基于智能物联网和深度学习相结合的空气质量评估方法与流程

1.本发明涉及农村农业、环境、智能物联、人工智能技术领域，特别涉及一种基于智能物联网和深度学习相结合的空气质量评估方法。


背景技术：

2.对应我国传统农村的人口结构已中老年常驻人口为主，特殊的人口结构决定，气质量的对传统农村居住人口的身体健康及生活质量的影响更显得至关重要。其中，空气中不同的污染物包括so2 (二氧化硫)、no2(二氧化氮)，pm2.5以及pm10等能引起的各种人类慢性疾病，多项研究也表明，暴露于高度污染的环境将导致人类的心血管疾病和呼吸系统疾病。但现有对传统农村的空气质量影响要素的采集大都费时费力，而且及时性不足，数据可靠性低，同时没有可靠的空气质量评估的方法。
3.因此，亟待一种依托规范、省时省力、及时性更足、可靠性更高的以及更适合农村空气质量评估的方法。


技术实现要素：

4.本发明提供一种基于基于智能物联网和深度学习相结合的空气质量评估方法及系统，以用于解决现有对传统农村的空气质量影响要素的采集大都费时费力，而且及时性不足，数据可靠性低，同时没有可靠的空气质量评估方法的技术问题。
5.本发明一方面实施例提供一种基于智能物联网和深度学习相结合的空气质量评估方法，包括：步骤s1，按照预设要求布设多个传感器节点，以实时采集多个污染因子、风速和风向作为监测数据；步骤s2，通过空气污染指数的浓度限值参照表和空气指数分数值处理所述监测数据，得到任一节点位置的空气指数分数值，并存储至预设数据库；步骤s3，采用协同克里金插值计算方法对所述任一节点位置的空气指数分数值进行处理，以计算出未知节点位置的预测空气质量指数，并存储至所述预设数据库；步骤s4，根据所述未知节点位置的空气质量指数再布置多个传感器节点，获得未知节点位置的实际空气质量指数，并存储至所述预设数据库；步骤s5，读取所述预设数据库中多个节点位置的预测空气质量指数以及其对应的多个节点位置的实际空气质量指数，以构建训练集和测试集；步骤s6，利用所述训练集对基于深度学习循环神经网络模型进行训练，得到基于深度学习循环神经网络的空气质量指数修正模型；步骤s7，将待修正未知节点位置的预测空气质量指数输入所述基于深度学习循环神经网络的空气质量指数修正模型中，得到未知节点位置的实际空气质量指数，并根据所述未知节点位置的实际空气质量指数建立空气质量报告。
6.本发明另一方面实施例提供一种基于智能物联网和深度学习相结合的空气质量
评估系统，包括：采集模块，用于按照预设要求布设多个传感器节点，以实时采集多个污染因子、风速和风向作为监测数据；第一处理模块，用于通过空气污染指数的浓度限值参照表和空气指数分数值处理所述监测数据，得到任一节点位置的空气指数分数值，并存储至预设数据库；第二处理模块，采用协同克里金插值计算方法对所述任一节点位置的空气指数分数值进行处理，以计算出未知节点位置的预测空气质量指数，并存储至所述预设数据库；布置模块，用于根据所述未知节点位置的空气质量指数再布置多个传感器节点，获得未知节点位置的实际空气质量指数，并存储至所述预设数据库；构建模块，用于读取所述预设数据库中多个节点位置的预测空气质量指数以及其对应的多个节点位置的实际空气质量指数，以构建训练集和测试集；训练模块，用于利用所述训练集对基于深度学习循环神经网络模型进行训练，得到基于深度学习循环神经网络的空气质量指数修正模型；修正模块，用于将待修正未知节点位置的预测空气质量指数输入所述基于深度学习循环神经网络的空气质量指数修正模型中，得到未知节点位置的实际空气质量指数，并根据所述未知节点位置的实际空气质量指数建立空气质量报告。
7.本发明又一方面实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述实施例所述的基于智能物联网和深度学习相结合的空气质量评估方法。
8.本发明还一方面实施例提供一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例所述的基于智能物联网和深度学习相结合的空气质量评估方法。
9.本发明的技术方案，至少实现了如下有益的技术效果：通过针对不同阶段、不同时期污染物的占比权重，采用深度学习卷积神经网络+循环神经网络进行多维建模的方式，从而可以通过已知节点数据推测出全域的空气质量并评估，最终提供了高精度下时间和空间密度的科学化、标准化的空气质量评估报告。
10.本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
11.本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1是本发明一个实施例的基于智能物联网和深度学习相结合的空气质量评估方法的流程图；图2是本发明一个实施例的基于深度学习循环神经网络的空气质量指数修正模型的结构示意图；图3是本发明一个实施例的基于智能物联网和深度学习相结合的空气质量评估系统的结构示意图。
具体实施方式
12.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
13.下面参照附图描述根据本发明实施例提出的基于智能物联网和深度学习相结合的空气质量评估方法及系统，首先将参照附图描述根据本发明实施例提出的基于智能物联网和深度学习相结合的空气质量评估方法。
14.图1是本发明一个实施例的基于智能物联网和深度学习相结合的空气质量评估方法的流程图。
15.如图1所示，该基于智能物联网和深度学习相结合的空气质量评估方法包括以下步骤：在步骤s1中，按照预设要求布设多个传感器节点，以实时采集多个污染因子、风速和风向作为监测数据。
16.具体地，本发明实施例中需要预先布设智能传感器，农村地区的空气质量监测使用智能物联网传感器节点，这些传感器节点可以安置在不同的空气污染源头以及传感器密度最大化的地方以检测空气质量，传感器以空气颗粒传感器、二氧化硫传感器、二氧化氮传感器、风速传感器、风向传感器为主。传感器节点应布设在村落人口密度大的地位，同时传感器架设高度应该在10m-15m之间。
17.传感器节点会采集空气中的各种指标，对主要污染因子（so2、no2、pm2.5、pm10）以及风速、风向的监测数据每小时进行采集并将采集的数据传输至服务器端，以作为监测数据以实时监测空气质量变化。
18.在步骤s2中，通过空气污染指数的浓度限值参照表和空气指数分数值处理监测数据，得到任一节点位置的空气指数分数值，并存储至预设数据库。
19.进一步地，在本发明的一个实施例中，步骤s2具体包括：步骤s201，通过空气污染指数的浓度限值参照表和空气指数分数值处理监测数据，得到每个空气污染因子的空气指数分数值；步骤s202，对每个空气污染因子的空气指数分数值进行比较，筛选出最大空气指数分数值，并将最大空气指数分数值作为任一节点位置的空气指数分数值，并存储至预设数据库中。
20.需要说明的是，空气污染指数（air quality index 简称：aqi）计算指：智能物联网传感器节点采集的数据会被服务器处理，通过各污染因子时均值浓度计算得出日均值浓度。
21.具体地，先根据现行的aqi的浓度限值参照表（gb3095-2012标准），如下图表1所示：表1
空气指数分指数( iaqi)计算公式如下:其中，为污染物项目的空气质量分指数；为污染物浓度，输入值；为表1中与相近的污染物浓度限值的高位值；为表1中与相近的污染物浓度限值 的低位值，其中，为low简写，指低位状态下；为表1 中与对应的空气质量分指数；为表1 中与对应的空气质量分指数，。
22.通过上述的iaqi指数计算污染物浓度限定值参照表以及空气指数分指数( iaqi)计算公式，计算得出各空气污染因子iaqi值。
23.然后对所有空气污染因子iaqi值进行比较，如果其它污染物的iaqi值均小于其中某一个污染物的iaqi值，则当日该节点位置的aqi值为所有iaqi中的最大值，然后对所得出的该节点位置aqi值进行存储记录。
24.在步骤s3中，采用协同克里金插值计算方法对任一节点位置的空气指数分数值进行处理，以计算出未知节点位置的预测空气质量指数，并存储至预设数据库。
25.进一步地，在本发明的一个实施例中，步骤s3具体包括：步骤s301，将地势和风向引入协同克里金插值算法中，得到协半变异函数；步骤s302，对协半变异函数进行拟合，以计算得到权重系数，根据权重系数处理任一节点位置的空气指数分数值，以求解未知节点位置的空气质量指数，并将其至预设数据库中。
26.需要说明的是，在物联网智能传感器节点的布设中，无法做到村落每一个点位都进行布设，因此当一个村落区域范围较大时，单纯某个节点的aqi值可能无法反映所有点位的空气质量指数，故本发明实施例预先将最大空气指数分数值作为任一节点位置的空气指数分数值，再采用克里金插值计算方法对未知点点位aqi值进行推算。
27.具体地，引入地势、风向的协同克里金方法。协同克里金法（cokriging）是普通克里金法的扩展，把区域化变量的最佳估值方法从单一属性发展到两个或两个以上的协同区域化属性，用一个或多个辅助变量对预估值进行校正。在协同克里金法中，、分别表示变量1（风向）与变量2（地势）的半变异模型函数，其计算方法与普通克里金插值法中的半方差计算方法相同；为协半变异函数，是用来衡量两个变量各个样本点之间空间相关
程度的表达式：其中，为协半变异函数，为由分开的成对样本点的数量，为样本点，为两点之间的距离，为点关于风向变量的属性值，为点关于地势变量的属性值。
28.再对上述拟合协半变异函数进行拟合，如下方程：其中，和分别表示两个属性的样本点数目，和是待求解的权重参数和分别是和的变异函数模型，为拉格朗日系数，为第1i个样本点坐标，为第2j个样本点坐标，为第i个样本点坐标，为第j个样本点坐标，为目标点，为点关于风向变量的属性值，为点关于地势变量的属性值，和是这两个变量的变异函数模型。
29.通过该拟合函数计算得出权重系数，将得出的权重系数带入下方的方程中计算未知样本点预测值，即未知节点位置的空气质量指数（aqi）：其中，为未知节点位置的空气质量指数，为样本节点，为风向变量的样本节点数量，为风向变量待定的权重，为风向变量的属性值，为地势变量的样本节点数量，为地势变量待定的权重，为地势变量的属性值。
30.最后还需将计算得到的预测样本点空气质量数值、经纬度等信息存储至预设数据库中。
31.在步骤s4中，根据未知节点位置的空气质量指数再布置多个传感器节点，获得未知节点位置的实际空气质量指数，并存储至预设数据库。
32.可以理解的是，因后续还需要对神经网络模型进行训练，所以需要在获得输入值：未知节点位置的空气质量指数外，还需要获得相应的输出值：未知节点位置的实际空气质
量指数，以构建训练集和测试集。
33.其中，根据未知节点位置的空气质量指数中获知未知节点的位置，并根据该位置布置多个传感器节点，从而得到未知节点位置的实际空气质量指数，并存储至预设数据库，进而根据预设数据库构建训练集和测试集。
34.在步骤s5中，读取预设数据库中多个节点位置的预测空气质量指数以及其对应的多个节点位置的实际空气质量指数，以构建训练集和测试集。
35.在步骤s6中，利用训练集对基于深度学习循环神经网络模型进行训练，得到基于深度学习循环神经网络的空气质量指数修正模型。
36.进一步地，在本发明的一个实施例中，步骤s6具体包括：步骤s601，将训练集中的多个节点位置的预测空气质量指数输入至基于深度学习循环神经网络模型的隐藏层中，得到预测结果；步骤s602，将预测结果与训练集中的多个节点位置的实际空气质量指数进行比对，得到误差值；步骤s603，将误差值通过反向传播方法送回基于深度学习循环神经网络模型的隐藏层中，通过adam算法对基于深度学习循环神经网络模型的参数进行调整和优化，得到基于深度学习循环神经网络的空气质量指数修正模型。
37.具体地，从预设数据库读取根据协同克里金插值算法得到样本点预测aqi历史值以及点位实际观测的aqi历史值；如图2所示，将通过协克里金插值算法得到样本点预测aqi数据输入lstm各节点, 在中间的隐藏层使用多个 lstm 细胞单元进行循环连接, 得出的预测结果与实际历史空气指数值比对, 得出误差值并将误差值通过反向传播方法送回lstm隐藏层单元中，通过adam算法不断调整参数以优化预测结果。其中，损失函数的数学公式如下：其中,d为测试集中的样本数量,为该点位该时刻空气质量指数的真实值,为空气质量指数预测值。
38.进一步地，步骤s6还可以包括：步骤s604，将测试集中的多个节点位置的预测空气质量指数输入至基于深度学习循环神经网络的空气质量指数修正模型中，得到修正后的多个节点位置的预测空气质量指数，并将修正后的多个节点位置的预测空气质量指数与多个节点位置的实际空气质量指数进行比对验证。
39.在步骤s7中，将待修正未知节点位置的预测空气质量指数输入基于深度学习循环神经网络的空气质量指数修正模型中，得到未知节点位置的实际空气质量指数，并根据未知节点位置的实际空气质量指数建立空气质量报告。
40.其中，该空气质量报告可以实时发布和查询，以此来判断当前农村的空气质量状况等。
41.根据本发明实施例提出的基于智能物联网和深度学习相结合的空气质量评估方法，基于智慧城乡物联网数据采集平台进行实时数据采集，通过针对不同阶段、不同时期污
染物的占比权重，采用深度学习循环神经网络进行多维建模的方式，通过已知节点数据推测全域的空气质量并进行评估，为该地区提供高精度下时间和空间密度的科学化、标准化的空气质量评估报告。
42.其次参照附图描述根据本发明实施例提出的基于智能物联网和深度学习相结合的空气质量评估系统。
43.图3是本发明一个实施例的基于智能物联网和深度学习相结合的空气质量评估系统的结构示意图。
44.如图3所示，该装置10包括：采集模块100、第一处理模块200、第二处理模块300、布置模块400、构建模块500、训练模块600和修正模块700。
45.其中，采集模块100用于按照预设要求布设多个传感器节点，以实时采集多个污染因子、风速和风向作为监测数据。
46.第一处理模块200用于通过空气污染指数的浓度限值参照表和空气指数分数值处理监测数据，得到任一节点位置的空气指数分数值，并存储至预设数据库。
47.在本发明的一个实施例中，第一处理模块200具体用于：通过空气污染指数的浓度限值参照表和空气指数分数值处理监测数据，得到每个空气污染因子的空气指数分数值；对每个空气污染因子的空气指数分数值进行比较，筛选出最大空气指数分数值，并将最大空气指数分数值作为任一节点位置的空气指数分数值，并存储至预设数据库中采用协同克里金插值计算方法对任一节点位置的空气指数分数值进行处理，以计算出未知节点位置的预测空气质量指数，并存储至预设数据库。
48.第二处理模块300用于采用协同克里金插值计算方法对任一节点位置的空气指数分数值进行处理，以计算出未知节点位置的预测空气质量指数，并存储至预设数据库。
49.在本发明的一个实施例中，第二处理模块300具体用于：将地势和风向引入协同克里金插值算法中，得到协半变异函数；对协半变异函数进行拟合，以计算得到权重系数，根据权重系数处理任一节点位置的空气指数分数值，以求解未知节点位置的空气质量指数，并将其至预设数据库中。
50.布置模块400用于根据未知节点位置的空气质量指数再布置多个传感器节点，获得未知节点位置的实际空气质量指数，并存储至预设数据库。
51.构建模块500用于读取预设数据库中多个节点位置的预测空气质量指数以及其对应的多个节点位置的实际空气质量指数，以构建训练集和测试集。
52.训练模块600用于利用训练集对基于深度学习循环神经网络模型进行训练，得到基于深度学习循环神经网络的空气质量指数修正模型。
53.在本发明的一个实施例中，训练模块600具体用于：将训练集中的多个节点位置的预测空气质量指数输入至基于深度学习循环神经网络模型的隐藏层中，得到预测结果；将预测结果与训练集中的多个节点位置的实际空气质量指数进行比对，得到误差值；将误差值通过反向传播方法送回基于深度学习循环神经网络模型的隐藏层中，通过adam算法对基于深度学习循环神经网络模型的参数进行调整和优化，得到基于深度学习
循环神经网络的空气质量指数修正模型。
54.修正模块700用于将待修正未知节点位置的预测空气质量指数输入基于深度学习循环神经网络的空气质量指数修正模型中，得到未知节点位置的实际空气质量指数，并根据未知节点位置的实际空气质量指数建立空气质量报告。
55.需要说明的是，前述对基于智能物联网和深度学习相结合的空气质量评估方法实施例的解释说明也适用于该实施例的基于智能物联网和深度学习相结合的空气质量评估系统，此处不再赘述。
56.根据本发明实施例提出的基于智能物联网和深度学习相结合的空气质量评估系统，基于智慧城乡物联网数据采集平台进行实时数据采集，通过针对不同阶段、不同时期污染物的占比权重，采用深度学习循环神经网络进行多维建模的方式，通过已知节点数据推测全域的空气质量并进行评估，为该地区提供高精度下时间和空间密度的科学化、标准化的空气质量评估报告。
57.为了实现上述实施例，本发明还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如前述实施例所述的基于智能物联网和深度学习相结合的空气质量评估方法。
58.为了实现上述实施例，本发明还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述实施例所述的基于智能物联网和深度学习相结合的空气质量评估方法。
59.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、
ꢀ“
示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或n个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
60.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“n个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
61.流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更n个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
62.在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传
输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或n个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（ram），只读存储器（rom），可擦除可编辑只读存储器（eprom或闪速存储器），光纤装置，以及便携式光盘只读存储器（cdrom）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
63.应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，n个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（pga），现场可编程门阵列（fpga）等。
64.本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
65.此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
66.上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种基于智能物联网和深度学习相结合的空气质量评估方法，其特征在于，包括以下步骤：步骤s1，按照预设要求布设多个传感器节点，以实时采集多个污染因子、风速和风向作为监测数据；步骤s2，通过空气污染指数的浓度限值参照表和空气指数分数值处理所述监测数据，得到任一节点位置的空气指数分数值，并存储至预设数据库；步骤s3，采用协同克里金插值计算方法对所述任一节点位置的空气指数分数值进行处理，以计算出未知节点位置的预测空气质量指数，并存储至所述预设数据库；步骤s4，根据所述未知节点位置的空气质量指数再布置多个传感器节点，获得未知节点位置的实际空气质量指数，并存储至所述预设数据库；步骤s5，读取所述预设数据库中多个节点位置的预测空气质量指数以及其对应的多个节点位置的实际空气质量指数，以构建训练集和测试集；步骤s6，利用所述训练集对基于深度学习循环神经网络模型进行训练，得到基于深度学习循环神经网络的空气质量指数修正模型；步骤s7，将待修正未知节点位置的预测空气质量指数输入所述基于深度学习循环神经网络的空气质量指数修正模型中，得到未知节点位置的实际空气质量指数，并根据所述未知节点位置的实际空气质量指数建立空气质量报告。2.根据权利要求1所述的基于智能物联网和深度学习相结合的空气质量评估方法，其特征在于，所述步骤s2具体包括：步骤s201，通过空气污染指数的浓度限值参照表和空气指数分数值处理所述监测数据，得到每个空气污染因子的空气指数分数值；步骤s202，对每个空气污染因子的空气指数分数值进行比较，筛选出最大空气指数分数值，并将所述最大空气指数分数值作为所述任一节点位置的空气指数分数值，并存储至预设数据库中。3.根据权利要求1所述的基于智能物联网和深度学习相结合的空气质量评估方法，其特征在于，所述步骤s3具体包括：步骤s301，将地势和风向引入协同克里金插值算法中，得到协半变异函数；步骤s302，对所述协半变异函数进行拟合，以计算得到权重系数，根据所述权重系数处理所述任一节点位置的空气指数分数值，以求解所述未知节点位置的空气质量指数，并将其至预设数据库中。4.根据权利要求3所述的基于智能物联网和深度学习相结合的空气质量评估方法，其特征在于，所述拟合协半变异函数为：其中，为协半变异函数，为由分开的成对样本点的数量，为样本点，为两点之间的距离，为点关于风向变量的属性值，为点关于地势变量的属性值。5.根据权利要求1所述的基于智能物联网和深度学习相结合的空气质量评估方法，其
特征在于，所述未知节点位置的空气质量指数为：其中，为未知节点位置的空气质量指数，为样本节点，为风向变量的样本节点数量，为风向变量待定的权重，为风向变量的属性值，为地势变量的样本节点数量，为地势变量待定的权重，为地势变量的属性值。6.根据权利要求1所述的基于智能物联网和深度学习相结合的空气质量评估方法，其特征在于，所述步骤s6具体包括：步骤s601，将所述训练集中的多个节点位置的预测空气质量指数输入至基于深度学习循环神经网络模型的隐藏层中，得到预测结果；步骤s602，将所述预测结果与所述训练集中的多个节点位置的实际空气质量指数进行比对，得到误差值；步骤s603，将所述误差值通过反向传播方法送回基于深度学习循环神经网络模型的隐藏层中，通过adam算法对所述基于深度学习循环神经网络模型的参数进行调整和优化，得到基于深度学习循环神经网络的空气质量指数修正模型。7.根据权利要求1所述的基于智能物联网和深度学习相结合的空气质量评估方法，其特征在于，步骤s6还包括：步骤s604，将所述测试集中的多个节点位置的预测空气质量指数输入至所述基于深度学习循环神经网络的空气质量指数修正模型中，得到修正后的多个节点位置的预测空气质量指数，并将所述修正后的多个节点位置的预测空气质量指数与所述多个节点位置的实际空气质量指数进行比对验证。8.一种基于智能物联网和深度学习相结合的空气质量评估系统，其特征在于，包括：采集模块，用于按照预设要求布设多个传感器节点，以实时采集多个污染因子、风速和风向作为监测数据；第一处理模块，用于通过空气污染指数的浓度限值参照表和空气指数分数值处理所述监测数据，得到任一节点位置的空气指数分数值，并存储至预设数据库；第二处理模块，采用协同克里金插值计算方法对所述任一节点位置的空气指数分数值进行处理，以计算出未知节点位置的预测空气质量指数，并存储至所述预设数据库；布置模块，用于根据所述未知节点位置的空气质量指数再布置多个传感器节点，获得未知节点位置的实际空气质量指数，并存储至所述预设数据库；构建模块，用于读取所述预设数据库中多个节点位置的预测空气质量指数以及其对应的多个节点位置的实际空气质量指数，以构建训练集和测试集；训练模块，用于利用所述训练集对基于深度学习循环神经网络模型进行训练，得到基于深度学习循环神经网络的空气质量指数修正模型；修正模块，用于将待修正未知节点位置的预测空气质量指数输入所述基于深度学习循环神经网络的空气质量指数修正模型中，得到未知节点位置的实际空气质量指数，并根据所述未知节点位置的实际空气质量指数建立空气质量报告。
9.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-7中任一所述的基于智能物联网和深度学习相结合的空气质量评估方法。10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的基于智能物联网和深度学习相结合的空气质量评估方法。

技术总结
本发明公开了一种基于智能物联网和深度学习相结合的空气质量评估方法及系统，属于农村农业、环境、智能物联、人工智能技术领域，方法包括：布设多个传感器节点采集污染因子等作为监测数据，求解任一节点位置的空气指数分数值；采用协同克里金插值计算方法对任一节点位置的空气指数分数值进行处理得到未知节点位置的预测空气质量指数，根据其再布置多个传感器节点，获得未知节点位置的实际空气质量指数构建训练集；利用训练集对基于深度学习循环神经网络模型进行训练，将待修正未知节点位置的预测空气质量指数输入训练好的模型中，得到未知节点位置的实际空气质量指数并生成空气质量报告。该方法从时间和空间密度上提高了空气质量评估的精度。质量评估的精度。质量评估的精度。


技术研发人员：赵明 于福东 靳海科 王亮 唐志会 王莫寒 赵恩泽 朱丽羽 李晓爽 陈忠磊 崔宇婷 郭琦 高跃
受保护的技术使用者：吉林省中农阳光数据有限公司
技术研发日：2023.06.15
技术公布日：2023/7/21