其方法 | |
CN110361505B (zh) | 一种车外大气污染环境下列车乘员健康预警系统的方法 | |
CN111295572B (zh) | 一种出租车和公交车协同监测时确定出租车数量的方法 | |
CN102136190B (zh) | 城市公交客运事件应急响应调度管理系统及方法 | |
CN107085943B (zh) | 一种道路旅行时间短期预测方法和系统 | |
CN105894814A (zh) | 考虑环境效益的多种交通管控措施联合优化方法及系统 | |
CN111008505A (zh) | 城市坡道行驶工况构建方法及应用 | |
CN104318315A (zh) | 一种城市道路交通污染物排放监控预警系统及方法 | |
CN115983720B (zh) | 基于海拔和温度的汽车排放性能检测方法 | |
CN116631186B (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
CN111914217A (zh) | 一种机场环境承载力评价与预测方法 | |
Shang et al. | Analyzing the effects of road type and rainy weather on fuel consumption and emissions: A mesoscopic model based on big traffic data | |
Zhao et al. | Understanding the spatio-temporally heterogeneous effects of built environment on urban travel emissions | |
CN115759329A (zh) | 基于卷积神经网络的景区游客人数预测方法 | |
Li et al. | Non-linear models of light-duty vehicle emission factors considering pavement roughness | |
WO2019235654A1 (ko) | 탄소배출량 저감을 이행하기 위한 딥러닝을 활용한 차량의 에너지 소모량 산출 방법 | |
CN107085074A (zh) | 一种分类监测机动车尾气的方法 | |
CN112784963B (zh) | 基于模拟退火优化bp神经网络的室内外无缝定位方法 | |
CN113965618B (zh) | 基于模糊理论的异常轨迹检测方法 | |
CN113312744B (zh) | 一种车辆荷载预测方法和系统 | |
Shi et al. | Evaluation of mobile source greenhouse gas emissions for assessment of traffic management strategies. | |
Zhang et al. | Dynamic route guidance using neurodynamic programming | |
CN117012041A (zh) | 一种高速公路断面交通量的预测方法、介质及系统 | |
CN117933805A (zh) | 一种基于神经网络的道路场景复杂度评估方法 | |
Inokuchi et al. | Development and verification of estimation model of environmental impact of automobile |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |