CN110361505B - 一种车外大气污染环境下列车乘员健康预警系统的方法 - Google Patents

一种车外大气污染环境下列车乘员健康预警系统的方法 Download PDF

Info

Publication number
CN110361505B
CN110361505B CN201910676714.7A CN201910676714A CN110361505B CN 110361505 B CN110361505 B CN 110361505B CN 201910676714 A CN201910676714 A CN 201910676714A CN 110361505 B CN110361505 B CN 110361505B
Authority
CN
China
Prior art keywords
train
air quality
quality monitoring
information
monitoring station
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
Application number
CN201910676714.7A
Other languages
English (en)
Other versions
CN110361505A (zh
Inventor
刘辉
李燕飞
陈超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN201910676714.7A priority Critical patent/CN110361505B/zh
Publication of CN110361505A publication Critical patent/CN110361505A/zh
Priority to US17/291,619 priority patent/US11959900B2/en
Priority to PCT/CN2020/101735 priority patent/WO2021012982A1/zh
Application granted granted Critical
Publication of CN110361505B publication Critical patent/CN110361505B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital
    • G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital using a threshold to release an alarm or displaying means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L15/00—Indicators provided on the vehicle or vehicle train for signalling purposes ; On-board control or communication systems
    • B61L15/0081—On-board diagnosis or maintenance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L25/00—Recording or indicating positions or identities of vehicles or vehicle trains or setting of track apparatus
    • B61L25/02—Indicating or recording positions or identities of vehicles or vehicle trains
    • B61L25/021—Measuring and recording of train speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L25/00—Recording or indicating positions or identities of vehicles or vehicle trains or setting of track apparatus
    • B61L25/02—Indicating or recording positions or identities of vehicles or vehicle trains
    • B61L25/025—Absolute localisation, e.g. providing geodetic coordinates
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/40—Handling position reports or trackside vehicle data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
    • B61L27/57—Trackside diagnosis or maintenance, e.g. software upgrades for vehicles or vehicle trains, e.g. trackside supervision of train conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/70—Details of trackside communication
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0073—Control unit therefor
    • G01N33/0075—Control unit therefor for multiple spatially distributed sensors, e.g. for environmental monitoring

Abstract

本发明公开了一种车外大气污染环境下列车乘员健康预警系统的方法，系统包括空气质量监测站点数据获取模块、列车数据获取模块、列车大气污染预测模块和列车空气环境预警模块；空气质量监测站点数据获取模块获取空气质量监测站点的数据并上传列车大气污染预测模块；列车数据获取模块获取列车的数据并上传列车大气污染预测模块；列车大气污染预测模块对列车大气污染进行短时预测并上传列车空气环境预警模块；列车空气环境预警模块对列车的空气环境及其列车乘员的健康进行预警。本发明还公开了所述车外大气污染环境下列车乘员健康预警系统的方法。本发明能够对列车的空气环境进行预警，而且可靠性高、准确性好。

Description

一种车外大气污染环境下列车乘员健康预警系统的方法
技术领域
本发明具体涉及一种车外大气污染环境下列车乘员健康预警系统的方法。
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。现阶段对列车大气污染的控制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。这些方法对列车内部的大气污染物进行净化，没有从车外大气污染物实时监测的角度考虑。而且，该种方法，只能单独对车厢内的空气进行净化，而无法对列车内的空气环境进行预警。
发明内容
本发明的目的之一在于提供一种能够对列车的空气环境及其列车乘员的健康进行预警，而且可靠性高、准确性好的车外大气污染环境下列车乘员健康预警系统。
本发明的目的之二在于提供一种所述车外大气污染环境下列车乘员健康预警系统的方法。
本发明提供的这种车外大气污染环境下列车乘员健康预警系统，包括空气质量监测站点数据获取模块、列车数据获取模块、列车大气污染预测模块和列车空气环境预警模块；空气质量监测站点数据获取模块的输出端和列车数据获取模块的输出端均连接列车大气污染预测模块的输入端；列车大气污染预测模块的输出端连接列车空气环境预警模块；空气质量监测站点数据获取模块用于获取空气质量监测站点的数据信息并上传列车大气污染预测模块；列车数据获取模块用于获取列车的数据信息并上传列车大气污染预测模块；列车大气污染预测模块用于根据上传的数据信息对列车的大气污染进行短时预测，并将预测结果上传列车空气环境预警模块；列车空气环境预警模块用于根据预测结果进行空气环境预警，从而对列车的空气环境及其列车乘员的健康进行预警。
本发明还提供了一种所述车外大气污染环境下列车乘员健康预警系统的方法，包括如下步骤：
S1.获取各个空气质量监测站点的数据信息及其对应的空气质量监测数据；
S2.获取列车所在位置的污染物数据信息和列车的位置信息；
S3.根据步骤S1和步骤S2获取的数据，进行列车-空气质量监测站点的耦合性分析，从而筛选出若干个关联空气质量监测站；
S4.根据步骤S3筛选出的若干个关联空气质量监测站，建立多污染物浓度指标空间混合模型；
S5.采用步骤S4建立的多污染物浓度指标空间混合模型，对列车所在位置的大气污染物浓度进行短时预测；
S6.根据步骤S5得到的短时预测结果，进行列车的空气环境预警。
步骤S1所述的各个空气质量监测站点的数据信息及其对应的空气质量监测数据，具体为获取各个空气质量监测站点的编号信息、经纬度信息以及对应的 PM2.5浓度信息、PM10浓度信息、CO浓度信息、NO2浓度信息、SO2浓度信息、O3浓度信息和AQI信息。
步骤S2所述的列车所在位置的污染物数据信息和列车的位置信息，具体为列车所在位置的经纬度信息、PM2.5浓度信息、PM10浓度信息、CO浓度信息、 NO2浓度信息、SO2浓度信息和O3浓度信息，以及列车在过去若干时间内的分均速度信息和列车剩余行驶路线的有向路径信息。
步骤S3所述的进行列车-空气质量监测站点的耦合性分析，从而筛选出若干个关联空气质量监测站，具体为采用如下步骤进行耦合性分析并筛选关联空气质量监测站：
A.计算列车未来T分钟后列车的预计位置，T为正整数；
B.计算未来T分钟后，列车与各个空气监测站点之间的距离；
C.计算若干个连续时刻的列车端的污染物数据信息与各个空气质量监测站的空气质量监测数据之间的互信息，从而得到列车端与各个空气质量监测站支架的确定性关联度指标集合；
D.根据列车与各个空气质量监测站之间的距离，分析并选取T分钟后对列车端环境影响最大的若干个关联空气质量监测站。
步骤A所述的计算列车未来T分钟后列车的预计位置，具体为采用如下算式计算列车未来T分钟后列车的预计位置：
Figure BDA0002143533550000041
式中
Figure BDA0002143533550000042
为列车未来T分钟后列车的预计位置的经纬度信息；LOTC为列车当前的经度信息，LATC为列车当前的纬度信息，v为列车在过去若干时间内的分均速度信息，
Figure BDA0002143533550000043
为列车剩余行驶路线的有向路径的经度单位向量，
Figure BDA0002143533550000044
为列车剩余行驶路线的有向路径的纬度单位向量。
步骤C所述的计算若干个连续时刻的列车端的污染物数据信息与各个空气质量监测站的空气质量监测数据之间的互信息，具体为采用如下算式计算互信息：
Figure BDA0002143533550000045
式中
Figure BDA0002143533550000046
为200个连续时刻内的列车端的AQI序列，
Figure BDA0002143533550000047
为第i个空气质量监测站的AQI值；P(a,b)为随机变量
Figure BDA0002143533550000048
和
Figure BDA0002143533550000049
的联合概率分布函数，P(a)为
Figure BDA00021435335500000410
的边缘概率分布函数，P(b)为
Figure BDA00021435335500000411
的边缘概率分布函数，
Figure BDA00021435335500000412
为边缘熵，
Figure BDA00021435335500000413
为条件熵。
步骤D所述的分析并选取T分钟后对列车端环境影响最大的若干个空气质量监测站，具体为采用如下步骤进行分析和选取：
a.采用如下算式计算各个空气质量监测对T分钟后列车端的空气质量的劣化程度
Figure BDA00021435335500000414
Figure BDA00021435335500000415
式中
Figure BDA00021435335500000416
为归一化后的空气质量监测站i与T分钟后列车的相对距离；p为扩散因子；
Figure BDA0002143533550000051
为归一化后的空气质量监测站i与列车的互信息。
b.采用多目标多元宇宙优化算法对扩散因子的取值进行优化；
c.根据步骤a计算得到的劣化程度，选取劣化程度最大的若干个空气质量监测站作为最终的对列车端环境影响最大的空气质量监测站。
步骤b所述的采用多目标多元宇宙优化算法对扩散因子的取值进行优化，具体为采用如下步骤进行优化：
(1)建立单变量优化模型，优化变量为扩散因子p；
(2)算法初始化，设置算法参数；
(3)将所有宇宙群体按照膨胀率排列并进行存档；
(4)从帕累托解集中筛选出最优宇宙，成为领导宇宙；
(5)开启黑-白洞隧道和虫洞隧道，宇宙中的物体可自适应穿越隧道，直至获取更低的膨胀率；
(6)对搜索次数进行判定：
若搜索次数达到设定的阈值，则输出最优解用于确定扩散因子取值；
否则，则搜索次数加1，并重复步骤(3)～步骤(6)直至搜索次数达到设定的阈值。
步骤S4所述的建立多污染物浓度指标空间混合模型，具体为采用如下步骤建立模型：
1)获取关联空气质量监测站的空气质量数据信息，以及列车的污染物数据信息；
2)将步骤1)获取的数据划分为训练集和验证集；
3)将关联空气质量监测站的空气质量数据信息作为预测器模型的输入，将Δt时刻后列车的污染物数据信息作为预测器模型的输出，对预测器模型进行训练，从而得到步长为Δt的关联空气质量监测站污染物浓度预测模型；
4)利用步骤3)得到的关联空气质量监测站污染物浓度预测模型，对关联空气质量监测站所处位置的空气质量进行若干步预测，得到关联空气质量监测站的空气质量预测集合；
5)以关联空气质量监测站的空气质量数据信息和关联空气质量监测站对T 分钟后列车端的空气质量的劣化程度的相乘结合项作为深度信念网络模型的输入，以列车端的污染物数据信息作为深度信念网络模型的输出，训练并建立深度信念网络模型，从而得到多污染物浓度指标空间混合模型。
步骤3)所述的得到步长为Δt的关联空气质量监测站污染物浓度预测模型，具体为采用GMDH预测器作为预测器模型，GMDH预测器采用 Kolmogorov-Gabor多项式作为支撑函数；GMDH预测器的拓扑结构为3层，第一层形成后，模型选择若干神经元作为下一层的输入；将每层的神经元数量限定在100内；并采用如下算式作为评价函数：
Figure BDA0002143533550000061
式中ni为GMDH预测器中第i层的神经元数量，MSE为预测模型在验证集上预测的均方误差。
步骤S6所述的进行列车的空气环境预警，具体为采用如下规则进行预警：
若未来若干时间内，列车途经地区的AQI预测值小于或等于100，则大气污染预测等级为0；不进行预警；
若未来若干时间内，列车途经地区的AQI预测值存在大于100且均小于或等于200，则大气污染预测等级为1；进行1级预警；
若未来若干时间内，列车途经地区的AQI预测值存在大于200，则大气污染预测等级为2；进行2级预警。
本发明提供的这种车外大气污染环境下列车乘员健康预警系统及其方法，利用获取的空气质量监测站点的实时监测数据，并在列车车厢安装车载空气质量数据采集模块，基于列车-站点距离和关联度的融合结果，计算各监测站对一定时段后列车端空气质量的劣化程度，选取对列车外部空气质量影响程度最大的监测站建立多污染物浓度指标空间混合模型，对车外大气污染物浓度进行短时预测，因此本发明能够对列车的空气环境和列车乘员的健康进行预警，而且本发明的可靠性高、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外大气污染环境下列车乘员健康预警系统，包括空气质量监测站点数据获取模块、列车数据获取模块、列车大气污染预测模块和列车空气环境预警模块；空气质量监测站点数据获取模块的输出端和列车数据获取模块的输出端均连接列车大气污染预测模块的输入端；列车大气污染预测模块的输出端连接列车空气环境预警模块；空气质量监测站点数据获取模块用于获取空气质量监测站点的数据信息并上传列车大气污染预测模块；列车数据获取模块用于获取列车的数据信息并上传列车大气污染预测模块；列车大气污染预测模块用于根据上传的数据信息对列车的大气污染进行短时预测，并将预测结果上传列车空气环境预警模块；列车空气环境预警模块用于根据预测结果进行空气环境预警，从而对列车的空气环境及其列车乘员的健康进行预警。
如图2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外大气污染环境下列车乘员健康预警系统的方法，包括如下步骤：
S1.获取各个空气质量监测站点的数据信息及其对应的空气质量监测数据；具体为获取各个空气质量监测站点的编号信息、经纬度信息以及对应的PM2.5 浓度信息、PM10浓度信息、CO浓度信息、NO2浓度信息、SO2浓度信息、O3 浓度信息和AQI信息；
在具体实施时，采集N个空气质量监测站点在T个连续时刻的PM2.5浓度、 PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度和AQI，可表示为
Figure BDA0002143533550000081
同时，在存储时，需要加上空气质量监测站的编号和经纬度信息，因此可以将数据信息存储为
Figure BDA0002143533550000082
Code为空气质量监测站的编号，LOTS和LATS为空气质量监测站的经纬度信息；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，建议为1小时；
S2.获取列车所在位置的污染物数据信息和列车的位置信息；具体为列车所在位置的经纬度信息、PM2.5浓度信息、PM10浓度信息、CO浓度信息、NO2 浓度信息、SO2浓度信息和O3浓度信息，以及列车在过去若干时间内的分均速度信息和列车剩余行驶路线的有向路径信息；
在具体实施时，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
Figure BDA0002143533550000091
同时利用上述6种污染物浓度，可计算在各时刻的AQI指标；采样间隔与现有空气质量监测站点保持一致，即在每个整点进行一次污染物浓度监测；同时还记录列车的T个连续时刻内的经纬度数据[LOTC,LATC]；此外，还需要记录列车在过去60分钟内的分均速度信息，以及列车剩余行驶路线的有向路径信息(包含列车任意时刻前进方向的经纬度单位向量列车任意时刻前进方向的经纬度单位向量
Figure BDA0002143533550000092
和
Figure BDA0002143533550000093
)；
S3.根据步骤S1和步骤S2获取的数据，进行列车-空气质量监测站点的耦合性分析，从而筛选出若干个关联空气质量监测站；具体为采用如下步骤进行耦合性分析并筛选关联空气质量监测站：
A.计算列车未来T分钟后列车的预计位置，T为正整数；具体为采用如下算式计算列车未来T分钟后列车的预计位置：
Figure BDA0002143533550000094
式中
Figure BDA0002143533550000095
为列车未来T分钟后列车的预计位置的经纬度信息；LOTC为列车当前的经度信息，LATC为列车当前的纬度信息，v为列车在过去若干时间内的分均速度信息，
Figure BDA0002143533550000096
为列车剩余行驶路线的有向路径的经度单位向量，
Figure BDA0002143533550000097
为列车剩余行驶路线的有向路径的纬度单位向量；
B.计算未来T分钟后，列车与各个空气监测站点之间的距离；
Figure BDA0002143533550000098
式中
Figure BDA0002143533550000099
即为列车与空气质量监测站点m之间的相对距离；在计算完列车与所有 N个空气质量监测站点的距离后，得到车-站实时距离指标集：
Figure BDA00021435335500000910
C.计算若干个连续时刻的列车端的污染物数据信息与各个空气质量监测站的空气质量监测数据之间的互信息，从而得到列车端与各个空气质量监测站支架的确定性关联度指标集合；具体为采用如下算式计算互信息：
Figure BDA0002143533550000101
式中
Figure BDA0002143533550000102
为200个连续时刻内的列车端的AQI序列，
Figure BDA0002143533550000103
为第i个空气质量监测站的AQI值；P(a,b)为随机变量
Figure BDA0002143533550000104
和
Figure BDA0002143533550000105
的联合概率分布函数，P(a)为
Figure BDA0002143533550000106
的边缘概率分布函数，P(b)为
Figure BDA0002143533550000107
的边缘概率分布函数，
Figure BDA0002143533550000108
为边缘熵，
Figure BDA0002143533550000109
为条件熵；
同时，再对所有空气质量监测站进行关联分析后，得到所有空气质量监测站与列车端空气质量指标的互信息指标集合，可以表示为
Figure BDA00021435335500001010
D.根据列车与各个空气质量监测站之间的距离，分析并选取T分钟后对列车端环境影响最大的若干个关联空气质量监测站；具体为采用如下步骤进行分析和选取：
a.采用如下算式计算各个空气质量监测对T分钟后列车端的空气质量的劣化程度
Figure BDA00021435335500001011
Figure BDA00021435335500001012
式中
Figure BDA00021435335500001013
为归一化后的空气质量监测站i与T分钟后列车的相对距离；p为扩散因子；
Figure BDA00021435335500001014
为归一化后的空气质量监测站i与列车的互信息。
b.采用多目标多元宇宙优化算法对扩散因子的取值进行优化；具体为采用如下步骤进行优化：
(1)建立单变量优化模型，优化变量为扩散因子p；
在具体实施时，对于多元宇宙群体中的每个个体，需要计算适应度以衡量优化效果的优劣；为确保劣化程度指标的有效性，将最大化所有监测站点的劣化程度结合和最小化劣化程度差异性作为评价每个宇宙的搜索方向，相应的适应度函数如下：
Figure BDA0002143533550000111
(2)算法初始化，设置算法参数；
在具体实施时，设定多元宇宙位置的取值范围为[0,1]，群体数量设置为200，迭代次数阈值设置为100，帕累托解的存档阈值为100。随机初始化200个多元宇宙作为初始扩散因子，计算各个宇宙的膨胀率(适应度)；
(3)将所有宇宙群体按照膨胀率排列并进行存档；
判断解集支配性，存储支配解和具有最低膨胀率的宇宙，将存档数量记为 Ar。若Ar大于帕累托解的存档阈值，则舍弃膨胀率较高的解；
(4)(利用轮盘赌方法)从帕累托解集中筛选出最优宇宙，成为领导宇宙；
(5)开启黑-白洞隧道和虫洞隧道，宇宙中的物体可自适应穿越隧道，直至获取更低的膨胀率；
(6)对搜索次数进行判定：
若搜索次数达到设定的阈值，则输出最优解用于确定扩散因子取值；
否则，则搜索次数加1，并重复步骤(3)～步骤(6)直至搜索次数达到设定的阈值；
根据所得最优扩散因子，对所有监测站进行距离-关联度融合，可得所有监测站对列车端空气质量的劣化程度集合
Figure BDA0002143533550000121
c.根据步骤a计算得到的劣化程度，选取劣化程度最大的若干个空气质量监测站作为最终的对列车端环境影响最大的空气质量监测站；
在具体实施时，将劣化程度最大的5个监测站点记为ε1,ε2,ε3,ε4,ε5，这些站点与T个时刻后的列车所在位置相近，并且对T个时刻后列车外部空气质量的影响程度最大，可认为是列车外部大气环境的空间相关数据集；
S4.根据步骤S3筛选出的若干个关联空气质量监测站，建立多污染物浓度指标空间混合模型；具体为采用如下步骤建立模型：
1)获取关联空气质量监测站的空气质量数据信息，以及列车的污染物数据信息；
基于A4中的对列车端空气质量的劣化程度最大的5个空气质量监测站点ε1,ε2,ε3,ε4,ε5，记录其监测站编号Code1,Code2,Code3,Code4,Code5；将编号与大数据存储平台中的实时监测记录对齐，读取上述5个空气质量监测站点在200个连续时刻内的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度和O3浓度和AQI指标集合，并记录为
Figure BDA0002143533550000122
并读取列车端的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g200＝[CPM2.5,CPM10,CCO,CNO2,CSO2,CO3,AQI]200；
2)将步骤1)获取的数据划分为训练集和验证集；
在具体实施时，模型数据来自车载空气质量数据采集模块和5个空间相关监测站，每个监测点的数据集包含历史200个连续时刻的7项指标，可记为；R(C,ε1,ε2,ε3,ε4,ε5,7,200)；将前160个时刻的数据作为训练集，后40个时刻的数据作为验证集；
3)将关联空气质量监测站的空气质量数据信息作为预测器模型的输入，将Δt时刻后列车的污染物数据信息作为预测器模型的输出，对预测器模型进行训练，从而得到步长为Δt的关联空气质量监测站污染物浓度预测模型；具体为采用GMDH预测器作为预测器模型，GMDH预测器采用Kolmogorov-Gabor多项式作为支撑函数；GMDH预测器的拓扑结构为3层，第一层形成后，模型选择若干神经元作为下一层的输入；将每层的神经元数量限定在100内；并采用如下算式作为评价函数：
Figure BDA0002143533550000131
式中ni为GMDH预测器中第i层的神经元数量，MSE为预测模型在验证集上预测的均方误差；
在具体实施时，将数据集中5个空间相关监测站在前160个时刻内的7*5 维污染物指标向量作为GMDH预测器的输入，相应地，样本中前述160个时刻经过Δt后的PM2.5、PM10、CO、NO2、SO2、O3、AQI序列作为预测器的输出，得到步长为Δt的监测站污染物浓度预测模型；GMDH预测器采用 Kolmogorov-Gabor多项式作为支撑函数，自适应地增加模型复杂度并求解输入输出之间的关系；本申请设置拓扑结构为3层的GMDH预测器，第一层形成后，模型选择若干神经元作为下一层的输入；该过程循环执行，以得到复杂度最优的模型；为限定模型的训练时间，将每层的神经元数量限定在100内。为实现模型复杂度和精度之间的平衡，将GMDH的层均神经元个数和在验证集上预测均方误差(MSE)的加权结合作为模型的评价函数，如下：
Figure BDA0002143533550000141
式中ni为GMDH预测器中第i层的神经元数量，MSE为预测模型在验证集上预测的均方误差；f(t)为预测器在验证集上的预测结果，Y(t)为实际验证集数据；
4)利用步骤3)得到的关联空气质量监测站污染物浓度预测模型，对关联空气质量监测站所处位置的空气质量进行若干步预测，得到关联空气质量监测站的空气质量预测集合；
在具体实施时，选取评价值最低的模型作为最终的监测站大气污染物预测模型，该模型具有较好的预测性能和较低的模型复杂度。基于该监测站大气污染物预测模型，对ε1,ε2,ε3,ε4,ε5这5个监测站所处位置的大气污染物指标进行时间步长为15分钟、30分钟、45分钟、60分钟的多步预测，得到监测站的污染物浓度预测集合：
Figure BDA0002143533550000142
5)以关联空气质量监测站的空气质量数据信息和关联空气质量监测站对T 分钟后列车端的空气质量的劣化程度的相乘结合项作为深度信念网络模型的输入，以列车端的污染物数据信息作为深度信念网络模型的输出，训练并建立深度信念网络模型，从而得到多污染物浓度指标空间混合模型；
在具体实施时，对于各监测站的污染物监测结果，构建深度信念网络以取得高精度的空间混合模型；采用三层堆叠式的深度信念网络，将隐含层节点数分别设置为50、100和50；将空间相关监测站的污染物指标与监测站对车外污染物的劣化程度的相乘结合项设置为深度信念网络模型的输入
Figure BDA0002143533550000151
模型训练输出为数据集中200个连续时刻内车外空气质量监测数据的7维指标集合R(C；7；200)，从而得到训练完备的深度信念网络，对车外大气污染物与空间相关监测站的非线性映射关系进行学习。将模型的输入-输出关系记为
Figure BDA0002143533550000152
S5.采用步骤S4建立的多污染物浓度指标空间混合模型，对列车所在位置的大气污染物浓度进行短时预测；
在具体实施时，通过训练完成的多污染物浓度指标空间混合模型进行车外大气污染物浓度短时预测，以监测站大气污染物指标预测结果与相应时刻的劣化程度结合作为多污染物浓度指标空间混合模型的输入：
Figure BDA0002143533550000153
输入模型进行计算，得到车外大气污染物浓度的短时预测结果：
Figure BDA0002143533550000154
R(C；7；T)为15分钟、30分钟、45分钟、60分钟后的7维指标集合，包含车外PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度和AQI 预测结果；
S6.根据步骤S5得到的短时预测结果，进行列车的空气环境预警；具体为采用如下规则进行预警：
若未来若干时间内，列车途经地区的AQI预测值小于或等于100，则大气污染预测等级为0；表明车外空气质量仍可接受，不采取处理措施，继续空气质量监控及预测；不进行预警；
若未来若干时间内，列车途经地区的AQI预测值存在大于100且均小于或等于200，则大气污染预测等级为1；进行1级预警；可以提醒列车乘员中的易感人群注意车内空气质量污染，并播报距离列车下次开关门事件的剩余时间，可提前带上口罩避免刺激症状；
若未来若干时间内，列车途经地区的AQI预测值存在大于200，则大气污染预测等级为2；进行2级预警：可以提醒所有列车乘员注意车内空气质量污染，并播报距离列车下次开关门事件的剩余时间，可提前带上口罩以避免产生不适症状。
同时，在完成一次预警后，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，由于列车行进、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。重新训练的时间间隔与空气质量数据的采集和更新的时间间隔相同，建议设定为1小时。
本发明具有如下优点：
本发明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；
对列车现处位置进行实时定位，获取经纬度信息；结合车速和列车行驶路线计算一定时段后列车的预计位置，采用扩散因子将列车-监测站的距离和历史序列关联度进行融合分析，并将融合结果定义为劣化程度指标，筛选对一定时段后列车外部空气质量劣化程度最大的监测站，为提供列车外部大气环境分析提供空间相关数据集。
根据筛选所得的空间相关数据集，建立监测站大气污染物预测模型对不同时间步长后的PM2.5、PM10、CO、NO2、SO2、O3、AQI进行预测；利用深度神经网络对多个铁路沿线空气质量监测站点的污染物浓度指标进行空间混合模型，有效获取一定时段后的列车所处位置的车外大气污染状况；
结合车外大气空气质量指数短期预测结果和列车地理位置信息，对列车乘员健康采取分级预警措施，针对列车内易感人群和健康人群提供不同的预警信息。

Claims (8)

1.一种车外大气污染环境下列车乘员健康预警系统的方法，所述系统包括空气质量监测站点数据获取模块、列车数据获取模块、列车大气污染预测模块和列车空气环境预警模块；空气质量监测站点数据获取模块的输出端和列车数据获取模块的输出端均连接列车大气污染预测模块的输入端；列车大气污染预测模块的输出端连接列车空气环境预警模块；空气质量监测站点数据获取模块用于获取空气质量监测站点的数据信息并上传列车大气污染预测模块；列车数据获取模块用于获取列车的数据信息并上传列车大气污染预测模块；列车大气污染预测模块用于根据上传的数据信息对列车的大气污染进行短时预测，并将预测结果上传列车空气环境预警模块；列车空气环境预警模块用于根据预测结果进行空气环境预警，从而对列车的空气环境及其列车乘员的健康进行预警；
同时，一种所述的车外大气污染环境下列车乘员健康预警系统的方法，其特征在于包括如下步骤：
S1.获取各个空气质量监测站点的数据信息及其对应的空气质量监测数据；
S2.获取列车所在位置的污染物数据信息和列车的位置信息；
S3.根据步骤S1和步骤S2获取的数据，进行列车-空气质量监测站点的耦合性分析，从而筛选出若干个关联空气质量监测站；具体为采用如下步骤进行耦合性分析并筛选关联空气质量监测站：
A.采用如下算式计算列车未来T分钟后列车的预计位置，T为正整数：
Figure FDA0003004957010000011
式中
Figure FDA0003004957010000012
为列车未来T分钟后列车的预计位置的经纬度信息；LOTC为列车当前的经度信息，LATC为列车当前的纬度信息，v为列车在过去若干时间内的分均速度信息，
Figure FDA0003004957010000013
为列车剩余行驶路线的有向路径的经度单位向量，
Figure FDA0003004957010000014
为列车剩余行驶路线的有向路径的纬度单位向量；
B.计算未来T分钟后，列车与各个空气监测站点之间的距离；
C.采用如下算式计算若干个连续时刻的列车端的污染物数据信息与各个空气质量监测站的空气质量监测数据之间的互信息，从而得到列车端与各个空气质量监测站支架的确定性关联度指标集合：
Figure FDA0003004957010000021
式中
Figure FDA0003004957010000022
为200个连续时刻内的列车端的AQI序列，
Figure FDA0003004957010000023
为第i个空气质量监测站的AQI值；P(a,b)为随机变量
Figure FDA0003004957010000024
和
Figure FDA0003004957010000025
的联合概率分布函数，P(a)为
Figure FDA0003004957010000026
的边缘概率分布函数，P(b)为
Figure FDA0003004957010000027
的边缘概率分布函数，
Figure FDA0003004957010000028
为边缘熵，
Figure FDA0003004957010000029
为条件熵；
D.根据列车与各个空气质量监测站之间的距离，分析并选取T分钟后对列车端环境影响最大的若干个关联空气质量监测站；
S4.根据步骤S3筛选出的若干个关联空气质量监测站，建立多污染物浓度指标空间混合模型；
S5.采用步骤S4建立的多污染物浓度指标空间混合模型，对列车所在位置的大气污染物浓度进行短时预测；
S6.根据步骤S5得到的短时预测结果，进行列车的空气环境预警。
2.根据权利要求1所述的方法，其特征在于步骤S1所述的各个空气质量监测站点的数据信息及其对应的空气质量监测数据，具体为获取各个空气质量监测站点的编号信息、经纬度信息以及对应的PM2.5浓度信息、PM10浓度信息、CO浓度信息、NO2浓度信息、SO2浓度信息、O3浓度信息和AQI信息。
3.根据权利要求2所述的方法，其特征在于步骤S2所述的列车所在位置的污染物数据信息和列车的位置信息，具体为列车所在位置的经纬度信息、PM2.5浓度信息、PM10浓度信息、CO浓度信息、NO2浓度信息、SO2浓度信息和O3浓度信息，以及列车在过去若干时间内的分均速度信息和列车剩余行驶路线的有向路径信息。
4.根据权利要求3所述的方法，其特征在于步骤D所述的分析并选取T分钟后对列车端环境影响最大的若干个空气质量监测站，具体为采用如下步骤进行分析和选取：
a.采用如下算式计算各个空气质量监测对T分钟后列车端的空气质量的劣化程度
Figure FDA0003004957010000031
Figure FDA0003004957010000032
式中
Figure FDA0003004957010000033
为归一化后的空气质量监测站i与T分钟后列车的相对距离；p为扩散因子；
Figure FDA0003004957010000034
为归一化后的空气质量监测站i与列车的互信息；
b.采用多目标多元宇宙优化算法对扩散因子的取值进行优化；
c.根据步骤a计算得到的劣化程度，选取劣化程度最大的若干个空气质量监测站作为最终的对列车端环境影响最大的空气质量监测站。
5.根据权利要求4所述的方法，其特征在于步骤b所述的采用多目标多元宇宙优化算法对扩散因子的取值进行优化，具体为采用如下步骤进行优化：
(1)建立单变量优化模型，优化变量为扩散因子p；
(2)算法初始化，设置算法参数；
(3)将所有宇宙群体按照膨胀率排列并进行存档；
(4)从帕累托解集中筛选出最优宇宙，成为领导宇宙；
(5)开启黑-白洞隧道和虫洞隧道，宇宙中的物体可自适应穿越隧道，直至获取更低的膨胀率；
(6)对搜索次数进行判定：
若搜索次数达到设定的阈值，则输出最优解用于确定扩散因子取值；
否则，则搜索次数加1，并重复步骤(3)～步骤(6)直至搜索次数达到设定的阈值。
6.根据权利要求5所述的方法，其特征在于步骤S4所述的建立多污染物浓度指标空间混合模型，具体为采用如下步骤建立模型：
1)获取关联空气质量监测站的空气质量数据信息，以及列车的污染物数据信息；
2)将步骤1)获取的数据划分为训练集和验证集；
3)将关联空气质量监测站的空气质量数据信息作为预测器模型的输入，将Δt时刻后列车的污染物数据信息作为预测器模型的输出，对预测器模型进行训练，从而得到步长为Δt的关联空气质量监测站污染物浓度预测模型；
4)利用步骤3)得到的关联空气质量监测站污染物浓度预测模型，对关联空气质量监测站所处位置的空气质量进行若干步预测，得到关联空气质量监测站的空气质量预测集合；
5)以关联空气质量监测站的空气质量数据信息和关联空气质量监测站对T分钟后列车端的空气质量的劣化程度的相乘结合项作为深度信念网络模型的输入，以列车端的污染物数据信息作为深度信念网络模型的输出，训练并建立深度信念网络模型，从而得到多污染物浓度指标空间混合模型。
7.根据权利要求6所述的方法，其特征在于步骤3)所述的得到步长为Δt的关联空气质量监测站污染物浓度预测模型，具体为采用GMDH预测器作为预测器模型，GMDH预测器采用Kolmogorov-Gabor多项式作为支撑函数；GMDH预测器的拓扑结构为3层，第一层形成后，模型选择若干神经元作为下一层的输入；将每层的神经元数量限定在100内；并采用如下算式作为评价函数：
Figure FDA0003004957010000051
式中ni为GMDH预测器中第i层的神经元数量，MSE为预测模型在验证集上预测的均方误差。
8.根据权利要求7所述的方法，其特征在于步骤S6所述的进行列车的空气环境预警，具体为采用如下规则进行预警：
若未来若干时间内，列车途经地区的AQI预测值小于或等于100，则大气污染预测等级为0；不进行预警；
若未来若干时间内，列车途经地区的AQI预测值存在大于100且均小于或等于200，则大气污染预测等级为1；进行1级预警；
若未来若干时间内，列车途经地区的AQI预测值存在大于200，则大气污染预测等级为2；进行2级预警。
CN201910676714.7A 2019-07-25 2019-07-25 一种车外大气污染环境下列车乘员健康预警系统的方法 Active CN110361505B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910676714.7A CN110361505B (zh) 2019-07-25 2019-07-25 一种车外大气污染环境下列车乘员健康预警系统的方法
US17/291,619 US11959900B2 (en) 2019-07-25 2020-07-13 Health early warning system for passengers on a train in an outdoor air polluted environment and method thereof
PCT/CN2020/101735 WO2021012982A1 (zh) 2019-07-25 2020-07-13 一种车外大气污染环境下列车乘员健康预警系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910676714.7A CN110361505B (zh) 2019-07-25 2019-07-25 一种车外大气污染环境下列车乘员健康预警系统的方法

Publications (2)

Publication Number Publication Date
CN110361505A CN110361505A (zh) 2019-10-22
CN110361505B true CN110361505B (zh) 2021-06-22

Family

ID=68221610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910676714.7A Active CN110361505B (zh) 2019-07-25 2019-07-25 一种车外大气污染环境下列车乘员健康预警系统的方法

Country Status (3)

Country Link
US (1) US11959900B2 (zh)
CN (1) CN110361505B (zh)
WO (1) WO2021012982A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110361505B (zh) 2019-07-25 2021-06-22 中南大学 一种车外大气污染环境下列车乘员健康预警系统的方法
CN113125635B (zh) * 2019-12-31 2023-04-28 北京蛙鸣华清环保科技有限公司 一种大气污染预警方法、装置及可读存储介质
CN111579450A (zh) * 2020-04-21 2020-08-25 泛测（北京）环境科技有限公司 一种空气环境中颗粒物污染监测方法及设备
CN112085288B (zh) * 2020-09-16 2022-06-21 浙江财经大学 一种基于两阶段优化的物流配送路线推荐方法及系统
CN112215520B (zh) * 2020-10-28 2021-06-08 润联软件系统(深圳)有限公司 一种多目标融合通行方法、装置、计算机设备及存储介质
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
CN112734186B (zh) * 2020-12-30 2023-10-13 中南大学 列车车厢空气微生物污染实时评估方法、系统及存储介质
CN114662389B (zh) * 2022-03-22 2023-02-03 河南大学 面向空气污染物的自相关误差Informer模型长时序预测方法及系统
CN115416732B (zh) * 2022-08-19 2024-04-23 交控科技股份有限公司 列车前端隐藏车辆的筛选方法、装置及电子设备
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
CN117493816B (zh) * 2023-12-29 2024-03-29 深圳市智德森水务科技有限公司 一种基于大数据的空气监测预警方法及系统
CN117574061B (zh) * 2024-01-16 2024-04-05 暨南大学 一种pm2.5和臭氧污染协同防控的预测方法及系统

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6963831B1 (en) * 2000-10-25 2005-11-08 International Business Machines Corporation Including statistical NLU models within a statistical parser
US7930332B2 (en) * 2007-03-23 2011-04-19 Microsoft Corporation Weighted entropy pool service
CN102366323A (zh) * 2011-09-30 2012-03-07 中国科学院自动化研究所 一种基于pca和gca的磁共振脑成像因果连接强度的检测方法
CN102426399A (zh) * 2011-09-01 2012-04-25 南京信息工程大学 高速公路横风预警方法
CN102647471A (zh) * 2012-04-10 2012-08-22 上海复济生物科技有限公司 基于pm2.5空气质量自动监测的远程诊断系统
CN103163278A (zh) * 2013-01-31 2013-06-19 北京工业大学 基于数值模式与统计分析结合的大气重污染预报方法
US8671277B2 (en) * 2009-06-09 2014-03-11 Syracuse University Method for secure communication over heterogeneous networks
CN103729183A (zh) * 2013-12-29 2014-04-16 北京工业大学 基于智能手机的车辆绿色出行导航系统设计
CN104236031A (zh) * 2014-09-02 2014-12-24 北京塞尔瑟斯仪表科技股份有限公司 一种汽车通风控制装置及其控制方法
CN105966195A (zh) * 2016-05-31 2016-09-28 中国汽车技术研究中心 一种车内空气品质智能管理系统及其使用方法
CN106663184A (zh) * 2014-03-28 2017-05-10 华为技术有限公司 人脸数据验证的方法和系统
CN108593840A (zh) * 2017-12-27 2018-09-28 嘉兴博感科技有限公司 一种空气质量监测装置
CN108701274A (zh) * 2017-05-24 2018-10-23 北京质享科技有限公司 一种城市小尺度空气质量指数预测方法与系统
WO2019032648A1 (en) * 2017-08-08 2019-02-14 Indigo Ag, Inc. MACHINE LEARNING IN AGRICULTURAL PLANTATION, CULTIVATION AND HARVEST CONTEXTS
CN109383223A (zh) * 2017-08-11 2019-02-26 现代摩比斯株式会社 用于控制车辆的空调的方法
CN109583386A (zh) * 2018-11-30 2019-04-05 中南大学 一种智能旋转机械故障深度网络特征辨识方法
CN109596492A (zh) * 2018-12-04 2019-04-09 佛山单常科技有限公司 一种实时智能的室内空气质量监测系统
CN109670217A (zh) * 2018-11-30 2019-04-23 中南大学 隧道气动载荷影响因素的权重分析方法及计算机系统
CN208795711U (zh) * 2018-08-07 2019-04-26 贵州财大鼎新科创产业有限公司 微型空气质量预警装置及系统
CN109711593A (zh) * 2018-07-27 2019-05-03 中南大学 一种面向瞬时计算决策的高速铁路沿线风速预测方法
CN109946418A (zh) * 2017-12-21 2019-06-28 北京航天泰坦科技股份有限公司 一种空气质量监测与评价方法及系统
CN109978275A (zh) * 2019-04-03 2019-07-05 中南大学 一种混合cfd和深度学习的极端大风风速预测方法及系统

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000193651A (ja) * 1998-12-24 2000-07-14 Nippon Telegr & Teleph Corp <Ntt> 環境モニタリング装置
US8972088B2 (en) * 2012-12-20 2015-03-03 International Business Machines Corporation Location-based vehicle powertrain regulation system
US20140274965A1 (en) * 2013-03-14 2014-09-18 Hygia Pharmaceuticals, Llc Drink Product and Use Thereof
CN104701548B (zh) * 2013-12-04 2017-03-15 中国科学院苏州纳米技术与纳米仿生研究所 Ipmc电化学驱动器制备方法
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
CN105740531A (zh) * 2016-01-27 2016-07-06 上田环境修复股份有限公司 预测地下水污染造成的人体健康风险的方法
US10728336B2 (en) * 2016-03-04 2020-07-28 Sabrina Akhtar Integrated IoT (Internet of Things) system solution for smart agriculture management
CN105954166A (zh) * 2016-05-01 2016-09-21 安徽机电职业技术学院 一种车内空气质量监测与预警系统
CN106197407B (zh) * 2016-06-23 2018-12-18 长沙学院 一种基于惯性传感器的地铁定位方法与系统
CN106651100B (zh) 2016-10-12 2020-09-22 华南理工大学 基于车联网优选车载监测点的空气质量评估系统及方法
CN107255826A (zh) * 2017-04-26 2017-10-17 国家电网公司 基于大数据下的物流货车修正gps定位分析方法
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
US10588517B2 (en) * 2017-05-19 2020-03-17 Stmicroelectronics, Inc. Method for generating a personalized classifier for human motion activities of a mobile or wearable device user with unsupervised learning
CN108052770B (zh) * 2017-12-28 2020-04-07 大连理工大学 一种考虑时变效应的大跨桥梁主梁性能预警方法
CN108510129B (zh) * 2018-04-12 2021-12-21 中南大学 一种无人驾驶车辆实时电量智慧预测方法及装置
CN110361505B (zh) * 2019-07-25 2021-06-22 中南大学 一种车外大气污染环境下列车乘员健康预警系统的方法

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6963831B1 (en) * 2000-10-25 2005-11-08 International Business Machines Corporation Including statistical NLU models within a statistical parser
US7930332B2 (en) * 2007-03-23 2011-04-19 Microsoft Corporation Weighted entropy pool service
US8671277B2 (en) * 2009-06-09 2014-03-11 Syracuse University Method for secure communication over heterogeneous networks
CN102426399A (zh) * 2011-09-01 2012-04-25 南京信息工程大学 高速公路横风预警方法
CN102366323A (zh) * 2011-09-30 2012-03-07 中国科学院自动化研究所 一种基于pca和gca的磁共振脑成像因果连接强度的检测方法
CN102647471A (zh) * 2012-04-10 2012-08-22 上海复济生物科技有限公司 基于pm2.5空气质量自动监测的远程诊断系统
CN103163278A (zh) * 2013-01-31 2013-06-19 北京工业大学 基于数值模式与统计分析结合的大气重污染预报方法
CN103729183A (zh) * 2013-12-29 2014-04-16 北京工业大学 基于智能手机的车辆绿色出行导航系统设计
CN106663184A (zh) * 2014-03-28 2017-05-10 华为技术有限公司 人脸数据验证的方法和系统
CN104236031A (zh) * 2014-09-02 2014-12-24 北京塞尔瑟斯仪表科技股份有限公司 一种汽车通风控制装置及其控制方法
CN105966195A (zh) * 2016-05-31 2016-09-28 中国汽车技术研究中心 一种车内空气品质智能管理系统及其使用方法
CN108701274A (zh) * 2017-05-24 2018-10-23 北京质享科技有限公司 一种城市小尺度空气质量指数预测方法与系统
WO2019032648A1 (en) * 2017-08-08 2019-02-14 Indigo Ag, Inc. MACHINE LEARNING IN AGRICULTURAL PLANTATION, CULTIVATION AND HARVEST CONTEXTS
CN109383223A (zh) * 2017-08-11 2019-02-26 现代摩比斯株式会社 用于控制车辆的空调的方法
CN109946418A (zh) * 2017-12-21 2019-06-28 北京航天泰坦科技股份有限公司 一种空气质量监测与评价方法及系统
CN108593840A (zh) * 2017-12-27 2018-09-28 嘉兴博感科技有限公司 一种空气质量监测装置
CN109711593A (zh) * 2018-07-27 2019-05-03 中南大学 一种面向瞬时计算决策的高速铁路沿线风速预测方法
CN208795711U (zh) * 2018-08-07 2019-04-26 贵州财大鼎新科创产业有限公司 微型空气质量预警装置及系统
CN109670217A (zh) * 2018-11-30 2019-04-23 中南大学 隧道气动载荷影响因素的权重分析方法及计算机系统
CN109583386A (zh) * 2018-11-30 2019-04-05 中南大学 一种智能旋转机械故障深度网络特征辨识方法
CN109596492A (zh) * 2018-12-04 2019-04-09 佛山单常科技有限公司 一种实时智能的室内空气质量监测系统
CN109978275A (zh) * 2019-04-03 2019-07-05 中南大学 一种混合cfd和深度学习的极端大风风速预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Gusts caused by High-speed Trains in Confined Spaces and Tunnels;GILBERT T 等;《Journal of wind Engineerinf and Industrial Aerodynamics》;20131015;第121卷(第5期);第39-48页 *
铁路风速单步高精度混合预测性能对比研究;刘辉 等;《铁道学报》;20160831;第38卷(第8期);第41-49页 *

Also Published As

Publication number Publication date
US20220011284A1 (en) 2022-01-13
US11959900B2 (en) 2024-04-16
WO2021012982A1 (zh) 2021-01-28
CN110361505A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
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
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
CN103678917B (zh) 一种基于模拟退火算法的公交实时到站时间预测方法
CN106548645B (zh) 基于深度学习的车辆路径寻优方法及系统
CN108428340B (zh) 道路交通状况分析方法和系统
CN111653088B (zh) 一种车辆出行量预测模型构建方法及预测方法和系统
CN107085943B (zh) 一种道路旅行时间短期预测方法和系统
CN108133295B (zh) 一种针对目标路段的机动车尾气浓度连续时间预测方法
CN102136190A (zh) 城市公交客运事件应急响应调度管理系统及方法
CN110163449B (zh) 一种基于主动时空图卷积的机动车排污监测节点部署方法
CN109166317A (zh) 基于状态特征的城市交通路径通过时间确定方法
CN110826244B (zh) 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法
CN114881356A (zh) 基于粒子群算法优化bp神经网络的城市交通碳排预测方法
Padiath et al. Prediction of traffic density for congestion analysis under Indian traffic conditions
CN116862325A (zh) 一种城市轨道交通乘客出行链推断方法及系统
CN116853272A (zh) 一种融合复杂网络和图Transformer的自动驾驶车辆行为预测方法及系统
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
Qin et al. Estimation of urban link travel time distribution using Markov chains and Bayesian approaches
CN117454729A (zh) 一种大气污染贡献度预测方法、装置及可读存储介质
CN111126878A (zh) 一种基于生态指数的城市交通运行评价方法
Liu et al. Development of a real-time on-road emissions estimation and monitoring system
CN113344759B (zh) 一种移动源污染排放的分析方法
Lingqiu et al. A LSTM based bus arrival time prediction method
CN115759329A (zh) 基于卷积神经网络的景区游客人数预测方法
CN106127664A (zh) 城市轨道交通换乘站高峰期客流控制方法

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