CN117350175B - 人工智能生态因子空气环境质量监测方法及系统 - Google Patents
人工智能生态因子空气环境质量监测方法及系统 Download PDFInfo
- Publication number
- CN117350175B CN117350175B CN202311644963.0A CN202311644963A CN117350175B CN 117350175 B CN117350175 B CN 117350175B CN 202311644963 A CN202311644963 A CN 202311644963A CN 117350175 B CN117350175 B CN 117350175B
- Authority
- CN
- China
- Prior art keywords
- air quality
- stations
- parameter
- monitoring
- matrix
- 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 79
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000006870 function Effects 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000001133 acceleration Effects 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 12
- 238000005192 partition Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 239000000809 air pollutant Substances 0.000 claims description 11
- 231100001243 air pollutant Toxicity 0.000 claims description 11
- 229910052760 oxygen Inorganic materials 0.000 claims description 11
- 239000001301 oxygen Substances 0.000 claims description 11
- 239000002245 particle Substances 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000001303 quality assessment method Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000003915 air pollution Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 5
- 230000003993 interaction Effects 0.000 abstract description 4
- 230000009471 action Effects 0.000 description 3
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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 or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- 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
- G06N3/048—Activation functions
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Geometry (AREA)
- Chemical & Material Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Immunology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Nonlinear Science (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了人工智能生态因子空气环境质量监测方法及系统,方法包括数据采集、数据预处理、建立空气质量预测模型和寻参。本发明属于空气质量监测技术领域,具体是指人工智能生态因子空气环境质量监测方法及系统,针对传统预测模型存在忽略站点间关系导致特征表达能力弱,模型学习能力弱和出现过拟合的问题,本方案采用计算城市中站点之间的强弱关联度,从而准确地反映站点间的联系和相互作用,基于对损失函数添加正则项完成神经网络的构建,从而提高模型的表达能力和预测准确性;采用基于加速度因子和随机数调整速度,并对越界参数采用缓冲壁技术处理,从而保证参数搜索的随机性和有效性双达标。
Description
技术领域
本发明涉及空气质量监测技术领域,具体是指人工智能生态因子空气环境质量监测方法及系统。
背景技术
空气环境质量监测是评估和监测大气中污染物浓度和气象参数的过程,综合考虑生态因素对空气环境质量的影响。但是传统预测模型存在忽略站点间关系导致特征表达能力弱,模型学习能力弱和出现过拟合的问题;传统寻参算法存在参数搜索的随机性弱,从而导致无法跳出局部最优,寻参出现越界从而降低参数的有效性的问题。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供了人工智能生态因子空气环境质量监测方法及系统,针对传统预测模型存在忽略站点间关系导致特征表达能力弱,模型学习能力弱和出现过拟合的问题,本方案采用计算城市中站点之间的强弱关联度,从而准确地反映站点间的联系和相互作用,通过设置多层隐藏层进行特征学习后,并基于对损失函数添加正则项完成神经网络的构建,从而提高模型的表达能力和预测准确性;针对传统寻参算法存在参数搜索的随机性弱,从而导致无法跳出局部最优,寻参出现越界从而降低参数的有效性的问题,本方案采用基于加速度因子和随机数调整速度,基于混沌系统调整位置,并对越界参数采用缓冲壁技术处理,从而保证参数搜索的随机性和有效性双达标。
本发明采取的技术方案如下:本发明提供的人工智能生态因子空气环境质量监测方法,该方法包括以下步骤:
步骤S1:数据采集,基于监测站采集生态因子中的空气污染物和负氧离子浓度历史数据及对应标签,标签为空气质量评估等级;
步骤S2:数据预处理,基于监测站位置设置权重,对分区内各监测站的监测值处理,并进行空间插值;
步骤S3:建立空气质量预测模型,基于拓扑图并计算站点间强弱关联度分配边权值,用特征矩阵存储属性特征并基于拉普拉斯变换对矩阵进行聚合变换;基于构造多层隐藏层进行特征学习,在损失函数中添加正则项,从而构建神经网络,建立空气质量预测模型;
步骤S4:寻参,初始化参数后基于随机数和加速度因子更新速度,添加混沌程度对位置更新,基于缓冲壁技术处理越界粒子,最终完成寻参。
进一步地,在步骤S2中,所述数据预处理具体包括以下步骤:
步骤S21:建立分区空气质量与监测站空气质量的关系,根据每个监测站到待预测监测站的距离设置不同的权重,处理结果为该分区的空气质量,反映受影响分区的空气污染程度,所用公式如下:
;
式中,是受影响分区的空气质量,ai1是受影响分区,i1是受影响分区索引,AQI是空气质量指数,sj1是ai1分区内第j1个监测站,k是分区内监测站数量,Wj1是j1监测站的影响权重;
步骤S22:空间插值,若受影响子区域内没有监测站且存在缺失值,则采用空间插值法进行空间插值。
进一步地,在步骤S3中,所述建立空气质量预测模型具体包括以下步骤:
步骤S31:建立拓扑图,建立拓扑图G(V,E)来描述多个环境监测点之间的拓扑关系,该图由节点和边组成,图中的每个节点代表一个环境监测站,V表示多个环境监测站的集合,V={V1,V2,…,VN},N是环境监测站的数量,E表示连接这些站点的边;
步骤S32:计算城市中每两个站点之间的强弱关联度LQ,并存储在邻接矩阵A中,作为对应站点边权值,所用公式如下:
;
式中,(a,b)和(c,d)分别是两个站的地理位置,a和c是维度信息,b和d是经度信息,r是地球半径;
步骤S33:建立特征矩阵,特征矩阵X用于存储图中每个节点的属性特征,即每个监测站的空气污染物和负氧离子浓度历史数据;用P代表图中节点的定量特征,对应模型输入的历史时间窗口大小;用Xt表示每个监测站空气污染物和负氧离子浓度历史数据值;
步骤S34:矩阵变换,邻接矩阵A通过拉普拉斯变换生成矩阵Ã,对关联节点的特征进行聚合和变换,计算出目标节点的新特征,所用公式如下:
Ã=D-1/2AD-1/2;
Hi+1=σ1(ÃHiWi);
式中,Ã是自连通的邻接矩阵,D是度矩阵,Hi+1是目标节点的新特征,σ1为非线性激活函数,Wi是第i层的权值矩阵,Hi是第i层的激活值;
步骤S35:神经网络构造,将变换后得到的矩阵输入到GRU中,通过单元间的信息传递动态获取时间特征,并通过全连通层对网络输出进行变换,具体包括以下步骤:
步骤S351:局部分量由LSTM网络构成,全局分量计算过程如下:
;
;
;
;
式中,f()是图卷积过程,W是训练过程中的权重,b是训练时的偏置,c是细胞状态,u是更新门,r是复位门,h是输出,t和t-1是时刻,xt是输入的特征矩阵;
步骤S352:首先基于输入计算中间状态,然后计算遗忘门和复位门的状态,计算公式如下:
;
;
;
式中,是用于计算门控状态的中间状态,ft是遗忘门,rt是复位门,σ是激活函数;
步骤S353:遗忘门用于控制内部状态ct,复位门用于计算输出状态c,所用公式如下:
;
;
式中,g是用于计算输出状态的激活函数,⊙是逐元素相乘;
步骤S354:空气质量预测,经过上述多层隐藏层特征学习后,将学习到的数据特征作为输入建立空气预测模型进行训练,设空气质量数据的特征向量为x,相应的标签为t,对于一组样本[xl,tl],xl=[xl1,xl2,…,xln]T,tl=[tl1,tl2,…,tln]T,具有L个隐藏层节点的神经网络oL的输出表示为:
;
式中,l是样本的索引,L是样本数量,βq是连接第i个隐藏层和第q个输出层的权重矩阵,ωi是特征向量层和隐藏层之间的连接权重,ci是隐层的偏置向量;
步骤S355:定义损失函数,预先设定损失评估阈值,当损失函数低于损失评估阈值时,模型训练完成,损失函数L(ω)所用公式如下:
;
式中,Lo(w)是预测值与实际值之间的差异,λ是正则化系数,n是权重索引,N是权重数量;
步骤S356:基于损失函数调整参数,所用公式如下:
;
式中,ω’是调整后的参数,η是学习率。
进一步地,在步骤S4中,所述寻参具体包括以下步骤:
步骤S41:初始化,初始化参数位置、初始速度,并将基于各参数建立的空气质量预测模型预测正确率作为参数适应度值,适应度值最高的作为最优参数;
步骤S42:更新速度,所用公式如下:
;
式中,m+1和m是迭代次数,I是参数索引,J是维度索引,c1和c2是加速度因子,r1和r2是用于增加随机性的随机数,是第m次迭代第I个参数第J维度的当前位置,/>是第m次迭代第I个参数第J维度的最优位置;
步骤S43:更新位置,所用公式如下:
;
式中,M是最大迭代次数,μ是用来控制混沌程度的常数,是第m次迭代第J个维度上所有粒子的速度;
步骤S44:处理越界参数,所用公式如下:
;
式中,sin是符号函数,Lr是0到1的随机数,aJ和bJ是参数第J维度的下界和上界;
步骤S45:迭代处理,预先设有适应度阈值,当参数适应度值高于适应度阈值时,基于当前参数建立空气质量预测模型并实时监测空气质量;若达到最大迭代次数,则返回步骤S41重新初始化并寻参;否则继续迭代寻参。
本发明提供的人工智能生态因子空气环境质量监测系统,包括数据采集模块、数据预处理模块、空气质量预测模块和寻参模块;
所述数据采集模块基于监测站采集生态因子中的空气污染物和负氧离子浓度历史数据及对应标签,标签为空气质量评估等级,并将数据发送至数据预处理模块;
所述数据预处理模块接收数据采集模块发送的数据,基于监测站位置设置权重,对分区内各监测站的监测值处理,并进行空间插值,并将数据发送至空气质量预测模块;
所述空气质量预测模块接收数据预处理模块发送的数据,基于拓扑图并计算站点间强弱关联度分配边权值,用特征矩阵存储属性特征并基于拉普拉斯变换对矩阵进行聚合变换;基于构造多层隐藏层进行特征学习,在损失函数中添加正则项,从而构建神经网络,建立空气质量预测模型,并将数据发送至寻参模块;
所述寻参模块接收空气质量预测模块发送的数据,初始化参数后基于随机数和加速度因子更新速度,添加混沌程度对位置更新,基于缓冲壁技术处理越界粒子,最终完成寻参。
采用上述方案本发明取得的有益效果如下:
(1)针对传统预测模型存在忽略站点间关系导致特征表达能力弱,模型学习能力弱和出现过拟合的问题,本方案采用计算城市中站点之间的强弱关联度,从而准确地反映站点间的联系和相互作用,通过设置多层隐藏层进行特征学习后,并基于对损失函数添加正则项完成神经网络的构建,从而提高模型的表达能力和预测准确性。
(2)针对传统寻参算法存在参数搜索的随机性弱,从而导致无法跳出局部最优,寻参出现越界从而降低参数的有效性的问题,本方案采用基于加速度因子和随机数调整速度,基于混沌系统调整位置,并对越界参数采用缓冲壁技术处理,从而保证参数搜索的随机性和有效性双达标。
附图说明
图1为本发明提供的人工智能生态因子空气环境质量监测方法的流程示意图;
图2为本发明提供的人工智能生态因子空气环境质量监测系统的示意图;
图3为图1中步骤S3的具体流程示意图;
图4为图1中步骤S4的具体流程示意图。
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一,参阅图1,本发明提供的人工智能生态因子空气环境质量监测方法,该方法包括以下步骤:
步骤S1:数据采集,基于监测站采集生态因子中的空气污染物和负氧离子浓度历史数据及对应标签,标签为空气质量评估等级;
步骤S2:数据预处理,基于监测站位置设置权重,对分区内各监测站的监测值处理,并进行空间插值;
步骤S3:建立空气质量预测模型,基于拓扑图并计算站点间强弱关联度分配边权值,用特征矩阵存储属性特征并基于拉普拉斯变换对矩阵进行聚合变换;基于构造多层隐藏层进行特征学习,在损失函数中添加正则项,从而构建神经网络,建立空气质量预测模型;
步骤S4:寻参,初始化参数后基于随机数和加速度因子更新速度,添加混沌程度对位置更新,基于缓冲壁技术处理越界粒子,最终完成寻参。
实施例二,参阅图1,该实施例基于上述实施例,在步骤S2中,数据预处理具体包括以下步骤:
步骤S21:建立分区空气质量与监测站空气质量的关系,根据每个监测站到待预测监测站的距离设置不同的权重,处理结果为该分区的空气质量,反映受影响分区的空气污染程度,所用公式如下:
;
式中,是受影响分区的空气质量,ai1是受影响分区,i1是受影响分区索引,AQI是空气质量指数,sj1是ai1分区内第j1个监测站,k是分区内监测站数量,Wj1是j1监测站的影响权重;
步骤S22:空间插值,若受影响子区域内没有监测站且存在缺失值,则采用空间插值法进行空间插值。
实施例三,参阅图1和图3,该实施例基于上述实施例,在步骤S3中,建立空气质量预测模型具体包括以下步骤:
步骤S31:建立拓扑图,建立拓扑图G(V,E)来描述多个环境监测点之间的拓扑关系,该图由节点和边组成,图中的每个节点代表一个环境监测站,V表示多个环境监测站的集合,V={V1,V2,…,VN},N是环境监测站的数量,E表示连接这些站点的边;
步骤S32:计算城市中每两个站点之间的强弱关联度LQ,并存储在邻接矩阵A中,作为对应站点边权值,所用公式如下:
;
式中,(a,b)和(c,d)分别是两个站的地理位置,a和c是维度信息,b和d是经度信息,r是地球半径;
步骤S33:建立特征矩阵,特征矩阵X用于存储图中每个节点的属性特征,即每个监测站的空气污染物和负氧离子浓度历史数据;用P代表图中节点的定量特征,对应模型输入的历史时间窗口大小;用Xt表示每个监测站空气污染物和负氧离子浓度历史数据值;
步骤S34:矩阵变换,邻接矩阵A通过拉普拉斯变换生成矩阵Ã,对关联节点的特征进行聚合和变换,计算出目标节点的新特征,所用公式如下:
Ã=D-1/2AD-1/2;
Hi+1=σ1(ÃHiWi);
式中,Ã是自连通的邻接矩阵,D是度矩阵,Hi+1是目标节点的新特征,σ1为非线性激活函数,Wi是第i层的权值矩阵,Hi是第i层的激活值;
步骤S35:神经网络构造,将变换后得到的矩阵输入到GRU中,通过单元间的信息传递动态获取时间特征,并通过全连通层对网络输出进行变换,具体包括以下步骤:
步骤S351:局部分量由LSTM网络构成,全局分量计算过程如下:
;
;
;
;
式中,f()是图卷积过程,W是训练过程中的权重,b是训练时的偏置,c是细胞状态,u是更新门,r是复位门,h是输出,t和t-1是时刻,xt是输入的特征矩阵;
步骤S352:首先基于输入计算中间状态,然后计算遗忘门和复位门的状态,计算公式如下:
;
;
;
式中,是用于计算门控状态的中间状态,ft是遗忘门,rt是复位门,σ是激活函数;
步骤S353:遗忘门用于控制内部状态ct,复位门用于计算输出状态c,所用公式如下:
;
;
式中,g是用于计算输出状态的激活函数,⊙是逐元素相乘;
步骤S354:空气质量预测,经过上述多层隐藏层特征学习后,将学习到的数据特征作为输入建立空气预测模型进行训练,设空气质量数据的特征向量为x,相应的标签为t,对于一组样本[xl,tl],xl=[xl1,xl2,…,xln]T,tl=[tl1,tl2,…,tln]T,具有L个隐藏层节点的神经网络oL的输出表示为:
;
式中,l是样本的索引,L是样本数量,βq是连接第i个隐藏层和第q个输出层的权重矩阵,ωi是特征向量层和隐藏层之间的连接权重,ci是隐层的偏置向量;
步骤S355:定义损失函数,预先设定损失评估阈值,当损失函数低于损失评估阈值时,模型训练完成,损失函数L(ω)所用公式如下:
;
式中,Lo(w)是预测值与实际值之间的差异,λ是正则化系数,n是权重索引,N是权重数量;
步骤S356:基于损失函数调整参数,所用公式如下:
;
式中,ω’是调整后的参数,η是学习率。
通过执行上述操作,针对传统预测模型存在忽略站点间关系导致特征表达能力弱,模型学习能力弱和出现过拟合的问题,本方案采用计算城市中站点之间的强弱关联度,从而准确地反映站点间的联系和相互作用,通过设置多层隐藏层进行特征学习后,并基于对损失函数添加正则项完成神经网络的构建,从而提高模型的表达能力和预测准确性。
实施例四,参阅图1和图4,该实施例基于上述实施例,在步骤S4中,寻参具体包括以下步骤:
步骤S41:初始化,初始化参数位置、初始速度,并将基于各参数建立的空气质量预测模型预测正确率作为参数适应度值,适应度值最高的作为最优参数;
步骤S42:更新速度,所用公式如下:
;
式中,m+1和m是迭代次数,I是参数索引,J是维度索引,c1和c2是加速度因子,r1和r2是用于增加随机性的随机数,是第m次迭代第I个参数第J维度的当前位置,/>是第m次迭代第I个参数第J维度的最优位置;
步骤S43:更新位置,所用公式如下:
;
式中,M是最大迭代次数,μ是用来控制混沌程度的常数,是第m次迭代第J个维度上所有粒子的速度;
步骤S44:处理越界参数,所用公式如下:
;
式中,sin是符号函数,Lr是0到1的随机数,aJ和bJ是参数第J维度的下界和上界;
步骤S45:迭代处理,预先设有适应度阈值,当参数适应度值高于适应度阈值时,基于当前参数建立空气质量预测模型并实时监测空气质量;若达到最大迭代次数,则返回步骤S41重新初始化并寻参;否则继续迭代寻参。
通过执行上述操作,针对传统寻参算法存在参数搜索的随机性弱,从而导致无法跳出局部最优,寻参出现越界从而降低参数的有效性的问题,本方案采用基于加速度因子和随机数调整速度,基于混沌系统调整位置,并对越界参数采用缓冲壁技术处理,从而保证参数搜索的随机性和有效性双达标。
实施例五,参阅图2,该实施例基于上述实施例,本发明提供的人工智能生态因子空气环境质量监测系统,包括数据采集模块、数据预处理模块、空气质量预测模块和寻参模块;
所述数据采集模块基于监测站采集生态因子中的空气污染物和负氧离子浓度历史数据及对应标签,标签为空气质量评估等级,并将数据发送至数据预处理模块;
所述数据预处理模块接收数据采集模块发送的数据,基于监测站位置设置权重,对分区内各监测站的监测值处理,并进行空间插值,并将数据发送至空气质量预测模块;
所述空气质量预测模块接收数据预处理模块发送的数据,基于拓扑图并计算站点间强弱关联度分配边权值,用特征矩阵存储属性特征并基于拉普拉斯变换对矩阵进行聚合变换;基于构造多层隐藏层进行特征学习,在损失函数中添加正则项,从而构建神经网络,建立空气质量预测模型,并将数据发送至寻参模块;
所述寻参模块接收空气质量预测模块发送的数据,初始化参数后基于随机数和加速度因子更新速度,添加混沌程度对位置更新,基于缓冲壁技术处理越界粒子,最终完成寻参。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (2)
1.人工智能生态因子空气环境质量监测方法,其特征在于:该方法包括以下步骤:
步骤S1:数据采集,基于监测站采集生态因子中的空气污染物和负氧离子浓度历史数据及对应标签,标签为空气质量评估等级;
步骤S2:数据预处理,基于监测站位置设置权重,对分区内各监测站的监测值处理,并进行空间插值;
步骤S3:建立空气质量预测模型,基于拓扑图并计算站点间强弱关联度分配边权值,用特征矩阵存储属性特征并基于拉普拉斯变换对矩阵进行聚合变换;基于构造多层隐藏层进行特征学习,在损失函数中添加正则项,从而构建神经网络,建立空气质量预测模型;
步骤S4:寻参,初始化参数后基于随机数和加速度因子更新速度,添加混沌程度对位置更新,基于缓冲壁技术处理越界粒子,最终完成寻参;
在步骤S3中,所述建立空气质量预测模型具体包括以下步骤:
步骤S31:建立拓扑图,建立拓扑图G(V,E)来描述多个环境监测点之间的拓扑关系,该图由节点和边组成,图中的每个节点代表一个环境监测站,V表示多个环境监测站的集合,V={V1,V2,…,VN},N是环境监测站的数量,E表示连接这些站点的边;
步骤S32:计算城市中每两个站点之间的强弱关联度LQ,并存储在邻接矩阵A中,作为对应站点边权值,所用公式如下:
;
式中,(a,b)和(c,d)分别是两个站的地理位置,a和c是维度信息,b和d是经度信息,r是地球半径;
步骤S33:建立特征矩阵,特征矩阵X用于存储图中每个节点的属性特征,即每个监测站的空气污染物和负氧离子浓度历史数据;用P代表图中节点的定量特征,对应模型输入的历史时间窗口大小;用Xt表示每个监测站空气污染物和负氧离子浓度历史数据值;
步骤S34:矩阵变换,邻接矩阵A通过拉普拉斯变换生成矩阵Ã,对关联节点的特征进行聚合和变换,计算出目标节点的新特征,所用公式如下:
Ã=D-1/2AD-1/2;
Hi+1=σ1(ÃHiWi);
式中,Ã是自连通的邻接矩阵,D是度矩阵,Hi+1是目标节点的新特征,σ1为非线性激活函数,Wi是第i层的权值矩阵,Hi是第i层的激活值;
步骤S35:神经网络构造,将变换后得到的矩阵输入到GRU中,通过单元间的信息传递动态获取时间特征,并通过全连通层对网络输出进行变换,具体包括以下步骤:
步骤S351:局部分量由LSTM网络构成,全局分量计算过程如下:
;
;
;
;
式中,f()是图卷积过程,W是训练过程中的权重,b是训练时的偏置,c是细胞状态,u是更新门,r是复位门,h是输出,t和t-1是时刻,xt是输入的特征矩阵;
步骤S352:首先基于输入计算中间状态,然后计算遗忘门和复位门的状态,计算公式如下:
;
;
;
式中,是用于计算门控状态的中间状态,ft是遗忘门,rt是复位门,σ是激活函数;
步骤S353:遗忘门用于控制内部状态ct,复位门用于计算输出状态 ht,所用公式如下:
;
;
式中,g是用于计算输出状态的激活函数,⊙是逐元素相乘;
步骤S354:空气质量预测,经过上述多层隐藏层特征学习后,将学习到的数据特征作为输入建立空气预测模型进行训练,设空气质量数据的特征向量为x,相应的标签为t,对于一组样本[xl,tl],xl=[xl1,xl2,…,xln]T,tl=[tl1,tl2,…,tln]T,具有L个隐藏层节点的神经网络oL表示为:
;
式中,l是样本的索引,L是样本数量,βq是连接第i个隐藏层和第q个输出层的权重矩阵,ωi是特征向量层和隐藏层之间的连接权重,ci是隐藏层的偏置向量;
步骤S355:定义损失函数,预先设定损失评估阈值,当损失函数低于损失评估阈值时,模型训练完成,损失函数L(ω)所用公式如下:
;
式中,Lo(w)是预测值与实际值之间的差异,λ是正则化系数,n是权重索引,N是权重数量;
步骤S356:基于损失函数调整参数,所用公式如下:
;
式中,ω’是调整后的参数,η是学习率;
在步骤S4中,所述寻参具体包括以下步骤:
步骤S41:初始化,初始化参数位置、初始速度,并将基于各参数建立的空气质量预测模型预测正确率作为参数适应度值,适应度值最高的作为最优参数;
步骤S42:更新速度,所用公式如下:
;
式中,m+1和m是迭代次数,I是参数索引,J是维度索引,c1和c2是加速度因子,r1和r2是用于增加随机性的随机数,是第m次迭代第I个参数第J维度的当前位置,/>是第m次迭代第I个参数第J维度的最优位置;
步骤S43:更新位置,所用公式如下:
;
式中,M是最大迭代次数,μ是用来控制混沌程度的常数,是第m次迭代第J个维度上所有粒子的速度;
步骤S44:处理越界参数,所用公式如下:
;
式中,sin是符号函数,Lr是0到1的随机数,aJ和bJ是参数第J维度的下界和上界;
步骤S45:迭代处理,预先设有适应度阈值,当参数适应度值高于适应度阈值时,基于当前参数建立空气质量预测模型并实时监测空气质量;若达到最大迭代次数,则返回步骤S41重新初始化并寻参;否则继续迭代寻参。
2.根据权利要求1所述的人工智能生态因子空气环境质量监测方法,其特征在于:在步骤S2中,所述数据预处理具体包括以下步骤:
步骤S21:建立分区空气质量与监测站空气质量的关系,根据每个监测站到待预测监测站的距离设置不同的权重,处理结果为该分区的空气质量,反映受影响分区的空气污染程度,所用公式如下:
;
式中,是受影响分区的空气质量,ai1是受影响分区,i1是受影响分区索引,AQI是空气质量指数,sj1是ai1分区内第j1个监测站,k是分区内监测站数量,Wj1是j1监测站的影响权重;
步骤S22:空间插值,若受影响子区域内没有监测站且存在缺失值,则采用空间插值法进行空间插值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311644963.0A CN117350175B (zh) | 2023-12-04 | 2023-12-04 | 人工智能生态因子空气环境质量监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311644963.0A CN117350175B (zh) | 2023-12-04 | 2023-12-04 | 人工智能生态因子空气环境质量监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117350175A CN117350175A (zh) | 2024-01-05 |
CN117350175B true CN117350175B (zh) | 2024-03-12 |
Family
ID=89361723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311644963.0A Active CN117350175B (zh) | 2023-12-04 | 2023-12-04 | 人工智能生态因子空气环境质量监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117350175B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117851922B (zh) * | 2024-03-08 | 2024-06-07 | 山东新泽仪器有限公司 | 一种空气浓度监测仪器运行监测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102967770A (zh) * | 2012-08-23 | 2013-03-13 | 南京信息工程大学 | 一种基于混沌pso算法的雷电定位方法 |
CN110346517A (zh) * | 2019-07-25 | 2019-10-18 | 中南大学 | 一种智慧城市工业大气污染可视化预警方法及其系统 |
CN113887143A (zh) * | 2021-10-21 | 2022-01-04 | 重庆邮电大学 | 多源异构空气污染物的空间插值方法、装置及计算机设备 |
CN115860286A (zh) * | 2023-03-01 | 2023-03-28 | 江苏省生态环境监测监控有限公司 | 一种基于时序门机制的空气质量预测方法及系统 |
CN116256468A (zh) * | 2022-10-15 | 2023-06-13 | 中电万维信息技术有限责任公司 | 一种基于动态自适应粒子群的空气质量预测优化方法 |
CN116307212A (zh) * | 2023-03-24 | 2023-06-23 | 淮阴工学院 | 一种新型空气质量预测方法及系统 |
CN117074627A (zh) * | 2023-10-16 | 2023-11-17 | 三科智能(山东)集团有限公司 | 基于人工智能的医疗实验室空气质量监测系统 |
-
2023
- 2023-12-04 CN CN202311644963.0A patent/CN117350175B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102967770A (zh) * | 2012-08-23 | 2013-03-13 | 南京信息工程大学 | 一种基于混沌pso算法的雷电定位方法 |
CN110346517A (zh) * | 2019-07-25 | 2019-10-18 | 中南大学 | 一种智慧城市工业大气污染可视化预警方法及其系统 |
CN113887143A (zh) * | 2021-10-21 | 2022-01-04 | 重庆邮电大学 | 多源异构空气污染物的空间插值方法、装置及计算机设备 |
CN116256468A (zh) * | 2022-10-15 | 2023-06-13 | 中电万维信息技术有限责任公司 | 一种基于动态自适应粒子群的空气质量预测优化方法 |
CN115860286A (zh) * | 2023-03-01 | 2023-03-28 | 江苏省生态环境监测监控有限公司 | 一种基于时序门机制的空气质量预测方法及系统 |
CN116307212A (zh) * | 2023-03-24 | 2023-06-23 | 淮阴工学院 | 一种新型空气质量预测方法及系统 |
CN117074627A (zh) * | 2023-10-16 | 2023-11-17 | 三科智能(山东)集团有限公司 | 基于人工智能的医疗实验室空气质量监测系统 |
Non-Patent Citations (3)
Title |
---|
Air Pollutant Concentration Prediction Based on GRU Method;Xinxing Zhou等;《CISAT 2018》;全文 * |
Application of TCN-biGRU neural network in PM2.5 concentration prediction;Ting Shi等;《Environmental Science and Pollution Research》;全文 * |
融合双向GRU 的空气质量数据缺失补充算法;郭昆鹏等;《小型微型计算机系统》(第7期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117350175A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492814B (zh) | 一种城市交通流量预测方法、系统及电子设备 | |
CN111061277B (zh) | 一种无人车全局路径规划方法和装置 | |
CN107065890A (zh) | 一种无人车智能避障方法及系统 | |
CN117350175B (zh) | 人工智能生态因子空气环境质量监测方法及系统 | |
CN106529818B (zh) | 基于模糊小波神经网络的水质评价预测方法 | |
CN109063938A (zh) | 基于psode-bp神经网络的空气质量预测方法 | |
CN112770256B (zh) | 一种无人机自组织网络中的节点轨迹预测方法 | |
Yang et al. | A digital twins enabled underwater intelligent internet vehicle path planning system via reinforcement learning and edge computing | |
CN114167898B (zh) | 一种无人机收集数据的全局路径规划方法及系统 | |
CN110181508A (zh) | 水下机器人三维航路规划方法及系统 | |
CN114199248B (zh) | 一种基于混合元启发算法优化anfis的auv协同定位方法 | |
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 | |
CN113537580B (zh) | 一种基于自适应图学习的公共交通客流预测方法及系统 | |
CN114463997A (zh) | 一种无信号灯交叉路口车辆协同控制方法及系统 | |
CN106228232A (zh) | 一种基于模糊推理种群预测策略的动态多目标教学优化方法 | |
CN111582541A (zh) | 一种基于萤火虫算法的内涝模型预测方法 | |
Juang et al. | A self-generating fuzzy system with ant and particle swarm cooperative optimization | |
Hu et al. | Graph soft actor–critic reinforcement learning for large-scale distributed multirobot coordination | |
CN114815801A (zh) | 一种基于策略-价值网络及mcts的自适应环境路径规划方法 | |
CN117522078A (zh) | 无人系统集群环境耦合下的可迁移任务规划方法及系统 | |
CN113110101A (zh) | 一种生产线移动机器人聚集式回收入库仿真方法及系统 | |
Ou et al. | Hybrid path planning based on adaptive visibility graph initialization and edge computing for mobile robots | |
CN112528556A (zh) | 一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法 | |
CN112861332B (zh) | 一种基于图网络的集群动力学预测方法 | |
CN113379063B (zh) | 基于在线增强学习模型的全流程任务时序智能决策方法 |
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 |