CN117824093A - 一种智慧教室环境适切性调节方法及系统 - Google Patents
一种智慧教室环境适切性调节方法及系统 Download PDFInfo
- Publication number
- CN117824093A CN117824093A CN202410037937.XA CN202410037937A CN117824093A CN 117824093 A CN117824093 A CN 117824093A CN 202410037937 A CN202410037937 A CN 202410037937A CN 117824093 A CN117824093 A CN 117824093A
- Authority
- CN
- China
- Prior art keywords
- concentration
- data
- environmental parameter
- prediction model
- importance
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000007613 environmental effect Effects 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000009423 ventilation Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 230000033228 biological regulation Effects 0.000 abstract description 3
- 230000001105 regulatory effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010003497 Asphyxia Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 241000949477 Toona ciliata Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000003931 cognitive performance Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智慧教室环境适切性调节方法及系统。本发明首先采集各种环境参数数据和CO2浓度数据；根据各种环境参数与CO2浓度的相关性和重要性筛选CO2浓度的影响因子；基于LSTM神经网络建立CO2浓度预测模型，以所述影响因子作为训练数据，CO2浓度预测值作为目标变量，对所述CO2浓度预测模型进行拟合训练，对模型超参数进行优化并依据预测结果建立自动调节通风系统，实现智慧教室的智能控制，调节教室内CO2浓度，由此帮助学习者创建一个适宜健康的学习环境，进而提高教学成果。
Description
技术领域
本发明属于教育信息化技术领域，更具体地，涉及一种智慧教室环境适切性调节方法及系统。
背景技术
作为教室内空气的重要组成部分，CO2本身对人体并无害，但高浓度的CO2会导致中枢神经兴奋后抑制、机体缺氧、麻痹和窒息，从而引起中枢神经中毒。实际上，一些研究显示，教室内CO2浓度会影响着室内人员的大脑功能，进而影响着学生的身心健康和认知表现，而学习环境适切性是教学活动能否顺利进行与教学效果能否得到保障的一项重要前提。因此若提前确定影响CO2排放的因素，并依据影响因素建立智慧教室CO2预测模型进而预测室内未来某一时间段内的CO2浓度，最后通过控制通风系统能够达到提前对教室内CO2浓度进行调节的效果，这将会帮助学习者创建一个适宜健康的学习环境，进而提高教学成果，因此具有一定的研究意义与实践价值。
目前国内对于CO2浓度的预测研究大多是基于传统预测方法，例如趋势外推模型、时间序列模型、多元线性回归模型等。在实际应用过程中，对于线性关系明显的原始数据时，模型预测性能较好；然而，当研究室内CO2排放量与其影响因素间的非线性关系时，传统的预测方法会有一定的局限性。因此如何高精度预测教室内CO2浓度并进行实时调控，是当今迫切需要为学习者创造良好学习环境的前提。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种智慧教室环境适切性调节方法及系统，其目的在于解决现有室内CO2浓度预测技术适用性不强，导致预测精度不够，进而影响教室内师生学习效率的技术问题。
为实现上述目的，第一方面，本发明提供了一种室内CO2浓度预测模型训练方法，所述方法包括：
采集各种环境参数数据和CO2浓度数据；根据各种环境参数与CO2浓度的相关性和重要性筛选CO2浓度的影响因子；
基于LSTM建立CO2浓度预测模型，以所述影响因子作为训练数据，CO2浓度预测值作为目标变量，对所述CO2浓度预测模型进行拟合训练。
优选的，根据各种环境参数与CO2浓度的相关性筛选CO2浓度的影响因子，具体为，计算每一种环境参数和CO2浓度的相关性ρ：
其中，X和Y分别表示环境参数数据和CO2浓度数据；cov(X,Y)表示X和Y的协方差；σX和σY分别为X与Y的标准差；
从中剔除相关性ρ小于相关性阈值的环境参数。
优选的，根据各种环境参数与CO2浓度的重要性筛选CO2浓度的影响因子，具体为：
分别将各种环境参数作为CO2浓度的预测变量，使用随机森林算法中的平均精度下降度量各个预测变量的重要性，剔除重要性小于重要性阈值的环境参数。
优选的，所述重要性具体采用以下方法度量：
对包含各种环境参数的数据集合进行装袋采样，获得M组样本子集：Om,m＝1,2,…,M；Om对应的袋外数据为依据样本子集Om训练决策树σm；
在袋外数据上，应用决策树σm预测CO2浓度，正确预测的样本个数记为/>
将袋外数据中第d项环境参数的数据随机打乱，构成P个新的袋外数据：
在P个袋外数据上，应用决策树σm预测样本，正确预测的样本个数记为/>
所述环境参数的重要性为：
其中，d表示环境参数的种类序号。
优选的，采集环境参数数据和CO2浓度数据后进行数据预处理，所述预处理包括数据清洗、数据变换和归一化，所述归一化具体为：
其中，x和x′分别为原始数据和归一化之后的数据；a和b为目标范围；max(x)和min(x)分别为原始数据序列中的最大值和最小值。
优选的，所述环境参数包括温度、湿度、光照度、O2浓度、NH3浓度、PM2.5浓度、PM10浓度和人数中的至少两种。
优选的，对所述CO2浓度预测模型进行拟合训练时，选用Relu函数作为激活函数，选用Adam函数作为模型的优化函数，并使用Dropout方法来防止过拟合。
优选的，对所述CO2浓度预测模型进行拟合训练时，基于贝叶斯优化算法TPE对模型的超参数进行优化。
第二方面，本发明提供了一种智慧教室环境适切性调节方法，所述方法包括：
实时采集教室内各种环境参数数据；
将所述环境参数数据经过预处理后输入至CO2浓度预测模型中，所述模型输出教室内CO2浓度的未来预测值；
根据所述未来预测值调节教室内通风量；
所述CO2浓度预测模型是根据第一方面中任一所述的方法训练得到。
第三方面，本发明提供一种智慧教室环境适切性调节系统，所述系统包括：
传感器层，包括各种类传感器，用于采集教室内各种环境参数数据，并将采集到的环境参数数据上传至边缘计算层；
边缘计算层，用于对接收到的各种环境参数数据进行预处理，随后将所述预处理数据上传至云计算服务层；
云计算服务层，包括CO2浓度预测模型，用于将所述预处理数据输入至CO2浓度预测模型，预测得到教室内的CO2浓度预测值，并将所述CO2浓度预测值发送至应用层；
应用层，用于根据CO2浓度预测值调节教室的通风系统；
所述CO2浓度预测模型是根据第一方面中任一所述的方法训练得到。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
(1)本发明提出了一种教室内适切性调节方案，该方案训练一种CO2浓度预测模型应用在教室环境调节中，基于教室中的环境参数实现对教室中的CO2浓度的预测，并基于预测趋势提前调节通风系统，为教室中的学习者创造良好的学习环境，进而提高教学成果；该技术方案无需人为干预，实现了教室环境适切性智慧调节；并且本发明基于CO2浓度的预测值进行适切性调节，较基于CO2浓度实时调节更加及时和实用；
(2)本发明通过皮尔逊相关系数和RF算法找出对CO2浓度影响程度最大的几种环境参数作为CO2浓度预测模型的训练数据，由此降低数据的冗余以及模型的复杂度，提高了模型的计算速度和预测精度；
(3)本发明采用基于贝叶斯优化算法TPE对LSTM神经网络模型进行优化，进一步提高了模型的预测精度。
附图说明
图1是本发明实施例中教室环境适切性调整方法的整体流程图；
图2是本发明实施例中智慧教室环境数据物联网采集系统架构示意图；
图3是各CO2影响因素与CO2浓度的皮尔逊相关系数示意图；
图4是各CO2影响因素与CO2浓度的相对重要性示意图；
图5是本发明实施例中LSTM模型的网络结构示意图；
图6是本发明实施例中CO2浓度预测模型预测数据和实测数据示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本文中的说明书和权利要求书中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述对象的特定顺序。例如，第一环境参数和第二环境参数等是用于区别不同的环境参数，而不是用于描述环境参数的特定顺序。
在本发明实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在本发明实施例的描述中，除非另有说明，“多个”的含义是指两个或者两个以上，例如，多个环境参数是指两个或者两个以上的环境参数等；多个神经元是指两个或者两个以上的神经元等。
接下来，对本发明实施例中提供的技术方案进行介绍。
本实施例的实施硬件环境如图2所示，如图1所示，本实施例具体包括以下步骤：
S1、使用智慧教室物联网系统传感器层的边缘传感器设备进行数据采集并实时监测室内CO2浓度，可以从智慧教室环境中获取多源异构数据，例如发明需收集的环境数据当然还包括其他多类型数据，并设定采样时间与间隔后将数据传输到本地服务器进行处理；
使用边缘传感器对当前时间对应的前一时刻CO2浓度、室内人数、光照强度、PM10、PM2.5、温度、湿度、NH3、O2这些可能影响室内CO2浓度的因子进行采集，将每个小时内采集的输入数据作为一个样本，采用环境数据采集传感器参数如表1所示：
表1
温度传感器、湿度传感器等物联网设备通过WiFi通信接口协议连接到边缘节点，它们将以同步和异步模式收集多种数据。测试人员对某高校综合办公大楼智慧教室环境参数进行现场采集，采集一个含有6336个智慧教室内原始数据的样本集，见表2。
表2
S2、边缘计算层对智慧教室物联网系统边缘设备的数据通过批处理的方式进行数据清洗和数据变换，并进行归一化处理消除奇异样本数据导致的不良影响，建立数据集；
对数据进行归一化处理，其公式为：
其中，x为原始特征，x′为经过归一化后的特征，a和b为目标范围；常用的目标范围有[-1,1]和[0,1]，本实施例中使用的目标范围为[0,1]；
经边缘计算层初始化过的数据在核心网络层的帮助下成功传输至云计算服务层进行后续的数据处理。
S3、云计算服务层的高性能计算服务器通过皮尔逊相关系数、随机森林(RF)算法分别对教室环境下CO2浓度的影响因素的相关性和重要性进行分析，提取影响程度较大的因素作为CO2浓度预测模型的输入变量；
由边缘节点收集的大量数据存储在云计算服务层中，然后服务器可将数据转换为可识别的数据格式并将数据写入到数据中心的数据库中。智慧教室可以为本发明需收集的各类数据提供良好的收集与上传环境。
在云计算服务层基于皮尔逊相关系数开展CO2浓度影响因子相关性分析，对各个影响因子之间相关关系的强弱进行影响因素集的首次筛选；
皮尔逊相关系数表示两个变量的线性相关程度，可以定性地分析两个变量之间的相依赖程度，其公式为：
其中，X与Y为需要判断相关性的环境参数和CO2浓度，它们之间的皮尔逊相关系数为ρ(X,Y)，协方差为cov(X,Y)；σX和σY分别为X与Y的标准差；
对温度、湿度、光照度、O2浓度、NH3浓度、PM2.5浓度、PM10浓度等9个影响因子与CO2进行皮尔逊相关系数分析，设定相关性阈值为0.02，得到的相关系数与显著性见图3，由各CO2影响因素与CO2浓度的皮尔逊相关系数结果可知，NH3浓度与CO2浓度的相关性非常小，选择剔除出CO2浓度的影响因子集。
利用随机森林(RF)算法进行影响因子重要性排序，通过计算特征的重要性分数来估计特征对分类问题的重要性，二次筛选影响因素集最终选定影响室内CO2浓度最显著的因子；
RF算法通常使用平均精度下降(Mean decrease accuracy,MDA)度量特征的重要性，包含以下步骤：
(1)对原始训练数据集进行装袋采样，获得M组训练样本；
(2)依据样本子集O1训练决策树σ1，此时袋外样本为在袋外数据/>上，应用决策树σ1预测样本，结果中正确预测的样本个数记为/>
(3)对P项特征，依次对袋外数据为的第d(d的取值为1,2…P)项特征随机打乱，最终构成P个新的袋外数据为/>
(4)在上一步构建好的P个新的袋外数据应用决策树σ1预测样本，结果中正确预测的样本个数记为
(5)依次对样本子集O2,…Om,…OM执行步骤(2)至步骤(4)，得到正确分类的样本个数为
计算第d项环境参数的重要性分数，其公式为：
设定重要性阈值为0.1％，重要性度量的结果如图4所示，室内人数和光照度是模型预测教室环境下CO2浓度的最重要影响因子，其相对教室环境下CO2浓度的重要性分别为0.84％和0.54％，其次为PM10浓度、PM2.5浓度、温度、湿度、O2浓度和NH3浓度，它们的相对重要性分别为0.44％、0.44％、0.42％、0.39％和0.0083％。
云计算服务层的服务器经皮尔逊相关系数对上述影响因子进行首次筛选与RF算法对进行二次筛选后，可以最终确定温度、湿度、光照度、O2浓度、PM2.5浓度、PM10浓度与室内人数为智慧教室内CO2浓度的影响因子集。
对于筛选后的影响因子数据集，将整体数据集数据的85％作为训练集用于后续神经网络训练，剩余的15％作为测试集用于后续需验证模型的精确度。
S4、基于长短期记忆神经网络(LSTM)建立智慧教室内CO2浓度预测模型，利用模型的参数优化算法对参数进行优选，尽可能提高模型的预测准确度。
本发明对LSTM神经网络模型选用Relu函数作为激活函数、Adam函数作为模型的优化函数，并使用Dropout方法来防止过拟合。
LSTM模型将每个神经元设计成有多个门的结构。这些门包括遗忘门ft、输入门it和输出门ot，用于控制和保存历史信息。LSTM模型的网络结构如图5所示，其内部具体过程可主要归纳为三个阶段。
遗忘门主要用于筛选出长期记忆中重要的信息，主要用表示这一过程。
在LSTM神经网络中，对于t时刻的LSTM神经元，需同时考虑当前时刻的输入xt、上一时刻的长期单元状态Ct-1以及隐藏层上一时刻的输出ht-1。
输入门it会对当前时刻的输入xt和短期记忆ht-1进行过滤，以筛选出相关的短期输入信息。
输出门是对前两阶段信息的汇总，决定下一时刻的输出信息。LSTM在下一时刻的隐藏层状态ht就可确定，其由输出门ot对长期单元状态Ct提取。
针对模型超参数的选取多依赖于人工经验的现状，为进一步提高预测精度，利用Hyperopt基于贝叶斯优化算法TPE对LSTM模型超参数进行优化。
在利用Hyperopt进行自动调参前需定义目标函数及参数搜索空间，将超参数输入至定义的目标函数中，输出希望最小化的值。其中，参数搜索空间的创建需以Hyperopt对象的形式使用超参数分布，然后将目标函数、搜索空间传递给fmin()函数，并使用TPE算法进行优化。
当利用Hyperopt对LSTM模型进一步进行调整优化，确定好模型较优的超参数组合后，对建立的LSTM模型进行训练直至收敛，并使用测试集进行验证。智慧教室CO2浓度预测模型测试数据集拟合图如图6所示，可以看出本发明提出的预测模型预测效果优良，能为后续自动调节通风系统提供有力的数据支撑。
S5、依据CO2浓度预测模型创建自动调节通风系统，根据预测结果，系统自动调整通风设备以控制智慧教室CO2浓度并进行历史分析与趋势检测。
自动调节通风系统需确保各通风设备如空调系统能在核心网络层的帮助下与控制系统进行连接，并能够实时接收来自控制算法的指令。
基于传感器收集的数据和CO2浓度预测模型结果，在云计算服务层设置CO2浓度阈值，当CO2浓度超过所设定的阈值时，使用控制算法决定调节通风系统何时开始通风与何时停止通风以保证室内空气质量。
记录和存储CO2浓度预测自动通风系统数据，以便进行后续分析，通过手机应用程序或者控制面板能实时查看和调整通风情况，并进一步提供历史分析与趋势监测功能，提高系统性能。
可以理解的是，在本发明的实施例中涉及的各种数字编号仅为描述方便进行的区分，并不用来限制本发明的实施例的范围。
以上内容本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种室内CO2浓度预测模型训练方法，其特征在于，所述方法包括：
采集各种环境参数数据和CO2浓度数据；根据各种环境参数与CO2浓度的相关性和重要性筛选CO2浓度的影响因子；
基于LSTM建立CO2浓度预测模型，以所述影响因子作为训练数据，CO2浓度预测值作为目标变量，对所述CO2浓度预测模型进行拟合训练。
2.根据权利要求1所述的方法，其特征在于，根据各种环境参数与CO2浓度的相关性筛选CO2浓度的影响因子，具体为，计算每一种环境参数和CO2浓度的相关性ρ：
其中，X和Y分别表示环境参数数据和CO2浓度数据；cov(X,Y)表示X和Y的协方差；σX和σY分别为X与Y的标准差；
从中剔除相关性ρ小于相关性阈值的环境参数。
3.根据权利要求1所述的方法，其特征在于，根据各种环境参数与CO2浓度的重要性筛选CO2浓度的影响因子，具体为：
分别将各种环境参数作为CO2浓度的预测变量，使用随机森林算法中的平均精度下降度量各个预测变量的重要性，剔除重要性小于重要性阈值的环境参数。
4.根据权利要求3所述的方法，其特征在于，所述重要性具体采用以下方法度量：
对包含各种环境参数的数据集合进行装袋采样，获得M组样本子集：Om,m＝1,2,…,M；Om对应的袋外数据为依据样本子集Om训练决策树σm；
在袋外数据上，应用决策树σm预测CO2浓度，正确预测的样本个数记为/>
将袋外数据中第d项环境参数的数据随机打乱，构成P个新的袋外数据：
在P个袋外数据上，应用决策树σm预测样本，正确预测的样本个数记为/>
所述环境参数的重要性为：
其中，d表示环境参数的种类序号。
5.根据权利要求1所述的方法，其特征在于，采集环境参数数据和CO2浓度数据后进行数据预处理，所述预处理包括数据清洗、数据变换和归一化，所述归一化具体为：
其中，x和x′分别为原始数据和归一化之后的数据；a和b为目标范围；max(x)和min(x)分别为原始数据序列中的最大值和最小值。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述环境参数包括温度、湿度、光照度、O2浓度、NH3浓度、PM2.5浓度、PM10浓度和人数中的至少两种。
7.根据权利要求1所述的方法，其特征在于，对所述CO2浓度预测模型进行拟合训练时，选用Relu函数作为激活函数，选用Adam函数作为模型的优化函数，并使用Dropout方法来防止过拟合。
8.根据权利要求1所述的方法，其特征在于，对所述CO2浓度预测模型进行拟合训练时，基于贝叶斯优化算法TPE对模型的超参数进行优化。
9.一种智慧教室环境适切性调节方法，其特征在于，所述方法包括：
实时采集教室内各种环境参数数据；
将所述环境参数数据经过预处理后输入至CO2浓度预测模型中，所述模型输出教室内CO2浓度的预测值；
根据所述未来预测值调节教室内通风量；
所述CO2浓度预测模型是根据权利要求1-8中任一所述方法训练得到。
10.一种智慧教室环境适切性调节系统，其特征在于，所述系统包括：
传感器层，包括各种类传感器，用于采集教室内各种环境参数数据，并将采集到的环境参数数据上传至边缘计算层；
边缘计算层，用于对接收到的各种环境参数数据进行预处理，随后将所述预处理数据上传至云计算服务层；
云计算服务层，包括CO2浓度预测模型，用于将所述预处理数据输入至CO2浓度预测模型，所述模型输出教室内CO2浓度的预测值，并将所述CO2浓度预测值发送至应用层；
应用层，用于根据CO2浓度预测值调节教室的通风系统；
所述CO2浓度预测模型是根据权利要求1-8中任一所述方法训练得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410037937.XA CN117824093A (zh) | 2024-01-10 | 2024-01-10 | 一种智慧教室环境适切性调节方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410037937.XA CN117824093A (zh) | 2024-01-10 | 2024-01-10 | 一种智慧教室环境适切性调节方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117824093A true CN117824093A (zh) | 2024-04-05 |
Family
ID=90517319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410037937.XA Pending CN117824093A (zh) | 2024-01-10 | 2024-01-10 | 一种智慧教室环境适切性调节方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117824093A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113240518A (zh) * | 2021-07-12 | 2021-08-10 | 广州思迈特软件有限公司 | 基于机器学习的银行对公客户流失预测方法 |
| CN114819312A (zh) * | 2022-04-15 | 2022-07-29 | 武汉大学 | 一种pm1浓度的估算方法及系统 |
| CN114974453A (zh) * | 2022-05-30 | 2022-08-30 | 中南大学 | 一种大气二氧化碳柱浓度高覆盖度重建方法 |
| CN115049097A (zh) * | 2022-04-12 | 2022-09-13 | 浙江工业大学 | 集成aec和时空特征的工业园区pm2.5浓度预测方法 |
| KR102498079B1 (ko) * | 2021-11-29 | 2023-02-10 | 주식회사 에스아이디허브 | 머신러닝을 활용한 공기개선 장비의 사용자 최적화 다중 제어방법 |
| US20230186173A1 (en) * | 2021-12-14 | 2023-06-15 | Wuhan University | Method of analyzing influence factor for predicting carbon dioxide concentration of any spatiotemporal position |
-
2024
- 2024-01-10 CN CN202410037937.XA patent/CN117824093A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113240518A (zh) * | 2021-07-12 | 2021-08-10 | 广州思迈特软件有限公司 | 基于机器学习的银行对公客户流失预测方法 |
| KR102498079B1 (ko) * | 2021-11-29 | 2023-02-10 | 주식회사 에스아이디허브 | 머신러닝을 활용한 공기개선 장비의 사용자 최적화 다중 제어방법 |
| US20230186173A1 (en) * | 2021-12-14 | 2023-06-15 | Wuhan University | Method of analyzing influence factor for predicting carbon dioxide concentration of any spatiotemporal position |
| CN115049097A (zh) * | 2022-04-12 | 2022-09-13 | 浙江工业大学 | 集成aec和时空特征的工业园区pm2.5浓度预测方法 |
| CN114819312A (zh) * | 2022-04-15 | 2022-07-29 | 武汉大学 | 一种pm1浓度的估算方法及系统 |
| CN114974453A (zh) * | 2022-05-30 | 2022-08-30 | 中南大学 | 一种大气二氧化碳柱浓度高覆盖度重建方法 |
Non-Patent Citations (3)
| Title |
|---|
| 夏柏树;张宁;白晓伟;: "大型火车站候车厅腔体植入设计的舒适度关联研究", 建筑技艺, no. 07, 20 July 2020 (2020-07-20) * |
| 张亚楠;: "基于模型预测的教室环境品质智能控制方法的研究", 工业控制计算机, no. 09, 25 September 2017 (2017-09-25) * |
| 程根银;刘一帆;潘嵩;贺仰琪;: "北京地铁站台PM2.5实测及分析", 华北科技学院学报, no. 01, 15 February 2020 (2020-02-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110298487B (zh) | 一种用于满足用户个性化需求的室内温度预测方法 | |
| Ayoub | A review on machine learning algorithms to predict daylighting inside buildings | |
| CN107085732B (zh) | 基于无线传感器网络的牛舍环境氨气智能监测系统 | |
| CN112050397A (zh) | 一种机房温度调控方法及系统 | |
| CN110598902A (zh) | 一种基于支持向量机与knn相结合的水质预测方法 | |
| CN108600965A (zh) | 一种基于客人位置信息的客流数据预测方法 | |
| CN114819102A (zh) | 基于gru的空调设备故障诊断方法 | |
| Liu et al. | Rethinking the limitations of research on occupants’ window-opening behavior: A review | |
| Wang et al. | Research on state prediction method of tobacco curing process based on model fusion | |
| CN112070317A (zh) | 酒店空调能耗预测方法 | |
| CN115096357A (zh) | 一种基于ceemdan-pca-lstm的室内环境质量预测方法 | |
| Feng et al. | A dual-staged attention based conversion-gated long short term memory for multivariable time series prediction | |
| CN108647817B (zh) | 一种能耗负荷的预测方法及预测系统 | |
| CN117688846A (zh) | 用于建筑能耗的强化学习预测方法及系统、存储介质 | |
| CN117824093A (zh) | 一种智慧教室环境适切性调节方法及系统 | |
| CN116029604B (zh) | 一种基于健康舒适度的笼养肉鸭养殖环境调控方法 | |
| CN115359857A (zh) | 一种基于cart模型和优化rvflnn模型预测pm2.5浓度的方法 | |
| Chitnis et al. | Occupancy estimation with environmental sensors: the possibilities and limitations | |
| Balabanova et al. | Voice control and management in smart home system by artificial intelligence | |
| CN115115167A (zh) | 校园安全系统及其运行方法 | |
| CN110781538B (zh) | 基于实地监测的开窗仿真算法 | |
| CN111626465B (zh) | 一种新能源功率短期区间预测方法及系统 | |
| CN114489200A (zh) | 一种温室大棚环境控制系统 | |
| CN114372694A (zh) | 一种高校学生行为分析系统 | |
| CN114707684A (zh) | 一种基于改进lstm的原烟堆垛内部温度预测算法 |
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 |