[发明专利]一种施工扬尘监测与预测方法、装置及系统

说明书

本发明公开了一种施工扬尘监测与预测方法、装置及系统，属于建设施工技术领域，该方法包括获取施工现场数据；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，得到预测数据；该装置包括获取模块、构建模块、训练模块和变权组合模块；该预测方法能够结合LSTM网络和LightGBM模型的特点，既可以考虑时序数据间的相互关联，也能挖掘非连续特征的有效信息。

技术领域

本发明属于建设施工技术领域，尤其涉及一种施工扬尘监测与预测方法、装置及系统。

背景技术

目前有关施工扬尘监测系统的产品越来越多，监测设备的精度提高了不少，监测气象信息的种类越来越多，设备功能的多样性、便携性越来越好，监测系统的功能越来越丰富，可以说在硬件方面已经有了长足的发展，但是扬尘监测的目的并仅仅是精准、高效、稳定地获取监测点附近区域地气象信息，更重要地是要监测异常值，检测到异常值后需要采取相应的措施恢复到正常值，减少扬尘对大气环境的污染，目前的扬尘监测系统都是监测到异常值后，才开始采取措施抑制扬尘降低污染，但是这个过程存在明显的滞后性，只能当污染发生后采取抑制污染物产生措施，不能完全的杜绝污染物的产生，因此还会产生一定量的污染物进入大气系统。

发明内容

本发明为了解决上述缺陷，提出一种施工扬尘监测与预测方法、装置及系统。

为解决上述技术问题，本发明所采用的技术方案是：

一种施工扬尘监测与预测方法，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。

本方法的进一步改进在于：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。

本方法的进一步改进在于：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。

本方法的进一步改进在于：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。

本方法的进一步改进在于：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。

本方法的进一步改进在于：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。

一种施工扬尘监测与预测装置，包括：