基于两阶段深度序贯技术及元启发式算法的智能建筑多变量室内空气质量管控

《Engineering Applications of Artificial Intelligence》:Multivariable indoor air quality management in smart building based two-stage deep sequential technique and metaheuristic algorithm

【字体: 大 中 小 】 时间:2026年06月14日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  越南庆和省芽庄大学电气与电子工程学院Thanh-Phuong Nguyen 摘要 室内空气质量在智能建筑环境中已成为一个重要问题,它直接影响着使用者的健康、舒适度以及工作效率。有效的室内空气质量管理需要准确且实时的预测系统,以便主动控制通风、过滤和空气净化系统。本研究提出了一种

  越南庆和省芽庄大学电气与电子工程学院Thanh-Phuong Nguyen

摘要
室内空气质量在智能建筑环境中已成为一个重要问题,它直接影响着使用者的健康、舒适度以及工作效率。有效的室内空气质量管理需要准确且实时的预测系统,以便主动控制通风、过滤和空气净化系统。本研究提出了一种基于人工智能物联网的智能框架,用于室内空气质量管理,该框架整合了两阶段深度序列模型与元启发式优化技术。具体而言,构建了一种结合卷积神经网络与双向长短期记忆网络的混合架构,用以同时处理来自建筑内分布式物联网传感器网络的多变量室内空气质量数据中的空间特征交互和时间动态变化。此外,还引入了改进的粒子群优化算法,自动调整CNN-BiLSTM模型的超参数,从而加快收敛速度并提升模型的泛化能力。所提出的EPSO-CNN-BiLSTM框架通过实时室内空气质量数据集进行了测试,结果显示其预测精度显著高于传统的循环神经网络、双向循环神经网络、门控循环单元、长短期记忆网络、双向长短期记忆网络以及卷积神经网络等模型,各项指标分别提升了74.56%的损失值、68.90%的验证损失值、2.34%的余弦相似度、1.71%的验证余弦相似度、48.58%的平均绝对误差、50.81%的验证平均绝对误差、52.51%的平均绝对百分比误差、47.18%的验证平均绝对百分比误差、18.27的决定系数以及15.77%的验证决定系数。本研究强调了人工智能物联网驱动的解决方案在智能建筑应用中的重要性,为主动式多变量室内空气质量控制提供了一种可靠的方法,有助于改善室内环境中的使用者健康状况并降低能源消耗。所提出的模型能够帮助建筑管理者和自动化系统高效地维持最佳的室内空气质量。

引言
室内空气质量被视为建筑性能和使用者福祉的关键因素,尤其是在现代智能建筑环境中。不良的室内空气质量与多种健康问题相关,如呼吸系统疾病、过敏、疲劳以及认知功能下降,这在办公室、学校、医院和住宅楼等人口密集的室内环境中更为常见。世界卫生组织以及美国政府和工业卫生学家会议等国际卫生机构都强调了持续监测和控制二氧化碳、颗粒物、温度、湿度、挥发性有机化合物以及其他污染物等关键室内空气质量指标的必要性。随着建筑越来越智能化且相互连通,人工智能物联网的集成为高效且自主的环境管理系统开辟了新途径。随着物联网传感器网络的快速发展,智能建筑现在能够生成大量与环境条件相关的异构实时数据。这一进展要求采用强大且智能的算法来处理大规模数据,并提供准确及时的分析结果。传统的室内空气质量管理方法依赖于基于规则的系统或简单的统计分析,面对现实世界中高维度和非线性的环境数据时往往力不从心。因此,机器学习和深度学习方法作为一种有效的替代方案,逐渐被广泛应用于提升预测精度并实现室内环境的预见性管理。

已有许多机器学习和神经网络方法被用于室内空气质量预测和室内环境管理。最初的尝试集中在传统的神经网络架构上,尤其是径向基函数网络或反向传播神经网络(Yao等人,2024年;Huang等人,2020年;Wan等人,2022年;Tian等人,2022a年;Godasiaei等人,2025年;Wang等人,2023a年)。Li等人将反向传播神经网络、计算流体动力学以及粒子群优化相结合,实现了快速准确的室内空气质量预测,同时还将计算成本和空气污染物浓度分别降低了6.44%和23.53%(Li等人,2022年)。这项技术为改善智能建筑的通风环境提供了有效的智能方法。还有研究将小波技术与反向传播神经网络结合,用于预测每日空气污染物浓度,其在多项统计指标上取得了更好的改善效果(Bai等人,2016年)。为了解决成都市PM2.5和PM10预测的问题,有研究提出了基于深度信念网络与反向传播神经网络的防雾霾天气预测框架(Tian等人,2022b年)。与传统反向传播神经网络模型相比,所开发的技术具有更好的性能和精度。尽管这些方法展现出了潜力,但它们往往存在过拟合问题,且泛化能力有限,尤其是在处理动态变化的环境数据时。

为了解决这些缺陷,人们采用了更为复杂的序列模型,包括长短期记忆网络、循环神经网络以及门控循环单元。这类架构由于具备建模时间关系的能力,特别适合用于时间序列预测。多项研究利用长短期记忆网络来模拟室内空气质量数据的时间模式,取得了不错的预测效果(Wei等人,2023年;Seng等人,2021年;Navares和Aznarte,2020年;Sharma等人,2021年)。Fang等人将普通长短期记忆网络与多根输出和多通道输入相结合,用于预测北京的空气质量,在实验中取得了更好的预测效果(Fang等人,2023年)。还有研究提出将长短期记忆网络与XGBoost树相结合,构建用于室内空气质量时间序列预测的框架(Chen等人,2021年)。通过优化子树节点,该框架在降低误差和提高模型表达能力方面表现更佳。另有研究提出了一种长短期记忆网络自编码器多任务学习框架,用于预测多个城市的PM2.5浓度(Xu和Yoneda,2019年)。与传统的数据驱动框架相比,所提出的技术能够自动识别多个关键污染时间序列数据中的更优动态关系(Xu和Yoneda,2019年)。对比七种人工智能模型后发现,长短期记忆网络在化学物质和生物气溶胶时间序列数据集上的准确率和性能均有提升,提升了60%至80%(Lee等人,2023年)。还有研究将长短期记忆网络与遗传算法的超参数优化方法相结合,用于识别多种污染物的浓度水平,与其他框架相比,该方法具有更高的准确性、更少的计算量以及更快的速度(Drewil和Al-Bahadili,2022年)。另有研究提出了一种将三个长短期记忆网络整合为统一预测系统的组合框架,用于可靠地预测工业环境中的空气污染水平(Chang等人,2020年)。还有研究采用了时间滑动长短期记忆扩展模型,用于预测严重空气污染地区未来24小时的平均PM2.5浓度(Mao等人,2021年)。所开发的技术显著提升了公共区域的空气质量预测服务能力,并能及时预警区域污染情况(Mao等人,2021年)。此外,由于结构更为简单且收敛速度更快,基于门控循环单元的模型也被广泛应用(Guo等人,2023年;Tao等人,2019年;Wang等人,2023b年)。有研究利用门控循环单元模型,以更高的精度预测了墨西哥城市不同时间序列视角下的PM10浓度变化(Becerra-Rico等人,2020年)。还有研究采用基于卷积神经网络和密集层的双向门控循环单元框架,用于预测PM2.5浓度,该框架在质量浓度预测方面具有更高的准确性和有效性(Wang等人,2021年)。Faraji等人采用三维卷积神经网络-门控循环单元技术预测PM2.5浓度,与长短期记忆网络、人工神经网络、自回归积分滑动平均模型以及支持向量回归模型相比,取得了较好的预测结果(Faraji等人,2022年)。Wang等人提出了一种新颖的时空混合方法,将门控循环单元与图注意力网络相结合,用于预测综合空气污染指数(Wang等人,2024年)。实验结果表明,该模型能够捕捉空气污染的时空演变规律,为深入理解深度学习模型在区域污染治理中的应用提供了新的思路(Wang等人,2024年)。尽管这些模型具有诸多优势,但在处理由多个物联网传感器生成的高维度且噪声较多的数据集时,往往存在特征表示方面的局限性。

卷积神经网络通常用于图像识别任务中的空间特征提取,最近也被应用于时间序列分析,包括室内空气质量预测。然而,单独的卷积神经网络在时间建模能力方面存在局限,难以体现序列数据中的长周期依赖关系。卷积神经网络擅长识别局部模式,可作为特征提取的前端,将原始输入数据转换为更精细的特征表示,再传递给长短期记忆网络或门控循环单元等序列模型(Guo等人,2023年;Wang等人,2022年;Faraji等人,2022年;Zhang和Li,2022年;Zhang等人,2022年;Mei等人,2022年)。近期的一些研究试图通过结合卷积神经网络与循环神经网络的混合架构来弥补单一模型的不足。Phuong开发了一种卷积神经网络-长短期记忆网络混合模型,用于提升建筑内的室内空气质量预测精度,其性能和准确率均优于单独使用的卷积神经网络或长短期记忆网络模型(Thanh,2025年)。Gilik等人将卷积神经网络与长短期记忆网络相结合,使得PM2.5的预测精度提升了11%-53%,臭氧的预测精度提升了20%-31%,二氧化硫的预测精度提升了18%-46%,这些提升效果均优于现有文献中的结果。还有研究提出了基于门控循环单元-卷积神经网络和长短期记忆网络-卷积神经网络的混合技术,用于预测最重要的气候指标(Uluocak和Bilgili,2024年)。实验表明,与单纯的神经网络、门控循环单元、卷积神经网络以及长短期记忆网络相比,混合模型在各项统计指标如平均绝对误差、均方根误差、归一化平方误差以及决定系数方面都具有更高的精度。这些研究充分体现了混合模型在室内空气质量预测方面的优势。

虽然这些方法在提升预测精度方面取得了成效,但在应用于具有复杂结构且传感器配置多样的建筑环境时,往往面临超参数调优、模型收敛以及可扩展性等方面的挑战。此外,大多数现有方法并未充分利用优化算法来微调模型,从而导致模型性能未达到最佳状态(Li等人,2022年;Thanh,2025年;Saini等人,2022年;Nguyen等人,2024年;Saini等人,2021年;Drewil和Al-Bahadili,2022年)。尽管先前的研究已经证明了深度学习在室内空气质量预测方面的潜力,但目前仍存在一些研究空白。单一模型在空间建模或时间建模方面各有优势,但单独使用时往往由于特征学习不完整而导致预测精度下降。此外,目前大多数方法在超参数选择方面仍然依赖手动操作或繁琐的网格搜索策略,这些方法不仅计算成本高昂,而且往往无法得到最优的模型配置。另外,智能建筑中多变量传感器数据的迅猛增长,要求采用更具可扩展性和智能性的算法,以便在不过度降低性能的前提下提取有价值的洞察信息。尽管人工智能物联网是一种日益流行的技术理念,但仍有许多研究未能将智能预测模型与基于物联网的基础设施完全整合起来,以实现实时室内空气质量监测与控制。

为了解决上述问题,本研究提出了一种基于人工智能物联网的室内空气质量管理框架,该框架将两阶段深度序列学习架构与基于元启发式的优化策略相结合。该框架的核心贡献如下:
(1) 通过结合卷积神经网络与双向长短期记忆网络,构建了一种两阶段深度学习模型。在第一阶段,卷积神经网络负责提取具有区分度的空间特征,并去除多变量传感器观测数据中的噪声。得到的特征表示随后被输入到双向长短期记忆网络中,该网络利用双向处理能力来建模向前和向后的时间依赖关系。这种架构使模型能够学习到更丰富的上下文模式,从而在预测精度上优于传统的长短期记忆网络或单向循环神经网络模型。
(2) 为进一步提升CNN-BiLSTM架构的预测能力,本研究采用了改进的粒子群优化算法,自动完成超参数配置工作。该算法通过在传统粒子群优化基础上引入动态惯性权重、变异操作以及自适应速度控制,从而加快收敛速度并提升全局搜索能力。该算法可寻找学习率、滤波器数量、长短期记忆网络层中的单元数量、批量大小以及丢弃率等参数的最优组合,进而形成一种在预测精度与计算效率之间取得平衡的优化模型架构。
(3) 通过使用真实的室内空气质量数据集进行广泛评估,将该模型与传统的以及最先进的模型进行了比较,结果表明其在各项评估指标上都具有更出色的性能。在预测智能建筑中的多变量室内空气质量方面,该混合CNN-BiLSTM模型与循环神经网络、双向循环神经网络、长短期记忆网络、双向长短期记忆网络、门控循环单元以及卷积神经网络模型进行了对比分析。
(4) 所提出的模型被部署在基于云的人工智能物联网架构中,该架构能够持续收集来自分布式环境传感器的实时数据,并将其传输至模型中进行预测,这一应用场景位于台湾。这使得 HVAC系统、空气净化器以及其他环境控制设备能够实现动态且智能化的控制。AIoT框架具备可扩展性、远程访问能力以及实时决策功能,因此非常适用于现代智能建筑。本文的结构如下:第二部分阐述用于室内空气质量预测的方法论背景及深度学习模型;第三部分详细介绍所提出的CNN-BiLSTM模型架构以及基于EPSO的优化流程;第四部分对比不同的深度学习技术并分析其结果;第五部分探讨该模型的优势,同时阐述其实际应用意义、局限性以及未来研究方向;最后,第六部分对全文进行总结。

智能建筑中的数据收集流程
从一栋智能建筑环境中收集了超过一年的全面实时多变量数据集。较长的数据采集周期能够涵盖各种环境变化情况,包括季节性变化、人员流动模式以及通风状况,从而提升模型的稳定性。数据收集过程旨在模拟现代智能建筑的实际运行环境,确保室内空气质量监测数据的准确性与可靠性。

超参数比较
在构建智能多变量室内空气质量预测系统时,深度学习模型的最优配置是决定预测性能的关键因素。本研究采用EPSO算法来微调用于多变量室内空气质量预测的混合CNN-BiLSTM模型的超参数。为验证EPSO算法的效率,将其与两种常用的参数调整方法——传统PSO算法和随机搜索法进行了全面比较。

实验结果
本部分通过15折交叉验证方法(Rodriguez等人,2009年;Fushiki,2011年)对所开发的EPSO-CNN-BiLSTM模型在多变量室内空气质量预测方面的性能进行了深入评估。这种验证方法能够确保结果在统计上具有稳定性,并且能够在不同数据分布情况下保持一致性。通过将数据集划分为15个子集,逐次对每个子集进行模型训练与验证,该方法有效降低了模型的偏差与方差。

讨论
本研究不仅证明了EPSO算法适用于室内空气质量建模,还提出了其在其他需要复杂环境下进行深度模型调优的领域的广泛应用前景。从实际应用角度来看,运用经过EPSO算法调优的CNN-BiLSTM模型,可使智能建筑具备预测功能,从而实现主动且节能的空气质量管控,进而为人们创造更健康的居住与工作环境。EPSO-CNN-BiLSTM模型在性能上具有明显优势。

结论
本研究通过整合两阶段深度序列处理技术以及改进的元启发式优化算法,提出了一种创新的AIoT驱动型智能建筑室内空气质量管理框架。所提出的混合CNN-BiLSTM模型能够有效捕捉来自物联网传感器的多变量室内空气质量数据中的空间特征与时间依赖关系。通过引入EPSO算法进行超参数调优,该框架实现了稳定的收敛效果以及较高的泛化能力。

利益冲突声明
作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号