(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111530458.4 (22)申请日 2021.12.14 (71)申请人 石家庄铁道大 学 地址 050043 河北省石家庄市桥 东区北二 环东路17号 (72)发明人 王兴举　梁俊杰　李博　张荣群　 赵艳峰　王晓雪　杨兴雨　梅生启　 (74)专利代理 机构 石家庄众志华清知识产权事 务所(特殊普通 合伙) 13123 代理人 张建 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/08(2012.01) G06Q 50/26(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06N 5/00(2006.01) G01N 15/06(2006.01) G08B 21/12(2006.01) (54)发明名称 一种施工扬尘监测与预测方法、 装置及系统 (57)摘要 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 。 权利要求书1页 说明书6页 附图1页 CN 114418179 A 2022.04.29 CN 114418179 A 1.一种施工扬尘监测与预测方法， 其特 征在于， 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。 2.根据权利要求1所述的一种施工扬尘监测与预测方法， 其特征在于， 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。 3.根据权利要求1所述的一种施工扬尘监测与预测方法， 其特征在于， 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。 4.根据权利要求1所述的一种施工扬尘监测与预测方法， 其特征在于， 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。 5.根据权利要求1或2所述的一种施工扬尘监测与预测方法， 其特征在于， 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 。 6.根据权利要求2所述的一种施工扬尘监测与预测方法， 其特征在于， 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。 7.一种施工扬尘监测与预测装置， 其特 征在于， 包括： 获取模块， 用于获取施工现场数据， 将施工现场数据划分为训练样本和 测试样本； 构建模块， 用于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； 训练模块， 用于训练所述双 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； 变权组合模块， 用于采用测试样本将训练后的双向循环的长短期记忆神经模型输出值 与所述梯度提升决策树模型输出值进行加权处 理， 得到预测数据。 8.一种施工扬尘监测与预测系统， 其特 征在于， 包括如权利要求7 所述的装置 。权　利　要　求　书 1/1 页 2 CN 114418179 A 2一种施工扬尘监测与预测方 法、 装置及系统 技术领域 [0001]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 [0002]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 [0003]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。 [0004]为解决上述 技术问题， 本发明所采用的技 术方案是： [0005]一种施工扬尘监测与预测方法， 该 方法包括： [0006]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； [0007]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； [0008]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； [0009]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。 [0010]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、 PM 10、 温度、 湿度、 气压、 光照和噪声。 [0011]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。 [0012]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。 [0013]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： [0014]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PM 10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；说　明　书 1/6 页 3 CN 114418179 A 3