[发明专利]一种室内PM2.5浓度预估方法

说明书

本发明涉及空气检测技术领域，具体涉及一种室内PM2.5浓度预估方法，具体包括如下步骤：通过大数据平台获取室外空气质量基础数据；对所获取的空气质量基础数据进行数据处理后获得标准数据；通过Apriori算法实现关联因子分析；建立专家知识库；构建浓度向量；预测浓度；匹配成因。本发明所提供的室内PM2.5浓度预估方法，通过大数据平台采集空气质量数据，对数据进行处理分析后预测出PM2.5浓度，并可分析成因，提供有效地决策措施；提高了空气质量，为人们提供一个安全、健康且舒适的室内环境。

技术领域

本发明涉及空气检测技术领域，具体涉及一种室内PM2.5浓度预估方法。

背景技术

由于人们长时间待在室内，尤其对于家庭主妇、老人、儿童来说，在室内的时间更是在95％以上，因此，人们更希望待在一个健康、安全、舒适的室内环境。大量关于室内外细颗粒物污染物关系的研究表明，室内室外的PM2.5浓度具有明显的相关性，因为室外PM2.5可以经过门窗及墙体等围护结构缝隙进入室内。城市人群长期暴露在PM2.5较高的环境下会对健康产生有害影响，而人体对微弱的污染物感知不敏感；虽然，现有市面上具有监测PM2.5浓度的相关设备，但设备价格较为昂贵，而且不易操作。

发明内容

本发明为了能够方便快捷地随时掌握室内PM2.5浓度值，提供了一种室内PM2.5浓度预估方法。

为了达到上述目的，本发明包括以下技术方案：本发明提供了一种室内PM2.5浓度预估方法，包括如下步骤：

(1)通过大数据平台获取室外空气质量基础数据；

(2)对所获取的空气质量基础数据进行数据处理后获得标准数据；

(3)通过Apriori算法实现关联因子分析；

(4)建立专家知识库；

(5)构建浓度向量：分别对不同检测物质浓度下正常及异常值在7个因子上进行离散化，利用熵计算离散化后的模型因子之间的分布，得到各因子的7个合理的阈值区间，使这7个因子在该阈值区间上有最大的信息量表示，即形成了7*n维向量；

(6)预测浓度：将离散化后的数据构建成向量，当把所有训练数据全部构建完成后，根据这些数据在空间的分布情况，利用KNN算法，通过调整k值达到最优预测效果，完成建模；

(7)匹配成因：针对异常预警数据，继续使用KNN算法对新样本进行匹配成因以及结合专家知识库给出建议方案。

进一步地，所述步骤(2)的具体步骤为：

1)对数据进行处理，清洗操作，主要包括对数据不一致进行纠正，对数据噪音、数据局外音进行消除或识别，对部分遗失缺损的数据进行补充；

2)数据转换：将数据转换成便于数据挖掘的格式；

3)数据规约：在大数据平台上，利用大数据平台的数据处理能力从特征中删除不重要或者不相干的特征，对数据进行在再一次检查，确保完整性及正确性。

进一步地，所述通过Apriori算法实现关联因子分析具体为：

1)对关联因子进行筛选分析判断；

2)使用Apriori算法进行关联因子分析；

3)根据分析结果进行处理，去除关联性低的因子，保留关联性较高的因子，分别为：室外浓度、缝隙高度、缝隙深度、缝隙两侧压差、缝隙形状、缝隙直角数、气密性等级。

进一步地，所述步骤(4)建立专家知识库具体为：

1)根据所获得的关联因子，将训练样本形成7维向量；

2)收集报警浓度的判定方案及决策意见，进行最终的数据治理、数据筛选、计算，形成初代版本的专家库。