基于深度学习的地铁站室内环境预测系统研究

作     者：谷卫 

作者单位：南京信息工程大学 

学位级别：硕士

导师姓名：朱菊香;张赵良

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0814[工学-土木工程] 0811[工学-控制科学与工程] 082301[工学-道路与铁道工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0823[工学-交通运输工程] 

主      题：地铁站 卡尔曼滤波 空气质量预测 可视化系统 

摘      要：地铁作为缓解城市交通拥堵问题的重要交通形式,在大、中型城市的公共交通系统中占据着越来越重要的地位。但随着乘坐人数的增多,地铁站室内空气质量污染的问题也越来越严重。因此,地铁站工作人员为了监测地铁站的污染物,安装了硬件环境传感器对污染物进行常规监测和测量。但是随着时间的推移,环境传感器可能会出现故障。那么有故障的传感器无法提供准确的数据并且会使得通风控制系统出现通风量不足或者过剩,最终导致地铁污染严重或能耗浪费。基于上述的一系列问题,本文提出可以搭建一套可视化系统。为了能够快速发现和应对地铁站室内空气污染问题,搭建一套可以使用历史空气质量监测数据来预测未来一段时间空气质量的可视化系统,这既可以为地铁站室内空气质量改善和防治带来一定帮助,又可以为地铁通风空调系统的有效控制提供数据支撑。本文主要工作如下:(1)本文设计地铁站室内空气质量数据采集系统并将卡尔曼滤波算法融入到该数据采集系统中来提高数据采集的精度。同时利用采集到的环境数据进行相关性分析,为接下来的空气质量预测做好准备。(2)针对地铁室内环境预测问题,本文提出了基于注意力机制的CNN-ILSTM的地铁环境预测模型。该模型通过对传统的LSTM网络进行改进,结合多个一维CNN和注意力机制,搭建混合深度学习框架。基于地铁站室内空气质量数据进行实验评估分析,实验结果表明该模型可以有效地预测空气污染状况。在基于混合深度学习架构研究基础上,本文进一步提出了一种基于TVFEMD-ISSA-LSTM的地铁室内环境预测模型。该模型采用改进的智能算法优化LSTM网络,结合时变滤波经验模态分解(TVFEMD)算法来构建预测模型。基于地铁站室内空气质量数据实验结果表明,该模型与前述混合深度学习模型相比,其空气污染预测性能更优。(3)以CNN-ILSTM-attention算法和TVFEMD-ISSA-LSTM算法为基础,结合Spring Boot、Java Sript、Vue和My SQL等技术,设计实现地铁站室内空气质量预测可视化系统。