本发明涉及气体浓度预测技术领域，具体涉及一种预测气体浓度的方法、系统、设备及其存储介质。
背景技术：
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：化工园区存储的危险化学品，数量大，种类多，并且大多具有易燃易爆、有毒有害，腐蚀性、强氧化性、强还原性等危险特性，一旦发生泄漏，不仅严重危害广大人民群众生命和财产安全，而且对社会和环境造成严重的不良影响，严重制约石化行业的健康快速发展。目前，在世界范围内已累计有数万人在突发性危险化学品泄漏事故中丧生。因此对泄漏事故进行实时浓度预测，可以为泄漏事故应急响应、采取防护措施提供有力的数据支撑，从而在最短时间内完成泄漏事故的应急救援措施，将事故的损失降低到最小，对降低事故的风险以及提高危化品气体泄漏事故现场中应急能力方面具有重要意义。
传统的基于气体扩散模型的预测气体浓度的方法，需要设置假设条件和给定泄漏源的参数和周围环境的参数，不具有普适性，也难以满足其预测精度要求；基于支持向量机和bp神经网络等机器学习算法的预测方法，需要提供大量的训练数据，也难以实现。基于基本灰色模型gm(1,1)的预测气体浓度的方法，将随机量当作在一定范围内变化的灰色量，并将规律不明显的原始数据累加生成使之有一定规律的生成数列，构造并白化处理的微分方程模型，需要的训练数据较少，适合少量样本来预测，但是模型的参数需要优化设置，进而提高气体浓度的预测精度。针对上述问题，本发明提出一种预测气体浓度的方法、系统、设备及其存储介质，可以提高气体浓度预测精度。
技术实现要素：
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种预测气体浓度的方法、系统、设备及其存储介质，用于解决气体浓度预测精度不高的问题。
为实现上述目的及其他相关目的，本发明提供一种预测气体浓度的方法，该方法至少包括以下步骤：
s1、使用气体传感器获取固定时间间隔的原始气体浓度数据；
s2、对所述原始气体浓度数据进行检验和处理，得到处理后气体浓度数据，并对所述处理后气体浓度数据进行累加和均值运算，得到气体浓度均值序列；
s3、根据所述气体浓度均值序列和所述处理后气体浓度数据，通过灰微分方程生成灰色预测模型gm(1,1)；
s4、利用改进人工蜂群算法对所述灰色预测模型gm(1,1)的参数向量进行优化，得到所述灰色预测模型gm(1,1)的白化模型；
s5、将当前时刻所述处理后气体浓度数据代入所述白化模型，预测下一时刻的气体浓度。
于本发明的一实施例中，所述s2至少包括以下步骤：
s21、计算所述原始气体浓度数据的级比；
s22、判断所述原始气体浓度数据的级比是否均落在可容覆盖的区间范围内：
若不是，对所述原始气体浓度数据进行平移变换，得到所述处理后气体浓度数据，使所述处理后气体浓度数据的级比全部落在所述可容覆盖的区间范围内；
否则，将所述原始气体浓度数据作为所述处理后气体浓度数据；
s23、对所述处理后气体浓度数据进行累加和均值运算，得到所述气体浓度均值序列。
于本发明的一实施例中，所述s4至少包括以下步骤：
s41、设定基于改进人工蜂群算法优化的目标函数，所述灰色预测模型gm(1,1)的参数向量包括系统发展系数a和灰色作用量b，利用所述目标函数和适应度函数，计算初始化适应度值；
s42、对每一个所述可行解与随机产生的邻居可行解变量进行交叉变异，得到交叉变异后系统发展系数a和灰色作用量b的值，根据所述目标函数和所述适应度函数计算交叉变异后适应度值；
s43、判断所述交叉变异后适应度值是否大于所述初始化适应度值，若是，将交叉变异前所述系统发展系数a和所述灰色作用量b的值变为所述交叉变异后系统发展系数a和灰色作用量b的值，跳至步骤s44，否则，返回步骤s42继续进行交叉变异；
s44、对所述交叉变异后适应度值，进行概率计算，得到每个所述可行解的概率值；
s45、根据所述可行解的概率值判断食物源是否满足所述目标函数的性能误差目标值：
如果是，完成对所述灰色预测模型gm(1,1)的参数向量的优化；
否则，优化失败，进行异维变换。
于本发明的一实施例中，所述s43还包括：
统计连续交叉变异的次数；
当所述交叉变异后适应度值不大于所述初始化适应度值时，判断所述连续交叉变异的次数是否到达预设交叉变异次数上限；
如果不是，返回步骤s42继续进行交叉变异；
否则，重新产生新食物源，跳转至步骤s41，继续优化所述灰色预测模型gm(1,1)的参数向量。
于本发明的一实施例中，所述异维变换至少包括以下步骤：
统计优化失败的次数，判断所述优化失败的次数是否到达失败次数上限m1，同时存在随机数小于随机数阈值m2，达到对人工蜂群算法改进，所述失败次数上限m1与所述随机数阈值m2计算公式如下：
其中，sn表示所述食物源的总数，d表示所述可行解的维度，t表示所述优化失败的次数，l表示预设交叉变异次数上限，
如果是，将所述可行解与随机选择的与所述可行解不同维度的可行解向量进行交换，重新跳转至步骤s41；
否则，返回步骤s42继续进行交叉变异。
本发明还提供一种预测气体浓度的系统，所述系统至少包括：
气体浓度数据采集单元，用于使用气体传感器获取固定时间间隔的原始气体浓度数据；
气体浓度数据处理单元，用于对所述原始气体浓度数据进行检验和处理，得到处理后气体浓度数据，并对所述处理后气体浓度数据进行累加和均值运算，得到气体浓度均值序列；
灰色预测模型生成单元，用于根据所述气体浓度均值序列和所述处理后气体浓度数据，通过灰微分方程生成灰色预测模型gm(1,1)；
白化模型生成单元，用于利用改进人工蜂群算法对所述灰色预测模型gm(1,1)的参数向量进行优化，得到所述灰色预测模型gm(1,1)的白化模型；
气体浓度预测单元，用于将当前时刻所述处理后气体浓度数据代入所述白化模型，预测下一时刻的气体浓度。
于本发明的一实施例中，所述气体浓度数据处理单元包括：
级比计算模块，用于计算所述原始气体浓度数据的级比，并判断所述原始气体浓度数据的级比是否在可容覆盖区间范围内；
平移变换模块，用于对所述原始气体浓度数据进行平移变换，得到所述处理后气体浓度数据，使所述处理后的气体浓度数据的级比全部落在所述可容覆盖的区间范围内；
均值序列生成模块，用于对所述处理后气体浓度数据进行累加和均值运算，得到所述气体浓度均值序列。
于本发明的一实施例中，所述白化模型生成单元包括：
初始化适应度计算模块，用于设定基于改进人工蜂群算法优化的目标函数，所述灰色预测模型gm(1,1)的参数向量包括系统发展系数a和灰色作用量b，利用所述目标函数和适应度函数，计算初始化适应度值；
交叉变异后适应度计算模块，用于对每一个所述可行解与随机产生的邻居可行解变量进行交叉变异，得到交叉变异后系统发展系数a和灰色作用量b的值，根据所述目标函数和所述适应度函数计算交叉变异后适应度值；
参数向量模块，用于计算所述可行解的概率值，确定白化模型参数向量。
于本发明的一实施例中，一种预测气体浓度的设备还包括：处理器，所述处理器与存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现如上所述的预测气体浓度的方法。
于本发明的一实施例中，一种计算机刻度可读存储介质，其特征在于：包括程序，当所述程序在计算机上运行时，使得计算机执行如上所述的预测气体浓度的方法。
如上所述，本发明提供一种预测气体浓度的方法、系统、设备及其存储介质，从灰色理论模型中参数的优化角度入手，使得利用少量的气体浓度数据实时预测泄漏气体浓度，提高预测精度，从而能够为应急响应提供准确的辅助决策，及时地保障人民群众的生命财产安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1显示为本发明一实施例中公开的一种预测气体浓度的方法的流程示意图。
图2显示为本发明一实施例中步骤s2的流程示意图。
图3显示为本发明一实施例中步骤s4的流程示意图。
图4显示为本发明一实施例中预测气体浓度的系统的原理结构示意图。
图5显示为本发明一实施例中气体浓度处理单元的方框示意图。
图6显示为本发明一实施例中白化模型生成单元的方框示意图。
附图标记
1预测气体浓度的系统
11气体浓度数据采集单元
12气体浓度数据处理单元
121级比计算模块
122平移变换模块
123均值序列生成模块
13灰色预测模型生成单元
14白化模型生成单元
141初始化适应度计算模块
142交叉变异后适应度模块
143参数向量模块
15气体浓度预测单元
s1～s5步骤
s21～s23s2的步骤
s41～s45s4的步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其它优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，虽图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的形态、数量及比例可为一种随意的改变，且其组件布局形态也可能更为复杂。
如图1所示，其描述了一种预测气体浓度的方法的流程示意图，至少包括如下步骤：
s1、使用气体传感器获取固定时间间隔的原始气体浓度数据；
s2、对原始气体浓度数据进行检验和处理，得到处理后气体浓度数据，并对处理后气体浓度数据进行累加和均值运算，得到气体浓度均值序列；
s3、根据气体浓度均值序列和处理后气体浓度数据，通过灰微分方程生成灰色预测模型gm(1，1)；
s4、利用改进人工蜂群算法对灰色预测模型gm(1，1)的参数向量进行优化，得到灰色预测模型gm(1，1)的白化模型；
s5、将当前时刻处理后气体浓度数据代入白化模型，预测下一时刻的气体浓度。
本发明提供的一种预测气体浓度的方法，首先使用气体传感器，以固定时间间隔，获取连续的原始气体浓度序列。通过对原始气体浓度的相关处理，得到气体浓度均值序列，从而生成灰色预测模型。之后通过改进人工蜂群算法对灰色预测模型的参数进行优化，得到白化模型。优化完成后，当输入某时刻处理后气体浓度值至白化模型中，便可预测下一时刻气体浓度值。这样不仅能提高预测的精准度，也能为应急响应提供准确的辅助决策，及时地保障人们的生命财产安全。
如图2所示，其描述了本发明中步骤s2的流程示意图。可包括以下步骤：
s21、计算原始气体浓度数据的级比。
在s1中通过气体传感器获取到的连续n个时刻原始气体浓度的数据序列x(0)＝(x(0)(1)，x(0)(2)，...x(0)(n))，其中，x(0)(1)为第1个时刻原始气体浓度的测量值，x(0)(2)为第2个时刻原始气体浓度的测量值，x(0)(n)为第n个时刻原始气体浓度的测量值。在本发明一实施例中，根据数列的级比计算公式(1)，对x(0)中的每个测量值分别依次计算数列的级比λ(k)：
根据上述公式(1)的结果得到级比序列λ＝(λ(2)，λ(3)，...λ(k)，...λ(n))，k＝(2，3，...n)。
在本发明一实施例中，选取n＝5，即获取连续5个时刻原始气体浓度数据序列，此时x(0)＝(x(0)(1)，x(0)(2)，...，x(0)(n))＝(x(0)(1)，x(0)(2)，x(0)(3)，x(0)(4)，x(0)(5))＝(349，418，345，404，396)，其中，气体使用挥发性有机化合物(volatileorganiccompounds，voc)，气体浓度的计算单位是ppm(百万分率，partspermillion)。根据上述数列的级比计算公式(1)，分别计算k＝2、3、4、5时对应的不同数列的级比λ(k)，因此级比序列λ＝(0.835，1.211，0.854，1.020)。
在本发明另一实施例中，n＝5，即获取连续5个时刻原始气体浓度数据序列，此时x(0)＝(x(0)(1)，x(0)(2)，...x(0)(n))＝(x(0)(1)，x(0)(2)，x(0)(3)，x(0)(4)，x(0)(5))＝(412，378，365，449，320)，其中，气体使用挥发性有机化合物(volatileorganiccompounds，voc)，气体浓度的计算单位是ppm(百万分率，partspermillion)。根据上述数列的级比公式(1)，分别计算k＝2、3、4、5时对应的不同数列的级比λ(k)，因此级比序列λ＝(1.090，1.036，0.813，1.400)。
通过进行数列级比运算，可以更好地筛选出合适的数据，有效的保证灰色预测模型gm(1，1)的质量。
s22、判断原始气体浓度数据的级比是否均落在可容覆盖的区间范围内：若不是，对原始气体浓度数据进行平移变换，得到处理后气体浓度数据，使处理后气体浓度数据的级比全部落在可容覆盖的区间范围内；否则，将原始气体浓度数据作为处理后气体浓度数据。
根据下列可容覆盖计算公式(2)判断s21中计算得到的所有数列的级比λ(k)是否均落在可容覆盖c的区间内：
其中，n为连续n个时刻。
若所有的λ(k)均落在可容覆盖c的区间内，执行步骤s24，否则，执行步骤s23。
在本发明一实施例中，根据上述步骤s21中计算的结果可知，当n＝5时，级比序列λ＝(λ(2)，λ(3)，...λ(k)，...λ(n))＝(λ(2)，λ(3)，λ(4)，λ(5))＝(0.835，1.211，0.854，1.020)，k＝(2，3，...5)，由于级比序列中所有的级比λ(k)都落在可容覆盖
在本发明另一实施例中，根据上述步骤s21中计算的结果可知，当n＝5时，级比序列λ＝(λ(2)，λ(3)，...λ(k)，...λ(n))＝(λ(2)，λ(3)，λ(4)，λ(5))＝(1.090，1.036，0.813，1.400)，k＝(2，3，...5)，由于并非所有的级比λ(k)都落在可容覆盖
为了便于表示，在后续的表示中，统一使用w(0)代替x(0)，此处的w(0)表示连续n个时刻气体浓度数据序列，且满足级比均落在可容覆盖范围内。
当根据上述s21求得的级比λ(k)并非全部落在可容覆盖c的区间范围内时，则需对x(0)进行变换，使变换后的序列级比λ(k)全部都在可容覆盖c的区间范围内。
在本发明一实施例中，可取适当的常数d对原始气体浓度数据做平移变换，得到变换后的数值y(0)(k)＝x(0)(k) d(k＝1，2，...n)，其中，y(0)(k)为变换后第k时刻气体浓度数据，构造数列y(0)＝(y(0)(1)，y(0)(2)，...y(0)(n))，其中，y(0)为连续n个时刻变换后气体浓度数据序列。通过取适当的常数d，进行平移变换后，使得序列的级比λ(k)均落在可容覆盖c的区间范围内，即
通过判断级比是否均落在可容覆盖c的区间范围内，可以知道x(0)是否可以用作满意的灰色预测模型gm(1，1)建模，保证了gm(1，1)建模的可行性。通过对原始数据的适当变换，可以使变换后的数据序列的级比均落在可容覆盖的范围内，从而满足建模要求。
s23、对处理后气体浓度数据进行累加和均值运算，得到气体浓度均值序列。
根据s22和s23的计算结果，利用下述公式(3)计算累加生成序列：
其中，w(1)(k)为连续n个时刻气体浓度数据序列w(0)中前k项的累加和。
在本发明一实施例中，构造数列w(1)，使得w(1)＝(w(1)(1)，w(1)(2)，...，w(1)(n))，则w(1)称为数列w(0)的一次累加生成序列。利用下列公式(4)对数列w(1)进行均值计算，得到气体浓度均值数据z(1)(k)：
z(1)(k)＝0.5w(1)(k) 0.5w(1)(k-1)，(k＝2，3，…n)(4)
其中，z(1)(k)表示第k时刻气体浓度均值数据。
构造数列z(1)，使得z(1)＝(z(1)(1)，z(1)(2)，...z(1)(n))，z(1)为连续n个时刻气体浓度均值序列。
在本发明一实施例中，当n＝5时，根据处理后连续5个时刻气体浓度的数据序列w(0)＝(w(0)(1)，w(0)(2)，w(0)(3)，w(0)(4)，w(0)(5))＝(349，418，345，404，396)，以及上述累加生成序列的计算公式(3)计算出w(0)的一次累加生成序列w(1)＝(349，767，1112，1516，1912)，通过上述气体浓度均值数据的计算公式(4)对序列w(1)进行均值计算，得到连续5个时刻气体浓度均值序列z(1)＝(558，929.5，1314，1714)。
通过均值运算，进一步为后续灰微分方程的建立打下基础，使灰微分方程更加健壮。
如图1所示，在步骤s3中，根据气体浓度均值序列和处理后气体浓度数据，通过灰微分方程生成灰色预测模型gm(1，1)。
在本发明一实施例中，预设w(1)(k)的灰导数
令yn＝(w(0)(2)，w(0)(3)，...，w(0)(n))t，u＝(a，b)t，其中，yn为连续n个时刻气体浓度的数据序列w(0)的矩阵，u为参数a、b的矩阵，设：
其中，b为z(1)的矩阵，则b·u＝yn。
通过生成灰色预测模型，可以为后续白化模型提供数据支撑。
如图3所示，其描述了步骤s4的流程示意图。通过对灰色预测模型gm(1，1)进行白化，利用改进人工蜂群算法求解参数a、b的矩阵向量u＝(a，b)t，得到白化模型
s41、设定基于改进人工蜂群算法优化的目标函数，灰色预测模型gm(1，1)的参数向量包括系统发展系数a和灰色作用量b，利用目标函数和适应度函数，计算初始化适应度值。
首先，设定基于改进人工蜂群算法的目标函数为：
其中，j为目标函数，x(0)(k 1)是(k 1)时刻泄漏气体的测量浓度。
在本发明一实施例中，n＝5，上述目标函数公式(5)可以进一步写为：
其次，预设食物源数量，每一食物源为一个可行解，可行解的维度为d，初始化系统发展系数a和灰色作用量b的值，将每一可行解代入目标函数得到函数值，并将函数值代入适应度函数中，得到初始化适应度值。
在初始化阶段，可先预设人工蜂群算法中食物源个数为sn以及可行解的维度为d。在本发明一实施例中，每个食物源作为一个可行解，随机初始化系统发展系数a和灰色作用量b的值，将每个可行解代入s41中目标函数j进行计算，得到不同的函数值，将函数值代入适应度函数的计算公式(6)，得到不同的初始化适应度值。
其中，fitness为适应度函数，abs为绝对值函数，fi是每个可行解对应的函数值。
使用改进人工蜂群算法求解本模型的目标函数，可以更准确的预测泄露气体的浓度，同时，由于适应度函数是根据目标函数确定的用于区分群体中个体好坏的标准，因此其可以用以影响算法的收敛性能。
s42、对每一个可行解与随机产生的邻居可行解变量进行交叉变异，得到交叉变异后系统发展系数a和灰色作用量b的值，根据目标函数和适应度函数计算交叉变异后适应度值。在本发明一实施例中，在可行解的交叉变异阶段，对每一个可行解的第j维解与随机产生的邻居可行解的第j维变量进行交叉变异，交叉变异的公式为(7)：
其中，vij表示第i个可行解的第j维解进行交叉变异后的可行解，xij表示第i个可行解的第j维解，xkj为第k个可行解的第j维解，表示与i不同的邻居可行解，
使用交叉变异，使模型具有局部的随机搜索能力。当模型接近最优解邻域时，这种局部随机搜索能力可以加速向最优解收敛。
s43、判断交叉变异后适应度值是否大于初始化适应度值，若是，将交叉变异前系统发展系数a和灰色作用量b的值变为交叉变异后系统发展系数a和灰色作用量b的值，跳至步骤s44，否则，返回步骤s42继续进行交叉变异。
在本发明一实施例中，将计算的交叉变异后适应度值与初始化时的适应度值比较，若变异后的适应度值大于初始化时的适应度值，则将变异后系统发展系数a和灰色作用量b的值替换初始化系统发展系数a和灰色作用量b的值，否则，继续返至s42进行交叉变异。
在本发明一实施例中，步骤s43还包括：预设交叉变异次数上限l，当交叉变异后适应度值小于或等于初始化适应度值时，通过统计连续交叉变异的次数，判断食物源连续交叉变异的次数是否到达预设交叉变异次数上限l；
如果是，则重新产生新食物源，直接替代原来的食物源。跳转至步骤s41，选取新的食物源继续优化所述灰色预测模型gm(1，1)的参数向量；
否则，返回步骤s42继续进行交叉变异。
通过交叉变异的可行解替代原初始化可行解，可以加速模型的收敛速度，提高模型的精确度。
s44、对交叉变异后适应度值，进行概率计算，得到每个可行解的概率值。
在本发明一实施例中，根据交叉变异后的适应度值，使用概率计算公式(8)，计算对应的概率值：
其中，pi表示交叉变异后第i个可行解对应的概率值，fitnessi表示交叉变异后第i个可行解的适应度值，sn表示可行解也就是食物源的数量，根据上述概率计算公式(8)可得到每个可行解对应的概率值。
通过计算可行解对应的概率值，有利于后续判断该模型是否完成优化。
s45、根据所述可行解的概率值判断食物源是否满足所述目标函数的性能误差目标值：如果是，完成对所述灰色预测模型gm(1，1)的参数向量的优化；否则，优化失败，进行异维变换。
在本发明一实施例中，随机产生一个[0～1]的数与上述每一个可行解的概率值比较，如果该随机数小于可行解的概率值，则判断该食物源能够满足目标函数的性能误差目标值，从而达到了对参数向量优化的目的；否则，模型优化失败，进行异维变换。
在本发明一实施例中，异维变换的具体步骤至少包括：
统计优化失败的次数，当s45中的随机数大于或等于可行解的概率值时，则食物源不满足目标函数性能误差目标值，模型优化失败。判断优化失败的次数是否到达失败次数上限m1，同时存在随机数小于随机数阈值m2，达到对人工蜂群算法改进，失败次数上限m1与随机数阈值m2计算公式见公式(9)、公式(10)：
其中，sn表示所述食物源的总数，d表示所述可行解的维度，t表示所述优化失败的次数，l表示预设交叉变异次数上限，
如果是，交换该可行解与xe，f，重新跳转至步骤s41。其中，xe，f的选取规则如下：e为随机选择的一个个体的标号，e∈[0，sn]，f为随机选择的一维向量，f∈[1，d]，且xe，f与该可行解的维度不同；
否则，返回步骤s42继续进行交叉变异。
上述过程称为异维变换阶段，该阶段是对人工蜂群算法的一种改进。
重复步骤s41-s45，直至找到符合条件的a、b值。
如图1所示，在步骤s5中，具体操作过程如下：
在本发明一实施例中，通过迭代得到满足约束条件的a、b值，最终得到a＝0.0019，b＝393.57。根据白化模型计算公式(11)：
其中，
其中，
上面方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包含相同的逻辑关系，都在本发明的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该发明的保护范围内。
如图4所示，其描述了预测气体浓度的系统1的原理结构示意图。至少包括：气体浓度数据采集单元11、气体浓度数据处理单元12、灰色预测模型生成单元13、白化模型生成单元14和气体浓度预测单元15。其中，气体浓度数据采集单元11用于使用气体传感器获取固定时间间隔的原始气体浓度数据；气体浓度数据处理单元12，用于对所述原始气体浓度数据进行检验和处理，得到处理后气体浓度数据，并对所述处理后气体浓度数据进行累加和均值运算，得到气体浓度均值序列；灰色预测模型生成单元13，用于根据所述气体浓度均值序列和所述处理后气体浓度数据，通过灰微分方程生成灰色预测模型gm(1，1)；白化模型生成单元14，用于利用改进人工蜂群算法对所述灰色预测模型gm(1，1)的参数向量进行优化，得到所述灰色预测模型gm(1，1)的白化模型；气体浓度预测单元15，用于将当前时刻所述处理后气体浓度数据代入所述白化模型，预测下一时刻的气体浓度。首先，气体浓度数据采集单元11通过气体传感器，以固定时间间隔，获取连续的原始气体浓度数据序列。然后，气体浓度数据处理单元12通过对原始气体浓度数据序列的相关处理，得到气体浓度均值序列，其次，灰色预测模型生成单元13通过灰微分方程，依据气体浓度均值序列生成相应的灰色预测模型。之后，白化模型生成单元14通过改进人工蜂群算法对灰色预测模型的参数进行优化，得到白化模型。优化完成后，当输入某时刻处理后气体浓度值至白化模型中，通过气体浓度预测单元15便可预测下一时刻气体浓度值。
如图5所示，其描述了气体浓度处理单元12的方框示意图。其还包括：级比计算模块121、平移变换模块122和均值序列生成模块123。其中，级比计算模块121用于计算原始气体浓度数据的级比，并判断原始气体浓度数据的级比是否在可容覆盖区间范围内；平移变换模块122，用于对原始气体浓度数据进行平移变换，得到处理后气体浓度数据，使处理后的气体浓度数据的级比全部落在可容覆盖的区间范围内；均值序列生成模块123，用于对处理后气体浓度数据进行累加和均值运算，得到气体浓度均值序列。
如图6所示，其描述了白化模型生成单元14的方框示意图。其还包括：初始化适应度计算模块141、交叉变异后适应度计算模块142和参数向量模块143。其中，初始化适应度计算模块141用于设定基于改进人工蜂群算法优化的目标函数，灰色预测模型gm(1,1)的参数向量包括系统发展系数a和灰色作用量b，利用目标函数和适应度函数，计算初始化适应度值；交叉变异后适应度计算模块142，用于对每一个可行解与随机产生的邻居可行解变量进行交叉变异，得到交叉变异后系统发展系数a和灰色作用量b的值，根据目标函数和适应度函数计算交叉变异后适应度值；参数向量模块143，用于计算可行解的概率值，确定白化模型参数向量。
需要说明的是，为了突出本发明的创新部分，本实施例中并没有将与解决本发明所提出的技术问题关系不太密切的模块引入，但这并不表明本实施例中不存在其它的模块。
此外，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本发明所提供的实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。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单元的形式实现。
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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁盘或者光盘等各种可以存储程序代码的介质。
综上所述，本发明提供的一种预测气体浓度的方法、系统、设备及其存储介质，能够提高气体浓度预测的精度，从而能够为应急响应提供准确的辅助决策，及时地保障人们的生命财产安全。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
1.一种预测气体浓度的方法，其特征在于，所述方法至少包括以下步骤：
s1、使用气体传感器获取固定时间间隔的原始气体浓度数据；
s2、对所述原始气体浓度数据进行检验和处理，得到处理后气体浓度数据，并对所述处理后气体浓度数据进行累加和均值运算，得到气体浓度均值序列；
s3、根据所述气体浓度均值序列和所述处理后气体浓度数据，通过灰微分方程生成灰色预测模型gm(1,1)；
s4、利用改进人工蜂群算法对所述灰色预测模型gm(1,1)的参数向量进行优化，得到所述灰色预测模型gm(1,1)的白化模型；
s5、将当前时刻所述处理后气体浓度数据代入所述白化模型，预测下一时刻的气体浓度。
2.根据权利要求1所述的预测气体浓度的方法，其特征在于，所述s2至少包括以下步骤：
s21、计算所述原始气体浓度数据的级比；
s22、判断所述原始气体浓度数据的级比是否均落在可容覆盖的区间范围内：
若不是，对所述原始气体浓度数据进行平移变换，得到所述处理后气体浓度数据，使所述处理后气体浓度数据的级比全部落在所述可容覆盖的区间范围内；
否则，将所述原始气体浓度数据作为所述处理后气体浓度数据；
s23、对所述处理后气体浓度数据进行累加和均值运算，得到所述气体浓度均值序列。
3.根据权利要求1所述的预测气体浓度的方法，其特征在于，所述s4至少包括以下步骤：
s41、设定基于改进人工蜂群算法优化的目标函数，所述灰色预测模型gm(1,1)的参数向量包括系统发展系数a和灰作用量b，利用所述目标函数和适应度函数，计算初始化适应度值；
s42、对每一个可行解与随机产生的邻居可行解变量进行交叉变异，得到交叉变异后系统发展系数a和灰色作用量b的值，根据所述目标函数和所述适应度函数计算交叉变异后适应度值；
s43、判断所述交叉变异后适应度值是否大于所述初始化适应度值，若是，将交叉变异前所述系统发展系数a和所述灰色作用量b的值变为所述交叉变异后系统发展系数a和灰色作用量b的值，跳至步骤s44，否则，返回步骤s42继续进行交叉变异；
s44、对所述交叉变异后适应度值，进行概率计算，得到每个所述可行解的概率值；
s45、根据所述可行解的概率值判断食物源是否满足所述目标函数的性能误差目标值：
如果是，完成对所述灰色预测模型gm(1,1)的参数向量的优化；
否则，优化失败，进行异维变换。
4.根据权利要求3所述的预测气体浓度的方法，其特征在于，所述s43还包括：
统计连续交叉变异的次数；
当所述交叉变异后适应度值不大于所述初始化适应度值时，判断所述连续交叉变异的次数是否到达预设交叉变异次数上限：
如果是，重新产生新食物源，跳转至步骤s41，继续优化所述灰色预测模型gm(1,1)的参数向量；
否则，返回步骤s42继续进行交叉变异。
5.根据权利要求3所述的预测气体浓度的方法，其特征在于，所述异维变换至少包括以下步骤：
统计优化失败的次数，判断所述优化失败的次数是否到达失败次数上限m1，同时存在随机数小于随机数阈值m2，达到对人工蜂群算法改进，所述失败次数上限m1与所述随机数阈值m2计算公式如下：
其中，sn表示所述食物源的总数，d表示所述可行解的维度，t表示所述优化失败的次数，l表示预设交叉变异次数上限，
如果是，将所述可行解与随机选择的与所述可行解不同维度的可行解向量进行交换，重新跳转至步骤s41；
否则，返回步骤s42继续进行交叉变异。
6.一种预测气体浓度的系统，其特征在于，所述系统至少包括：
气体浓度数据采集单元，用于使用气体传感器获取固定时间间隔的原始气体浓度数据；
气体浓度数据处理单元，用于对所述原始气体浓度数据进行检验和处理，得到处理后气体浓度数据，并对所述处理后气体浓度数据进行累加和均值运算，得到气体浓度均值序列；
灰色预测模型生成单元，用于根据所述气体浓度均值序列和所述处理后气体浓度数据，通过灰微分方程生成灰色预测模型gm(1,1)；
白化模型生成单元，用于利用改进人工蜂群算法对所述灰色预测模型gm(1,1)的参数向量进行优化，得到所述灰色预测模型gm(1,1)的白化模型；
气体浓度预测单元，用于将当前时刻所述处理后气体浓度数据代入所述白化模型，预测下一时刻的气体浓度。
7.根据权利要求6所述的一种预测气体浓度的系统，其特征在于，所述气体浓度数据处理单元包括：
级比计算模块，用于计算所述原始气体浓度数据的级比，并判断所述原始气体浓度数据的级比是否在可容覆盖区间范围内；
平移变换模块，用于对所述原始气体浓度数据进行平移变换，得到所述处理后气体浓度数据，使所述处理后的气体浓度数据的级比全部落在所述可容覆盖的区间范围内；
均值序列生成模块，用于对所述处理后气体浓度数据进行累加和均值运算，得到所述气体浓度均值序列。
8.根据权利要求6所述的一种预测气体浓度的系统，其特征在于，所述白化模型生成单元包括：
初始化适应度计算模块，用于设定基于改进人工蜂群算法优化的目标函数，所述灰色预测模型gm(1,1)的参数向量包括系统发展系数a和灰色作用量b，利用所述目标函数和适应度函数，计算初始化适应度值；
交叉变异后适应度计算模块，用于对每一个所述可行解与随机产生的邻居可行解变量进行交叉变异，得到交叉变异后系统发展系数a和灰色作用量b的值，根据所述目标函数和所述适应度函数计算交叉变异后适应度值；
参数向量模块，用于计算所述可行解的概率值，确定白化模型参数向量。
9.一种预测气体浓度的设备，其特征在于：包括处理器，所述处理器与存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现权利要求1至5中任一项所述的方法。
10.一种计算机刻度可读存储介质，其特征在于：包括程序，当所述程序在计算机上运行时，使得计算机执行如权利要求1至5中任一项所述的方法。
技术总结