[发明专利]一种施工扬尘监测与预测方法、装置及系统

权利要求书

1.一种施工扬尘监测与预测方法，其特征在于，该方法包括：

获取施工现场数据，将施工现场数据划分为训练样本和测试样本；

构建施工监测与预测模型，其中，施工监测与预测模型包括双向循环的长短期记忆神经模型和梯度提升决策树模型；

训练所述双向循环的长短期记忆神经模型和梯度提升决策树模型，获得测试网络；

将测试样本输入训练后的双向循环的长短期记忆神经模型输出值与梯度提升决策树模型输出值进行加权处理，得到PM2.5和PM10预测数据。

2.根据权利要求1所述的一种施工扬尘监测与预测方法，其特征在于，所述训练样本和测试样本数据包括PM2.5、PM10、温度、湿度、气压、光照和噪声。

3.根据权利要求1所述的一种施工扬尘监测与预测方法，其特征在于，所述双向循环的长短期记忆神经模型包括输入层、隐藏层和输出层。

4.根据权利要求1所述的一种施工扬尘监测与预测方法，其特征在于，所述梯度提升决策树模型参数包括决策树最大深度、叶子节点数、学习率、工具箱最大特征值、一个叶子上数据的最小数量和迭代中随机选择特征比例。

5.根据权利要求1或2所述的一种施工扬尘监测与预测方法，其特征在于，所述训练双向循环的长短期记忆神经模型包括：

采用自适应噪声完备集合经验模态分别将训练样本中的PM2.5和PM10数值时间序列分解成若干个频率由高到低的固有模式分量，去除频率较高的数据噪声，得到重构后的低频率分量的PM2.5和PM10数值时间序列；

采用皮尔逊相关系数对训练样本提取若干个相关度最大变量作为特征变量；

通过所述若干个相关度最大变量作为特征变量、所述低频率分量的PM2.5和PM10数值时间序列对双向循环的长短期记忆神经模型进行训练；

获得测试网络。

6.根据权利要求2所述的一种施工扬尘监测与预测方法，其特征在于，所述训练双向循环的长短期记忆神经模型还包括：

设定双向循环的长短期记忆神经模型训练参数，所述参数包括训练样本数量、批尺寸、学习率和定期周期。

7.一种施工扬尘监测与预测装置，其特征在于，包括：

获取模块，用于获取施工现场数据，将施工现场数据划分为训练样本和测试样本；

构建模块，用于构建施工监测与预测模型，其中，施工监测与预测模型包括双向循环的长短期记忆神经模型和梯度提升决策树模型；

训练模块，用于训练所述双向循环的长短期记忆神经模型和梯度提升决策树模型，获得测试网络；

变权组合模块，用于采用测试样本将训练后的双向循环的长短期记忆神经模型输出值与所述梯度提升决策树模型输出值进行加权处理，得到预测数据。

8.一种施工扬尘监测与预测系统，其特征在于，包括如权利要求7所述的装置。