CN116628903A - 一种城市风场环境监测传感器最优布置方法 - Google Patents

一种城市风场环境监测传感器最优布置方法 Download PDF

Info

Publication number
CN116628903A
CN116628903A CN202310575330.2A CN202310575330A CN116628903A CN 116628903 A CN116628903 A CN 116628903A CN 202310575330 A CN202310575330 A CN 202310575330A CN 116628903 A CN116628903 A CN 116628903A
Authority
CN
China
Prior art keywords
data
wind
optimal
algorithm
building
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310575330.2A
Other languages
English (en)
Inventor
胡钢
高焕翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN202310575330.2A priority Critical patent/CN116628903A/zh
Publication of CN116628903A publication Critical patent/CN116628903A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Medical Informatics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Algebra (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及城市环境监测技术领域，具体地说，是一种城市风场环境监测传感器最优布置方法，包括CFD技术、mrDMD技术、QRpivot算法、SDF技术和PSO‑RF算法；其中，CFD技术获得该区域各风攻角下的时空间数据，mrDMD技术得到该研究区域内各风向角流场的广频模态库，并基于模态库表征的数据时空间特征，QRpivot算法选出单风向角下的最优传感器布置位置，SDF技术，将传感器布置位置限制在建筑周边4m范围内，避免所选位置出现在交通要道等异常位置，以满足实际的工程需求；PSO‑RF算法对各风向角下的最优位置进行综合考量，找出综合各风向角而言的全局最优传感器布置方案。

Description

一种城市风场环境监测传感器最优布置方法
技术领域
本发明涉及城市环境监测技术领域，具体地说，是一种城市风场环境监测传感器最优布置方法，该方法基于模态分解与机器学习方法。
背景技术
城市生态环境是人类在改造和适应自然环境的基础上建立起来的特殊的人工生态环境，其对环境污染的自动净化能力远不如自然生态环境，而随着城市化进程的加剧，涌入的人口在带来各行业空前发展的同时，也让城市生态环境面临着巨大的冲击，对其进行动态监测及趋势预测具有重要。
受城市中繁多的建筑物影响，城市中的风场极为复杂，同时伴随着热岛效应、污染物扩散、极端风灾、风能收集、行人高度舒适度等风场相关问题。因此，对城市风场进行有效的数据监测具有十分重要的意义。然而，风速传感器的高成本使得其布置方案成为平衡经济与效益的关键桥梁，在尽可能少的传感器数量下获取尽可能多的风场信息，成为大量风工程相关的研究及工程问题迫切且必要的需求。
发明内容
本发明的目的在于克服现有的技术不足，适应现实需求，提供一种基于模态分解与机器学习方法的最优城市风场环境监测传感器布置方案。
本发明是通过以下技术方案实现的：
一种城市风场环境监测传感器最优布置方法，使用到计算流体动力学模拟技术(computational fluid dynamics,CFD)、多分辨率动力模态分解技术(multi-resolutionDynamic Mode Decomposition,mrDMD)、QRpivot算法、空间距离后处理技术(signeddistance function,SDF)和随机森林优化的粒子群算法(Particle Swarm Optimizationbased-Random Forest,PSO-RF)五部分，其中，各算法的工作顺序为：CFD、mrDMD、QRpivot、SDF、PSO-RF。
首先，利用CFD技术对目标研究区域进行风场模拟，获得该区域各风攻角下的时空间数据，并进行数据后处理，得到SDF数据和掩码数据，为后续步骤提供保障；之后，采用mrDMD算法对各风向角数据分别进行模态分解，得到该研究区域内各风向角流场的广频模态库；基于模态库表征的数据时空间特征，结合QRpivot算法便可分析出单风向角下空间内各点表现流场特征的能力，从而选出单风向角下的最优传感器布置位置；在此基础上，引入SDF技术，将传感器布置位置限制在建筑周边4m范围(人行道与绿化带的普适宽度)内，避免所选位置出现在交通要道等异常位置，从而满足实际的工程需求；最后，引入PSO-RF算法对各风向角下的最优位置进行综合考量，找出综合各风向角而言的全局最优传感器布置方案。
本发明各算法功能及基本原理：
计算流体动力学模拟技术(computational fluid dynamics,CFD)能够基于已知的几何模型，依据国家大气边界层设计规范，对指定研究区域进行指定风向角的风场数据模拟。在模拟所得数据基础上，采用Python程序进行处理，即可获得掩码数据与SDF数据，其中掩码数据用于表征建筑物位置。
多分辨率动态模式分解技术(multi-resolution Dynamic Mode Decomposition,mrDMD)可对时空间数据进行分析，从低频到高频获取极广频率范围的模态，从而有效地捕获数据特征，建立数据特征模态库。并且其不依赖于任何给定的动态***表达式，常常被用来分析多元时间序列(multivariate time series)，进行短期未来状态预测。
QRpivot基于mrDMD方法提供的广频模态库，对每一个空间点拥有的全部模态进行审查，依据各空间点所含有的模态频率评估其重要性。具体而言，拥有更高频模态的空间点蕴含着更多的流场变化信息，因而更能代表流场的特征。
空间距离后处理技术(signed distance function,SDF)定义为空间中无障碍物的任意一点与最近障碍物之间的最短距离。基于该技术的计算结果，可以清晰地推断传感器布置位置是否满足工程实际要求，即是否在建筑周边4m(人行道与绿化带)范围。
随机森林优化的粒子群算法(Particle Swarm Optimization based-RandomForest,PSO-RF)是通过粒子群算法自动寻优、调整随机森林超参数，从而使随机森林达到最优拟合状态的组合型机器学习方法。具体而言，随机森林算法的输入是被前三个算法选出的全部风攻角下最优传感器位置的风速时程数据，输出是由mrDMD算法分析得到的各模态时间变化特征之和。粒子群算法负责优化随机森林超参数，使其对输入输出数据拥有最优的拟合能力。此时，随机森林算法已习得各传感器数据与全场数据在时间变化层面上的联系。基于此，随机森林算法能够对各传感器进行综合排序，选出综合全部风向角工况而言，全局最优的传感器布置方案。
具体地说，包括以下步骤：
步骤一、对目标研究区域提取可进行数值模拟的建筑模型，然后导入模型进行CFD风场模拟，获得该区域各风攻角下的时空间数据，根据此时空间数据可以得到任意时间步的空间风场数据，并由此数据进行预处理生成之后需要用到的SDF数据与掩码数据。
步骤二、借助CFD数据应用mrDMD方法，通过递归滤波低频DMD模态来建立迭代过程，直到实现足够的多分辨率分解为止，以此过程提取数据特征，如公示(1)所示：
公示(1)中，和/>分别表示分解第i级的DMD的模态和特征值，/>表示第i级中每个模态的初始值，ki(k1,k2,k3…kn)是在每个级别上保留的低频模态的数量。
基于mrDMD的分析结果，QRpivot算法用于以计算效率的方式找到最能代表数据特征的空间位置，即最佳传感器位置，具体实现可以参照公式(2)。式(2)中中的行具有最高的L2范数，该范数代表具有最大风场频率并因此具有最大可变性的位置，即最能代表数据特征的空间位置，CT、Q和R分别表示m×n矩阵A分解成的列置换矩阵CT、上三角矩阵R和基于简化矩阵QR列枢轴转动的酉矩阵Q，即ACT＝QR。
然而，这一步骤所得到的传感器位置往往比较密集，且传感器位置常常位于工程层面的不合理处，例如道路中央等。
步骤三、为解决上述问题，使用SDF技术表示建筑物几何形状，提供不同建筑物形状和建筑物之间距离的通用信息，根据距离信息就可以帮助确定真实比例的传感器位置，将传感器限制在工程上合理的放置区域内，以满足实际施工需求。具体实现可以参照公式(3)、(4)。式(3)中Z表示零水平集，用于描述区域中的建筑物几何边界，f(i,j)表示水平集函数，即f(i,j)＝0时，(i,j)在建筑物几何的边界上；当f(i,j)＞0时，(i,j)在建筑物几何之外；当f(i,j)＜0时，(i,j)在建筑物几何之内。式(4)中D(i,j)表示给定点(i,j)与其最近的建筑物边界Z之间的最短距离。
Z＝{(i,j)∈R2:f(i,j)＝0} (3)
步骤四、由于mrDMD对计算机运行内存消耗巨大，无法用mrDMD直接处理全部风向角的数据，因此引入PSO-RF方法对所有风向角做工况综合分析，生成全局最优的传感器布局策略，同时节省计算资源。其中PSO算法通过迭代用来调整随机森林模型的超参数，包括弱学习器的最大数量、划分节点的最小样本数量和节点处的最小样本数量，其迭代过程可以参照公式(5)。式(5)中c1和c2表示学习因子，为惯性因子，pbesti和gbesti分别是在第i维的最佳个体粒子位置和整个种群的最佳位置的值，rand1和rand2表示在(0，1)的随机数，vi和xi分别是第i维粒子值的速度和位置。
vi+1＝ω×vi+c1×rand1×(pbesti-xi)+c2×rand2×(gbesti-xi) (5)
RF算法是一种集成算法，其通过同时训练多个弱学***均值来生成最终结果，它在预测精度方面总是比单个学习者更好并且能够避免过度拟合问题。本发明中基于随机森林的重要性排名函数式(6)如下：首先输入训练好的模型m，数据集D∈RN×J，其中N是样本数，J是特征数；然后计算模型m在数据集D上的参考分数s(例如回归变量的R2)；接着对于每条特征j(也就是D中的列数据)，先随机洗牌数据集D的列j，以生成名为的数据集的损坏版本，然后计算模型m在损坏数据的/>的分数sk,j；最后计算特征fj的重要性ij，定义为:
使用本方案获得的最优传感器位置，不仅将城市的障碍物布置考虑在内，满足了工程上的实际需求，还将可能的各个风攻角考虑在内，满足了应对多种情况时所需的鲁棒性，提出了十分有效的城市风场传感器布置方案。
本发明型的有益效果在于：本发明综合考虑城市中的实际障碍物分布情况及城市中可能出现的各风向风场，提出了具有强大鲁棒性和普适性的城市风场传感器最优布置方案，能够在保障高效获取信息的前提下，大大降低工程布置成本，满足多方研究及监测需求。
附图说明
图1是本发明的流程图。
具体实施方式
为了加深对本发明的理解，下面将结合实施例对本发明做进一步详细描述，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。
实施例：如图1所示，一种城市风场环境监测传感器最优布置方法，使用到计算流体动力学模拟技术(computational fluid dynamics,CFD)、多分辨率动力模态分解技术(multi-resolution Dynamic Mode Decomposition,mrDMD)、QRpivot算法、空间距离后处理技术(signed distance function,SDF)和随机森林优化的粒子群算法(Particle SwarmOptimization based-Random Forest,PSO-RF)五部分，其中，各算法的工作顺序为：CFD、mrDMD、QRpivot、SDF、PSO-RF，以在实际工程中选择最佳传感器布置位置。
步骤一、对目标研究区域提取可进行数值模拟的建筑模型，然后导入模型进行CFD风场模拟，获得该区域各风攻角下的时空间数据，根据此时空间数据可以得到任意时间步的空间风场数据，并由此数据进行预处理生成之后需要用到的SDF数据与掩码数据，如图1中第一板块所示。
步骤二、借助CFD数据应用mrDMD方法，通过递归滤波低频DMD模态来建立迭代过程，直到实现足够的多分辨率分解为止，以此过程提取数据特征，具体实现可以参照公式(1)。式(1)中和/>分别表示分解第i级的DMD的模态和特征值，/>表示第i级中每个模态的初始值，ki(k1,k2,k3…kn)是在每个级别上保留的低频模式的数量。
基于mrDMD的分析结果，QR pivot算法用于以计算效率的方式找到最能代表数据特征的空间位置，即最佳传感器位置，具体实现可以参照公式(2)，式(2)中中的行具有最高的L2范数，该范数代表具有最大风场频率并因此具有最大可变性的位置，即最能代表数据特征的空间位置，CT、Q和R分别表示m×n矩阵A分解成的列置换矩阵CT、上三角矩阵R和基于简化矩阵QR列枢轴转动的酉矩阵Q，即ACT＝QR。
然而，这一步骤所得到的传感器位置往往比较密集，且传感器位置常常位于工程层面的不合理处，例如道路中央等，如图1中第二板块所示。
步骤三，为解决上述问题，使用SDF技术表示建筑物几何形状，提供不同建筑物形状和建筑物之间距离的通用信息，根据两者之间的距离就可以帮助确定真实比例的传感器位置，将传感器限制在工程上合理的放置区域内，以满足实际施工需求，具体实现可以参照公式(3)、(4)。式(3)中Z表示零水平集，用于描述区域中的建筑物几何边界，f(i,j)表示水平集函数，即f(i,j)＝0时，(i,j)在建筑物几何的边界上；当f(i,j)＞0时，(i,j)在建筑物几何之外；当f(i,j)＜0时，(i,j)在建筑物几何之内。式(4)中D(i,j)表示给定点(i,j)与其最近的建筑物边界Z之间的最短距离。如图1中第三板块所示。
Z＝{(i,j)∈R2:f(i,j)＝0} (3)
步骤四、由于mrDMD对计算机运行内存消耗巨大，无法用mrDMD直接处理全部风向角的数据，因此引入PSO-RF方法对所有风向角做工况综合分析，生成全局最优的传感器布局策略，同时节省计算资源，其中PSO算法通过迭代用来调整随机森林模型的超参数，包括弱学习器的最大数量、划分节点的最小样本数量和节点处的最小样本数量，其迭代过程可以参照公式(5)。式(5)中c1和c2表示学习因子，为惯性因子，pbesti和gbesti分别是在第i维的最佳个体粒子位置和整个种群的最佳位置的值，rand1和rand2表示在(0，1)的随机数，vi和xi分别是第i维粒子值的速度和位置。
vi+1＝ω×vi+c1×rand1×(pbesti-xi)+c2×rand2×(gbesti-xi) (5)
RF算法是一种集成算法，其通过同时训练多个弱学***均值来生成最终结果，它在预测精度方面总是比单个学习者更好并且能够避免过度拟合问题。本发明中基于随机森林的重要性排名函数式(6)如下：首先输入训练好的模型m，数据集D∈RN×J，其中N是样本数，J是特征数；然后计算模型m在数据集D上的参考分数s(例如回归变量的R2)；接着对于每条特征j(也就是D中的列数据)，先随机洗牌数据集D的列j，以生成名为的数据集的损坏版本，然后计算模型m在损坏数据的/>的分数sk,j；最后计算特征fj的重要性ij，定义为:
如图1中第四板块所示。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种城市风场环境监测传感器最优布置方法，其特征在于，包括以下步骤：
步骤一、利用CFD技术对目标研究区域进行风场模拟，获得该区域各风攻角下的时空间数据，并进行数据后处理，得到SDF数据和掩码数据，为后续步骤提供保障；
步骤二、采用mrDMD算法对各风向角数据分别进行模态分解，得到该研究区域内各风向角流场的广频模态库，基于模态库表征的数据时空间特征，结合QRpivot算法分析出单风向角下空间内各点表现流场特征的能力，从而选出单风向角下的最优传感器布置位置；
步骤三、引入SDF技术，将传感器布置位置限制在建筑周边合理范围内，避免所选位置出现在异常位置，从而满足实际的工程需求；
步骤四、引入PSO-RF算法对各风向角下的最优位置进行综合考量，找出综合各风向角而言的全局最优传感器布置方案。
2.根据权利要求1所述的城市风场环境监测传感器最优布置方法，其特征在于，所述步骤一的具体流程为：对目标研究区域提取可进行数值模拟的建筑模型，然后导入模型进行CFD风场模拟，获得该区域各风攻角下的时空间数据，根据此时空间数据得到任意时间步的空间风场数据，并由此数据进行预处理生成之后需要用到的SDF数据与掩码数据。
3.根据权利要求2所述的城市风场环境监测传感器最优布置方法，其特征在于，所述步骤二的具体流程为：借助CFD数据应用mrDMD方法，通过递归低频滤波DMD模态来建立迭代过程，直到无法分解出更高频率的模态为止，以此过程提取数据特征，如公示(1)所示：
公示(1)中，和/>分别表示分解第i级的DMD的模态和特征值，/>表示第i级中每个模态的初始值，ki(k1,k2,k3…kn)是在每个级别上保留的低频模态的数量；
基于mrDMD的分析结果，QRpivot算法用于以计算效率的方式找到最能代表数据特征的空间位置，即最佳传感器位置，具体实现可以参照公式(2)，式(2)中中的行具有最高的L2范数，该范数代表具有最高风场模态频率并因此具有最大可变性的位置，即最能代表数据特征的空间位置，CT、Q和R分别表示m×n矩阵A分解成的列置换矩阵CT、上三角矩阵R和基于简化矩阵QR列枢轴转动的酉矩阵Q，即ACT＝QR，
4.根据权利要求3所述的城市风场环境监测传感器最优布置方法，其特征在于，所述步骤三的具体流程为：使用SDF技术表示建筑物几何形状，提供不同建筑物形状和建筑物之间距离的通用信息，根据距离信息就可以帮助确定真实比例的传感器位置，将传感器限制在工程上合理的放置区域内，以满足实际施工需求，具体实现可以参照公式(3)、(4)，式(3)中Z表示零水平集，用于描述区域中的建筑物几何边界，f(i,j)表示水平集函数，即f(i,j)＝0时，(i,j)在建筑物几何的边界上；当f(i,j)＞0时，(i,j)在建筑物几何之外；当f(i,j)＜0时，(i,j)在建筑物几何之内，式(4)中D(i,j)表示给定点(i,j)与其最近的建筑物边界Z之间的最短距离：
Z＝{(i,j)∈R2:f(i,j)＝0} (3)
5.根据权利要求4所述的城市风场环境监测传感器最优布置方法，其特征在于，所述步骤四的具体流程为：引入PSO-RF方法对所有风向角做工况综合分析，生成全局最优的传感器布局策略，同时节省计算资源，其中，PSO算法通过迭代来调整随机森林模型的超参数，包括弱学习器的最大数量、划分节点的最小样本数量和节点处的最小样本数量，其迭代过程可以参照公式(5)，式(5)中c1和c2表示学习因子，为惯性因子，pbesti和gbesti分别是在第i维的最佳个体粒子位置和整个种群的最佳位置的值，rand1和rand2表示在(0，1)的随机数，vi和xi分别是第i维粒子值的速度和位置：
vi+1＝ω×vi+c1×rand1×(pbesti-xi)+c2×rand2×(gbesti-xi) (5)。
6.根据权利要求5所述的城市风场环境监测传感器最优布置方法，其特征在于，所述步骤四中，基于随机森林的重要性排名函数式(6)如下：首先输入训练好的模型m，数据集D∈RN×J，其中N是样本数，J是特征数；然后计算模型m在数据集D上的参考分数s；接着对于每条特征j，先随机洗牌数据集D的列j，以生成名为的数据集的损坏版本，然后计算模型m在损坏数据的/>的分数sk,j；最后计算特征fj的重要性ij，定义为:
CN202310575330.2A 2023-05-22 2023-05-22 一种城市风场环境监测传感器最优布置方法 Pending CN116628903A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310575330.2A CN116628903A (zh) 2023-05-22 2023-05-22 一种城市风场环境监测传感器最优布置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310575330.2A CN116628903A (zh) 2023-05-22 2023-05-22 一种城市风场环境监测传感器最优布置方法

Publications (1)

Publication Number Publication Date
CN116628903A true CN116628903A (zh) 2023-08-22

Family

ID=87637624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310575330.2A Pending CN116628903A (zh) 2023-05-22 2023-05-22 一种城市风场环境监测传感器最优布置方法

Country Status (1)

Country Link
CN (1) CN116628903A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116915746A (zh) * 2023-09-14 2023-10-20 北京国旭网络科技有限公司 一种网络寻址方法
CN117610972A (zh) * 2024-01-24 2024-02-27 荣泰建设集团有限公司 一种基于人工智能的绿色建筑数字化管理***及方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116915746A (zh) * 2023-09-14 2023-10-20 北京国旭网络科技有限公司 一种网络寻址方法
CN116915746B (zh) * 2023-09-14 2023-11-21 北京国旭网络科技有限公司 一种基于物联网的IPv6寻址方法
CN117610972A (zh) * 2024-01-24 2024-02-27 荣泰建设集团有限公司 一种基于人工智能的绿色建筑数字化管理***及方法
CN117610972B (zh) * 2024-01-24 2024-05-07 荣泰建设集团有限公司 一种基于人工智能的绿色建筑数字化管理***及方法

Similar Documents

Publication Publication Date Title
Yu et al. LSTM-EFG for wind power forecasting based on sequential correlation features
Guo et al. Hierarchical graph convolution network for traffic forecasting
CN111242208B (zh) 一种点云分类方法、分割方法及相关设备
Yin et al. Automated semantic segmentation of industrial point clouds using ResPointNet++
CN116628903A (zh) 一种城市风场环境监测传感器最优布置方法
Liu et al. A chaotic quantum-behaved particle swarm optimization based on lateral inhibition for image matching
He et al. A combined model for short-term wind power forecasting based on the analysis of numerical weather prediction data
Wu et al. A surrogate-assisted optimization framework for microclimate-sensitive urban design practice
Zhu et al. Investigation of nearby monitoring station for hourly PM2. 5 forecasting using parallel multi-input 1D-CNN-biLSTM
Sharafi et al. Application of pattern recognition in detection of buried archaeological sites based on analysing environmental variables, Khorramabad Plain, West Iran
Zhang et al. Hourly prediction of PM 2.5 concentration in Beijing based on Bi-LSTM neural network
Huang et al. Research on urban modern architectural art based on artificial intelligence and GIS image recognition system
Tang et al. Commpool: An interpretable graph pooling framework for hierarchical graph representation learning
Cai et al. Research on image processing of intelligent building environment based on pattern recognition technology
Chew et al. Large-scale 3D point-cloud semantic segmentation of urban and rural scenes using data volume decomposition coupled with pipeline parallelism
Fan et al. Pavement cracks coupled with shadows: A new shadow-crack dataset and a shadow-removal-oriented crack detection approach
Wang et al. Simulating large-scale urban land-use patterns and dynamics using the U-Net deep learning architecture
Kuok et al. Broad Bayesian learning (BBL) for nonparametric probabilistic modeling with optimized architecture configuration
Yu et al. PM2. 5 concentration forecasting through a novel multi-scale ensemble learning approach considering intercity synergy
Fard et al. Machine Learning algorithms for prediction of energy consumption and IoT modeling in complex networks
Vasanthkumar et al. Improving energy consumption prediction for residential buildings using Modified Wild Horse Optimization with Deep Learning model
Zhang et al. Evaluating water resource carrying capacity using the deep learning method: a case study of Yunnan, Southwest China
Gao et al. Optimized integration of traditional folk culture based on DSOM-FCM
He et al. Modeling multi-type urban landscape dynamics along the horizontal and vertical dimensions
Guo The microscopic visual forms in architectural art design following deep learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination