(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210632381.X (22)申请日 2022.06.07 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路2号 (72)发明人 赵亮　王广文　 (74)专利代理 机构 大连格智知识产权代理有限 公司 21238 专利代理师 刘琦　张俊杰 (51)Int.Cl. G01D 21/02(2006.01) G06F 17/16(2006.01) G06F 30/27(2020.01) (54)发明名称 一种基于CEEMDAN-PCA-LSTM 的室内环境质 量预测方法 (57)摘要 本发明公开了一种基于CEEMDAN ‑PCA‑LSTM 的室内环境质量预测方法， 其包括： 对室内环境 质量评价得分时间序列进行自适应噪声完备集 成经验模态分解， 得到多个IMF模态分量和一个 残差序列； 利用主成分分析对分解得到的模态分 量和残差序列进行数据降维， 实现主成分提取； 将提取的主成分与原始室内环境质量评价得分 时间序列进行组合， 构成数据集； 将数据集输入 至长短期记忆神经网络预测模型， 得到室内环境 质量评价得分的预测结果。 与其它预测模型相 比， 本发明的预测方法能够提高室内环境质量的 预测精度， 且预测值与真实值的拟合效果更优。 权利要求书3页 说明书9页 附图4页 CN 115096357 A 2022.09.23 CN 115096357 A 1.一种基于 CEEMDAN‑PCA‑LSTM的室内环境质量预测方法， 其特 征在于， 包括如下步骤： S1： 对室内环境质量评价得分时间序列进行自适应噪声完备集成经验模态分解 CEEMDAN， 所述自适应噪声完备集成经验 模态分解C EEMDAN的过程 为： 向所述室内环境质量评价得分时间序列X(t)中添加K次标准正态白噪声序列ωi(t)， 得 到第i次参与分解的信号Xi(t)， 所述Xi(t)的计算公式为： Xi(t)＝X(t)+ ε0ωi(t),(i＝1,2,…,K)  (1) 其中， ε0为所述K次标准 正态白噪声序列ωi(t)的权值； 对所述信号Xi(t)进行EMD分解， 得到K个第一阶IMF分量IMF1,i(t)的分解结果， 计算所述 K个第一阶IMF分量IMF1,i(t)的平均值， 作为第一次迭代过程中CEEMDAN分解的第一阶IMF分 量IMF1(t)， 所述 IMF1(t)的计算公式为： 第一次迭代过程中的残差序列r1(t)的计算公式为： r1(t)＝X(t) ‑IMF1(t)  (3) 将第j‑1次迭代过程中的残差序列rj‑1(t)添加所述K次标准正态白噪声序列ωi(t)后， 继续进行E MD分解， 得到第j次迭代过程中的IMF分量 IMFj(t)及残差序列rj(t)： rj(t)＝rj‑1(t)‑IMFj(t)  (5) 其中， IMFj(t)为CEEMDAN分解的第j次迭代 过程中的IMF分量， E1为对添加噪声分量的残 差序列进行EMD分解得到的第一阶IMF分量， Ej‑1(*)为经过EMD分解得到的第j ‑1次迭代过程 中的IMF分量， εj‑1为第j‑1次迭代过程中向残差序列加入的白噪声序列ωi(t)的权值系数， rj(t)为第j次迭代过程中的残差序列； 重复执行所述迭代与分解操作， 直至最终的残差序列不满足EMD分解的基本假设， 得到 室内环境质量评价得分时间序列经C EEMDAN分解的结果： 其中， rn(t)为最后一次迭代与分解操作后得到的残差序列； S2： 利用主成分分析PCA对所述分解后的IMF分量IMFj(t)和残差序列rn(t)进行数据降 维， 并提取降维后的主成分； S3： 将所述降维后的主成分与原始室内环境质量评价得分时间序列进行聚合， 构成数 据集； S4： 将所述数据集输入至长短期记忆LSTM神经网络预测模型， 并得到室内环境质量评 价得分时间序列的预测结果， 所述长短期记 忆LSTM神经网络预测模型为：权　利　要　求　书 1/3 页 2 CN 115096357 A 2其中， it表示输入门的输出， ft表示遗忘门的输出， ot表示输出门的输出； Ct表示当前 LSTM单元的长期记忆信息， Ct‑1表示由上一LSTM单元传递的长期记忆信息； ht表示当前LSTM 单元的短期记忆信息， ht‑1表示由上一LSTM单元传递的短期记忆信息； xt表示当前LSTM单元 的输入； Wi表示输入门的权重矩阵， Wf表示遗忘门的权重矩阵， Wo表示输出门的权重矩阵； Wc 表示计算当前单元的长短期记忆候选状态时的权重矩阵； bi表示输入门 的偏置值， bf表示遗 忘门的偏置值， bo表示输出门 的偏置值； bc表示计算长短期记忆候选状态时的偏置 值； σ 表示 sigmoid门限函数， sigmoid函数将输出值转换为0和1之间的数值， “0”表示完全舍弃， “1”表 示全部保留； 输入门中的σ 决定哪些新信息被存放在LSTM细胞状态中， 即哪些值将要更新； 遗忘门中的σ 决定从LSTM细胞状态中丢弃哪些信息； 输出门中的σ 决定细胞状态中的哪些信 息将被输出； S5： 利用性能指标考 察所述基于 CEEMDAN‑PCA‑LSTM的室内环境质量预测方法的精度。 2.根据权利要求1所述基于CEEMDAN ‑PCA‑LSTM的室内环境质量预测方法， 其特征在于， 所述主成分 分析PCA的步骤为： S1： 对所述分解后的IMF分量IMFj(t)和残差序列rn(t)进行标准化处理， 得到标准化数 据； S2： 计算所述标准 化数据的协方差矩阵； S3： 计算所述协方差矩阵的特征值 λi和特征向量， 并将所述特征值按照由大到小的顺序 进行排序； S4： 根据公式(8)、 (9)计算各 特征值对应的方差贡献率和累计方差贡献率； 其中， λi为第i个特征值， τi为第i个特征值的方差贡献率， pm为前m个特征值的累计方差 贡献率； S5： 筛选大于方差贡献率设定值和累计方差贡献率设定值的m个特征值， 并将所述m个 特征值对应的特 征向量作为系数矩阵， 根据公式(10)计算m个主成分的值；权　利　要　求　书 2/3 页 3 CN 115096357 A 3