电子信息技术

本发明公开了一种VOCs气体浓度预测方法及系统，首先实时采集VOCs气体浓度以及气象数据，并对数据进行预处理；其次，建立基于CKF的多传感器数据融合模型，对多变量数据进行局部、全局融合；然后，建立GCN?TCN时空关联模型，将融合数据以及预处理过的历史实测数据送入GCN?TCN时空关联模型中进行时空特征提取；利用改进的AOS算法同步优化基于CKF的多传感器数据融合模型的参数和GCN?TCN时空关联模型的参数，搜寻两模型参数的最优解；最后，利用训练优化后的GCN?TCN时空关联模型对化工园区的敏感区域的VOCs气体浓度进行预测，并通过云平台数据可视化实时显示。本发明可以对敏感区域的VOCs气体浓度实现更精确的预测，及时发现隐患，降低风险发生。

成果亮点

发明目的：针对背景技术中指出的问题，本发明公开了一种VOCs气体浓度预测方法及系统，使用GCN-TCN时空关联模型对VOCs气体浓度进行预测，并使用改进的原子轨道搜索算法优化预测模型的参数，提高预测精度。 技术方案：本发明提出一种VOCs气体浓度预测方法，包括以下步骤： (1)实时采集VOCs气体浓度以及气象数据；并对数据进行预处理； (2)建立基于CKF的多传感器数据融合模型，对多变量数据进行局部、全局融合； (3)建立GCN-TCN时空关联模型，将步骤(2)中得到的融合数据以及预处理过的历史实测数据送入GCN-TCN时空关联模型中进行时空特征提取； (4)利用改进的AOS算法同步优化基于CKF的多传感器数据融合模型的参数和GCN-TCN时空关联模型的参数，搜寻两模型参数的最优解；所述改进的AOS算法包括采用拉丁超立方代替其原来的随机初始化、多元学习提高原子轨道搜索算法的全局搜索能力； (5)利用步骤(4)中训练优化后的GCN-TCN时空关联模型对化工园区的敏感区域的VOCs气体浓度进行预测，并通过云平台数据可视化实时显示。

挥发性有机化合物（VOCs）是一种常见的环境污染物，对人体健康和环境造成危害。因此，对 VOCs 气体浓度的预测和监测非常重要。

一种 VOCs 气体浓度预测方法及系统，可以基于机器学习算法和传感器技术，实时预测 VOCs 气体浓度，并通过数据可视化和报警等方式提示用户。

这种方法和系统可广泛应用于各种场合，如工业场所、交通运输、环保监测等。在工业场所中，这种方法和系统可以帮助企业减少 VOCs 的排放，降低环境污染；在交通运输中，这种方法和系统可以帮助城市管理者监测交通拥堵路段的 VOCs 浓度，制定相应的交通治理措施。

因此，这种方法和系统具有广阔的市场应用前景。

有益效果：与现有技术相比，本发明的有益效果：

1、本发明提出基于CKF的多传感器数据融合模型，CKF采用容积数值积分准则通过递推过程来逼近最优框架中的后验概率分布，能够根据系统的观测和历史的滤波信息不断地修正当前的滤波过程，对多传感器采集的多变量数据进行局部、全局融合，提高对化工园区VOCs气体浓度和气象数据的估计精度；

2、本发明所提GCN-TCN时空关联模型结合了GCN和TCN各自的优点，GCN能提取出多传感器采集数据中隐含的空间信息，将布设在化工园区内的多个传感器视为具有属性信息与结构信息的图结构；基于图的角度，多传感器中单个传感器节点被视为图结构中的节点，并使用图邻接矩阵描述节点之间的关系；TCN能提取节点特征在时间序列上的依赖关系，并使用空洞卷积来获得指数级的感受野，具有并行性、稳定的梯度等特点，更适合处理长期预测任务；

3、本发明提出利用改进的原子轨道搜索算法(IAOS)同步优化基于CKF的多传感器数据融合模型的参数(过程噪声协方差、测量噪声协方差等参数)和GCN-TCN时空关联模型的参数(权重、偏置等参数)，搜寻模型参数的最优解，以实现对VOCs气体浓度更为精准的预测。