面向边缘早期预警的室内霉菌有利条件短时预测：经典模型与时间卷积网络的泄漏控制基准研究

《Electronics》：Short-Horizon Forecasting of Indoor Mold-Favorable Conditions for Edge Early Warning: A Leakage-Controlled Benchmark of Classical and Temporal Models

　　

室内过量湿气可影响居住者健康、损坏建筑材料，并创造有利于霉菌生长的条件。许多监测系统依赖固定阈值和当前传感器读数，几乎无法预判不利条件。本研究将室内霉菌风险监测定义为一个面向边缘早期预警的短时预测（short-horizon forecasting）问题。利用近期相对湿度（Relative Humidity, RH）测量值预测后续30分钟或60分钟区间属于"安全"（Safe）、"偏高"（Elevated）还是"霉菌有利"（Mold-Favorable）状态。研究人员使用一个公开的室内时间序列数据集，将残差时间卷积网络（Temporal Convolutional Network, TCN）与经典机器学习模型及简单基线进行了比较。为防止时间泄漏（temporal leakage），训练集、验证集和测试集按时间顺序以明确的间隔进行划分。在主要的60分钟预测时段上，TCN取得了0.7886的平均宏F1分数（Macro F1），与表现最强的经典模型相当。鲁棒性因干扰类型而异。选定的TCN被导出为ONNX（Open Neural Network Exchange）格式并部署于Raspberry Pi 5，完整的边缘流程通过了受控测试和90分钟实时传感器运行。三个类别代表与霉菌风险相关的环境条件，而非实际霉菌存在或生物生长。因此，该系统旨在作为预防性预警工具，而非霉菌检测方法。

**面向边缘早期预警的室内霉菌有利条件短时预测模型研究——论文解读**

**一、研究背景与问题提出**

室内环境质量已成为科学、医学和工程领域的重要议题。人们大部分时间在住宅、办公室、学校和商业建筑中度过，室内环境条件直接影响热舒适、健康、生产力和建筑耐久性。持续性潮湿和霉菌生长是最常见且代价最高的室内环境问题之一，暴露于过量室内湿气和真菌污染与呼吸系统症状、过敏、刺激和生活质量下降密切相关。

室内霉菌生长是一个复杂过程，受温度、相对湿度、凝结、通风、建筑材料以及居住者活动（如淋浴、不使用抽油烟机烹饪、室内晾衣）等多种因素的交互影响。问题往往在出现可见迹象、特征气味或材料退化后才被察觉，此时干预代价更高，根本原因也更难修复。因此，近年来的文献支持从对损害的被动观察转向对湿气积累和霉菌生长有利条件的主动预防性检测。

物联网（Internet of Things, IoT）、边缘计算（edge computing）和人工智能的进展为智能室内环境监测创造了新机遇。然而在实践中，许多现有解决方案仅局限于仪表盘显示或瞬时阈值报警，未明确刻画湿度在近期观测区间内的演变特征。其他方法关注通用室内空气质量（Indoor Air Quality, IAQ）指标，仅间接涉及持续性潮湿，未专门表示与霉菌风险相关的运行条件。此外，详细的湿热模型虽能更精确描述底层物理过程，但通常需要大量输入参数和可观的计算资源；而许多机器学习方法仅在线下评估，未展示在真实运行条件下的边缘设备集成与部署。因此，仍迫切需要能够在实际环境中运行、可早期识别霉菌有利条件的可靠系统。

**二、研究内容与重要意义**

针对上述空白，研究人员提出了一个基于混合边缘架构的系统，包含两个互补组件。第一个组件是残差时间卷积网络（Temporal Convolutional Network, TCN），利用以10分钟间隔采样的连续六个相对湿度观测值，预测紧随其后的30分钟或60分钟区间属于Safe、Elevated还是Mold-Favorable状态。第二个组件是基于规则的决策模块，利用当前相对湿度、露点温差（dew-point depression）、持续性和滞后性来指示接近空气饱和的条件。两个组件将短时预测与物理可解释的即时临界条件规则相结合。在本研究中，"早期预警"指预测与霉菌风险相关的未来环境条件，系统不检测或预测生物霉菌生长。

选择TCN而非循环架构（如循环神经网络RNN、长短期记忆网络LSTM、门控循环单元GRU），基于以下技术优势：TCN通过膨胀卷积（dilated convolutions）建模序列依赖关系，支持高效并行化，适合资源受限的边缘设备。

该研究的主要贡献在于：提出了利用近期RH测量值预测未来Safe、Elevated和Mold-Favorable条件的短时预测方法，训练/验证/测试集按时间顺序分离并设置时间间隙以防止数据泄漏；在相同时间数据划分下对残差TCN与多个经典机器学习模型进行了比较，同时考虑原始RH测量值和源自RH信号的时间特征；在窗口和事件两个层面评估模型，并测试了模拟传感器噪声、恒定偏差、缺失测量和异常尖峰的影响；提出了混合边缘架构，将短时预测与基于RH和露点温差的即时临界条件检测分开处理。这些贡献展示了低成本传感器和紧凑时间模型如何将传统描述性监测扩展为面向室内环境管理的实用边缘早期预警。

**三、关键技术方法**

本研究使用UCI机器学习库中的Appliances Energy Prediction公开数据集，包含约4.5个月、以10分钟间隔平均的19735条完整观测记录，选取浴室温度（T₅）和相对湿度（RH₅）数据。TCN预测模型仅以RH₅作为输入。为防止时间泄漏，原始观测按时间顺序划分为训练、验证和测试三个数据块，其间设置两个各含1008个观测值的7天排除间隙，标准化参数仅在训练块上拟合后应用于验证和测试块。每个输入序列包含6个连续RH测量值，预测目标由后续30或60分钟区间的测量值单独定义，输入与目标序列不重叠。目标状态为Safe、Elevated和Mold-Favorable三类，分别依据RH阈值61%和66%进行定义。经典基线模型包括逻辑回归（Logistic Regression, LR）、随机森林（Random Forest, RF）、XGBoost（XGB）和基于直方图的梯度提升（Histogram-Based Gradient Boosting, HGB），以及多数类Safe基线和持续性基线。全特征配置额外引入露点温度（基于Magnus公式计算）、露点温差及其一阶差分。TCN采用残差架构，包含批归一化、ReLU激活和dropout正则化，训练时基于验证宏F1分数选择检查点。评估指标包括窗口级宏F1、变化状态宏F1以及事件级精确率、召回率和F1分数。鲁棒性测试在60分钟预测时段上评估了高斯噪声、恒定偏差、随机缺失和异常尖峰等13种输入条件。经选定的TCN导出为ONNX格式，部署于Raspberry Pi 5（4 GB RAM），并在设备上实现了完整的传感器采集、数据验证、推理、心理测量计算和状态优先级判定流程。

**四、主要研究结果**

**4.1 清洁保留测试集上的模型比较**

在60分钟主要预测时段上，RH-only TCN取得了最高的平均宏F1分数0.7886（±0.0135），全特征HGB为0.7852，RH-only HGB为0.7823，差距很小，表明TCN与最强经典模型具有竞争力但未显著超越。在30分钟次要预测时段上，所有模型配置的宏F1分数均高于60分钟，但排名发生变化：RH-only HGB取得最高分0.8595，TCN为0.8382，低于表现最佳的经典模型。使用全特征集并未一致提升宏F1分数。事件层面分析显示，在60分钟预测时段上TCN的事件F1为0.8703，平均产生5.6次虚假警报事件，运行级中位预警时间中位数为12分钟，与最强经典模型的事件级结果相似。变化状态宏F1为0.5555，表明状态间转换比整体测试集更难预测。

**4.2 传感器损坏鲁棒性**

在60分钟预测时段上，清洁条件下TCN宏F1为0.7886，在σ=1 pp高斯噪声下降至0.6984，σ=2 pp时降至0.5956。RH-only XGBoost在同等条件下分别保持0.7330和0.6823，是这两个噪声水平下最强的配置。最近测量值丢失造成的性能下降远大于随机缺失：当最近两次读数不可用时，所有学习模型宏F1均大幅下降，RH-only HGB保留最高分0.6189。恒定RH偏差的影响呈不对称性，负偏差通常比正偏差导致更严重的性能下降。总体上，没有单一模型在所有损坏条件下均表现最优，模型相对性能取决于传感器误差类型。

**4.3 手工时间特征基线**

在60分钟预测时段上，原始滞后表示在八个模型-输入组合中的七个上取得了更高的验证宏F1分数，仅RH-only LR因手工特征而提升。手工特征并未为所有模型家族带来一致改善，测试宏F1在HGB和XGBoost上有所下降，但RH-only LR显著提升，这与验证结果一致。总体上，显式时间汇总特征未提供跨模型的一致优势，但对较简单的线性模型可能有所帮助。

**4.4 客观选择的测试场景**

研究人员选取了三个24小时测试片段（最高RH≥66%暴露日、最低日均RH日、代表性三态日），使用种子33的TCN和RH-only HGB进行对比。在高暴露场景中，两个模型均检测到两个主要Mold-Favorable事件，TCN窗口级得分略高。低均值RH场景主要由Safe条件构成，两者准确率高但宏F1较低。在三态代表性场景中，HGB RH-only配置比TCN更紧密地跟随真实状态序列。

**4.5 Raspberry Pi 5边缘部署与运行时验证**

选定的6×1 RH-only TCN导出为ONNX opset 18格式，模型包含77443个参数，ONNX文件约303 KiB。PyTorch-ONNX等价性在所有3534个保留的60分钟测试窗口上得到验证。运行时评估包括模型推理、完整软件决策路径、受控功能验证和90分钟实时传感器运行。受控功能验证测试了WARMUP与预测节奏、Critical进入与释放、持久性重置、Critical覆盖、Sensor Fault激活、陈旧和无效数据处理、过度采样间隙、非单调时间戳及故障后恢复等主要状态转换和恢复行为。90分钟实时运行期间，预测在所需WARMUP期后开始，未发生Sensor Fault或Critical状态转换，本地软件决策路径仅占10分钟预测间隔的极小部分。

**五、讨论与结论**

该预测任务将历史输入与被预测的未来区间分离，每个预测使用历史输入序列，目标仅由后续30或60分钟区间计算得出。按时间顺序排列的数据块、明确的排除间隙和仅基于训练集的标准化进一步保护了评估免受时间泄漏影响。在60分钟主要预测时段上，RH-only TCN取得了最高的清洁测试宏F1分数，与最强经典模型保持竞争力，全特征和RH-only HGB的结果相近，表明增加输入复杂度未提供一致优势，这支持了在部署中使用紧凑的RH-only表示。互补的事件级和鲁棒性分析提供了清洁测试宏F1之外的信息：事件级评估表明TCN检测到大多数真实起始事件并在许多状态转换前提供了预警信息；在模拟传感器损坏下，模型排名取决于干扰类型。Critical状态路径与TCN预测具有不同作用，前者利用当前心理测量条件检测接近饱和的情况，在满足条件时覆盖预测结果。设备测试验证了Critical状态转换、故障处理和恢复行为，计算成本相对于10分钟预测间隔可忽略不计。

研究结论如下：本研究开发了一个用于短时预测与霉菌有利条件相关的室内湿度状态的边缘系统。RH-only TCN在60分钟主要预测时段上取得了最高的平均清洁测试宏F1分数，结果与最佳经典模型接近。鲁棒性分析还表明，模型的相对性能在不同传感器条件下会发生变化。选定的TCN被导出为ONNX格式，与用于检测当前Critical条件的独立基于规则的模块一起部署于Raspberry Pi 5。受控验证和实时运行表明，预测、当前条件评估、故障处理、状态优先级判定和本地日志记录均可全部在边缘设备上本地运行，计算开销低。总体而言，所提出的系统为基于边缘的、与霉菌风险相关的湿度定义室内条件的早期预警提供了实用基础。