买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：杭州雄鹏道科技有限公司

摘要：本申请公开了一种基于物联网技术的空气质量智能监测系统及方法，其通过空气质量传感器实时监测采集空气参数，例如温度、湿度、二氧化碳浓度、二氧化硫浓度、臭氧浓度、颗粒度浓度等数据，并利用物联网技术将数据传输到后端服务器中，以在后端服务器中引入基于人工智能的数据处理和分析算法来进行这些空气参数数据的时序协同关联分析，以此来检测空气质量的等级。这样，能够基于空气中各个成分的动态协同变化来提高空气质量等级判断的精准度，从而提供及时、准确的空气质量信息，为空气污染的控制和治理提供科学依据。

主权项：1.一种基于物联网技术的空气质量智能监测方法，其特征在于，包括：获取由空气质量传感器采集的空气参数的时间序列，其中，所述空气参数包括温度、湿度、二氧化碳浓度、二氧化硫浓度、臭氧浓度、颗粒度浓度；将所述空气参数的时间序列分别按照时间维度和样本维度排列为温度时序输入向量、湿度时序输入向量、二氧化碳浓度时序输入向量、二氧化硫时序输入向量、臭氧浓度时序输入向量和颗粒度浓度时序输入向量；通过基于深度神经网络模型的时序模式特征提取器分别对所述温度时序输入向量、所述湿度时序输入向量、所述二氧化碳浓度时序输入向量、所述二氧化硫时序输入向量、所述臭氧浓度时序输入向量和所述颗粒度浓度时序输入向量进行特征提取以得到温度时序关联特征向量、湿度时序关联特征向量、二氧化碳浓度时序关联特征向量、二氧化硫时序关联特征向量、臭氧浓度时序关联特征向量和颗粒度浓度时序关联特征向量；对所述温度时序关联特征向量、所述湿度时序关联特征向量、所述二氧化碳浓度时序关联特征向量、所述二氧化硫时序关联特征向量、所述臭氧浓度时序关联特征向量和所述颗粒度浓度时序关联特征向量进行特征校正和融合以得到空气质量全局表征时序特征；基于所述空气质量全局表征时序特征，确定空气质量等级标签；其中，对所述温度时序关联特征向量、所述湿度时序关联特征向量、所述二氧化碳浓度时序关联特征向量、所述二氧化硫时序关联特征向量、所述臭氧浓度时序关联特征向量和所述颗粒度浓度时序关联特征向量进行特征校正和融合以得到空气质量全局表征时序特征，包括：对所述温度时序关联特征向量、所述湿度时序关联特征向量、所述二氧化碳浓度时序关联特征向量、所述二氧化硫时序关联特征向量、所述臭氧浓度时序关联特征向量和所述颗粒度浓度时序关联特征向量进行伽马校正以得到校正后温度时序关联特征向量、校正后湿度时序关联特征向量、校正后二氧化碳浓度时序关联特征向量、校正后二氧化硫时序关联特征向量、校正后臭氧浓度时序关联特征向量和校正后颗粒度浓度时序关联特征向量；将所述校正后温度时序关联特征向量、所述校正后湿度时序关联特征向量、所述校正后二氧化碳浓度时序关联特征向量、所述校正后二氧化硫时序关联特征向量、所述校正后臭氧浓度时序关联特征向量和所述校正后颗粒度浓度时序关联特征向量输入自相关注意力融合网络以得到空气质量全局表征时序特征向量作为所述空气质量全局表征时序特征；其中，对所述温度时序关联特征向量、所述湿度时序关联特征向量、所述二氧化碳浓度时序关联特征向量、所述二氧化硫时序关联特征向量、所述臭氧浓度时序关联特征向量和所述颗粒度浓度时序关联特征向量进行伽马校正以得到校正后温度时序关联特征向量、校正后湿度时序关联特征向量、校正后二氧化碳浓度时序关联特征向量、校正后二氧化硫时序关联特征向量、校正后臭氧浓度时序关联特征向量和校正后颗粒度浓度时序关联特征向量，包括：以如下伽马校正公式分别对所述温度时序关联特征向量、所述湿度时序关联特征向量、所述二氧化碳浓度时序关联特征向量、所述二氧化硫时序关联特征向量、所述臭氧浓度时序关联特征向量和所述颗粒度浓度时序关联特征向量进行伽马校正以得到所述校正后温度时序关联特征向量、所述校正后湿度时序关联特征向量、所述校正后二氧化碳浓度时序关联特征向量、所述校正后二氧化硫时序关联特征向量、所述校正后臭氧浓度时序关联特征向量和所述校正后颗粒度浓度时序关联特征向量；其中，所述伽马校正公式为：；其中，为所述温度时序关联特征向量、所述湿度时序关联特征向量、所述二氧化碳浓度时序关联特征向量、所述二氧化硫时序关联特征向量、所述臭氧浓度时序关联特征向量和所述颗粒度浓度时序关联特征向量中的各个特征向量的归一化向量，A、B、C和D为调整超参数，为所述校正后温度时序关联特征向量、所述校正后湿度时序关联特征向量、所述校正后二氧化碳浓度时序关联特征向量、所述校正后二氧化硫时序关联特征向量、所述校正后臭氧浓度时序关联特征向量和所述校正后颗粒度浓度时序关联特征向量中的各个校正后的特征向量；其中，将所述校正后温度时序关联特征向量、所述校正后湿度时序关联特征向量、所述校正后二氧化碳浓度时序关联特征向量、所述校正后二氧化硫时序关联特征向量、所述校正后臭氧浓度时序关联特征向量和所述校正后颗粒度浓度时序关联特征向量输入自相关注意力融合网络以得到空气质量全局表征时序特征向量作为所述空气质量全局表征时序特征，包括：将所述校正后温度时序关联特征向量、所述校正后湿度时序关联特征向量、所述校正后二氧化碳浓度时序关联特征向量、所述校正后二氧化硫时序关联特征向量、所述校正后臭氧浓度时序关联特征向量和所述校正后颗粒度浓度时序关联特征向量输入所述自相关注意力融合网络以如下自相关注意力融合公式进行处理以得到所述空气质量全局表征时序特征向量；其中，所述自相关注意力融合公式为：；其中，为所述校正后温度时序关联特征向量、所述校正后湿度时序关联特征向量、所述校正后二氧化碳浓度时序关联特征向量、所述校正后二氧化硫时序关联特征向量、所述校正后臭氧浓度时序关联特征向量和所述校正后颗粒度浓度时序关联特征向量中的各个时序关联特征向量，和分别表示权重系数向量和权重系数矩阵，为偏移向量，表示函数，和为所述各个时序关联特征向量的注意力打分向量，表示向量的指数运算，为所述校正后温度时序关联特征向量、所述校正后湿度时序关联特征向量、所述校正后二氧化碳浓度时序关联特征向量、所述校正后二氧化硫时序关联特征向量、所述校正后臭氧浓度时序关联特征向量和所述校正后颗粒度浓度时序关联特征向量中向量个数，为所述各个时序关联特征向量的权重向量，为所述空气质量全局表征时序特征向量。

全文数据：

权利要求：

百度查询： 杭州雄鹏道科技有限公司 基于物联网技术的空气质量智能监测系统及方法