[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

说明书

本发明提供了一种基于BO‑EMD‑LSTM深度学习算法的教室空气质量预测方法，具体包括以下步骤：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；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；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。本发明提供一种新的解决室内污染物浓度预测问题的思路，引用分而治之的思想，将信号分解领域的经验模态分解算法和深度学习算法巧妙结合，提高长时间预测问题的精度。

技术领域

本发明涉及气体检测技术，特别是涉及一种基于BO-EMD-LSTM深度学习算法的教室空气质量预测方法。

背景技术

随着人们生活水平的不断提高，室内空气质量越来越受到人们的关注。人类活动大多在封闭空间内(室内环境)，室内空气的化学成分多样，空气质量复杂。据估计，人类每天约有90％的时间在室内，因此，人们接触室内空气污染物的概率远远高于室外空气污染物。

特别是学生每天至少花8个小时在教室里，因此室内空气质量已经成为一个重要的话题。室内高浓度的空气污染，如PM2.5、甲醛等，对学生的健康有很大伤害。虽然定期清洁教室和走廊是保持环境卫生的重要组成部分，但它对减少空气污染的作用不大。更糟糕的是，清洁的过程本身也会增加室内污染物。

对教室内的污染物浓度进行建模预测，可以为空气污染的预警机制的建立提供重要的指导。如何开发出准确的方法来分析和预测室内环境中的污染物浓度变化，是一个有待解决的问题。一旦对室内污染物的浓度进行了精确的预测，就可以预警，提前采取缓解措施，以减少学生接触空气污染并改善他们的健康。

相关的学术文献1(Lin，Y.，Yan，Y.，Xu，J.，Liao，Y.Ma，F.，Forecasting stockindex price using the CEEMDAN-LSTM model.The North American Journal ofEconomics and Finance 57 101421(2021))利用EMD算法、CEEMDAN算法和LSTM算法预测股票标准普尔500指数(SP500)和中国证券300指数的指数价格，该文献说明了信号分解方法在时间序列预测上的应用是可行的。

学术文献2(Kallio，J.et al.，Forecasting office indoor CO2 concentrationusing machine learning with a one-year dataset.BUILD ENVIRON 187 107409(2021))利用常见的机器学习方法对室内的CO2浓度进行了预测，发现决策树和随机森林模型比岭回归模型、多层感知机模型预测精度要更高，也更轻量和鲁棒。但是这篇文章仅仅提前1分钟进行了预测，如此短时间的预测实际意义并不是很大，需要进行更长时间的预测。

相关的现有专利1(CN201810134218.4，一种基于多示例遗传神经网络的室内PM2.5预测方法)公开了一种基于多示例遗传神经网络的室内PM2.5预测方法，包括以下步骤：(1)数据采集与特征选取；(2)构建多示例遗传神经网络预测模型；(3)根据多示例遗传神经网络预测模型预测室内PM2.5浓度m。通过上述方式，本发明基于多示例遗传神经网络的室内PM2.5预测方法，通过选取与室内PM2.5密切相关的通风率、气温、相对湿度等7个特征进行模型训练，将多示例神经网络与遗传算法应用到室内空气质量的预测中，不仅得到了较好的预测精度，同时相对于经验模型来说，大大缩短建模的时间，具有可靠性能高、精度高、效率高、实用性强等优点。