CN112734186B - 列车车厢空气微生物污染实时评估方法、系统及存储介质 - Google Patents

Abstract

本发明公开了一种列车车厢空气微生物污染实时评估方法、系统及存储介质，通过在列车车厢内设置环境参数、大气污染物以及空气微生物采样检测装置，并对采集数据进行分析、建模和筛选，输出微生物污染的实时评估结果。本发明创新性地将微生物“延时检测”转化为“实时评估”，能有效解决微生物检测的实时性问题。该方法对铁路列车微生物污染评估有着指导作用。

Description

列车车厢空气微生物污染实时评估方法、系统及存储介质

技术领域

本发明涉及列车环境监测领域，特别是一种列车车厢空气微生物污染实时评估方法、系统及存储介质。

背景技术

随着我国轨道交通行业的不断发展，旅客列车舒适性要求也逐渐被公众所关注。受到空气压力波影响，列车车厢需在高速行驶时保证适当的内外压差，因此高速列车通常采用密封式车体结构，所有车窗均无法打开。在此情况下，列车车厢作为典型室内环境，其空气质量状况将与乘客健康密切相关。如何对列车环境进行监测和评估成为了亟待解决的问题。

现有关于乘客舒适性与列车环境监测的专利主要以氮氧化物、硫氧化物和细颗粒物等大气污染物作为空气质量评估依据。如公开号为CN109615036A的专利提出了一种基于公汽IC刷卡系统的细颗粒物暴露风险评估方法；公开号为CN105329069A的专利提出了一种基于空气质量评估的汽车乘客舱空气调节装置及其方法，其中空气质量评估指标为车厢内空气中的CO₂、SO₂、CO、NO_x和颗粒物浓度；公开号为CN110239577A的专利提出了一种车内污染环境下列车乘员健康防护系统及其方法，其中采用空气质量监测站的PM_2.5、PM₁₀、CO、NO₂、SO₂、O₃浓度作为评估依据。

然而，现阶段没有重视列车车厢室内环境中的生物性污染。此外，由于微生物测量机理与PM2.5等污染物不同，必须通过长时间菌落培养，难以直接进行实时评估。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种列车车厢空气微生物污染实时评估方法、系统及存储介质，实时检测的环境参数和大气污染物指标之间的历史数据关系，进而实现微生物污染的实时评估。

为解决上述技术问题，本发明所采用的技术方案是：一种列车车厢空气微生物污染实时评估方法，包括以下步骤：

S1、检测t时刻列车车厢送风口、排风口和座椅处的环境参数、大气污染物浓度和细菌菌落总数；

S2、获取第i个检测点处细菌菌落总数的因果关联指标集合：Φ_i＝{T_i,j＝1}_{j∈[1:m+n+p]}，从而得到所有检测点的因果关联指标集合{Φ_i|i＝1,2,3,...,m+n+p}；其中， 分别为第i个检测点处细菌菌落总数时间序列和第j个检测点处的环境参数/大气污染物浓度组成的时间序列；m，n，p分别为送风口、排风口和座椅处的检测点数量；

S3、利用细菌菌落总数和因果关联指标集合构成的数据集训练深度极限学习机，得到共计m+n+p个检测点内的微生物-因果关联指标映射模型库n_l和n_h均为大于1的整数；

S4、利用微生物-因果关联指标映射模型库、大气污染物浓度和细菌菌落总数构成的数据集训练DQN强化学习模型，获取共计m+n+p个检测点的强化学习模型库{RM^m+n+p}；

S5、根据所述微生物-因果关联指标映射模型库和强化学习模型库{RM^m+n+p}，对各检测点的细菌菌落总数进行实时评估。

通过对微生物污染与环境参数/大气污染物历史数据进行分析，对未来一段时间内的微生物污染作出实时评估。创新性地将微生物“延时检测”转化为“实时评估”，能有效解决微生物检测的实时性问题。。

微生物-因果关联指标映射模型库的具体获取过程包括：

A)选定检测点I，读取N个连续历史时刻内该检测点I的细菌菌落总数及相应的因果关联指标数据集；

B)将所述细菌菌落总数及相应的因果关联指标数据集构成的数据集随机划分为训练集、测试集和验证集；

C)将检测点I的相应因果关联指标作为深度极限学习机的输入，同一时刻的细菌菌落总数作为深度极限学习机的输出，采用训练集数据，构建具有不同隐含层数目和隐含元个数的深度极限学习机模型库，隐含层数目和隐含元个数的选取范围分别为[1:n_l]和[1:n_h]，其中n_l和n_h均为大于1的整数，得到共计n_l×n_h个深度极限学习机模型；

D)遍历所有检测点，得到所有共计m+n+p个检测点内的微生物-因果关联指标映射模型库

采用深度神经网络对微生物-因果关联指标的映射关系进行描述，并建立了一系列具备不同参数和数据识别性能的映射模型库，提高了对映射关系的描述裕度。

所述强化学习模型库的构建过程包括：

a)选定检测点I，读取所述验证集数据；

b)将微生物-因果关联指标映射模型库、所述验证集中的因果关联指标和细菌菌落总数输入到DQN强化学习模型中，训练检测点I的强化学习模型RM^I，其中映射模型库和因果关联指标作为训练时的输入数据，细菌菌落总数数据集用于衡量强化学习模型输出结果的误差；

c)遍历至所有检测点，得到所有共计m+n+p个检测点内的强化学习模型库{RM^{m +n+p}}。

将微生物-因果关联指标映射模型动态选择问题嵌入强化学习环境中，进而实现根据车厢环境的时变特征自适应调整模型参数，进一步提高该实时评估方法的稳定性。

S5的具体实现过程包括：

1)选定检测点，并选择该检测点的因果关联指标集；

2)根据强化学习模型库，选择当前时刻最优的微生物-因果关联指标映射模型；

3)将步骤2)所得因果关联指标输入当前时刻最优的微生物-因果关联指标映射模型中，输出此刻检测点I的细菌菌落总数；

4)重复步骤1)～步骤3)，遍历所有检测点，得到所有共计m+n+p个检测点内的细菌菌落总数，作为此时车厢空气微生物污染的实时评估结果。

采用送风口、排风口和座椅多测点综合检测的方式，通过对不同测点间微生物污染与大气污染物/环境参数进行因果检验，提取能有效描述车厢微生物时变情况的指标，确保车厢空气微生物污染评估结果的刻画真实性。

本发明的步骤还包括：S6、将各检测点的环境参数、大气污染物以及空气微生物进行持续采样，并将检测结果传输至数据存储平台。通过持续采样对数据集进行不断更新，可定期重新训练模型以适应在不同时间段的数据分布情况。

在第一次空气微生物污染实时评估完成后的一段时间内不需再次进行模型训练，只需根据后续检测数据进行计算并实时输出细菌菌落总数。由于模型在长时间跨度下可能失效，所述因果关联检验、微生物-因果关联指标映射和映射模型动态选择方法均需要定期进行重新训练、更新参数以保证模型的有效性，本发明以T为时间间隔，每隔时间T执行一次步骤S1～S5的操作。

相应地，本发明还提供了一种列车车厢空气微生物污染实时评估系统，包括计算机设备；所述计算机设备被配置或编程为用于执行上述方法的步骤。

作为一个发明构思，本发明还提供了一种计算机存储介质，其存储有程序；所述程序被配置为用于执行上述方法的步骤。

与现有技术相比，本发明所具有的有益效果为：

1)本发明的方法通过对微生物污染与环境参数/大气污染物历史数据进行分析，对未来一段时间内的微生物污染作出实时评估。创新性地将微生物“延时检测”转化为“实时评估”，能有效解决微生物检测的实时性问题。该方法对铁路列车微生物污染评估有着指导作用。

2)采用送风口、排风口和座椅多测点综合检测的方式，通过对不同测点间微生物污染与大气污染物/环境参数进行因果检验，提取能有效描述车厢微生物时变情况的指标，确保评估结果的刻画真实性。

3)采用深度神经网络对微生物-因果关联指标的映射关系进行描述，并建立了一系列具备不同参数和数据识别性能的映射模型库，提高了对映射关系的描述裕度。

4)将微生物-因果关联指标映射模型动态选择问题嵌入强化学习环境中，进而实现根据车厢环境的时变特征自适应调整模型参数，进一步提高该实时评估方法的稳定性。

附图说明

图1为本发明实施例方法流程图。

具体实施方式

如图1，本发明实施例具体包括以下步骤：

步骤1：车厢多测点空气环境监测

列车车厢内部包括PM_2.5、PM₁₀、CO、NO₂、SO₂和O₃六种空气污染物以及细菌、真菌、病毒等微生物污染。由于微生物与空气质量状况密切相关，一般情况下空气中的细菌菌落总数与致病性微生物(细菌、真菌、病毒)的存在概率呈正相关，因此本专利以细菌菌落总数指标来衡量微生物的致病性。于列车车厢的多个送风口、排风口和座椅处布置TS WES-C空气质量连续监测系统，测量环境参数(温度、湿度、气压)和大气污染物(PM_2.5浓度、PM₁₀浓度、CO浓度、NO₂浓度、SO₂浓度、O₃浓度)以及安德生撞击式空气微生物采样器(测量细菌菌落总数)。其中，环境参数和大气污染物为实时检测，微生物污染需在培养基内经过48h的微生物培养后计算细菌菌落总数。

所得数据包括t时刻下送风口、排风口和座椅处的环境参数P(t)、大气污染物浓度Q(t)和细菌菌落总数M(t)，可表示为

式中E代表环境参数，C代表大气污染物浓度，S代表细菌菌落总数，上标in代表送风口处，上标out代表排风口处，上标seat代表座椅处，typeE代表温度、湿度和气压三种环境参数，typeQ代表PM_2.5、PM₁₀、CO、NO₂、SO₂和O₃六种大气污染物，m，n，p分别为送风口、排风口和座椅的测点数。将每个车厢视为微小环境单元，检测数据与车厢编号进行对应，并记录检测数据的时间戳，相邻数据间隔为5分钟。采集数据通过4G方式传输至数据存储平台。

步骤2：微生物-大气污染物/环境参数因果关联检验

微生物在车厢中的空间分布及扩散情况受环境、大气污染物等因素影响，各测点的细菌菌落总数与相关因素存在数据层面上的因果关系。因此针对每个车厢，分析各测点处细菌菌落总数与环境、大气污染物数据的因果关系，具体步骤如下：

A1：从数据存储平台读取时间长度为N分钟的实测细菌菌落总数、大气污染物浓度、环境参数历史数据集。将第i个检测点处细菌菌落总数时间序列记为第j个检测点处的环境/大气污染物时间序列记为/>采用格兰杰因果关系检验(Granger causalitytest,GCT)，进行假设检验从而判断/>与/>是否存在因果关系。检验结果T_i,j输出为0或1，其中0代表第i个检测点处细菌菌落总数时间序列/>与第j个检测点处的环境/大气污染物时间序列/>不存在因果关系，反之1代表存在因果关系：

A2：计算得到第i个检测点的检验结果集合：

其中，T_i,j代表第i个检测点处细菌菌落总数与第j个检测点处的环境/大气污染物时间序列因果关系检验结果。

A3：筛选检验结果为1的指标作为第i个检测点处细菌菌落总数的因果关联指标集合：Φ_i＝{T_i,j＝1}_{j∈[1:m+n+p]}。

A4：将A1～A3遍历至所有检测点，得到所有检测点的因果关联指标集合{Φ_i|i＝1,2,3,...,m+n+p}。

步骤3：微生物-因果关联指标映射模型库构建

根据车厢历史微生物污染、大气污染物浓度、环境参数历史数据集数据，建立模型学习每个微小环境单元内细菌菌落总数和因果关联指标之间的非线性映射关系。具体建模过程如下：

B1：选定检测点I，读取100个连续历史时刻内该检测点的细菌菌落总数及相应的因果关联指标数据集。

B2：数据集划分。上述数据集包含100连续历史时刻，将1～60时刻的数据作为训练集，61～80时刻的数据作为验证集，81～100时刻的数据作为测试集。

B3：采用深度极限学习机建立微生物-因果关联指标映射模型，将检测点I的相应因果关联指标作为深度极限学习机的输入，同一时刻的细菌菌落总数作为深度极限学习机的输出。采用训练集数据，构建具有不同隐含层数目和隐含元个数的深度极限学习机模型库，隐含层数目和隐含元个数的选取范围分别为[1:n_l]和[1:n_h]，其中n_l和n_h均为大于1的整数，得到共计n_l×n_h个深度极限学习机模型。

B4：将B1～B3遍历至所有检测点，得到所有共计m+n+p个检测点内的微生物-因果关联指标映射模型库

步骤4：基于强化学习的微生物-因果关联指标映射模型动态选择

由于车厢环境具有时变特征，短期内空气污染物的分布状况会由于空调系统、人为活动等因素改变。因此，提出基于强化学习的微生物-因果关联指标映射模型动态选择方法，根据时间序列的特点调整模型参数。具体过程如下：

C1：将问题嵌入强化模型环境中，定义状态、动作、奖励以及智能体。按以下步骤进行：

1)选定检测点I，状态定义如下：

s_I(t)＝[C_I(t-5),C_I(t-4),C_I(t-3),C_I(t-2),C_I(t-1)]_typeQ

其中typeQ代表PM_2.5、PM₁₀、CO、NO₂、SO₂和O₃六种大气污染物，由各大气污染物浓度的5个历史观测数据构建，可以表征大气污染物序列的时变特征。为了消除振幅的影响，将s_I(t)归一化至[0,1]。

2)为了动态选择微生物-因果关联指标映射模型，备选解决方案的总数为n_l×n_h。因此，将t时刻的动作A(t)定义为一个n_l×n_h矢量：

A(t)＝[0,0,0,...,S,0,0]

在向量中，选择的非支配解S定义为1，其他为0。

3)采用映射结果与实际细菌菌落总数之间的平均绝对误差作为映射误差衡量指标。奖励的设计是为了减少所有时刻下的映射误差，因此采用如下方案定义奖励：

计算动作A(t)的映射误差E(t)，以及映射模型库在t时刻的平均映射误差/>

将E(t)与进行比较，奖励r(t)定义如下：

在奖励的引导下，可以逐渐引导智能体超越映射模型库的平均结果。

4)采用deep Q network(DQN)作为智能体，DQN的折扣因子通过5折交叉验证确定，选取收敛速度最快的一组参数。智能体的输入为步骤1)所述状态，智能体根据该状态做出步骤2)所述动作，并根据步骤3)计算该动作的奖励。智能体可通过所得奖励对不同状态下的最优动作进行学习和调整，并最终得到训练完备的强化学习模型。

C2：根据C1的强化学习环境定义以及B2所述的验证集数据对DQN进行训练，得到检测点I的强化学习模型RM^I，该模型可从微生物-因果关联指标映射模型库中选择出各时刻下的最优映射模型。

C3：将C1～C2遍历至所有检测点，得到所有共计m+n+p个检测点内的强化学习模型库{RM^m+n+p}。

步骤5：细菌菌落总数实时评估

根据训练完备的微生物-因果关联指标映射模型库和强化学习模型库{RM^m+n+p}，对各检测点的细菌菌落总数进行实时评估。具体步骤如下：

D1：实时检测环境参数和大气污染物。

D2：选定检测点I，根据步骤2，选择该检测点的因果关联指标集。

D3：根据强化学习模型库，选择出此刻最优的微生物-因果关联指标映射模型。

D4：将步骤D2所得因果关联指标输入步骤D3所得最优映射模型库中，输出此刻检测点I的细菌菌落总数。

D5：将步骤D1～C4遍历至所有检测点，得到所有共计m+n+p个检测点内的细菌菌落总数，作为此时车厢空气微生物污染的实时评估结果。

步骤6：完成一次车厢空气微生物污染实时评估后，各检测点对环境参数、大气污染物以及空气微生物进行持续采样检测并将数据传输至数据存储平台。

步骤7：在第一次空气微生物污染实时评估完成后的一段时间内不需再次进行模型训练，只需根据后续检测数据进行计算并实时输出细菌菌落总数。由于模型在长时间跨度下可能失效，所述因果关联检验、微生物-因果关联指标映射和映射模型动态选择方法均需要定期进行重新训练、更新参数以保证模型的有效性，将重新训练的时间间隔设定为2小时。

本发明实施例2提供了一种列车车厢空气微生物污染实时评估系统，包括计算机设备；所述计算机设备被配置或编程为用于执行本发明实施例方法的步骤。计算机设备可以是微处理器、服务器等。

本发明实施例3还提供了一种计算机存储介质，其存储有程序；所述程序被配置为用于执行本发明实施例方法的步骤。

Claims (5)

1.一种列车车厢空气微生物污染实时评估方法，其特征在于，包括以下步骤：

S1、检测t时刻列车车厢送风口、排风口和座椅处的环境参数、大气污染物浓度和细菌菌落总数；

S2、获取第i个检测点处细菌菌落总数的因果关联指标集合：Φ_i＝{T_i,j＝1}_{j∈[1:m+n+p]}，从而得到所有检测点的因果关联指标集合{Φ_i|i＝1,2,3,...,m+n+p}；其中， 分别为第i个检测点处细菌菌落总数时间序列和第j个检测点处的环境参数/大气污染物浓度组成的时间序列；m，n，p分别为送风口、排风口和座椅处的检测点数量；

S3、利用细菌菌落总数和因果关联指标集合构成的数据集训练深度极限学习机，得到共计m+n+p个检测点内的微生物-因果关联指标映射模型库n_l和n_h均为大于1的整数；

S4、利用微生物-因果关联指标映射模型库、大气污染物浓度和细菌菌落总数构成的数据集训练DQN强化学习模型，获取共计m+n+p个检测点的强化学习模型库{RM^m+n+p}；

S5、根据所述微生物-因果关联指标映射模型库和强化学习模型库{RM^{m +n+p}}，对各检测点的细菌菌落总数进行实时评估；

微生物-因果关联指标映射模型库的具体获取过程包括：

A)选定检测点I，读取N个连续历史时刻内该检测点I的细菌菌落总数及相应的因果关联指标数据集；

B)将所述细菌菌落总数及相应的因果关联指标数据集构成的数据集随机划分为训练集、测试集和验证集；

C)将检测点I的相应因果关联指标作为深度极限学习机的输入，同一时刻的细菌菌落总数作为深度极限学习机的输出，采用训练集数据，构建具有不同隐含层数目和隐含元个数的深度极限学习机模型库，隐含层数目和隐含元个数的选取范围分别为[1:n_l]和[1:n_h]，其中n_l和n_h均为大于1的整数，得到共计n_l×n_h个深度极限学习机模型；

D)遍历所有检测点，得到所有共计m+n+p个检测点内的微生物-因果关联指标映射模型库

所述强化学习模型库的构建过程包括：

a)选定检测点I，读取所述验证集数据；

b)将微生物-因果关联指标映射模型库、所述验证集中的因果关联指标和细菌菌落总数输入到DQN强化学习模型中，训练检测点I的强化学习模型RM^I，其中映射模型库和因果关联指标作为训练时的输入数据，细菌菌落总数数据集用于衡量强化学习模型输出结果的误差；

c)遍历至所有检测点，得到所有共计m+n+p个检测点内的强化学习模型库{RM^m+n+p}；

S5的具体实现过程包括：

1)选定检测点，并选择该检测点的因果关联指标集；

2)根据强化学习模型库，选择当前时刻最优的微生物-因果关联指标映射模型；

3)将步骤2)所得因果关联指标输入当前时刻最优的微生物-因果关联指标映射模型中，输出此刻检测点I的细菌菌落总数；

4)重复步骤1)～步骤3)，遍历所有检测点，得到所有共计m+n+p个检测点内的细菌菌落总数，作为此时车厢空气微生物污染的实时评估结果。

2.根据权利要求1所述的列车车厢空气微生物污染实时评估方法，其特征在于，还包括：S6、将各检测点的环境参数、大气污染物以及空气微生物进行持续采样，并将检测结果传输至数据存储平台。

3.根据权利要求1或2所述的列车车厢空气微生物污染实时评估方法，其特征在于，以T为时间间隔，每隔时间T执行一次步骤S1～S5的操作。

4.一种列车车厢空气微生物污染实时评估系统，其特征在于，包括计算机设备；所述计算机设备被配置或编程为用于执行权利要求1或2所述方法的步骤。

5.一种计算机存储介质，其特征在于，其存储有程序；所述程序被配置为用于执行权利要求1或2所述方法的步骤。