CN112116070B - 地铁车站环境参数监测方法及装置 - Google Patents
地铁车站环境参数监测方法及装置 Download PDFInfo
- Publication number
- CN112116070B CN112116070B CN202010928705.5A CN202010928705A CN112116070B CN 112116070 B CN112116070 B CN 112116070B CN 202010928705 A CN202010928705 A CN 202010928705A CN 112116070 B CN112116070 B CN 112116070B
- Authority
- CN
- China
- Prior art keywords
- environment parameter
- value
- station
- subway station
- parameter value
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000009826 distribution Methods 0.000 claims abstract description 52
- 230000007613 environmental effect Effects 0.000 claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims abstract description 48
- 230000006870 function Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 8
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 239000007789 gas Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 4
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 description 3
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 2
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- 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
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—Specially adapted to detect a particular component
- G01N33/0037—Specially adapted to detect a particular component for NOx
-
- 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
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—Specially adapted to detect a particular component
- G01N33/004—Specially adapted to detect a particular component for CO, CO2
-
- 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
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—Specially adapted to detect a particular component
- G01N33/0042—Specially adapted to detect a particular component for SO2, SO3
-
- 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
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—Specially adapted to detect a particular component
- G01N33/0054—Specially adapted to detect a particular component for ammonia
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/08—Learning methods
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种地铁车站环境参数监测方法及装置，其中方法包括：获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值；将所述上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值，所述LSTM神经网络模型根据历史上一时刻的地铁车站环境参数值和历史下一时刻的车站外部环境参数值进行训练；根据所述网络输出结果值，确定下一时刻的地铁车站环境参数值的正态分布；根据所述下一时刻的地铁车站环境参数值的正态分布，进行地铁车站环境参数监测。本发明可以有效监测地铁车站环境参数，在保证监测效率的同时提高监测准确率。
Description
技术领域
本发明涉及环境监测技术领域，尤其涉及地铁车站环境参数监测方法及装置。
背景技术
在城市地区，地铁是解决交通拥堵问题的最有效的公共交通方式之一，同时，乘客数量随着地铁的发展不断增加。目前大城市地铁在早晚高峰时运营负荷量大，造成部分早期建设的地铁车站气体环境质量下降，污染物在站内沉淀，对旅客健康造成不良影响。因此，有必要对地铁车站环境参数进行监测。
现有的地铁车站环境参数监测方法存在监测效率低，准确率低等问题，无法准确高效监测地铁车站环境。
发明内容
本发明实施例提供一种地铁车站环境参数监测方法，用以监测地铁车站环境参数，在保证监测效率的同时提高监测准确率，该方法包括：
获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值；
将所述上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值，所述LSTM神经网络模型根据历史上一时刻的地铁车站环境参数值和历史下一时刻的车站外部环境参数值进行训练；
根据所述网络输出结果值，确定下一时刻的地铁车站环境参数值的正态分布；
根据所述下一时刻的地铁车站环境参数值的正态分布，进行地铁车站环境参数监测。
实施例中，获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值之后，按如下方式对所述车站外部环境参数值进行筛选：利用皮尔森相关系数算法对车站外部环境参数值进行贡献度分析；根据贡献度分析结果，对下一时刻的车站外部环境参数值进行筛选；
将所述上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值，包括：将所述上一时刻的地铁车站环境参数值和筛选出的下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值。
本发明实施例提供一种地铁车站环境参数监测装置，用以监测地铁车站环境参数，在保证监测效率的同时提高监测准确率，该装置包括：
参数值获得模块，用于获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值；
结果值确定模块，用于将所述上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值，所述LSTM神经网络模型根据历史上一时刻的地铁车站环境参数值和历史下一时刻的车站外部环境参数值进行训练；
正态分布确定模块，用于根据所述网络输出结果值，确定下一时刻的地铁车站环境参数值的正态分布；
监测模块，用于根据所述下一时刻的地铁车站环境参数值的正态分布，进行地铁车站环境参数监测。
实施例中，地铁车站环境参数监测装置，还包括：
参数值筛选模块，用于获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值之后，按如下方式对所述车站外部环境参数值进行筛选：利用皮尔森相关系数算法对车站外部环境参数值进行贡献度分析；根据贡献度分析结果，对下一时刻的车站外部环境参数值进行筛选；
所述结果值确定模块进一步用于：将所述上一时刻的地铁车站环境参数值和筛选出的下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在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地铁车站环境参数监测方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述地铁车站环境参数监测方法的计算机程序。
本发明实施例通过获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值；将所述上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值，所述LSTM神经网络模型根据历史上一时刻的地铁车站环境参数值和历史下一时刻的车站外部环境参数值进行训练；根据所述网络输出结果值，确定下一时刻的地铁车站环境参数值的正态分布；根据所述下一时刻的地铁车站环境参数值的正态分布，进行地铁车站环境参数监测。本发明实施例根据历史上一时刻的地铁车站环境参数值和历史下一时刻的车站外部环境参数值训练LSTM神经网络模型，在获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值之后，输入训练好的LSTM神经网络模型并根据网络输出确定下一时刻的地铁车站环境参数值的正态分布，进而实现地铁车站环境参数的监测，对于站内紧急情况做出可靠预警具有重要意义。在一个实施例中，可以利用皮尔森相关系数算法对车站外部环境参数值进行贡献度分析，筛选出贡献度高的车站外部环境参数值作为LSTM神经网络模型的输入，从而排除无关参数对网络性能的影响，在保证监测效率的同时提高监测准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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。在附图中：
图1为本发明实施例中地铁车站环境参数监测方法示意图；
图2为本发明实施例中地铁车站环境参数监测装置的结构图。
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明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
为了监测地铁车站环境参数，在保证监测效率的同时提高监测准确率，本发明实施例提供一种地铁车站环境参数监测方法，如图1所示，该方法可以包括：
步骤101、获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值；
步骤102、将所述上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值，所述LSTM神经网络模型根据历史上一时刻的地铁车站环境参数值和历史下一时刻的车站外部环境参数值进行训练；
步骤103、根据所述网络输出结果值，确定下一时刻的地铁车站环境参数值的正态分布；
步骤104、根据所述下一时刻的地铁车站环境参数值的正态分布，进行地铁车站环境参数监测。
由图1所示可以得知，本发明实施例通过获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值；将所述上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值，所述LSTM神经网络模型根据历史上一时刻的地铁车站环境参数值和历史下一时刻的车站外部环境参数值进行训练；根据所述网络输出结果值，确定下一时刻的地铁车站环境参数值的正态分布；根据所述下一时刻的地铁车站环境参数值的正态分布，进行地铁车站环境参数监测。本发明实施例根据历史上一时刻的地铁车站环境参数值和历史下一时刻的车站外部环境参数值训练LSTM神经网络模型，在获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值之后，输入训练好的LSTM神经网络模型并根据网络输出确定下一时刻的地铁车站环境参数值的正态分布，进而实现地铁车站环境参数的监测，对于站内紧急情况做出可靠预警具有重要意义。在一个实施例中，可以利用皮尔森相关系数算法对车站外部环境参数值进行贡献度分析，筛选出贡献度高的车站外部环境参数值作为LSTM神经网络模型的输入，从而排除无关参数对网络性能的影响，在保证监测效率的同时提高监测准确率。
具体实施时，获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值。
实施例中，所述地铁车站环境参数值包括：地铁车站内气体浓度值，地铁车站内温度值或地铁车站内相对湿度值；所述车站外部环境参数值包括：地铁客流量值，列车发车频率值，车站外部气体浓度值，车站外部大气温度值，车站外部大气相对湿度值的任意组合。
本实施例中，地铁车站内气体浓度值包括：地铁车站内二氧化碳浓度值、地铁车站内一氧化碳浓度值、地铁车站内甲醛浓度值、地铁车站内有机挥发物(VOC)浓度值、地铁车站内二氧化硫浓度值、地铁车站内氨气浓度值、地铁车站内二氧化氮浓度值、地铁车站内可吸入颗粒物(PM10)浓度值其中之一或任意组合。地铁车站环境参数值还可以包括：地铁车站内温度值(TEM)或地铁车站内相对湿度值(RHU)。
本实施例中，车站外部气体浓度值包括：车站外部一氧化碳浓度值、车站外部二氧化硫浓度值、车站外部二氧化氮浓度值、车站外部可吸入颗粒物(PM10)浓度值其中之一或任意组合。
实施例中，在上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值之后，对地铁车站环境参数值和车站外部环境参数值进行预处理，所述预处理包括：标准化处理和/或去噪处理。
具体实施时，将所述上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值，所述LSTM神经网络模型根据历史上一时刻的地铁车站环境参数值和历史下一时刻的车站外部环境参数值进行训练。
实施例中，获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值之后，按如下方式对所述车站外部环境参数值进行筛选：利用皮尔森相关系数算法对车站外部环境参数值进行贡献度分析；根据贡献度分析结果，对下一时刻的车站外部环境参数值进行筛选；将所述上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值，包括：将所述上一时刻的地铁车站环境参数值和筛选出的下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值。
本实施例中，利用皮尔森相关系数算法对车站外部环境参数值进行贡献度分析包括：按如下公式计算皮尔森相关系数，得到每一车站外部环境参数值对待预测的地铁车站环境参数值的贡献度值：
其中，X为车站外部环境参数值，Y为地铁车站环境参数值。
本实施例中，在得到每一车站外部环境参数值对待预测的地铁车站环境参数值的贡献度值之后，将贡献度值与预设阈值进行比较，将小于预设阈值的贡献度值对应的车站外部环境参数值剔除，仅保留大于等于预设阈值的贡献度值对应的车站外部环境参数值，从而排除无关变量对网络性能的影响。
具体实施时，根据所述网络输出结果值，确定下一时刻的地铁车站环境参数值的正态分布。
实施例中，根据所述网络输出结果值，确定下一时刻的地铁车站环境参数值的正态分布，包括：对所述网络输出结果值进行线性变换，得到地铁车站环境参数值的均值；对所述网络输出结果值进行线性变换后，进行非线性变换，得到得到地铁车站环境参数值的标准差；根据所述地铁车站环境参数值的均值和标准差，确定下一时刻的地铁车站环境参数值的正态分布。
实施例中，LSTM神经网络模型根据历史上一时刻的地铁车站环境参数值和历史下一时刻的车站外部环境参数值进行训练。将地铁车站环境参数未来时刻的预测视作构建一个条件分布，则LSTM神经网络模型可以用如下公式表示：
其中，t0为分割过去时刻和未来的时间点；τ为预测范围的长度；和/>分别属于[t0+1:t0+τ]和[1:t0]时间范围内的地铁车站环境参数值；/>是[1:t0+τ]范围内的车站外部环境参数值；Φ表示模型的参数。整个时间序列[1:t0+τ]被时间点t0分为两部分，分别是[1:t0]和[t0+1:t0+τ]。[1:t0]为条件区间，包含过去的信息，[t0+1:t0+τ]称为预测区间。概率预测模型利用预测变量和外部变量过去的信息来预测未来值。
由此，针对于每一个时间点的预测而言，LSTM神经网络模型可以表示为如下公式：
ht＝h(ht-1,Yt-1,Xt,Φ) (4)
其中，ht为LSTM神经网络的输出；h代表LSTM神经网络；Yt是地铁车站环境参数Y在时刻t的取值；l(·)是用来拟合预测变量分布的似然函数；θ(·)是计算似然函数参数的函数。由于LSTM神经网络模型是自回归结构，网络的前一时刻输出ht-1与上一时刻预测变量的观测值Yt-1作为下一时刻的输入。似然函数l(Yt|θ(ht,Φ))为一个固定分布，参数由函数θ(ht,Φ)以及网络输出ht决定。本发明实施例将似然函数的分布确定为正态分布，如公式(4)所示：
其中，参数θ＝(μ,σ)分别为t时刻的正态分布的均值和标准差，其中均值是由网络输出ht经过一个线性变换得到，标准差是由网络输出ht先经过线性变换之后进行非线性变换得到，确保σ＞0，按如下公式确定均值和标准差：
其中，μ和σ分别为似然函数的均值和标准差，w和b分别是线性变换的权重和偏置。对于训练和预测过程，它们的网络结构是相同的。对于训练过程，Y的值是已知的，但在预测过程中Y是未知的。为了继续预测，需要从最后一个时间步长的分布中得到一个采样值，作为下一步预测的输入数据。
本实施例中，在训练LSTM神经网络时，输入变量为Xt和Yt-1。所有训练数据都在条件区间[1:t0]内。自回归LSTM网络依据时间展开，进行连续的训练过程。在每一个时间步骤t，它们的输入是(Yt-1,Xt)和上一时刻的网络输出ht-1，并且t∈[1:t0]。网络输出ht＝h(ht-1,Yt-1,Xt,Φ)被用来计算t时刻的似然函数的参数θt＝θ(ht,Θ)。最后，按如下公式优化模型参数：
其中，ht为网络的输出；Yt是预测变量的真实值。通过最大化对数似然函数L作为损失函数来优化学习网络的参数h(·)和正态分布的参数θ(·)，使用随机梯度下降(SGD)来对模型进行优化，从而得到整个预测模型的权重参数Θ。
具体实施时，根据所述下一时刻的地铁车站环境参数值的正态分布，进行地铁车站环境参数监测。
实施例中，预测过程的网络结构与参数和训练过程相同。但是预测网络的输入与训练网络的输入不同，预测变量的实际值在区间[t0+1:t0+τ]内是未知的。因此，通过从预测分布中抽样获得抽样并作为下一时间步骤的输入变量。通过滚动窗口预测，可以给出[t0+1:t0+τ]范围内所有预测时刻的概率密度函数。整个的预测步骤如下：首先，/>在训练过程结束时获得；然后利用公式(3)计算/>在得到网络输出/>后，建立正态似然函数/>最后，抽样获得/>并作为下一时刻的输入数据。重复此预测过程，直到[t0+1:t0+τ]区间中的点全部预测完毕。
实施例中，使用地铁车站采集的数据进行预测。训练和测试数据按7:3的比例进行划分。时间步长可以设置为120s，训练迭代次数设置为1000。实验环境为python3.7(处理器：Intel(R)Core(TM)i5-8400 CPU@2.8GHz；内存：8.00GB)。LSTM神经网络模型的评价是基于正态分布的3σ准则。3σ准则指出，对于许多合理对称的单峰分布，几乎所有的数据都分布在在平均值附近的三个标准差内。对于标准正态分布，68.3％的观测值在范围[μ-σ,μ+σ]内，95.4％在范围[μ-2σ,μ+2σ]内，99.7％在范围[μ-3σ,μ+3σ]内。
本发明实施例提出的LSTM神经网络模型可以在过去数据和未来数据之间建立条件分布，其预测结果是一系列包含均值和标准差的高斯分布。与传统的点预测方法相比，概率预测方法还可以提供其他信息，例如，预测变量数值分布得上边界和下边界以及对应的概率。
基于同一发明构思，本发明实施例还提供了一种地铁车站环境参数监测装置，如下面的实施例所述。由于这些解决问题的原理与地铁车站环境参数监测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
图2为本发明实施例中地铁车站环境参数监测装置的结构图，如图2所示，该装置包括：
参数值获得模块201，用于获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值；
结果值确定模块202，用于将所述上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值，所述LSTM神经网络模型根据历史上一时刻的地铁车站环境参数值和历史下一时刻的车站外部环境参数值进行训练；
正态分布确定模块203，用于根据所述网络输出结果值，确定下一时刻的地铁车站环境参数值的正态分布；
监测模块204，用于根据所述下一时刻的地铁车站环境参数值的正态分布，进行地铁车站环境参数监测。
一个实施例中，所述地铁车站环境参数值包括：地铁车站内气体浓度值，地铁车站内温度值或地铁车站内相对湿度值；
所述车站外部环境参数值包括：地铁客流量值，列车发车频率值，车站外部气体浓度值，车站外部大气温度值，车站外部大气相对湿度值的任意组合。
一个实施例中，地铁车站环境参数监测装置还包括：
参数值筛选模块，用于获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值之后，按如下方式对所述车站外部环境参数值进行筛选：利用皮尔森相关系数算法对车站外部环境参数值进行贡献度分析；根据贡献度分析结果，对下一时刻的车站外部环境参数值进行筛选；
所述结果值确定模块202进一步用于：将所述上一时刻的地铁车站环境参数值和筛选出的下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值。
一个实施例中，所述正态分布确定模块203进一步用于：
对所述网络输出结果值进行线性变换，得到地铁车站环境参数值的均值；
对所述网络输出结果值进行线性变换后，进行非线性变换，得到得到地铁车站环境参数值的标准差；
根据所述地铁车站环境参数值的均值和标准差，确定下一时刻的地铁车站环境参数值的正态分布。
综上所述，本发明实施例通过获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值；将所述上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值，所述LSTM神经网络模型根据历史上一时刻的地铁车站环境参数值和历史下一时刻的车站外部环境参数值进行训练；根据所述网络输出结果值，确定下一时刻的地铁车站环境参数值的正态分布；根据所述下一时刻的地铁车站环境参数值的正态分布，进行地铁车站环境参数监测。本发明实施例根据历史上一时刻的地铁车站环境参数值和历史下一时刻的车站外部环境参数值训练LSTM神经网络模型，在获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值之后，输入训练好的LSTM神经网络模型并根据网络输出确定下一时刻的地铁车站环境参数值的正态分布，进而实现地铁车站环境参数的监测，对于站内紧急情况做出可靠预警具有重要意义。在一个实施例中，可以利用皮尔森相关系数算法对车站外部环境参数值进行贡献度分析，筛选出贡献度高的车站外部环境参数值作为LSTM神经网络模型的输入，从而排除无关参数对网络性能的影响，在保证监测效率的同时提高监测准确率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种地铁车站环境参数监测方法，其特征在于，包括：
获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值；
将所述上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值，所述LSTM神经网络模型根据历史上一时刻的地铁车站环境参数值和历史下一时刻的车站外部环境参数值进行训练；
根据所述网络输出结果值，确定下一时刻的地铁车站环境参数值的正态分布；
根据所述下一时刻的地铁车站环境参数值的正态分布，进行地铁车站环境参数监测；
针对于每一个时间点的预测而言，LSTM神经网络模型表示为如下公式：
ht＝h(ht-1,Yt-1,Xt,Φ)
其中，ht为LSTM神经网络的输出；h代表LSTM神经网络；Yt是地铁车站环境参数Y在时刻t的取值；l(·)是用来拟合预测变量分布的似然函数；θ(·)是计算似然函数参数的函数；t0为分割过去时刻和未来的时间点；τ为预测范围的长度；和/>分别属于[t0+1:t0+τ]和[1:t0]时间范围内的地铁车站环境参数值；/>是[1:t0+τ]范围内的车站外部环境参数值；Φ表示模型的参数；整个时间序列[1:t0+τ]被时间点t0分为两部分，分别是[1:t0]和[t0+1:t0+τ]，[1:t0]为条件区间，包含过去的信息，[t0+1:t0+τ]称为预测区间；
在训练LSTM神经网络时，输入变量为Xt和Yt-1；所有训练数据都在条件区间[1:t0]内；自回归LSTM网络依据时间展开，进行连续的训练过程，在每一个时间步骤t，它们的输入是(Yt-1,Xt)和上一时刻的网络输出ht-1，并且t∈[1:t0]；
整个的预测步骤如下：首先，在训练过程结束时获得；然后利用上述公式计算/>在得到网络输出/>后，建立正态似然函数/>最后，抽样获得/> 并作为下一时刻的输入数据；重复此预测过程，直到[t0+1:t0+τ]区间中的点全部预测完毕；
获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值之后，按如下方式对所述车站外部环境参数值进行筛选：
利用皮尔森相关系数算法对车站外部环境参数值进行贡献度分析；
根据贡献度分析结果，对下一时刻的车站外部环境参数值进行筛选；
将所述上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值，包括：将所述上一时刻的地铁车站环境参数值和筛选出的下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值；
利用皮尔森相关系数算法对车站外部环境参数值进行贡献度分析包括：按如下公式计算皮尔森相关系数，得到每一车站外部环境参数值对待预测的地铁车站环境参数值的贡献度值：
其中，X为车站外部环境参数值，Y为地铁车站环境参数值；
所述地铁车站环境参数值包括：地铁车站内气体浓度值，地铁车站内温度值或地铁车站内相对湿度值；
所述车站外部环境参数值包括：地铁客流量值，列车发车频率值，车站外部气体浓度值，车站外部大气温度值，车站外部大气相对湿度值的任意组合。
2.如权利要求1所述的地铁车站环境参数监测方法，其特征在于，根据所述网络输出结果值，确定下一时刻的地铁车站环境参数值的正态分布，包括：
对所述网络输出结果值进行线性变换，得到地铁车站环境参数值的均值；
对所述网络输出结果值进行线性变换后，进行非线性变换，得到地铁车站环境参数值的标准差；
根据所述地铁车站环境参数值的均值和标准差，确定下一时刻的地铁车站环境参数值的正态分布。
3.一种地铁车站环境参数监测装置，其特征在于，包括：
参数值获得模块，用于获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值；
结果值确定模块，用于将所述上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值，所述LSTM神经网络模型根据历史上一时刻的地铁车站环境参数值和历史下一时刻的车站外部环境参数值进行训练；
正态分布确定模块，用于根据所述网络输出结果值，确定下一时刻的地铁车站环境参数值的正态分布；
监测模块，用于根据所述下一时刻的地铁车站环境参数值的正态分布，进行地铁车站环境参数监测；
其中，针对于每一个时间点的预测而言，LSTM神经网络模型表示为如下公式：
ht＝h(ht-1,Yt-1,Xt,Φ)
其中，ht为LSTM神经网络的输出；h代表LSTM神经网络；Yt是地铁车站环境参数Y在时刻t的取值；l(·)是用来拟合预测变量分布的似然函数；θ(·)是计算似然函数参数的函数；t0为分割过去时刻和未来的时间点；τ为预测范围的长度；和/>分别属于[t0+1:t0+τ]和[1:t0]时间范围内的地铁车站环境参数值；/>是[1:t0+τ]范围内的车站外部环境参数值；Φ表示模型的参数；整个时间序列[1:t0+τ]被时间点t0分为两部分，分别是[1:t0]和[t0+1:t0+τ]，[1:t0]为条件区间，包含过去的信息，[t0+1:t0+τ]称为预测区间；
在训练LSTM神经网络时，输入变量为Xt和Yt-1；所有训练数据都在条件区间[1:t0]内；自回归LSTM网络依据时间展开，进行连续的训练过程，在每一个时间步骤t，它们的输入是(Yt-1,Xt)和上一时刻的网络输出ht-1，并且t∈[1:t0]；
整个的预测步骤如下：首先，在训练过程结束时获得；然后利用上述公式计算/>在得到网络输出/>后，建立正态似然函数/>最后，抽样获得/> 并作为下一时刻的输入数据；重复此预测过程，直到[t0+1:t0+τ]区间中的点全部预测完毕；
还包括：
参数值筛选模块，用于获得上一时刻的地铁车站环境参数值和下一时刻的车站外部环境参数值之后，按如下方式对所述车站外部环境参数值进行筛选：利用皮尔森相关系数算法对车站外部环境参数值进行贡献度分析；根据贡献度分析结果，对下一时刻的车站外部环境参数值进行筛选；
所述结果值确定模块进一步用于：将所述上一时刻的地铁车站环境参数值和筛选出的下一时刻的车站外部环境参数值输入训练好的LSTM神经网络模型，得到网络输出结果值；
利用皮尔森相关系数算法对车站外部环境参数值进行贡献度分析包括：按如下公式计算皮尔森相关系数，得到每一车站外部环境参数值对待预测的地铁车站环境参数值的贡献度值：
其中，X为车站外部环境参数值，Y为地铁车站环境参数值；
所述地铁车站环境参数值包括：地铁车站内气体浓度值，地铁车站内温度值或地铁车站内相对湿度值；
所述车站外部环境参数值包括：地铁客流量值，列车发车频率值，车站外部气体浓度值，车站外部大气温度值，车站外部大气相对湿度值的任意组合。
4.如权利要求3所述的地铁车站环境参数监测装置，其特征在于，所述正态分布确定模块进一步用于：
对所述网络输出结果值进行线性变换，得到地铁车站环境参数值的均值；
对所述网络输出结果值进行线性变换后，进行非线性变换，得到得到地铁车站环境参数值的标准差；
根据所述地铁车站环境参数值的均值和标准差，确定下一时刻的地铁车站环境参数值的正态分布。
5.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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权利要求1至2任一所述方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至2任一所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010928705.5A CN112116070B (zh) | 2020-09-07 | 2020-09-07 | 地铁车站环境参数监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010928705.5A CN112116070B (zh) | 2020-09-07 | 2020-09-07 | 地铁车站环境参数监测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112116070A CN112116070A (zh) | 2020-12-22 |
| CN112116070B true CN112116070B (zh) | 2024-04-05 |
Family
ID=73803155
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010928705.5A Active CN112116070B (zh) | 2020-09-07 | 2020-09-07 | 地铁车站环境参数监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112116070B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113554298A (zh) * | 2021-07-19 | 2021-10-26 | 同济大学 | 一种深部地下地铁车站综合评价及智能运维方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
| CN108229724A (zh) * | 2017-12-06 | 2018-06-29 | 华南理工大学 | 一种基于时空信息融合的短时交通数据流预测方法 |
| CN108764527A (zh) * | 2018-04-23 | 2018-11-06 | 中国科学院南京土壤研究所 | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 |
| CN109118020A (zh) * | 2018-09-06 | 2019-01-01 | 南京工业职业技术学院 | 一种地铁车站能耗短期预测方法及其预测系统 |
| AU2019100364A4 (en) * | 2019-04-05 | 2019-05-09 | Shenyuan Huang | A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network |
| CN110332647A (zh) * | 2019-07-11 | 2019-10-15 | 四川聚智精创轨道交通科技有限公司 | 地铁地下车站空调系统负荷预测方法及空调系统 |
| CN110348601A (zh) * | 2019-06-06 | 2019-10-18 | 华南理工大学 | 一种基于双向长短期记忆网络的地铁短期客流量预测方法 |
| CN111027673A (zh) * | 2019-11-14 | 2020-04-17 | 中山大学 | 一种地铁客流量预测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11619927B2 (en) * | 2017-11-03 | 2023-04-04 | Drishti Technologies, Inc. | Automatic analysis of real time conditions in an activity space |
| US10825201B2 (en) * | 2018-02-20 | 2020-11-03 | Lyft, Inc. | Deep direct localization from ground imagery and location readings |
| US20190303726A1 (en) * | 2018-03-09 | 2019-10-03 | Ciena Corporation | Automatic labeling of telecommunication network data to train supervised machine learning |
| US10921764B2 (en) * | 2018-09-26 | 2021-02-16 | Facebook Technologies, Llc | Neuromuscular control of physical objects in an environment |
-
2020
- 2020-09-07 CN CN202010928705.5A patent/CN112116070B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
| CN108229724A (zh) * | 2017-12-06 | 2018-06-29 | 华南理工大学 | 一种基于时空信息融合的短时交通数据流预测方法 |
| CN108764527A (zh) * | 2018-04-23 | 2018-11-06 | 中国科学院南京土壤研究所 | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 |
| CN109118020A (zh) * | 2018-09-06 | 2019-01-01 | 南京工业职业技术学院 | 一种地铁车站能耗短期预测方法及其预测系统 |
| AU2019100364A4 (en) * | 2019-04-05 | 2019-05-09 | Shenyuan Huang | A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network |
| CN110348601A (zh) * | 2019-06-06 | 2019-10-18 | 华南理工大学 | 一种基于双向长短期记忆网络的地铁短期客流量预测方法 |
| CN110332647A (zh) * | 2019-07-11 | 2019-10-15 | 四川聚智精创轨道交通科技有限公司 | 地铁地下车站空调系统负荷预测方法及空调系统 |
| CN111027673A (zh) * | 2019-11-14 | 2020-04-17 | 中山大学 | 一种地铁客流量预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112116070A (zh) | 2020-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190285517A1 (en) | Method for evaluating health status of mechanical equipment | |
| WO2016155241A1 (zh) | 基于Kalman滤波器的容量预测方法、系统和计算机设备 | |
| CN111024898B (zh) | 一种基于CatBoost模型的车辆尾气浓度超标判别方法 | |
| Soleimani‐Babakamali et al. | Toward a general unsupervised novelty detection framework in structural health monitoring | |
| CN112116070B (zh) | 地铁车站环境参数监测方法及装置 | |
| Jacquemart et al. | Adaptive interacting particle system algorithm for aircraft conflict probability estimation | |
| US20210049414A1 (en) | Deep graph de-noise by differentiable ranking | |
| CN114265882A (zh) | 时序信号点异常检测方法、系统、设备及介质 | |
| US9177215B2 (en) | Sparse representation for dynamic sensor networks | |
| CN113626586A (zh) | 一种磁浮列车的故障文本分析处理方法 | |
| CN115358491A (zh) | 一种基于ceemdan-lstm的地铁客流预测方法及系统 | |
| CN113610188B (zh) | 弓网接触力非区段异常识别方法及装置 | |
| Oh et al. | Investigating the effects of daily travel time patterns on short-term prediction | |
| CN117077870B (zh) | 一种基于人工智能的水资源数字化管理方法 | |
| Picano et al. | Nonlinear dynamic chaos theory framework for passenger demand forecasting in smart city | |
| CN111738530B (zh) | 河流的水质预测方法、装置以及计算机可读存储介质 | |
| Zhang et al. | Adaptive soft sensor for online prediction based on enhanced moving window GPR | |
| EP4266209A1 (en) | Anomaly detection method and apparatus for dynamic control system, and computer-readable medium | |
| Heydarian et al. | Automated benchmarking and monitoring of an earthmoving operation's carbon footprint using video cameras and a greenhouse gas estimation model | |
| KR102564191B1 (ko) | 실시간으로 재난 상황을 감지하고 대응하는 재난 대응 시스템 | |
| CN116792151A (zh) | 一种基于深度学习的煤与瓦斯突出智能超前预警方法 | |
| Nguyen et al. | Deep learning for construction emission monitoring with low-cost sensor network | |
| CN115959549A (zh) | 基于数字孪生的扶梯故障诊断方法 | |
| CN114970977A (zh) | 数字化城市空气质量监测数据的异常数据检测方法及系统 | |
| CN111798237B (zh) | 基于应用日志的异常交易诊断方法及系统 |
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 |