CN112985505A - 移动与固定感知结合的室内环境时空分布场生成方法 - Google Patents
移动与固定感知结合的室内环境时空分布场生成方法 Download PDFInfo
- Publication number
- CN112985505A CN112985505A CN202110230907.7A CN202110230907A CN112985505A CN 112985505 A CN112985505 A CN 112985505A CN 202110230907 A CN202110230907 A CN 202110230907A CN 112985505 A CN112985505 A CN 112985505A
- Authority
- CN
- China
- Prior art keywords
- environment
- environmental
- parameters
- type
- data acquisition
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000008447 perception Effects 0.000 title claims abstract description 17
- 230000007613 environmental effect Effects 0.000 claims abstract description 165
- 238000012544 monitoring process Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 20
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 claims description 18
- 239000012855 volatile organic compound Substances 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000009434 installation Methods 0.000 claims description 7
- 238000011161 development Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 230000009347 mechanical transmission Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 7
- 230000009977 dual effect Effects 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 4
- 230000002123 temporal effect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000013480 data collection Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000001931 thermography Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本公开涉及一种移动与固定感知结合的室内环境时空分布场生成方法，所述方法包括：利用移动式设备采集第一类环境参数数据(空间连续但时间离散)，利用固定式设备采集第二类环境参数数据(时间连续但空间离散)；根据所述第一类环境参数数据和第二类环境参数数据生成环境参数时空分布场；利用所述输出装置输出所述环境参数时空分布场。本公开实施例将移动与固定感知有机结合，实现优势互补，高效、全面、科学地获取室内环境参数在时间和空间维度的分布特征及规律，生成室内环境时空分布场，从而辅助建筑运维者进行精细化的环境调控，实现“按需供给”，最终实现环境品质和能效的双重提升。
Description
技术领域
本公开涉及环境监控技术领域，尤其涉及一种移动与固定感知结合的室内环境时空分布场生成方法。
背景技术
人们有接近90％的时间在室内度过，室内环境品质直接影响着人们的舒适、健康和工作效率。近些年，随着人们生活质量的提高和对舒适健康的不断追求，室内环境参数监测的重要性越来越被行业和社会所重视，新时代的室内环境监测技术也在精细化、信息量等方面不断面临新的挑战。
然而，室内环境参数在时间和空间分布上均具有很强的非均匀性，易受到多重因素(如室外气候、围护结构、环境营造末端、人员活动等)的随机影响，难以用局部、短期的监测数据准确反映其整体特征。因此，如何高效、全面、科学地获取室内环境参数的时空分布特征与规律成为现阶段室内环境监测技术发展需要解决的关键问题之一。
传统的室内环境监测技术方案可分为两类：固定感知和移动感知。
所谓固定感知，即在固定位置安装环境参数传感器进行长期、连续监测，其获取的数据在时间维度上可具备长周期、高密度等优势，但在空间维度上却存在不足，往往只能获得单一或少量测点的环境参数，而非整体空间的环境分布场，主要原因有二：1)若要获得精细化的空间分布特征，则需要密集地安装大量环境测点，从而导致监测成本大幅上升，可行性较低，因此实际工程中测点数量往往十分有限；2)即便不计成本，但限于安装条件等因素，实际工程中也难以在任意位置部署测点，尤其是在进深大、面积广的公共空间(如商场走廊、展览大厅、航站楼值机厅等)。
所谓移动感知，即通过小车或智能移动机器人等装置搭载环境参数传感器进行移动式监测，其优势在于可对空间内各个位置进行监测，但缺点则是数据在时间维度上的不连续性，主要原因是：传感器在T时刻对某一位置进行环境监测后，T+1时刻就要移动到下一位置，通常需要间隔较长时间才能重新回到该位置，因此对于任意位置而言，所得的环境参数数据都是不连续的，无法实现高时间颗粒度的监测。此外，移动感知模式下，难以长期地一直进行监测。
综上所述，传统的固定感知与移动感知方法均存在各自的优缺点，使得监测数据在时间和空间维度方面顾此失彼，难以两全。
发明内容
有鉴于此，本公开提出了一种移动与固定感知结合的室内环境时空分布场生成方法，应用于移动与固定感知结合的室内环境时空分布场生成系统中，所述系统包括自移动数据采集设备、固定数据采集设备、环境场生成装置及输出装置，所述方法包括：
利用所述自移动数据采集设备在目标区域自移动，采集所述目标区域各个位置的第一类环境参数，并利用所述固定数据采集设备采集多个固定位置的第二类环境参数，其中，所述第一类环境参数空间连续但时间不连续，所述第二类参数时间连续但空间不连续；
利用所述环境场生成装置根据所述第一类环境参数及第二类环境参数生成环境参数时空分布场，所述环境参数时空分布场包括所述目标区域的各个位置在各个时刻的环境参数；
利用所述输出装置输出所述环境参数时空分布场。
在一种可能的实施方式中，所述利用所述环境场生成装置根据所述第一类环境参数及第二类环境参数生成环境参数时空分布场，包括：
利用空间插值法根据第一数量的固定位置的第二类环境参数对第二数量的目标位置的环境参数进行空间插值，确定第二数量的目标位置的实时环境参数，以得到所述目标区域的初始环境参数时空分布场，其中，所述第一数量小于所述第二数量。
在一种可能的实施方式中，所述方法还包括：
根据所述第一类环境参数对所述初始环境参数时空分布场进行修正，得到所述环境参数时空分布场。
在一种可能的实施方式中，所述空间插值法包括反距离加权平均插值法、多项式插值法、样条函数内插法、克里格插值法、梯度平方反比法的任意一种。
在一种可能的实施方式中，所述利用所述环境场生成装置根据所述第一类环境参数及第二类环境参数生成环境参数时空分布场，包括：
将第二数量的目标位置的位置坐标、第一数量的固定位置的第二类环境参数及固定位置的位置坐标输入到训练好的环境场生成模型，利用所述环境场生成模型得到所述第二数量的目标位置的实时环境参数，以得到所述目标区域的初始环境参数时空分布场，
其中，所述第一数量小于所述第二数量，
其中，所述环境场生成模型为机器学习模型，
其中，所述机器学习模型基于回归算法、支持向量机、贝叶斯网络、决策树、随机森林、人工神经网络、遗传算法、BOOST算法、深度学习的任意一种实现。
在一种可能的实施方式中，所述方法还包括：
获取环境参数训练集，对预先建立的初始环境场生成模型进行训练，得到训练好的环境场生成模型，
其中，所述环境参数训练集包括所述第一类环境参数及对应的位置坐标、采集时间、及第二类环境参数及对应的固定位置的位置坐标、采集时间。
在一种可能的实施方式中，所述方法还包括：
随环境监测的持续开展，持续扩充所述环境参数训练集，利用扩充的环境参数训练集对所述环境场生成模型进行持续训练，以实现对模型的持续更新。
在一种可能的实施方式中，所述方法还包括：
在初始监测阶段，控制所述自移动数据采集设备在目标区域自移动，采集各个位置的第一类环境参数；
根据所述目标区域的各个位置的第一类环境参数，确定所述固定数据采集设备的多个安装位置；
根据所述多个安装位置布置所述固定数据采集设备，并确定所述固定数据采集设备的位置坐标。
在一种可能的实施方式中，所述自移动数据采集设备及所述固定数据采集设备均包括环境参数采集模块，用于采集实时环境参数，
所述自移动数据采集设备包括：
设备主体；
自移动模块，设置于所述设备主体上，用于在所述目标区域自移动；
定位导航模块，设置于所述设备主体上，用于确定所述自移动数据采集设备的位置坐标，并对所述自移动数据采集设备进行导航；
所述环境参数采集模块，设置于所述设备主体上；
数据传输模块，设置在所述设备主体上，用于传输所述第一类环境参数，和/或自移动数据采集设备的控制信号；
显示模块，设置在所述设备主体上，用于显示所述第一类环境参数；
处理模块，设置在所述设备主体上，用于对所述定位导航模块采集的数据进行处理，以构建所述目标区域的区域地图；
电源模块，设置在所述设备主体上，用于对所述自移动数据采集设备的各个模块进行供电。
在一种可能的实施方式中，所述设备主体包括设备框架，
所述自移动模块包括设置在所述设备框架上的驱动子模块，所述驱动子模块包括主控单元、电机单元、机械传动单元、移动单元，所述主控单元用于控制所述电机转动，以使得所述机械传动单元带动所述移动单元进行移动、转向，
所述定位导航模块包括激光雷达导航定位单元、毫米波雷达导航定位单元、红外传感导航定位单元、超声波导航定位单元、视觉导航定位单元中的一种或多种，
所述环境参数采集模块包括温湿度传感器、CO2浓度传感器、PM2.5浓度传感器、甲醛浓度传感器、挥发性有机化合物VOC浓度传感器、照度传感器、噪声传感器中的一种或多种，
所述环境参数包括温湿度、CO2浓度、PM2.5浓度、甲醛浓度、挥发性有机化合物VOC浓度、照度、噪声中的一种或多种。
本公开实施例通过采集目标区域各个位置的第一类环境参数，利用所述固定数据采集设备采集多个固定位置的第二类环境参数，并利用所述环境场生成装置根据所述第一类环境参数及第二类环境参数生成环境参数时空分布场生成环境参数时空分布场，将移动与固定感知有机结合，实现优势互补，高效、全面、科学地获取室内环境参数在时间和空间维度的分布特征及规律，生成室内环境时空分布场，从而辅助建筑运维者进行精细化的环境调控，实现“按需供给”，最终实现环境品质和能效的双重提升。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出了根据本公开一实施例的移动与固定感知结合的室内环境时空分布场生成方法的流程图。
图2示出了根据本公开一实施例的移动与固定感知结合的室内环境时空分布场生成系统的框图。
图3示出了根据本公开一实施例的移动与固定感知结合的室内环境时空分布场生成方法的流程图。
图4示出了根据本公开一实施例的移动与固定感知结合的室内环境时空分布场生成系统的框图。
图5示出了根据本公开一实施例的自移动数据采集设备的示意图。
图6示出了根据本公开一实施例的移动与固定感知结合的室内环境时空分布场生成方法的应用效果示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
请参阅图1，图1示出了根据本公开一实施例的移动与固定感知结合的室内环境时空分布场生成方法的流程图。
请参阅图2，图2示出了根据本公开一实施例的移动与固定感知结合的室内环境时空分布场生成系统的框图。
所述方法应用于移动与固定感知结合的室内环境时空分布场生成系统中，如图2所示，所述系统包括自移动数据采集设备10、固定数据采集设备20、环境场生成装置30及输出装置40，如图1所示，所述方法包括：
步骤S11，利用所述自移动数据采集设备在目标区域自移动，采集所述目标区域各个位置的第一类环境参数，并利用所述固定数据采集设备采集多个固定位置的第二类环境参数，其中，所述第一类环境参数空间连续但时间不连续，所述第二类参数时间连续但空间不连续；
步骤S12，利用所述环境场生成装置根据所述第一类环境参数及第二类环境参数生成环境参数时空分布场生成环境参数时空分布场，所述环境参数时空分布场包括所述目标区域的各个位置在各个时刻的环境参数；
步骤S13，利用所述输出装置输出所述环境参数时空分布场。
本公开实施例通过采集目标区域各个位置的第一类环境参数，利用所述固定数据采集设备采集多个固定位置的第二类环境参数，并利用所述环境场生成装置根据所述第一类环境参数及第二类环境参数生成环境参数时空分布场生成环境参数时空分布场，将移动与固定感知有机结合，实现优势互补，高效、全面、科学地获取室内环境参数在时间和空间维度的分布特征及规律，生成室内环境时空分布场，从而辅助建筑运维者进行精细化的环境调控，实现“按需供给”，最终实现环境品质和能效的双重提升。
本公开实施例所述的目标区域，优选为建筑的室内区域，一般而言，建筑可以包括多层，所述目标区域可以是所述建筑的多层中的一层，也可以是整个建筑(包括多层)，对此，本公开实施例不做限定。
应该说明的是，虽然本公开实施例以室内区域为例进行了介绍，但是，本公开实施例不限于此，在其他的实施方式中，所述目标区域也不限于室内环境，也可以是室外环境，例如，所述目标区域可以为被设定边界的室外环境，边界可以为物理边界(如室外的围墙)，也可以是电子边界(通过外部控制设备设置)，对此，本公开实施例不做限定。
在一个示例中，自移动数据采集设备10可以包括但不限于自移动及数据采集两大功能，自移动数据采集设备10在目标区域中自移动，并在移动过程中，实时采集所在位置的第一类环境参数(包括环境参数、定位、及对应的时间参数)，当然，也可以采集视频图像数据(包括视频数据以及图像数据)或其他环境数据，自移动数据采集设备10的可能实现方式将在后文进行示例性介绍。
在一个示例中，自移动数据采集设备10可以是以一定时间为周期，在目标区域中进行往复移动，当然，移动的路径可以是不同的，以获取目标区域各个位置的实时环境参数，本公开实施例对移动的路径不做限定，只要采用的路径能够对目标区域的全空间的第一类环境参数进行采集即可。
在一个示例中，固定数据采集设备20可以采集所在的固定位置的第二类环境参数。
在一个示例中，环境场生成装置30中可以设置有处理组件，处理组件包括但不限于单独的芯片，或者分立元器件，或者芯片与分立元器件的组合。芯片可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，处理组件可以用于执行步骤S12的方法“利用所述环境场生成装置根据所述第一类环境参数及第二类环境参数生成环境参数时空分布场生成环境参数时空分布场”。示例性的，环境场生成装置30可以被设置为包括处理组件的电子设备或服务器，本公开实施例对电子设备、服务器(例如可以为云端服务器)的类型不做限定，本领域技术人员可以根据需要选择。
在一种可能的实施方式中，输出装置40可以包括设置有显示面板的终端，也可以直接被设置与一个包括显示面板的显示器，所述显示面板可以包括液晶显示面板、有机发光二极管显示面板、量子点发光二极管显示面板、迷你发光二极管显示面板和微发光二极管显示面板的任意一种，输出装置30可以接收环境场生成装置30输出的数据(环境参数时空分布场)，并将接收到的数据进行可视化输出，以显示反馈给建筑运维者或输出至中央调控系统(外部控制设备)。
请参阅图3，图3示出了根据本公开一实施例的移动与固定感知结合的室内环境时空分布场生成方法的流程图。
在一种可能的实施方式中，如图3所示，步骤S12利用所述环境场生成装置根据所述第一类环境参数及第二类环境参数生成环境参数时空分布场，可以包括：
步骤S121，利用空间插值法根据所述多个固定位置的第二类环境参数对第一数量的目标位置的环境参数进行空间插值，确定第二数量的目标位置的实时环境参数，以得到所述目标区域的初始环境参数时空分布场，其中，所述第一数量小于所述第二数量(利用空间插值法生成环境参数时空分布场)。
在一个示例中，所述空间插值法包括反距离加权平均插值法、多项式插值法、样条函数内插法、克里格插值法、梯度平方反比法等的任意一种。
在一种可能的实施方式中，所述方法还可以包括：
根据所述第一类环境参数对所述初始环境参数时空分布场进行修正，得到所述环境参数时空分布场。
本公开实施例基于固定数据采集设备获取的部分已知区域的第二类环境参数，对其他未知区域的实时参数进行推求，从而将离散的环境参数转换为连续的环境参数时空分布场，再通过自移动数据采集设备获取的随机区域(移动路径可以是任意的)的第一类环境参数对上述环境参数时空分布场进行修正，最终得到较为精确且更符合实际情况的环境参数时空分布场。本公开实施例在生成环境参数时空分布场时具有即时性，不需要建立模型和训练，适用于监测初期移动与固定感知系统尚未积累足够多监测数据的阶段，例如，在对目标区域的环境监测初期，由于数据量少，因此，可以采样以上方法生成环境参数时空分布场。
本公开实施例对根据所述第一类环境参数对所述初始环境参数时空分布场进行修正的具体实现方式不做限定，本领域技术人员可以利用相关技术实现。
在一种可能的实施方式中，如图3所示，步骤S12利用所述环境场生成装置根据所述第一类环境参数及第二类环境参数生成环境参数时空分布场，还可以包括：
步骤S122，将第二数量的目标位置的位置坐标、第一数量的固定位置的第二类环境参数及固定位置的位置坐标输入到训练好的环境场生成模型，利用所述环境场生成模型得到所述第二数量的目标位置的实时环境参数，以得到所述目标区域的初始环境参数时空分布场(利用机器学习模型生成环境参数时空分布场)，
其中，所述环境场生成模型为机器学习模型。
在一个示例中，所述机器学习模型可以基于回归算法、支持向量机、贝叶斯网络、决策树、随机森林、人工神经网络、遗传算法、BOOST算法、深度学习等的任意一种实现。
通过以上方法，本公开实施例可以通过更新后的室内环境时空分布场生成模型的模型得到更加准确的环境参数时空分布场，提升了预测的准确性。
在一种可能的实施方式中，所述方法还可以包括：
获取环境参数训练集，对预先建立的初始环境场生成模型进行训练，得到训练好的环境场生成模型，
其中，所述环境参数训练集包括第一类环境参数及对应的位置坐标、采集时间、及第二类环境参数及对应的固定位置的位置坐标、采集时间。
在一个示例中，环境参数训练集可以是在对目标区域的环境进行监测的初期获取的，在环境监测初期，可以利用空间插值法生成环境参数时空分布场，并可以将自移动数据采集设备10采集的第一类环境参数及固定数据采集设备20采集到的第二类环境参数分别对应的位置坐标、时间数据、环境参数存储起来，形成环境参数训练集，并进行模型训练，当环境参数训练集达到一定规模，室内环境时空分布场生成模型的预测准确性达到要求时，可以利用室内环境时空分布场生成模型对除固定位置以外的其他位置的环境参数进行实时预测，以得到目标区域的环境参数时空分布场，即，在第一时间段(环境监测的初始阶段)本公开实施例采用空间插值法确定所述环境参数时空分布场，并积累数据形成环境参数训练集，在第二时间段(环境参数训练集达到一定规模，室内环境时空分布场生成模型的预测准确性达到要求)，本公开实施例利用室内环境时空分布场生成模型对除固定位置以外的其他位置的环境参数进行实时预测，以得到目标区域的环境参数时空分布场，通过分阶段生成环境参数时空分布场，本公开实施例可以逐渐提高环境参数时空分布场的准确性，并对目标区域进行全周期的环境参数时空分布场获取。
本公开实施例通过自移动数据采集设备10和固定数据采集设备20积累的第一类环境参数、第二类环境参数、定位信息和时间标签等数据，形成训练集并建立相应的模型，对某一未知位置在当前时刻的环境参数与已知固定测点在当前及历史时刻的环境参数的关联性进行学习和训练，再将训练好的模型进行应用，通过固定数据采集设备20的采集到的第二类环境参数对其他未知位置的环境参数进行实时预测，从而形成实时的环境分布场。本公开实施例可以先积累一定量的数据进行模型训练，以生成环境场，但优势在于随着环境监测的持续开展，自移动数据采集设备10及固定数据采集设备20采集的数据可以不断扩充训练集，模型也会不断地进行学习和更新，从而使得环境场的预测越来越精确。
在一种可能的实施方式中，所述方法还可以包括：
随环境监测的持续开展，持续扩充所述环境参数训练集，利用扩充的环境参数训练集对所述环境场生成模型进行持续训练，以实现对模型的持续更新。
在一种可能的实施方式中，步骤S122利用所述环境场生成模型得到所述第二数量的目标位置的实时环境参数，以得到所述目标区域的初始环境参数时空分布场(利用机器学习模型生成环境参数时空分布场)，可以包括：
将所述第二数量的目标位置的位置坐标、所述第二类环境参数及对应的固定位置的位置坐标输入到更新的环境场生成模型，利用更新的环境场生成模型得到所述第二数量的目标位置的实时环境参数，以得到所述环境参数时空分布场。
通过以上方法，本公开实施例可以实现室内环境时空分布场生成模型的自学习和更新，通过不断扩充训练集进行自学习和更新，可以使得室内环境时空分布场生成模型的预测越来越精确。
在一种可能的实施方式中，如图3所示，所述方法还可以包括：
步骤S21，确定固定数据采集设备的固定位置。
其中，步骤S21确定固定数据采集设备的固定位置可以包括：
步骤S211，在初始监测阶段，控制所述自移动数据采集设备在目标区域自移动，采集各个位置的第一类环境参数；
步骤S212，根据目标区域各个位置的第一类环境参数，确定所述固定数据采集设备的多个安装位置，以尽可能通过少量的所述固定数据采集设备全面反映出环境参数的空间非均匀特征；
步骤S213，根据所述多个安装位置布置所述固定数据采集设备，并确定所述固定数据采集设备的固定位置的位置坐标。
通过以上方法，本公开实施例根据自移动数据采集设备初步监测得到的分布式环境参数和定位信息，分析得到室内环境参数的极值点或异常值点(不在正常值区间范围内，例如CO2浓度过高、PM2.5浓度过高的位置)以及其出现的位置坐标，并以此作为固定数据采集设备的测点布置依据，确定多个安装位置的位置坐标以布置所述固定数据采集设备，从而更科学地选取测点，减少非必要测点，使得固定数据采集设备在较低密度布点和较低监测成本下，尽可能地实现室内环境参数的分布特征及规律的全面捕捉。
下面对自移动数据采集设备的可能实现方式进行示例性介绍。
请参阅图4，图4示出了根据本公开一实施例的移动与固定感知结合的室内环境时空分布场生成系统的框图。
在一个示例中，如图4所示，所述自移动数据采集设备10及所述固定数据采集设备20均可以包括环境参数采集模块140，用于采集实时环境参数，所述环境参数采集模块140可以包括温湿度传感器、CO2浓度传感器、PM2.5浓度传感器、甲醛浓度传感器、挥发性有机化合物VOC浓度传感器、照度传感器、噪声传感器等传感器中的一种或多种，以采集一种或多种环境参数。
在一个示例中，所述环境参数包括温湿度、CO2浓度、PM2.5浓度、甲醛浓度、挥发性有机化合物VOC浓度、照度、噪声等环境参数中的一种或多种。
在一种可能的实施方式中，如图4所示，所述自移动数据采集设备包括：
设备主体；
自移动模块110，设置于所述设备主体上，用于在所述目标区域自移动；
定位导航模块120，设置于所述设备主体上，用于确定所述自移动数据采集设备的位置坐标，并对所述自移动数据采集设备进行导航；
所述环境参数采集模块140可以设置于所述设备主体上；
数据传输模块150，设置在所述设备主体上，用于传输第一类环境参数，和/或自移动数据采集设备的控制信号；
显示模块160，设置在所述设备主体上，用于显示第一类环境参数；
处理模块170，设置在所述设备主体上，用于对所述定位导航模块采集的数据进行处理，以构建所述目标区域的区域地图；
电源模块180，设置在所述设备主体上，用于对所述自移动数据采集设备的各个模块进行供电。
在一个示例中，如图4所示，所述自移动数据采集设备10还可以包括视频图像采集模块130，以采集目标区域各个位置的实时的视频图像数据，以使得环境场生成装置可以通过视频图像数据可以识别人员状态分布、建筑围护结构及设备(围护结构、末端等)的状态信息，这些因素有助于判断造成环境现有状态的原因是什么，哪里存在问题或者优化空间，从而对症下药，进行环境优化。
例如，可以基于机器视觉技术对视频图像数据进行处理，获取各个位置的实时的人员活动及分布情况，所述人员活动及分布情况可以包括所述目标区域的人员数量、各个人员所处的位置、各个人员的状态、人员的轨迹、行为、聚集状态(如在某个子区域人员聚集较多，某个子区域人员聚集较少)、空间使用情况等，也可以基于图像处理技术对所述视频图像数据进行热成像分析，获取所述目标区域中各个位置的实时的建筑围护结构及设备的状态信息。
在一个示例中，建筑围护结构及设备可以包括围护结构(如门、窗、墙等)、设备(如空调、显示屏、采暖片及其他的具有发热特征的设备)等。
对于红外热成像照片，颜色深浅反映温度的高低，可利用图片中的颜色识别出围护结构的内表面温度、外门窗是否开启(若开启，缝隙的颜色必然与周边存在显著不同)、空调末端设备是否运行(若运行，风口/辐射末端的温度必然与室内空气温度显著不同)，出风温度/辐射板表面温度是多少等。
本公开实施例对图像处理技术的具体类型不做限定，对基于图像处理技术对所述视频图像数据进行热成像分析，获取所述目标区域中各个位置的实时的建筑围护结构及设备的状态信息的具体实现方式不做限定，本领域技术人员可以根据需要选择相关技术中的图像处理算法实现，只要可以对图像数据(红外热成像照片)进行分析，获取门窗开启状态、气密性、围护结构内表面温度、冷热桥、室内热源分布、空调末端设备开启和运行状态等信息、基于环境、空间、人员、末端设备等多维参数即可。
在一个示例中，所述视频图像采集模块130可以包括高清摄影机、深度相机(用于获取深度数据)、红外热成像仪等的一种或多种，基于视频图像采集模块130采集到的视频图像数据可进行图像识别的二次开发，从而实现对人员信息、围护结构、末端设备运行状态等其他可能影响室内环境的边界因素的感知和识别。
本公开实施例可以综合人员活动及分布情况、建筑围护结构及设备的状态、环境参数时空分布场确定环境调控策略(如空调、加湿器、过滤器等设备的运行参数)，以实现环境优化，当然，本公开实施例对确定环境调控策略的具体实现方式不做限定。
在一种可能的实施方式中，所述设备主体包括设备框架，
在一个示例中，所述自移动模块可以包括设置在所述设备框架上的驱动子模块，所述驱动子模块可以包括主控单元(包括主控芯片)、电机单元(包括电机)、机械传动单元(包括齿轮等传动结构)、移动单元，所述主控单元用于控制所述电机转动，以使得所述机械传动单元带动所述移动单元进行移动、转向，所述移动单元可以包括多个移动部件(如滚轮、履带等)。
本公开实施例对自移动模块110的各个模块、单元的具体实现方式不做限定，本领域技术人员可以根据需要选择相关技术实现。
在一个示例中，所述定位导航模块120可以包括激光雷达导航定位单元、毫米波雷达导航定位单元、红外传感导航定位单元、超声波导航定位单元、视觉导航定位单元的一种或多种。
在一个示例中，激光雷达导航定位单元可以包括激光雷达仪，毫米波雷达导航定位单元可以包括毫米波雷达仪，红外传感导航定位单元可以包括红外传感器，超声波导航定位单元可以包括超声波导航定位仪，其中，激光雷达仪、毫米波雷达仪、红外传感器、超声波导航定位仪主要利用信号反射原理，通过对目标发射电磁波并接收目标回波来获得目标的距离、方位、距离变化率等信息。
在一个示例中，视觉导航定位单元可以对机器人周边的环境进行光学处理，先用摄像头进行图像信息采集，将采集的信息进行压缩，然后将它反馈到一个由神经网络和统计学方法构成的学习子系统，再由学习子系统将采集到的图像信息和机器人的实际位置联系起来，完成定位导航功能。
当然，以上对定位导航模块的介绍是示例性的，不应视为是对本公开实施例的限定。
在一个示例中，数据传输模块150可以用于传输所各个位置的第一类环境参数、视频图像数据，及自移动数据采集设备的控制信号(例如可以是外部控制设备发出的控制信号，如下发路径信息，行动指令等)。
在一个示例中，数据传输模块150可以包括前述的通信组件，通信组件可以接入基于通信标准的无线网络，如WiFi，2G、3G、4G、5G等，以进行数据传输、通信。
应该说明的是，本公开实施例的系统的各个部分均可以包括通信组件，例如，固定数据采集设备20、环境场生成装置30、输出装置40也可以设置有对应的通信组件，以实现自移动数据采集设备10、固定数据采集设备20、环境场生成装置30、输出装置40的相互通信，以及与外部的控制设备的通信。
在一个示例中，显示模块160，可以用于显示目标区域各个位置的实时的环境参数、视频图像数据，地图、路径，以便于用户查看所述目标区域的相关信息。
在一个示例中，显示模块160可以包括前述的显示面板。
在一个示例中，处理模块170，可以用于对所述定位导航模块采集的数据进行处理，以构建所述目标区域的区域地图，并进行路径规划。
当然，处理模块170还可以用于控制其他模块的工作，例如可以控制定位导航模块120实现定位导航、智能避障、路径规划、路线巡迹等。
例如，可以基于同步定位与建图技术(Simultaneous Localization andMapping，SLAM)构建所述目标区域的区域地图，并进行路径规划，其中，所述区域地图包括所述目标区域的路径信息、面积、空间结构、内部隔断、障碍物。
当然，本公开实施例对构建所述目标区域的区域地图的具体实现方式不做限定，本领域技术人员可以参考相关技术实现。
当然，所述目标区域的区域地图也可以利用其他方式构建，也可以采用已有的区域地图，对此本公开实施例不做限定。
在一个示例中，处理模块170可以包括前述的包括处理组件的终端(如计算机)。
在一个示例中，电源模块180可以包括电池组件，所述电池组件例如可以包括锂离子电池、锂聚合物电池等。
下面对自移动数据采集设备的可能实现方式进行示例性介绍。
请参阅图5，图5示出了根据本公开一实施例的自移动数据采集设备的示意图。
在一个示例中，如图5所示，所述设备主体可以包括设备框架支撑部，框架支撑部可以包括底座101、固定平台102、可调节移动支架103等，其中自移动模块110中驱动子模块的主控单元(包括主控芯片)、电机单元(包括电机)、机械传动单元(包括齿轮等传动结构)可以设置在可以设置在底座11中(图5未示)，移动单元(各个车轮)可以设置在底座101的两侧，定位导航模块120可以设置在底座11中，电源模块180、处理模块170可以设置在底座101的上表面上，视频图像采集模块130、环境参数采集模块140可以设置在可调节移动支架103上，以根据需要调节高度，调节移动支架103、显示模块160、数据传输模块150可以设置在固定平台102上。
在一个示例中，接收控制信号的组件(如遥控信号接收器)可以整合在数据传输模块150中，也可以单独设置，例如遥控信号接收器151可以设置在底座101的上表面上。
应该说明的是，以上对自移动数据采集设备的介绍是示例性的，本领域技术人员可以对其自移动数据采集设备的各个模块设置的位置进行适应性改变，也可以增加其他模块，或将各个模块进行整合，对此，本公开实施例不做限定。
请参阅图6，图6示出了根据本公开一实施例的移动与固定感知结合的室内环境时空分布场生成方法的应用效果示意图。
如图6所示，本公开实施例可以通过输出装置输出环境参数时空分布场，可以是动态图的形式，反应各个环境参数随时间变化的特点(图6以PM2.5举例)，以方便运维人员查看，并指定环境调控策略，而相关技术只能得到离散的少量测点位置的环境参数，是点的概念，形不成“场”。
本公开实施例基于移动与固定感知相结合的方式，并通过空间插值法和/或机器学习算法，建立了室内环境参数时空分布场的生成系统及方法，从而高效、全面、科学地获取室内环境参数在时间和空间维度的分布特征及规律，弥补了传统单一监测方法难以兼顾时间与空间分布特征的不足，同时还可在一定程度上减少监测成本。
本公开实施例全面揭示了各个空间的实时环境状态及变化规律，有助于打破信息不对称，辅助建筑运维者进行精细化的环境调控，实现“按需供给”，最终实现环境品质和能效的双重提升。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种移动与固定感知结合的室内环境时空分布场生成方法，其特征在于，应用于移动与固定感知结合的室内环境时空分布场生成系统中，所述系统包括自移动数据采集设备、固定数据采集设备、环境场生成装置及输出装置，所述方法包括：
利用所述自移动数据采集设备在目标区域自移动，采集所述目标区域各个位置的第一类环境参数，并利用所述固定数据采集设备采集多个固定位置的第二类环境参数，其中，所述第一类环境参数空间连续但时间不连续，所述第二类参数时间连续但空间不连续；
利用所述环境场生成装置根据所述第一类环境参数及第二类环境参数生成环境参数时空分布场，所述环境参数时空分布场包括所述目标区域的各个位置在各个时刻的环境参数；
利用所述输出装置输出所述环境参数时空分布场。
2.根据权利要求1所述的方法，其特征在于，所述利用所述环境场生成装置根据所述第一类环境参数及第二类环境参数生成环境参数时空分布场，包括：
利用空间插值法根据第一数量的固定位置的第二类环境参数对第二数量的目标位置的环境参数进行空间插值，确定第二数量的目标位置的实时环境参数，以得到所述目标区域的初始环境参数时空分布场，其中，所述第一数量小于所述第二数量。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
根据所述第一类环境参数对所述初始环境参数时空分布场进行修正，得到所述环境参数时空分布场。
4.根据权利要求2所述的方法，其特征在于，所述空间插值法包括反距离加权平均插值法、多项式插值法、样条函数内插法、克里格插值法、梯度平方反比法的任意一种。
5.根据权利要求1所述的方法，其特征在于，所述利用所述环境场生成装置根据所述第一类环境参数及第二类环境参数生成环境参数时空分布场，包括：
将第二数量的目标位置的位置坐标、第一数量的固定位置的第二类环境参数及固定位置的位置坐标输入到训练好的环境场生成模型，利用所述环境场生成模型得到所述第二数量的目标位置的实时环境参数，以得到所述目标区域的初始环境参数时空分布场，
其中，所述第一数量小于所述第二数量，
其中，所述环境场生成模型为机器学习模型，
其中，所述机器学习模型基于回归算法、支持向量机、贝叶斯网络、决策树、随机森林、人工神经网络、遗传算法、BOOST算法、深度学习的任意一种实现。
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：
获取环境参数训练集，对预先建立的初始环境场生成模型进行训练，得到训练好的环境场生成模型，
其中，所述环境参数训练集包括所述第一类环境参数及对应的位置坐标、采集时间、及第二类环境参数及对应的固定位置的位置坐标、采集时间。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
随环境监测的持续开展，持续扩充所述环境参数训练集，利用扩充的环境参数训练集对所述环境场生成模型进行持续训练，以实现对模型的持续更新。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在初始监测阶段，控制所述自移动数据采集设备在目标区域自移动，采集各个位置的第一类环境参数；
根据所述目标区域的各个位置的第一类环境参数，确定所述固定数据采集设备的多个安装位置；
根据所述多个安装位置布置所述固定数据采集设备，并确定所述固定数据采集设备的位置坐标。
9.根据权利要求1所述的方法，其特征在于，所述自移动数据采集设备及所述固定数据采集设备均包括环境参数采集模块，用于采集实时环境参数，
所述自移动数据采集设备包括：
设备主体；
自移动模块，设置于所述设备主体上，用于在所述目标区域自移动；
定位导航模块，设置于所述设备主体上，用于确定所述自移动数据采集设备的位置坐标，并对所述自移动数据采集设备进行导航；
所述环境参数采集模块，设置于所述设备主体上；
数据传输模块，设置在所述设备主体上，用于传输所述第一类环境参数，和/或自移动数据采集设备的控制信号；
显示模块，设置在所述设备主体上，用于显示所述第一类环境参数；
处理模块，设置在所述设备主体上，用于对所述定位导航模块采集的数据进行处理，以构建所述目标区域的区域地图；
电源模块，设置在所述设备主体上，用于对所述自移动数据采集设备的各个模块进行供电。
10.根据权利要求9所述的方法，其特征在于，
所述设备主体包括设备框架，
所述自移动模块包括设置在所述设备框架上的驱动子模块，
所述驱动子模块包括主控单元、电机单元、机械传动单元、移动单元，所述主控单元用于控制所述电机转动，以使得所述机械传动单元带动所述移动单元进行移动、转向，
所述定位导航模块包括激光雷达导航定位单元、毫米波雷达导航定位单元、红外传感导航定位单元、超声波导航定位单元、视觉导航定位单元中的一种或多种，
所述环境参数采集模块包括温湿度传感器、CO2浓度传感器、PM2.5浓度传感器、甲醛浓度传感器、挥发性有机化合物VOC浓度传感器、照度传感器、噪声传感器中的一种或多种，
所述环境参数包括温湿度、CO2浓度、PM2.5浓度、甲醛浓度、挥发性有机化合物VOC浓度、照度、噪声中的一种或多种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110230907.7A CN112985505B (zh) | 2021-03-02 | 2021-03-02 | 移动与固定感知结合的室内环境时空分布场生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110230907.7A CN112985505B (zh) | 2021-03-02 | 2021-03-02 | 移动与固定感知结合的室内环境时空分布场生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112985505A true CN112985505A (zh) | 2021-06-18 |
| CN112985505B CN112985505B (zh) | 2022-02-01 |
Family
ID=76351973
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110230907.7A Active CN112985505B (zh) | 2021-03-02 | 2021-03-02 | 移动与固定感知结合的室内环境时空分布场生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112985505B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115033041A (zh) * | 2022-06-21 | 2022-09-09 | 清华大学 | 被动房环境调控系统及环境调控方法 |
| CN115240175A (zh) * | 2022-05-09 | 2022-10-25 | 吉林建筑大学 | 一种基于大数据的冷桥识别与处理的方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103984981A (zh) * | 2014-05-23 | 2014-08-13 | 东南大学 | 基于高斯过程模型的建筑物环境传感器测点优化方法 |
| FR3010528A1 (fr) * | 2013-09-12 | 2015-03-13 | Partnering 3 0 | Robot mobile de surveillance de l'environnement |
| CN106681330A (zh) * | 2017-01-25 | 2017-05-17 | 北京航空航天大学 | 基于多传感器数据融合的机器人导航方法及装置 |
| CN107036652A (zh) * | 2017-04-12 | 2017-08-11 | 林波荣 | 一种结合建筑环境模拟的室内环境监测系统及方法 |
| CN107610021A (zh) * | 2017-07-21 | 2018-01-19 | 华中农业大学 | 环境变量时空分布的综合分析方法 |
| CN108267172A (zh) * | 2018-01-25 | 2018-07-10 | 神华宁夏煤业集团有限责任公司 | 矿用智能机器人巡检系统 |
| JP2019020150A (ja) * | 2017-07-12 | 2019-02-07 | 西日本電信電話株式会社 | 屋内環境測定装置、屋内環境測定方法、及びコンピュータプログラム |
| CN109374069A (zh) * | 2018-12-18 | 2019-02-22 | 华南农业大学 | 畜禽养殖场即时环境信息的空间分布监测系统及监测方法 |
| CN111258334A (zh) * | 2020-03-23 | 2020-06-09 | 安徽工业大学 | 一种环境污染自动寻源方法 |
| CN112198276A (zh) * | 2020-08-20 | 2021-01-08 | 北京市环境保护科学研究院 | 一种航站楼微环境在线监测系统 |
-
2021
- 2021-03-02 CN CN202110230907.7A patent/CN112985505B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3010528A1 (fr) * | 2013-09-12 | 2015-03-13 | Partnering 3 0 | Robot mobile de surveillance de l'environnement |
| CN103984981A (zh) * | 2014-05-23 | 2014-08-13 | 东南大学 | 基于高斯过程模型的建筑物环境传感器测点优化方法 |
| CN106681330A (zh) * | 2017-01-25 | 2017-05-17 | 北京航空航天大学 | 基于多传感器数据融合的机器人导航方法及装置 |
| CN107036652A (zh) * | 2017-04-12 | 2017-08-11 | 林波荣 | 一种结合建筑环境模拟的室内环境监测系统及方法 |
| JP2019020150A (ja) * | 2017-07-12 | 2019-02-07 | 西日本電信電話株式会社 | 屋内環境測定装置、屋内環境測定方法、及びコンピュータプログラム |
| CN107610021A (zh) * | 2017-07-21 | 2018-01-19 | 华中农业大学 | 环境变量时空分布的综合分析方法 |
| CN108267172A (zh) * | 2018-01-25 | 2018-07-10 | 神华宁夏煤业集团有限责任公司 | 矿用智能机器人巡检系统 |
| CN109374069A (zh) * | 2018-12-18 | 2019-02-22 | 华南农业大学 | 畜禽养殖场即时环境信息的空间分布监测系统及监测方法 |
| CN111258334A (zh) * | 2020-03-23 | 2020-06-09 | 安徽工业大学 | 一种环境污染自动寻源方法 |
| CN112198276A (zh) * | 2020-08-20 | 2021-01-08 | 北京市环境保护科学研究院 | 一种航站楼微环境在线监测系统 |
Non-Patent Citations (2)
| Title |
|---|
| WENHAN CAI 等: "Space-Time_Distribution_of_the_First-Order_Sea_Clutter_in_High_Frequency_Surface_Wave_Radar_on_a_Moving_Shipborne_Platform", 《2015 FIFTH INTERNATIONAL CONFERENCE ON INSTRUMENTATION AND MEASUREMENT, COMPUTER, COMMUNICATION AND CONTROL》 * |
| 刘新乐: "基于机器学习技术的城市空气质量预测研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115240175A (zh) * | 2022-05-09 | 2022-10-25 | 吉林建筑大学 | 一种基于大数据的冷桥识别与处理的方法及系统 |
| CN115033041A (zh) * | 2022-06-21 | 2022-09-09 | 清华大学 | 被动房环境调控系统及环境调控方法 |
| CN115033041B (zh) * | 2022-06-21 | 2023-03-21 | 清华大学 | 被动房环境调控系统及环境调控方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112985505B (zh) | 2022-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113038074B (zh) | 基于自移动数据采集设备的室内环境智能巡检方法及系统 | |
| US10880687B2 (en) | Indoor location services using a distributed lighting network | |
| Tien et al. | A vision-based deep learning approach for the detection and prediction of occupancy heat emissions for demand-driven control solutions | |
| AU2020265650B2 (en) | Machine learning motion sensing with auxiliary sensors | |
| CN112985505B (zh) | 移动与固定感知结合的室内环境时空分布场生成方法 | |
| CN107655159B (zh) | 一种基于人群密度感知模型的空调节能控制方法及系统 | |
| EP3025099B1 (en) | Control device and method for buildings | |
| US12066562B2 (en) | Device location network | |
| Dong et al. | Sensing and data acquisition | |
| US20230314032A1 (en) | Spray cooling fan control system and method based on the computer vision technology | |
| CN112728727A (zh) | 一种基于边缘计算的室内环境舒适度的智能调节系统 | |
| CN112269416B (zh) | 一种数据中心应用的监测维护机器人系统及方法 | |
| Huang | Energy-Efficient Smart Building Driven by Emerging Sensing, Communication, and Machine Learning Technologies. | |
| Bourikas et al. | Camera-based window-opening estimation in a naturally ventilated office | |
| US11495122B2 (en) | Automated bulk location-based actions | |
| KR101760741B1 (ko) | 비콘을 이용한 사업장 내 위치 추정 방법 및 이를 통한 위치 기반 서비스 제공 시스템 및 방법 | |
| US20240320767A1 (en) | Intermittent remote property control and configuration | |
| CN115685736A (zh) | 一种基于热成像与卷积神经网络的轮式巡检机器人 | |
| Li et al. | A systematic review and comprehensive analysis of building occupancy prediction | |
| Wei et al. | Development of deep learning‐based equipment heat load detection for energy demand estimation and investigation of the impact of illumination | |
| US20240124138A1 (en) | Imaging controls for unmanned aerial vehicles | |
| US20230180371A1 (en) | Detection and identification of auditory events in distributed lighting networks | |
| US11729372B2 (en) | Drone-assisted sensor mapping | |
| Wu et al. | Novel occupancy detection method based on convolutional neural network model using PIR sensor and smart meter data | |
| Feagin Jr et al. | A Review of Existing Test Methods for Occupancy Sensors |
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 |