CN118467915B - 环境变量动态选择的室内气体浓度预测方法、装置和设备 - Google Patents

Abstract

本申请提供了一种环境变量动态选择的室内气体浓度预测方法、装置和设备，该方法包括：计算各个环境变量与目标气体浓度之间的相关系数平均值，得到各个环境变量的平均相关系数；按照平均相关系数的大小对各个环境变量进行排序，并根据排序结果从多个环境变量中动态选择用于不同预测间隔气体浓度的目标环境变量；利用对比学习得到的特征提取网络，对目标环境变量进行趋势特征提取和季节特征提取，得到趋势特征和季节特征；将趋势特征和季节特征，输入到双流轻量化注意力模型进行气体浓度预测，得到气体浓度预测结果。该方法考虑了环境变量对不同预测间隔的气体浓度预测精度影响，根据动态选择的目标环境变量实现准确的气体浓度预测。

Description

环境变量动态选择的室内气体浓度预测方法、装置和设备

技术领域

本申请涉及气体浓度预测技术领域，特别涉及一种环境变量动态选择的室内气体浓度预测方法、装置和设备。

背景技术

工业现场通常会产生大量二氧化碳、氮氧化物、二氧化硫和甲醛等影响人体健康和工业车间正常运行的气体，如果气体处理设备出现故障并且未及时发现，容易造成气体浓度的升高并导致生产安全事故，因此，实现气体浓度预测对于保障工业安全生产至关重要。非色散红外传感器测量得到的气体浓度信息为典型的时间序列，因此挖掘气体浓度时间序列特征并构建预测模型对于流程工业的安全运行至关重要。

非色散红外传感器系统在测量气体浓度值的同时，其耦合的测量装置测得包括温度、流速、压强等环境变量，而上述环境变量对于气体浓度预测具有不同程度影响。如果不加筛选而选择测量系统获得所有环境变量共同预测气体浓度，会增加计算资源，降低预测精度。此外，在不同预测间隔时，环境变量对于气体浓度的影响程度呈现差异性，相关技术虽然在预测气体浓度方面考虑到环境变量的差异性影响，但在构建预测模型的过程中，并未对环境变量做出动态筛选，使得环境变量以相同的权重参与气体浓度预测，降低预测精度。

然而，相关的气体浓度预测方法在预测气体浓度时，无法充分捕获时间序列信息而产生长间隔气体浓度预测精度低的问题。并且，相关的气体浓度预测方法并未充分考虑环境变量对于不同预测间隔的气体浓度预测精度影响。因此，亟需一种能够准确预测长时间间隔的气体浓度预测方法。

发明内容

鉴于上述问题，本申请实施例提供了一种环境变量动态选择的室内气体浓度预测方法、装置和设备，以便克服上述问题或者至少部分地解决上述问题。

本申请实施例的第一方面，公开了一种环境变量动态选择的室内气体浓度预测方法，所述方法包括：

计算各个环境变量与目标气体浓度之间的相关系数平均值，得到各个环境变量的平均相关系数；

按照所述平均相关系数的大小对各个环境变量进行排序，并根据排序结果从多个环境变量中动态选择用于不同预测间隔气体浓度的目标环境变量；

利用对比学习得到的特征提取网络，对所述目标环境变量进行趋势特征提取和季节特征提取，得到趋势特征和季节特征；

将所述趋势特征和所述季节特征，输入到双流轻量化注意力模型进行气体浓度预测，得到气体浓度预测结果。

可选地，计算各个环境变量与目标气体浓度之间的相关系数平均值，得到各个环境变量的平均相关系数，包括：

根据环境变量序列和目标气体浓度序列，计算不同偏移间隔的相关系数；

计算多组环境变量的不同偏移间隔的相关系数的平均值，得到环境变量的平均相关系数；

按照上述步骤，依次对各个环境变量的平均相关系数进行计算，得到各个环境变量的平均相关系数。

可选地，所述特征提取网络包括：编码器、季节特征提取模块和趋势特征提取模块；所述特征提取网络是按照以下步骤训练得到的：

通过所述编码器对样本目标环境变量和样本目标气体浓度进行编码，得到标签样本，以及，对所述样本目标环境变量和所述样本目标气体浓度进行编码和数据增强处理，得到对比样本；

通过所述季节特征提取模块，对所述标签样本和所述对比样本进行季节特征提取，并根据提取的季节特征计算季节特征交叉熵损失值；

通过所述趋势特征提取模块，对所述标签样本和所述对比样本进行趋势特征提取，并根据提取的趋势特征计算趋势特征交叉熵损失值；

对所述季节特征交叉熵损失值和所述趋势特征交叉熵损失值进行加权求和，得到总损失值，并根据所述总损失值对所述编码器的参数、所述季节特征提取模块的参数、以及所述趋势特征提取模块的参数进行更新。

可选地，所述季节特征提取模块包括：傅里叶变换模块、线性连接层和逆傅里叶变换模块；

通过所述季节特征提取模块，对所述标签样本和所述对比样本进行季节特征提取，并根据提取的季节特征计算季节特征交叉熵损失值，包括：

对所述标签样本进行处理，得到第一复数向量，以及，对所述对比样本进行处理，得到第二复数向量，所述第一复数向量和所述第二复数向量构成季节特征；

根据第一复数向量和所述第二复数向量，计算幅值损失和相位损失，并根据所述幅值损失和所述相位损失，得到季节特征交叉熵损失值。

可选地，所述趋势特征提取模块包括：L层因果卷积和平均池化层；

通过所述趋势特征提取模块，对所述标签样本和所述对比样本进行趋势特征提取，并根据提取的趋势特征计算趋势特征交叉熵损失值，包括：

对所述标签样本进行处理，得到第三复数向量，以及，对所述对比样本进行处理，得到第四复数向量，所述第三复数向量和所述第四复数向量构成趋势特征；

根据所述第三复数向量和所述第四复数向量进行趋势特征损失计算，得到趋势特征交叉熵损失值。

可选地，所述双流轻量化注意力模型包括：趋势流注意力模块和季节流注意力模块；所述双流轻量化注意力模型按照以下步骤训练得到：

通过所述特征提取网络对样本目标环境变量进行特征提取，得到样本趋势特征和样本季节特征；

将所述样本趋势特征输入到所述趋势流注意力模块进行处理，得到样本趋势流气体浓度预测结果；

将所述样本季节特征输入到所述季节流注意力模块进行处理，得到样本季节流气体浓度预测结果；

根据所述样本趋势流气体浓度预测结果和所述样本趋势流气体浓度预测结果，计算气体浓度损失值；

根据所述气体浓度损失值对所述双流轻量化注意力模型的模型参数进行更新。

可选地，所述趋势流注意力模块和所述季节流注意力模块的结构相同，所述趋势流注意力模块和所述季节流注意力模块使用多头稀疏性自注意力和注意力蒸馏处理。

可选地，对所述样本目标环境变量和所述样本目标气体浓度进行编码和数据增强处理，得到对比样本，包括：

根据数据增强处理方法，对所述样本目标环境变量和所述样本目标气体浓度进行数据增强处理，得到对比样本，所述数据增强处理方法包括：缩放处理、偏移处理和增加噪声处理；

所述方法还包括：

将所述标签样本和所述对比样本作为对比学习样本对放入样本集中；

在本次训练结束后，从所述样本集中获取用于下一次训练的对比学习样本对，所述用于下一次训练的对比学习样本对中的对比样本的数据增强处理方法、不同于用于本训练的对比学习样本对中的对比样本的数据增强处理方法。

本申请实施例的第二方面，公开了一种环境变量动态选择的室内气体浓度预测装置，所述装置包括：

计算模块，用于计算各个环境变量与目标气体浓度之间的相关系数平均值，得到各个环境变量的平均相关系数；

选择模块，用于按照所述平均相关系数的大小对各个环境变量进行排序，并根据排序结果从多个环境变量中动态选择用于不同预测间隔气体浓度的目标环境变量；

提取模块，用于利用对比学习得到的特征提取网络，对所述目标环境变量进行趋势特征提取和季节特征提取，得到趋势特征和季节特征；

预测模块，用于将所述趋势特征和所述季节特征，输入到双流轻量化注意力模型进行气体浓度预测，得到气体浓度预测结果。

本申请实施例的第三方面，公开了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本申请实施例第一方面所述的环境变量动态选择的室内气体浓度预测方法的步骤。

本申请实施例包括以下优点：

在本申请实施例中，计算各个环境变量与目标气体浓度之间的相关系数平均值，得到各个环境变量的平均相关系数；按照所述平均相关系数的大小对各个环境变量进行排序，并根据排序结果从多个环境变量中动态选择用于不同预测间隔气体浓度的目标环境变量；利用对比学习得到的特征提取网络，对所述目标环境变量进行趋势特征提取和季节特征提取，得到趋势特征和季节特征；将所述趋势特征和所述季节特征，输入到双流轻量化注意力模型进行气体浓度预测，得到气体浓度预测结果。

该方法考虑了环境变量对不同预测间隔的气体浓度预测精度影响，对于不同预测间隔的气体浓度预测，通过环境变量的平均相关系数动态选择环境变量数量和种类，以充分的捕获时间序列信息，从而根据动态选择的目标环境变量实现准确的气体浓度预测。并且，趋势特征和季节特征分别表征不同维度的输入时间序列信息，因而基于目标环境变量的趋势特征和季节特征进行气体浓度预测，进一步提高了气体浓度预测结果的准确性。如此，实现了一种能够准确预测长时间间隔的气体浓度预测方法。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种环境变量动态选择的室内气体浓度预测方法的步骤流程图；

图2是本申请实施例提供的一种环境变量与目标气体浓度不同偏移间隔的相关系数热力图；

图3是本申请实施例提供的一种基于数据增强实现输入变量对比学习的示意图；

图4是本申请实施例提供的一种双流轻量化注意力模型的示意图；

图5是本申请实施例提供的一种环境变量动态选择的室内气体浓度预测方法的架构图；

图6是本申请实施例提供的一种环境变量动态选择的室内气体浓度预测装置的结构示意图；

图7是本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

非色散红外传感器系统在测量气体浓度值的同时，其耦合的测量装置测得包括温度、流速、压强等环境变量，而上述环境变量对于气体浓度预测具有不同程度影响。如果不加筛选而选择测量系统获得所有环境变量共同预测气体浓度，会增加计算资源，降低预测精度。此外，在不同预测间隔时，环境变量对于气体浓度的影响程度呈现差异性，现有研究虽然在预测气体浓度方面考虑到环境变量的差异性影响，但在构建预测模型的过程中，并未对环境变量做出动态筛选，使得环境变量以相同的权重参与气体浓度预测，降低预测精度。因此，实现环境变量的特征提取对于提升预测精度至关重要，多维数据的耦合效应使得气体浓度序列具有较高的复杂性，实现数据的解耦和特征表示对于气体浓度预测模型构建至关重要。

本申请实施例通过解耦环境变量和目标气体浓度变量中的季节特征和趋势特征，而后构建预测模型分别处理解耦后的季节特征和趋势特征，最终融合趋势特征预测结果和季节特征预测结果以实现气体浓度的高精度预测。环境变量因其时间序列呈现混乱性，从而使得非色散红外传感器在测量过程中会产生较大程度的测量误差，而输入数据存在的误差会严重影响预测精度。因此，消除或者降低输入数据中的误差对于提升气体浓度预测精度具有重要作用。并且，现有预测方法并未有效降低环境变量和气体浓度采集时产生的测量误差，从而限制模型的预测精度的提高。为此，本申请实施例提出一种环境变量动态选择的室内气体浓度预测方法，通过环境变量的平均相关系数动态选择环境变量数量和种类，以充分的捕获时间序列信息，从而根据动态选择的目标环境变量实现准确的气体浓度预测。

以下结合附图，对本申请实施例提供的环境变量动态选择的室内气体浓度预测方法进行详细的说明。

参照图1所示，图1是本申请实施例提供的一种环境变量动态选择的室内气体浓度预测方法的步骤流程图。如图1所示，该方法可以包括步骤S110至步骤S140：

步骤S110：计算各个环境变量与目标气体浓度之间的相关系数平均值，得到各个环境变量的平均相关系数。

本申请实施例中，环境变量是指对气体浓度预测具有影响的变量，环境变量包括温度、湿度、流速、压强。不同环境变量对气体浓度预测精度的影响不同，同一环境变量对不同预测间隔时的气体浓度预测精度的影响也不同，因此预测不同间隔时的气体浓度所使用的环境变量可能不同。通过计算各个环境变量与目标气体浓度之间的相关系数平均值，得到每个环境变量的平均相关系数，环境变量的平均相关系数表征环境变量对气体浓度预测结果的影响程度，因而根据环境变量的平均相关系数实现不同预测间隔时的环境变量动态选择。

步骤S120：按照所述平均相关系数的大小对各个环境变量进行排序，并根据排序结果从多个环境变量中动态选择用于不同预测间隔气体浓度的目标环境变量。

本申请实施例中，目标环境变量是对预测间隔气体浓度精度影响大的环境变量。在通过步骤S110计算出各个环境变量的平均相关系数之后，按照从大到小的顺序对各个环境变量的平均相关系数进行排序，从而根据排序结果从多个环境变量中动态选择用于不同预测间隔气体浓度的目标环境变量。

在一些实施方式中，选择排序结果中的前A个平均相关系数对应的环境变量为目标环境变量，其中，A的取值是根据实际情况而灵活设置的。在另一些实施方式中，选择排序结果中的平均相关系数大于目标阈值的平均相关系数对应的环境变量为目标环境变量。

步骤S130：利用对比学习得到的特征提取网络，对所述目标环境变量进行趋势特征提取和季节特征提取，得到趋势特征和季节特征。

本申请实施例中，特征提取网络是指具备趋势特征和季节特征提取功能的网络。趋势特征和季节特征分别表征不同维度的输入时间序列信息，丰富的输入时间序列信息会提升气体浓度预测精度。具体地，特征提取网络包括季节特征提取模块和趋势特征提取模块，通过季节特征提取模块对目标环境变量进行特征提取，得到季节特征；通过趋势特征提取模块对目标环境变量进行特征提取，得到趋势特征。

步骤S140：将所述趋势特征和所述季节特征，输入到双流轻量化注意力模型进行气体浓度预测，得到气体浓度预测结果。

本申请实施例中，双流轻量化注意力模型包括：趋势流注意力模块和季节流注意力模块，趋势流注意力模块用于根据趋势特征进行气体浓度预测，节流注意力模块用于根据季节特征进行气体浓度预测。

具体地，将所述趋势特征和所述季节特征，输入到双流轻量化注意力模型进行气体浓度预测，包括：将趋势特征输入到趋势流注意力模块进行处理，得到趋势流气体浓度预测结果；将季节特征输入到季节流注意力模块进行处理，得到季节流气体浓度预测结果；从而对趋势流气体浓度预测结果和季节流气体浓度预测结果进行加权求和，得到气体浓度预测结果。

综上所述，本申请实施例提供的方法考虑了环境变量对不同预测间隔的气体浓度预测精度影响，对于不同预测间隔的气体浓度预测，通过环境变量的平均相关系数动态选择环境变量数量和种类，以充分的捕获时间序列信息，从而根据动态选择的目标环境变量实现准确的气体浓度预测。并且，趋势特征和季节特征分别表征不同维度的输入时间序列信息，因而基于目标环境变量的趋势特征和季节特征进行气体浓度预测，进一步提高了气体浓度预测结果的准确性。如此，实现了一种能够准确预测长时间间隔的气体浓度预测方法。

下面结合上述各实施步骤来详细说明本申请。

在一种可选的实施例中，计算各个环境变量与目标气体浓度之间的相关系数平均值，得到各个环境变量的平均相关系数，包括步骤A1至步骤A3：

步骤A1：根据环境变量序列和目标气体浓度序列，计算不同偏移间隔的相关系数。

步骤A2：计算多组环境变量的不同偏移间隔的相关系数的平均值，得到环境变量的平均相关系数。

步骤A3：按照上述步骤，依次对各个环境变量的平均相关系数进行计算，得到各个环境变量的平均相关系数。

本申请实施例中，针对每个环境变量对应的多组环境变量，通过步骤A1的方法计算每组环境变量的不同偏移间隔的相关系数，从而根据步骤A2计算多组环境变量的不同偏移间隔的相关系数的平均值，得到该环境变量的平均相关系数。每个环境变量均通过上述步骤A1至步骤A2计算出环境变量的平均相关系数。

示例地，环境变量的平均相关系数的计算表示为：

，

其中，表示不同偏移间隔的相关系数，即气体浓度序列与环境变量序列之间的相关系数；N表示每组环境变量的数据长度；表示偏移间隔长度；表示环境变量时间序列；表示目标气体浓度时间序列，表示在偏移间隔时的目标气体浓度值；表示第1组环境变量序列的平均相关系数，表示第组环境变量序列的平均相关系数，表示第组环境变量序列的平均相关系数；m为环境变量序列的组数；表示按照平均相关系数的大小排序得到的环境变量序列，表示排序函数。

示例地，图2是本申请实施例提供的一种环境变量与目标气体浓度不同偏移间隔的相关系数热力图，图2示意出了m组环境变量与目标气体浓度在不同偏移时刻的相关系数。图2中的（a）至（e）分别为温度、湿度、压强、流速和方向（流向）5种环境变量与目标气体序列之间的相关系数的热力图，图2中的（a）至（e）每一行有30个相关系数，相邻相关系数的时间偏移为24小时，每组时间序列共偏移30次，可得到30个相关系数。

图2中的（a）至（e）共有20行数据，代表的采集数据抽取的20组取样序列，而后从每个环境变量中分别随机抽取20组环境变量和对应目标气体浓度值的时间序列并分别计算相关系数，得到维度为20×30的相关系数热力图。图2中的（f）为温度、湿度、压强、流速和方向5种环境变量在分别选取20个时间序列时，偏移相同长度得到的20个相关系数的平均值（即平均相关系数）。图2中的（f）每行有30个相关系数值，代表每组样本数据分别偏移30次得到的平均相关系数，图2中的（f）有5行数据，代表5种环境变量。

如图2所示，不同环境变量与目标气体浓度之间的相关系数在不同偏移间隔下呈现明显的差异性。图2中的（a）表明温度与目标气体浓度的高相关性区域主要集中在偏移区间为5-15和25-30。图2中的（b）表明湿度与目标气体浓度的高相关性区域主要集中在偏移区间为0-6和17-26。图2中的（c）和（e）表明压强和方向与目标气体浓度在不同偏移间隔下均存在较大的相关性，但该相关性的高低受取样序列影响较大，无明显一致性高相关性取值区间，即高相关性区域较为分散。图2中的（d）表明流速与目标气体浓度的高相关性区域受到取样序列影响较大，且高相关性区间较为分散。因此，在预测不同间隔下的气体浓度时，环境变量的选取应该随着预测间隔的变化呈现出差异性。根据上述分析可以得出：不同预测间隔（不同偏移间隔）的目标环境变量选取方式。

示例地，不同预测间隔的目标环境变量选取表示为：

，

其中，、、、、分别表示同一时刻采集到的温度、湿度、压强、方向（流向）和流速5种环境变量，表示不同预测间隔选取的环境变量种类和个数，n代表偏移间隔长度。

在一种可选的实施例中，所述特征提取网络包括：编码器、季节特征提取模块和趋势特征提取模块；所述特征提取网络是按照以下步骤B1至步骤B4训练得到的：

步骤B1：通过所述编码器对样本目标环境变量和样本目标气体浓度进行编码，得到标签样本，以及，对所述样本目标环境变量和所述样本目标气体浓度进行编码和数据增强处理，得到对比样本。

本申请实施例中，将动态选择的样本目标环境变量和样本目标气体浓度作为原始数据，利用编码器对原始数据进行编码，以编码后的原始数据作为标签样本。并对样本目标环境变量和样本目标气体浓度进行编码和数据增强处理，以构造对比样本，并将标签样本和对应的对比样本作为对比学习样本对。

具体地，对所述样本目标环境变量和所述样本目标气体浓度进行编码和数据增强处理，得到对比样本，包括：根据数据增强处理方法，对所述样本目标环境变量和所述样本目标气体浓度进行编码和数据增强处理，得到对比样本，所述数据增强处理方法包括：缩放处理、偏移处理和增加噪声处理。

其中，缩放处理是指：将整体时间序列数据按照缩放因子大小进行缩放，模拟数据采集设备的系统性偏差，缩放因子为高斯分布中的随机取样。偏移处理是指：将时间序列数据整体按照偏移因子大小进行偏移，模拟数据采集设备的系统性偏差的动态变化，偏移因子为高斯分布中的随机取样。增加噪声处理是指：为时间序列的每个时刻数据添加白噪声，分别呈现高斯分布的白噪声的分布满足，模拟输入数据中的随机扰动。

示例地，数据增强处理表示为：

，

其中，表示经过增强处理得到的数据，表示增强处理之前的数据，表示缩放因子，表示偏移因子，表示白噪声。

进一步地，所述方法还包括：将所述标签样本和所述对比样本作为对比学习样本对放入样本集中；在本次训练结束后，从所述样本集中获取用于下一次训练的对比学习样本对，所述用于下一次训练的对比学习样本对中的对比样本的数据增强处理方法、不同于用于本训练的对比学习样本对中的对比样本的数据增强处理方法。

本申请实施例中，为保障数据增强的有效性，每种数据增强处理方法完成后均训练一次特征提取网络中的网络参数，保障三种数据增强处理方法交替采用。

步骤B2：通过所述季节特征提取模块，对所述标签样本和所述对比样本进行季节特征提取，并根据提取的季节特征计算季节特征交叉熵损失值。

示例地，图3是本申请实施例提供的一种基于数据增强实现输入变量对比学习的示意图，如图3所示，所述季节特征提取模块包括：傅里叶变换模块、线性连接层和逆傅里叶变换模块。

具体地，通过所述季节特征提取模块，对所述标签样本和所述对比样本进行季节特征提取，并根据提取的季节特征计算季节特征交叉熵损失值，包括：对所述标签样本进行处理，得到第一复数向量，以及，对所述对比样本进行处理，得到第二复数向量，所述第一复数向量和所述第二复数向量构成季节特征；根据第一复数向量和所述第二复数向量，计算幅值损失和相位损失，并根据所述幅值损失和所述相位损失，得到季节特征交叉熵损失值。

其中，标签样本可以表征为样本标签向量，对比样本可以表征为对比样本向量，因而将样本标签向量和对比样本向量输入到季节特征提取模块进行处理，以得到第一复数向量和第二复数向量。

示例地，季节特征交叉熵损失值表示为：

，

其中，表示季节特征交叉熵损失值，表示幅值损失，表示相位损失，表示调节参数，表示第一复数向量的幅值，、表示第二复数向量的幅值，表示第一复数向量的相位，、表示第二复数向量的相位，m表示季节特征序列的长度，K表示每个季节特征（即第一复数向量和第二复数向量）的长度。

步骤B3：通过所述趋势特征提取模块，对所述标签样本和所述对比样本进行趋势特征提取，并根据提取的趋势特征计算趋势特征交叉熵损失值。

如图3所示，所述趋势特征提取模块包括：L层因果卷积和平均池化层。

具体地，通过所述趋势特征提取模块，对所述标签样本和所述对比样本进行趋势特征提取，并根据提取的趋势特征计算趋势特征交叉熵损失值，包括：对所述标签样本进行处理，得到第三复数向量，以及，对所述对比样本进行处理，得到第四复数向量，所述第三复数向量和所述第四复数向量构成趋势特征；根据所述第三复数向量和所述第四复数向量进行趋势特征损失计算，得到趋势特征交叉熵损失值。

其中，标签样本可以表征为样本标签向量，对比样本可以表征为对比样本向量，将样本标签向量和对比样本向量经过趋势特征提取模块进行处理，得到第三复数向量和第四复数向量。

示例地，趋势特征交叉熵损失值表示为：

，

其中，表示趋势特征交叉熵损失值，表示调节参数，表示第三复数向量，、表示第四复数向量，n表示样本总数，T表示每个趋势特征（即第三复数向量和第四复数向量）的长度。

步骤B4：对所述季节特征交叉熵损失值和所述趋势特征交叉熵损失值进行加权求和，得到总损失值，并根据所述总损失值对所述编码器的参数、所述季节特征提取模块的参数、以及所述趋势特征提取模块的参数进行更新。

示例地，总损失值表示为：

，

其中，表示总损失值，表示趋势特征交叉熵损失值的权重，表示趋势特征交叉熵损失值，表示季节特征交叉熵损失值。

本申请实施例中，基于总损失值，采用反向传播方法对编码器的参数、季节特征提取模块的参数、以及趋势特征提取模块的参数进行更新，在满足训练结束条件时，得到训练完毕的特征提取网络。

参照图4所示，图4是本申请实施例提供的一种双流轻量化注意力模型的示意图，具体地，所述双流轻量化注意力模型包括：趋势流注意力模块和季节流注意力模块；并且，所述趋势流注意力模块和所述季节流注意力模块的结构相同，所述趋势流注意力模块和所述季节流注意力模块使用多头稀疏性自注意力和注意力蒸馏处理。

本申请实施例中，考虑到模型训练过程的时效性和部署位置资源的限制，应选择精度损失较小、参数量少、且训练收敛快的注意力模型（Informer）。因而将传统注意力模型中的多头注意力机制替换为多头稀疏性自注意力（ProbSparse）和注意力蒸馏处理，以降低模型的计算量。

其中，趋势流注意力模块和季节流注意力模块分别由两个多头注意力机制、两个前向网络和掩码多头注意力机制组成。当通过季节流注意力模块对季节特征进行处理时，将季节特征处理为季节特征输入（即周期特征输入）和季节特征掩码输入（即周期特征掩码输入），通过多头注意力机制对周期特征输入进行处理，并将处理结果输入到第一个前向网络，通过掩码多头注意力机制对周期特征掩码输入进行处理，接着将第一个前向网络的输出结果和掩码多头注意力机制的输出结果进行多头注意力机制处理，并将处理结果输入到第二个前向网络进行处理，得到季节流气体浓度预测结果（即第一输出向量，第一输出向量包含多个时刻浓度值的交叉熵损失函数构成的向量）。

当通过趋势流注意力模块对趋势特征进行处理时，将趋势特征处理为趋势特征输入（即缓变特征输入）和趋势特征掩码输入（即缓变特征掩码输入），通过多头注意力机制对缓变特征输入进行处理，并将处理结果输入到第一个前向网络，通过掩码多头注意力机制对缓变特征掩码输入进行处理；接着将第一个前向网络的输出结果和掩码多头注意力机制的输出结果进行多头注意力机制处理，并将处理结果输入到第二个前向网络进行处理，得到缓变流气体浓度预测结果（即第二输出向量，第二输出向量包含多个时刻浓度值的交叉熵损失函数构成的向量）。

最后，将第一输出向量和第二输出向量进行拼接，并根据拼接结果得到气体浓度预测结果。

在一种可选的实施例中，所述双流轻量化注意力模型按照以下步骤C1至步骤C5训练得到：

步骤C1：通过所述特征提取网络对样本目标环境变量进行特征提取，得到样本趋势特征和样本季节特征。

步骤C2：将所述样本趋势特征输入到所述趋势流注意力模块进行处理，得到样本趋势流气体浓度预测结果。

步骤C3：将所述样本季节特征输入到所述季节流注意力模块进行处理，得到样本季节流气体浓度预测结果。

步骤C4：根据所述样本趋势流气体浓度预测结果和所述样本趋势流气体浓度预测结果，计算气体浓度损失值。

步骤C5：根据所述气体浓度损失值对所述双流轻量化注意力模型的模型参数进行更新。

本申请实施例中，样本趋势流气体浓度预测结果是包含多个时刻浓度值的交叉熵损失函数构成的向量，该向量是趋势流注意力模块在不同时刻输出的气体浓度预测值；同样地，样本季节流气体浓度预测结果是包含多个时刻浓度值的交叉熵损失函数构成的向量，该向量是季节流注意力模块在不同时刻输出的气体浓度预测值。之后将样本趋势流气体浓度预测和样本季节流气体浓度预测结果进行加权求和，得到气体浓度损失值。

示例地，气体浓度损失值表示为：

，

其中，L表示气体浓度损失值，为趋势流注意力模块的交叉熵损失值，为季节流注意力模块交叉熵损失值，为趋势流注意力模块的损失权重。在实际应用中，可通过对比多组不同的加权求和权重（即损失权重）对气体浓度预测精度的影响，以确定最优损失权重。

示例地，图5是本申请实施例提供的一种环境变量动态选择的室内气体浓度预测方法的架构图。该环境变量动态选择的室内气体浓度预测方法包括预处理任务阶段和任务流阶段，在预处理任务阶段中，首先计算各个环境变量（如流速、方向、温度、湿度和压强）与目标气体浓度之间的相关系数平均值，得到各个环境变量的平均相关系数，得到各个环境变量的平均相关系数。而后按照平均相关系数的大小对各个环境变量进行排序，并根据排序结果从多个环境变量中动态选择用于不同预测间隔气体浓度的目标环境变量。之后，通过编码器对样本目标环境变量和样本目标气体浓度开展编码操作构造样本标签，同时样本目标环境变量和样本目标气体浓度开展数据增强和编码处理，得到对比样本，将对比样本和样本标签作为对比学习样本对。通过季节特征提取模块和趋势特征提取模块从对比学习样本对中提取特征，得到样本趋势特征和样本季节特征。最后，分别计算样本趋势特征和样本季节特征的交叉熵，并通过加权求和得到总损失值，通过反向传播总损失实现对编码器、季节特征提取模块和趋势特征提取模块的参数进行学习。

在任务流阶段，双流轻量化注意力模型实现气体浓度预测和输出，双流轻量化注意力模型由具有相同结构的趋势流注意力模块和季节流注意力模块。以预处理任务阶段重提取的趋势特征和季节特征作为输入，双流轻量化注意力模型中的每一流分别输入趋势特征和季节特征，将双流注意力模型输出的气体浓度损失函数加权求和，得到气体浓度预测总损失函数，而后通过反向传播实现双流轻量化注意力模型的参数学习，其中权重参数通过经验择优选取。在进行气体浓度预测时，将季节流注意力模块输出的季节流气体浓度预测结果，以及趋势流注意力模块输出的趋势流气体浓度预测结果进行加权求和，得到气体浓度预测结果。

本申请实施例提供的方法考虑了环境变量对不同预测间隔的气体浓度预测精度影响，对于不同预测间隔的气体浓度预测，通过环境变量的平均相关系数动态选择环境变量数量和种类，以充分的捕获时间序列信息，从而根据动态选择的目标环境变量实现准确的气体浓度预测。并且，趋势特征和季节特征分别表征不同维度的输入时间序列信息，因而基于目标环境变量的趋势特征和季节特征进行气体浓度预测，进一步提高了气体浓度预测结果的准确性。如此，实现了一种能够准确预测长时间间隔的气体浓度预测方法。

本申请实施例还提供了一种环境变量动态选择的室内气体浓度预测装置，参照图6所示，图6是本申请实施例提供的一种环境变量动态选择的室内气体浓度预测装置的结构示意图，所述装置包括：

计算模块610，用于计算各个环境变量与目标气体浓度之间的相关系数平均值，得到各个环境变量的平均相关系数；

选择模块620，用于按照所述平均相关系数的大小对各个环境变量进行排序，并根据排序结果从多个环境变量中动态选择用于不同预测间隔气体浓度的目标环境变量；

提取模块630，用于利用对比学习得到的特征提取网络，对所述目标环境变量进行趋势特征提取和季节特征提取，得到趋势特征和季节特征；

预测模块640，用于将所述趋势特征和所述季节特征，输入到双流轻量化注意力模型进行气体浓度预测，得到气体浓度预测结果。

在一种可选的实施例中，所述计算模块包括：

第一计算子模块，用于根据环境变量序列和目标气体浓度序列，计算不同偏移间隔的相关系数；

第二计算子模块，用于计算多组环境变量的不同偏移间隔的相关系数的平均值，得到环境变量的平均相关系数；

第三计算子模块，用于按照上述步骤，依次对各个环境变量的平均相关系数进行计算，得到各个环境变量的平均相关系数。

在一种可选的实施例中，所述特征提取网络包括：编码器、季节特征提取模块和趋势特征提取模块；所述装置包括第一训练模块，用于训练所述特征提取网络，所述第一训练模块包括：

样本模块，用于通过所述编码器对样本目标环境变量和样本目标气体浓度进行编码，得到标签样本，以及，对所述样本目标环境变量和所述样本目标气体浓度进行编码和数据增强处理，得到对比样本；

第一提取计算模块，用于通过所述季节特征提取模块，对所述标签样本和所述对比样本进行季节特征提取，并根据提取的季节特征计算季节特征交叉熵损失值；

第二提取计算模块，用于通过所述趋势特征提取模块，对所述标签样本和所述对比样本进行趋势特征提取，并根据提取的趋势特征计算趋势特征交叉熵损失值；

第一更新模块，用于对所述季节特征交叉熵损失值和所述趋势特征交叉熵损失值进行加权求和，得到总损失值，并根据所述总损失值对所述编码器的参数、所述季节特征提取模块的参数、以及所述趋势特征提取模块的参数进行更新。

在一种可选的实施例中，所述季节特征提取模块包括：傅里叶变换模块、线性连接层和逆傅里叶变换模块；所述第一提取计算模块包括：

第一处理模块，用于对所述标签样本进行处理，得到第一复数向量，以及，对所述对比样本进行处理，得到第二复数向量，所述第一复数向量和所述第二复数向量构成季节特征；

第四计算子模块，用于根据第一复数向量和所述第二复数向量，计算幅值损失和相位损失，并根据所述幅值损失和所述相位损失，得到季节特征交叉熵损失值。

在一种可选的实施例中，所述趋势特征提取模块包括：L层因果卷积和平均池化层；所述第二提取计算模块包括：

第二处理模块，用于对所述标签样本进行处理，得到第三复数向量，以及，对所述对比样本进行处理，得到第四复数向量，所述第三复数向量和所述第四复数向量构成趋势特征；

第五计算子模块，用于根据所述第三复数向量和所述第四复数向量进行趋势特征损失计算，得到趋势特征交叉熵损失值。

在一种可选的实施例中，所述双流轻量化注意力模型包括：趋势流注意力模块和季节流注意力模块；所述装置包括第二训练模块，用于训练所述双流轻量化注意力模型，所述第二训练模块包括：

第一特征提取模块，用于通过所述特征提取网络对样本目标环境变量进行特征提取，得到样本趋势特征和样本季节特征；

第一样本预测模块，用于将所述样本趋势特征输入到所述趋势流注意力模块进行处理，得到样本趋势流气体浓度预测结果；

第二样本预测模块，用于将所述样本季节特征输入到所述季节流注意力模块进行处理，得到样本季节流气体浓度预测结果；

浓度损失计算模块，用于根据所述样本趋势流气体浓度预测结果和所述样本趋势流气体浓度预测结果，计算气体浓度损失值；

第二更新模块，用于根据所述气体浓度损失值对所述双流轻量化注意力模型的模型参数进行更新。

在一种可选的实施例中，所述趋势流注意力模块和所述季节流注意力模块的结构相同，所述趋势流注意力模块和所述季节流注意力模块使用多头稀疏性自注意力和注意力蒸馏处理。

在一种可选的实施例中，所述样本模块包括：

第一增加处理模块，用于根据数据增强处理方法，对所述样本目标环境变量和所述样本目标气体浓度进行编码和数据增强处理，得到对比样本，所述数据增强处理方法包括：缩放处理、偏移处理和增加噪声处理；

所述装置还包括：

放入模块，用于将所述标签样本和所述对比样本作为对比学习样本对放入样本集中；

获取模块，用于在本次训练结束后，从所述样本集中获取用于下一次训练的对比学习样本对，所述用于下一次训练的对比学习样本对中的对比样本的数据增强处理方法、不同于用于本训练的对比学习样本对中的对比样本的数据增强处理方法。

本申请实施例还提供了一种电子设备，参照图7，图7是本申请实施例提供的一种电子设备的结构示意图。如图7所示，电子设备700包括：存储器710和处理器720，存储器710与处理器720之间通过总线通信连接，存储器710中存储有计算机程序，该计算机程序可在处理器720上运行，进而实现本申请实施例所述的环境变量动态选择的室内气体浓度预测方法的步骤。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本申请实施例是参照根据本申请实施例的方法、装置和设备的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本申请所提供的一种环境变量动态选择的室内气体浓度预测方法、装置和设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (9)

1.一种环境变量动态选择的室内气体浓度预测方法，其特征在于，所述方法包括：

计算各个环境变量与目标气体浓度之间的相关系数平均值，得到各个环境变量的平均相关系数；

按照所述平均相关系数的大小对各个环境变量进行排序，并根据排序结果从多个环境变量中动态选择用于不同预测间隔气体浓度的目标环境变量；

利用对比学习得到的特征提取网络，对所述目标环境变量进行趋势特征提取和季节特征提取，得到趋势特征和季节特征；

将所述趋势特征和所述季节特征，输入到双流轻量化注意力模型进行气体浓度预测，得到气体浓度预测结果；

其中，所述双流轻量化注意力模型包括：趋势流注意力模块和季节流注意力模块；所述双流轻量化注意力模型按照以下步骤训练得到：

通过所述特征提取网络对样本目标环境变量进行特征提取，得到样本趋势特征和样本季节特征；

将所述样本趋势特征输入到所述趋势流注意力模块进行处理，得到样本趋势流气体浓度预测结果；

将所述样本季节特征输入到所述季节流注意力模块进行处理，得到样本季节流气体浓度预测结果；

根据所述样本趋势流气体浓度预测结果和所述样本趋势流气体浓度预测结果，计算气体浓度损失值；

根据所述气体浓度损失值对所述双流轻量化注意力模型的模型参数进行更新。

2.根据权利要求1所述的一种环境变量动态选择的室内气体浓度预测方法，其特征在于，计算各个环境变量与目标气体浓度之间的相关系数平均值，得到各个环境变量的平均相关系数，包括：

根据环境变量序列和目标气体浓度序列，计算不同偏移间隔的相关系数；

计算多组环境变量的不同偏移间隔的相关系数的平均值，得到环境变量的平均相关系数；

按照上述步骤，依次对各个环境变量的平均相关系数进行计算，得到各个环境变量的平均相关系数。

3.根据权利要求1所述的一种环境变量动态选择的室内气体浓度预测方法，其特征在于，所述特征提取网络包括：编码器、季节特征提取模块和趋势特征提取模块；所述特征提取网络是按照以下步骤训练得到的：

通过所述编码器对样本目标环境变量和样本目标气体浓度进行编码，得到标签样本，以及，对所述样本目标环境变量和所述样本目标气体浓度进行编码和数据增强处理，得到对比样本；

通过所述季节特征提取模块，对所述标签样本和所述对比样本进行季节特征提取，并根据提取的季节特征计算季节特征交叉熵损失值；

通过所述趋势特征提取模块，对所述标签样本和所述对比样本进行趋势特征提取，并根据提取的趋势特征计算趋势特征交叉熵损失值；

对所述季节特征交叉熵损失值和所述趋势特征交叉熵损失值进行加权求和，得到总损失值，并根据所述总损失值对所述编码器的参数、所述季节特征提取模块的参数、以及所述趋势特征提取模块的参数进行更新。

4.根据权利要求3所述的一种环境变量动态选择的室内气体浓度预测方法，其特征在于，所述季节特征提取模块包括：傅里叶变换模块、线性连接层和逆傅里叶变换模块；

通过所述季节特征提取模块，对所述标签样本和所述对比样本进行季节特征提取，并根据提取的季节特征计算季节特征交叉熵损失值，包括：

对所述标签样本进行处理，得到第一复数向量，以及，对所述对比样本进行处理，得到第二复数向量，所述第一复数向量和所述第二复数向量构成季节特征；

根据第一复数向量和所述第二复数向量，计算幅值损失和相位损失，并根据所述幅值损失和所述相位损失，得到季节特征交叉熵损失值。

5.根据权利要求3所述的一种环境变量动态选择的室内气体浓度预测方法，其特征在于，所述趋势特征提取模块包括：L层因果卷积和平均池化层；

通过所述趋势特征提取模块，对所述标签样本和所述对比样本进行趋势特征提取，并根据提取的趋势特征计算趋势特征交叉熵损失值，包括：

对所述标签样本进行处理，得到第三复数向量，以及，对所述对比样本进行处理，得到第四复数向量，所述第三复数向量和所述第四复数向量构成趋势特征；

根据所述第三复数向量和所述第四复数向量进行趋势特征损失计算，得到趋势特征交叉熵损失值。

6.根据权利要求1所述的一种环境变量动态选择的室内气体浓度预测方法，其特征在于，所述趋势流注意力模块和所述季节流注意力模块的结构相同，所述趋势流注意力模块和所述季节流注意力模块使用多头稀疏性自注意力和注意力蒸馏处理。

7.根据权利要求3所述的一种环境变量动态选择的室内气体浓度预测方法，其特征在于，对所述样本目标环境变量和所述样本目标气体浓度进行编码和数据增强处理，得到对比样本，包括：

根据数据增强处理方法，对所述样本目标环境变量和所述样本目标气体浓度进行编码和数据增强处理，得到对比样本，所述数据增强处理方法包括：缩放处理、偏移处理和增加噪声处理；

所述方法还包括：

将所述标签样本和所述对比样本作为对比学习样本对放入样本集中；

在本次训练结束后，从所述样本集中获取用于下一次训练的对比学习样本对，所述用于下一次训练的对比学习样本对中的对比样本的数据增强处理方法、不同于用于本训练的对比学习样本对中的对比样本的数据增强处理方法。

8.一种环境变量动态选择的室内气体浓度预测装置，其特征在于，所述装置包括：

计算模块，用于计算各个环境变量与目标气体浓度之间的相关系数平均值，得到各个环境变量的平均相关系数；

选择模块，用于按照所述平均相关系数的大小对各个环境变量进行排序，并根据排序结果从多个环境变量中动态选择用于不同预测间隔气体浓度的目标环境变量；

提取模块，用于利用对比学习得到的特征提取网络，对所述目标环境变量进行趋势特征提取和季节特征提取，得到趋势特征和季节特征；

预测模块，用于将所述趋势特征和所述季节特征，输入到双流轻量化注意力模型进行气体浓度预测，得到气体浓度预测结果；

其中，所述双流轻量化注意力模型包括：趋势流注意力模块和季节流注意力模块；所述装置包括第二训练模块，用于训练所述双流轻量化注意力模型，所述第二训练模块包括：

第一特征提取模块，用于通过所述特征提取网络对样本目标环境变量进行特征提取，得到样本趋势特征和样本季节特征；

第一样本预测模块，用于将所述样本趋势特征输入到所述趋势流注意力模块进行处理，得到样本趋势流气体浓度预测结果；

第二样本预测模块，用于将所述样本季节特征输入到所述季节流注意力模块进行处理，得到样本季节流气体浓度预测结果；

浓度损失计算模块，用于根据所述样本趋势流气体浓度预测结果和所述样本趋势流气体浓度预测结果，计算气体浓度损失值；

第二更新模块，用于根据所述气体浓度损失值对所述双流轻量化注意力模型的模型参数进行更新。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述的环境变量动态选择的室内气体浓度预测方法的步骤。