[发明专利]一种环境空气质量监测智能校准方法

说明书

本发明涉及一种环境空气质量监测智能校准方法。该方法主要是根据当前空气环境监测的网格化要求，针对当前微型监测仪器传感器精度不高而导致的监测数据偏差问题，对微型监测仪器监测的数据进行校准。将国家标准站的标准数据作为目标学习值。将微型监测仪器放置国家标准站周围在同环境下进行学习规则的训练。经过训练微型监测仪器会学习到接近国家标准站规则的学习方法，利用这套新学习的规则可以提高微型监测仪器监测数据的准确度。本文主要针对空气质量六项污染物之一的SO₂数据为例进行说明。

技术领域

本发明涉及空气质量监测领域，具体的说是一种环境空气质量监测智能校 准方法。

背景技术

空气环境的质量状况与我们的生活息息相关。不管是从媒体还是别的其他途 径，我们都能感受到我们当前所处的时代，环境问题愈发严重。目前看来，这 是一项艰巨的任务。国家为实现网格化监管投放的大量标准站，这些高精度的 传感器使成本高，监测点位在布施上也不够灵活这些诸多因素导致我们距离想 要实现全面监管的这一目标还有些遥远。

面对实现网格化监管这一相关政策的出台，市场上涌现出很多方便布施成 本又低的微型监测仪器。但是这些监测仪器存在一个共同的缺点：传感器自身 的物理特性导致了监测到的数据存在一定的偏差。这些数据误差对我们正常的 环境监管工作造成了一定的困扰。

发明内容

为了减少由于普通传感器自身物理特性而造成的数据偏差问题，本发明提 供的一种环境空气质量监测智能校准方法，可以在一定程度上提高微型监测仪 器的精准度，为解决那些仪器由于传感器自身的物理特性而导致数据偏差问题 做出一定的参考价值。

本发明解决其技术问题所采用的技术方案是：一种环境空气质量监测智能 校准方法，包括以下步骤：

数据处理：将微型监测仪器传入数据库的数据和国家标准数据进行整合得 到标记数据和未标记数据；将国家标准数据作为标签，将标记数据集和未标记 数据集都复制成两份，用于协同训练；

模型训练：将两个标记数据集分别在LSTM模型上进行训练，得到两个参数 不同的模型；

协同训练：将该训练好的模型应用到未标记数据集，选取未标记数据集中 置信度高的数据添加到另一个训练器的标记数据集中，如此循环迭代训练直至 模型各参数稳定。

所述数据处理，采用的是空气质量六项污染物之一的SO₂的小时数据，将国 家标准数据作为训练的目标，微型监测仪器采集的数据作为输入的数据。

所述数据处理包括以下步骤：

将微型监测仪器传入数据库的数据和已获得的国家标准数据按照相同时间 进行数据整合，微型监测仪器传入数据库的数据中，在同一时刻有与之对应的 国家标准数据，则该时刻的微型监测仪器传入数据库的数据为标记数据；其余 的为未标记数据；

将标记数据集合复制成两份，分别作为标记数据集1和标记数据集2；将未 标记数据集合也复制成两份，分别作为未标记数据集1和未标记数据集2。

所述标记数据为微型监测仪器传入数据库的数据在同一时刻有与之对应的 国家标准数据，即符合国家标准规定的数据；所述非标记数据为微型监测仪器 的数据中没有与之对应的国家标准数据。

所述模型训练采用长短期记忆网络模型，神经网络为三层。

所述协同训练，包括以下步骤：

1)将通过标记数据集1训练好的模型1应用到未标记数据集1，通过模型 预测，根据未标记数据集1的数据(x_μ1，y_μ1)与标记数据集1的数据进行置信 度检测：