本發(fā)明涉及深度學(xué)習(xí)，尤其是涉及一種基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控方法及系統(tǒng)。

背景技術(shù)：

1、在現(xiàn)代交通體系中，隧道作為重要的基礎(chǔ)設(shè)施，在促進(jìn)區(qū)域經(jīng)濟(jì)發(fā)展和保障交通運(yùn)輸安全方面發(fā)揮著關(guān)鍵作用。然而，隧道內(nèi)的通風(fēng)問(wèn)題一直是一個(gè)重大挑戰(zhàn)。良好的通風(fēng)不僅能確保隧道內(nèi)空氣質(zhì)量達(dá)標(biāo)，為司乘人員提供安全舒適的行車環(huán)境，還能防止火災(zāi)等緊急情況下有害氣體的積聚和擴(kuò)散。

2、傳統(tǒng)的隧道送風(fēng)口風(fēng)速調(diào)控方法主要依賴于固定的經(jīng)驗(yàn)公式和預(yù)設(shè)的閾值，缺乏對(duì)復(fù)雜多變的隧道環(huán)境的適應(yīng)性。例如，根據(jù)簡(jiǎn)單的車流量或時(shí)間規(guī)律來(lái)調(diào)整風(fēng)速，往往不能準(zhǔn)確地滿足實(shí)際通風(fēng)需求，可能導(dǎo)致過(guò)度通風(fēng)增加能耗，或者通風(fēng)不足影響空氣質(zhì)量。

3、隨著科技的不斷進(jìn)步，深度學(xué)習(xí)技術(shù)在各個(gè)領(lǐng)域展現(xiàn)出了強(qiáng)大的潛力。深度學(xué)習(xí)模型具有強(qiáng)大的學(xué)習(xí)能力和自適應(yīng)能力，能夠從大量的數(shù)據(jù)中自動(dòng)提取特征并進(jìn)行準(zhǔn)確的預(yù)測(cè)。在隧道通風(fēng)領(lǐng)域，通過(guò)利用深度學(xué)習(xí)技術(shù)，可以對(duì)隧道內(nèi)的多種環(huán)境參數(shù)進(jìn)行實(shí)時(shí)監(jiān)測(cè)和分析，包括溫度、濕度、車流量、污染物濃度等。這些參數(shù)與送風(fēng)口的風(fēng)速之間存在復(fù)雜的非線性關(guān)系，傳統(tǒng)方法難以準(zhǔn)確建模，而深度學(xué)習(xí)模型能夠有效地捕捉這些關(guān)系，為實(shí)現(xiàn)精準(zhǔn)的風(fēng)速調(diào)控提供了新的途徑。

4、此外，隨著傳感器技術(shù)的不斷發(fā)展，越來(lái)越多的高精度傳感器可以被安裝在隧道內(nèi)，實(shí)時(shí)采集豐富的環(huán)境數(shù)據(jù)。這些數(shù)據(jù)為深度學(xué)習(xí)模型的訓(xùn)練和應(yīng)用提供了堅(jiān)實(shí)的基礎(chǔ)。同時(shí)，高速的數(shù)據(jù)傳輸和處理技術(shù)也使得實(shí)時(shí)的風(fēng)速調(diào)控成為可能，進(jìn)一步提高了隧道通風(fēng)系統(tǒng)的效率和可靠性。

5、綜上所述，基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控方法應(yīng)運(yùn)而生，旨在利用先進(jìn)的技術(shù)手段解決傳統(tǒng)通風(fēng)方法的不足，實(shí)現(xiàn)隧道通風(fēng)的智能化、高效化和節(jié)能化，為隧道的安全運(yùn)營(yíng)和可持續(xù)發(fā)展提供有力保障。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述提到的問(wèn)題，本發(fā)明提供一種基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控方法及系統(tǒng)。

2、第一方面，本發(fā)明提供的一種基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控方法，采用如下的技術(shù)方案：

3、一種基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控方法，包括：

4、獲取隧道內(nèi)不同時(shí)間點(diǎn)的環(huán)境參數(shù)數(shù)據(jù)；

5、對(duì)獲取的環(huán)境參數(shù)數(shù)據(jù)進(jìn)行預(yù)處理；

6、基于環(huán)境參數(shù)數(shù)據(jù)進(jìn)行數(shù)據(jù)集劃分，得到訓(xùn)練集和測(cè)試集；

7、構(gòu)建基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控模型；

8、利用隧道送風(fēng)口用風(fēng)速調(diào)控模型對(duì)數(shù)據(jù)集進(jìn)行特征提?。?/p>

9、利用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)對(duì)提取的特征進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)結(jié)果；

10、根據(jù)預(yù)測(cè)結(jié)果進(jìn)行風(fēng)速調(diào)控。

11、進(jìn)一步地，所述獲取隧道內(nèi)不同時(shí)間點(diǎn)的環(huán)境參數(shù)，包括基于隧道內(nèi)的傳感器采集隧道內(nèi)不同時(shí)間點(diǎn)的環(huán)境參數(shù)，其中包括溫度傳感器、濕度傳感器、車流量傳感器、污染物濃度傳感器，并將環(huán)境參數(shù)通過(guò)無(wú)線方式傳輸?shù)綌?shù)據(jù)處理中心。

12、進(jìn)一步地，所述對(duì)獲取的環(huán)境參數(shù)數(shù)據(jù)進(jìn)行預(yù)處理，包括通過(guò)數(shù)據(jù)清洗來(lái)去除異常值并填充缺失值；通過(guò)數(shù)據(jù)去噪將數(shù)據(jù)中的干擾噪聲進(jìn)行濾除；通過(guò)線性歸一化將數(shù)據(jù)映射到線性區(qū)間，以便于特征提取。

13、進(jìn)一步地，所述構(gòu)建基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控模型，包括基于卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)建隧道送風(fēng)口用風(fēng)速調(diào)控模型，其中，卷積神經(jīng)網(wǎng)絡(luò)包括構(gòu)建輸入層、卷積層、池化層和激活函數(shù)；循環(huán)神經(jīng)網(wǎng)絡(luò)包括rnn?層和輸出層。

14、進(jìn)一步地，所述利用隧道送風(fēng)口用風(fēng)速調(diào)控模型對(duì)數(shù)據(jù)集進(jìn)行特征提取，包括基于卷積核在時(shí)間維度上滑動(dòng)，對(duì)輸入數(shù)據(jù)進(jìn)行卷積操作，提取時(shí)間上的局部特征，并利用池化層降低特征的維度，減少計(jì)算量和過(guò)擬合的風(fēng)險(xiǎn)；將卷積神經(jīng)網(wǎng)絡(luò)提取的特征作為循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入，根據(jù)輸入數(shù)據(jù)和上一時(shí)刻的隱藏狀態(tài)，更新當(dāng)前時(shí)刻的隱藏狀態(tài)，從而捕捉時(shí)間序列中的動(dòng)態(tài)特征。

15、進(jìn)一步地，所述利用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)對(duì)提取的特征進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)結(jié)果，包括確定長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的輸入層和lstm?層，在?lstm?層之后，添加全連接層進(jìn)行特征融合，基于特征融合結(jié)果進(jìn)行預(yù)測(cè)。

16、進(jìn)一步地，所述根據(jù)預(yù)測(cè)結(jié)果進(jìn)行風(fēng)速調(diào)控，包括根據(jù)預(yù)測(cè)結(jié)果制定調(diào)控策略，包括基于固定閾值進(jìn)行調(diào)控，當(dāng)預(yù)測(cè)結(jié)果高于設(shè)定閾值時(shí)，采取相應(yīng)的控制指令。

17、第二方面，一種基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控系統(tǒng)，包括：

18、數(shù)據(jù)獲取模塊，被配置為，獲取隧道內(nèi)不同時(shí)間點(diǎn)的環(huán)境參數(shù)數(shù)據(jù)；

19、預(yù)處理模塊，被配置為對(duì)獲取的環(huán)境參數(shù)數(shù)據(jù)進(jìn)行預(yù)處理；

20、數(shù)據(jù)集劃分模塊，被配置為基于環(huán)境參數(shù)數(shù)據(jù)進(jìn)行數(shù)據(jù)集劃分，得到訓(xùn)練集和測(cè)試集；

21、模型構(gòu)建模塊，被配置為構(gòu)建基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控模型；

22、特征提取模塊，被配置為利用隧道送風(fēng)口用風(fēng)速調(diào)控模型對(duì)數(shù)據(jù)集進(jìn)行特征提??；

23、預(yù)測(cè)模塊，被配置為利用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)對(duì)提取的特征進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)結(jié)果；

24、調(diào)控模塊，被配置為根據(jù)預(yù)測(cè)結(jié)果進(jìn)行風(fēng)速調(diào)控。

25、第三方面，本發(fā)明提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其中存儲(chǔ)有多條指令，所述指令適于由終端設(shè)備的處理器加載并執(zhí)行所述的一種基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控方法。

26、第四方面，本發(fā)明提供一種終端設(shè)備，包括處理器和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，處理器用于實(shí)現(xiàn)各指令；計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)用于存儲(chǔ)多條指令，所述指令適于由處理器加載并執(zhí)行所述的一種基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控方法。

27、綜上所述，本發(fā)明具有如下的有益技術(shù)效果：

28、本發(fā)明基于深度學(xué)習(xí)構(gòu)建的隧道送風(fēng)口用風(fēng)速調(diào)控模型，能夠有效地捕捉環(huán)境參數(shù)與風(fēng)速之間的復(fù)雜非線性關(guān)系。卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)合，充分利用了兩者的優(yōu)勢(shì)，能夠提取時(shí)間序列數(shù)據(jù)中的空間和時(shí)間特征，提高了模型的預(yù)測(cè)準(zhǔn)確性。

29、特征提取過(guò)程中，卷積核在時(shí)間維度上滑動(dòng)提取局部特征，池化層降低特征維度，減少了計(jì)算量和過(guò)擬合風(fēng)險(xiǎn)。循環(huán)神經(jīng)網(wǎng)絡(luò)根據(jù)輸入數(shù)據(jù)和上一時(shí)刻的隱藏狀態(tài)更新當(dāng)前時(shí)刻的隱藏狀態(tài)，捕捉了時(shí)間序列中的動(dòng)態(tài)特征，使模型能夠更好地適應(yīng)隧道環(huán)境的變化。

30、利用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)對(duì)提取的特征進(jìn)行預(yù)測(cè)，進(jìn)一步提高了預(yù)測(cè)結(jié)果的準(zhǔn)確性。lstm?能夠處理時(shí)間序列數(shù)據(jù)中的長(zhǎng)期依賴關(guān)系，通過(guò)添加全連接層進(jìn)行特征融合，使預(yù)測(cè)結(jié)果更加可靠。

31、根據(jù)預(yù)測(cè)結(jié)果制定調(diào)控策略，如基于固定閾值進(jìn)行調(diào)控，能夠及時(shí)采取相應(yīng)的控制指令，實(shí)現(xiàn)精準(zhǔn)的風(fēng)速調(diào)控。確保隧道內(nèi)空氣質(zhì)量達(dá)標(biāo)，同時(shí)避免過(guò)度通風(fēng)造成能源浪費(fèi)。

技術(shù)特征：

1.一種基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控方法，其特征在于，所述獲取隧道內(nèi)不同時(shí)間點(diǎn)的環(huán)境參數(shù)，包括基于隧道內(nèi)的傳感器采集隧道內(nèi)不同時(shí)間點(diǎn)的環(huán)境參數(shù)，其中包括溫度傳感器、濕度傳感器、車流量傳感器、污染物濃度傳感器，并將環(huán)境參數(shù)通過(guò)無(wú)線方式傳輸?shù)綌?shù)據(jù)處理中心。

3.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控方法，其特征在于，所述對(duì)獲取的環(huán)境參數(shù)數(shù)據(jù)進(jìn)行預(yù)處理，包括通過(guò)數(shù)據(jù)清洗來(lái)去除異常值并填充缺失值；通過(guò)數(shù)據(jù)去噪將數(shù)據(jù)中的干擾噪聲進(jìn)行濾除；通過(guò)線性歸一化將數(shù)據(jù)映射到線性區(qū)間，以便于特征提取。

4.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控方法，其特征在于，所述構(gòu)建基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控模型，包括基于卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)建隧道送風(fēng)口用風(fēng)速調(diào)控模型，其中，卷積神經(jīng)網(wǎng)絡(luò)包括構(gòu)建輸入層、卷積層、池化層和激活函數(shù)；循環(huán)神經(jīng)網(wǎng)絡(luò)包括rnn?層和輸出層。

5.根據(jù)權(quán)利要求4所述的一種基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控方法，其特征在于，所述利用隧道送風(fēng)口用風(fēng)速調(diào)控模型對(duì)數(shù)據(jù)集進(jìn)行特征提取，包括基于卷積核在時(shí)間維度上滑動(dòng)，對(duì)輸入數(shù)據(jù)進(jìn)行卷積操作，提取時(shí)間上的局部特征，并利用池化層降低特征的維度，減少計(jì)算量和過(guò)擬合的風(fēng)險(xiǎn)；將卷積神經(jīng)網(wǎng)絡(luò)提取的特征作為循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入，根據(jù)輸入數(shù)據(jù)和上一時(shí)刻的隱藏狀態(tài)，更新當(dāng)前時(shí)刻的隱藏狀態(tài)，從而捕捉時(shí)間序列中的動(dòng)態(tài)特征。

6.根據(jù)權(quán)利要求5所述的一種基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控方法，其特征在于，所述利用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)對(duì)提取的特征進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)結(jié)果，包括確定長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的輸入層和lstm?層，在?lstm?層之后，添加全連接層進(jìn)行特征融合，基于特征融合結(jié)果進(jìn)行預(yù)測(cè)。

7.根據(jù)權(quán)利要求6所述的一種基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控方法，其特征在于，所述根據(jù)預(yù)測(cè)結(jié)果進(jìn)行風(fēng)速調(diào)控，包括根據(jù)預(yù)測(cè)結(jié)果制定調(diào)控策略，包括基于固定閾值進(jìn)行調(diào)控，當(dāng)預(yù)測(cè)結(jié)果高于設(shè)定閾值時(shí)，采取相應(yīng)的控制指令。

8.一種基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控系統(tǒng)，其特征在于，包括：

9.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其中存儲(chǔ)有多條指令，其特征在于，所述指令適于由終端設(shè)備的處理器加載并執(zhí)行如權(quán)利要求1所述的一種基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控方法。

10.一種終端設(shè)備，包括處理器和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，處理器用于實(shí)現(xiàn)各指令；計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)用于存儲(chǔ)多條指令，其特征在于，所述指令適于由處理器加載并執(zhí)行如權(quán)利要求1所述的一種基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控方法。

技術(shù)總結(jié)
本發(fā)明涉及深度學(xué)習(xí)技術(shù)領(lǐng)域，尤其是涉及一種基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控方法及系統(tǒng)。方法，包括獲取隧道內(nèi)不同時(shí)間點(diǎn)的環(huán)境參數(shù)數(shù)據(jù)；對(duì)獲取的環(huán)境參數(shù)數(shù)據(jù)進(jìn)行預(yù)處理；基于環(huán)境參數(shù)數(shù)據(jù)進(jìn)行數(shù)據(jù)集劃分，得到訓(xùn)練集和測(cè)試集；構(gòu)建基于深度學(xué)習(xí)的隧道送風(fēng)口用風(fēng)速調(diào)控模型；利用隧道送風(fēng)口用風(fēng)速調(diào)控模型對(duì)數(shù)據(jù)集進(jìn)行特征提??；利用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)對(duì)提取的特征進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)結(jié)果；根據(jù)預(yù)測(cè)結(jié)果進(jìn)行風(fēng)速調(diào)控。本發(fā)明基于深度學(xué)習(xí)構(gòu)建的隧道送風(fēng)口用風(fēng)速調(diào)控模型，能夠有效地捕捉環(huán)境參數(shù)與風(fēng)速之間的復(fù)雜非線性關(guān)系。

技術(shù)研發(fā)人員：閆海波,許庚,付同華,鄒吉輝,白冰,高小娃,劉國(guó)強(qiáng),宋恩哲,陳明鑫,楊啟夢(mèng),丁鵬文
受保護(hù)的技術(shù)使用者：山東匯通建設(shè)集團(tuán)有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/23