[发明专利]基于BO-EMD-LSTM深度学习算法的教室空气质量预测方法

权利要求书

1.一种基于BO-EMD-LSTM深度学习算法的教室空气质量预测方法，其特征在于，具体包括以下步骤：

步骤100，对教室内的环境变量进行距离相关性分析，筛选和预测变量高度相关的变量；

步骤200，基于经验模态分解算法，将污染物数据序列分解为若干个低频率的时间序列数据，即污染物浓度子序列；

步骤300，基于LSTM深度学习模型，对每一个污染物浓度子序列进行建模、预测，并将各子序列的预测结果合并得到最终的预测结果，根据最终的预测结果得到教室空气质量。

2.根据权利要求1所述的基于BO-EMD-LSTM深度学习算法的教室空气质量预测方法，其特征在于，还包括以下步骤：

步骤000，采集教室内的空气污染物数据，获取每天的教室空气内的污染物浓度，构建教室室内空气污染共增数据库。

3.根据权利要求2所述的基于BO-EMD-LSTM深度学习算法的教室空气质量预测方法，其特征在于，步骤000具体包括以下步骤：

步骤000，将传感器布置到教室中，采集教室内的空气污染物数据，污染物数据包括温度、相对湿度，获取每天的教室空气内的污染物浓度，包括CO₂浓度、甲醛浓度、TVOC浓度、PM_2.5浓度和PM₁₀浓度，按照采集时间和地点分类存储，构建教室室内空气污染共增数据库。

4.根据权利要求1所述的基于BO-EMD-LSTM深度学习算法的教室空气质量预测方法，其特征在于，步骤100具体包括以下步骤：

步骤110，对教室内的环境变量进行距离相关性分析，计算预测变量和其他变量之间的距离相关系数，捕捉变量间的线性关系和非线性关系；

步骤120，筛选距离相关系数大于设定值的变量作为高度相关的变量，将其作为预测模型的因变量，以完成筛选和预测变量高度相关的变量。

5.根据权利要求4所述的基于BO-EMD-LSTM深度学习算法的教室空气质量预测方法，其特征在于，步骤120中的筛选距离相关系数大于0.25的变量作为高度相关的变量。

6.根据权利要求1所述的基于BO-EMD-LSTM深度学习算法的教室空气质量预测方法，其特征在于，步骤200具体包括以下步骤：

步骤210，根据原始污染物序列数据的上下极值点，分别画出上下包络线；

步骤220：求上下包络线的平均值，画出均值包络线；

步骤230：原始序列数据减去均值包络线，得到中间信号；

步骤240：判断该中间信号是否满足IMF的两个条件，如果满足，该信号就是一个IMF分量，经过经验模态分解，得到污染物浓度子序列；如果不是，以该信号为基础，重新做步骤210-240的分析。

7.根据权利要求1所述的基于BO-EMD-LSTM深度学习算法的教室空气质量预测方法，其特征在于，步骤240中判断该中间信号是否满足IMF的两个条件具体指的是，(1)在整个数据段内，极值点的个数和过零点的个数必须相等或相差最多不能超过一个；(2)在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零，即上、下包络线相对于时间轴局部对称。

8.根据权利要求1所述的基于BO-EMD-LSTM深度学习算法的教室空气质量预测方法，其特征在于，步骤300具体包括以下步骤：

步骤310，基于贝叶斯优化算法，得到每一个污染物浓度子序列的LSTM模型的最优超参数值，设计一个获取函数以避免陷入局部最优；

步骤320，用最优超参数进行LSTM建模、预测，根据标准实现模型评价；

步骤330，将各子序列的预测结果合并得到最终的预测结果，根据最终的预测结果得到教室空气质量。