室内环境的情景感知IoT支持框架分析与预测空气质量

智能系统与应用16（2022）200132用于分析和预测室内环境的情景感知IoT支持框架空气质量Krati Rastogi，Divya Lohani*印度新德里Shiv Nadar大学计算机科学与工程系A R T I C L EI N FO保留字：环境感知室内空气质量物联网E-x- tended卡尔曼滤波离散时间马尔可夫链室内空气A B S T R A C T为了生产和健康的生活，空气质量起着重要的作用。 本文讨论了开发一个能够提供实时信息，预测和警报的室内环境使用上下文感知系统的要求。拟议的物联网系统用于数据收集，预处理，定义规则，并通过向最终用户提供有关警报和建议的信息来预测室内环境的预测状态。提出了一种基于室内污染物T、RH、CO2、PM2.5、PM10和CO的环境状况判定方法预处理部分主要是利用扩展卡尔曼滤波器对数据进行滤波。此外，该系统使用自适应神经模糊推理系统（ANFIS）和离散时间马尔可夫链（DTMC）的帮助下，每天的空气污染浓度和环境参数来预测室内环境的状态。ANFIS模型预测器考虑室内污染物的值，形成一个新的指数：室内空气状态（SIA）。对于新指数SIA的分析和预测，使用了DTMC模型使用感测设置将收集和测量的数据存储在物联网云中，并且感测的信息用于开发SIA传输矩阵，生成对应于每个SIA的返回持续时间，并基于数据向最终用户提供警报 该模型使用预期和实际回报持续时间进行评估。根据预测，最常见的内部通风状态是较差和中等。只有0.08%的时间IAQ保持在良好状态。三分之二的时间（66%），室内通风严重（差，非常差或危险）; 19%的时间非常差，15%的时间是危险的，这表明并警告在教育中有很高的可能性不健康的AQI德里-NCR地区的机构业绩通过实际和预测之间的比较来衡量重现期，预测误差较小，平均绝对预测误差为3.47%。1. 介绍室内空气污染是指室内空气中存在的挥发性有机化合物（VOC）、颗粒物（PM）、物理和化学元素以及无机化合物等污染物。它正在迅速成为一个全球性的公共卫生问题，影响着全世界数百万人。室内空气质量（IAQ）是五大环境和健康威胁之一，根据环境保护署（EPA）及其科学顾问委员会。亚洲城市的空气质量迅速下降，对室内空气质量产生了重大影响。污染物通过窗户、门、墙上的洞和门窗上的密封胶到达室内环境。室内空气中有害污染物的存在对居住者的健康是一个重大的危险，并且室内空气中的有害污染物的存在对居住者的健康是一个重大的危险。保持空气质量（IAQ）以使居民免受污染物的影响根据世界卫生组织（WHO）的数据，人们大约90%的时间都在具有供暖、通风和空调（HVAC）设备的封闭建筑物中度过。因此，重要的是要跟踪室内空气质量，以保障健康和生产力的人谁住在那里。室内空气污染定义了空气污染物的存在，包括颗粒物、挥发性有机化合物、无机化合物、物理和化学因素等，在封闭区域内和周围。这些污染物对人体构成严重威胁根据世界卫生组织（WHO）的报告，城市地区的人们大约90%的时间都在室内空间或建筑物中度过，这些空间大多是集中的，* 通讯作者。电子邮件地址：divya. ieee.org（D.Lohani）。https://doi.org/10.1016/j.iswa.2022.200132接收日期：2022年4月25日;接收日期：2022年9月20日;接受日期：2022年9月25日2022年10月1日网上发售2667-3053/© 2022作者。由Elsevier Ltd.发布。这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表智能系统及其应用杂志主页：www.journals.elsevier.com/intelligent-systems-with-applicationsK. Rastogi和D.Lohani智能系统与应用16（2022）2001322Fig. 1. 情境感知物联网系统。(a)上下文获取物联网系统（b）上下文建模物联网系统（c）上下文推理物联网系统（d）上下文预测物联网系统（e）上下文推荐/警报物联网系统。K. Rastogi和D.Lohani智能系统与应用16（2022）2001323Fig. 1. （续）使用加热、通风和空调设备进行调节。根据环境保护局（EPA）（2016）的数据，室内污染物的污染水平是室外污染物的2室内空气质量已成为非住宅区，特别是教育机构需要强调的重要参数。几乎所有的学生在他们的教育生活中大部分时间都在室内，在学校建筑物，教室和宿舍里。在这些K. Rastogi和D.Lohani智能系统与应用16（2022）2001324Fig. 1. （续）机构，来自几个来源的污染物相当大地影响学生和雇员的健康、舒适度和表现，特别是由于对学生的记忆力和注意力、生产力、决策能力和生活方式的负面和有害影响（Wyon et.例如，2004年）。为了给学生营造一个健康的氛围，必须不断监测教室的室内空气质量。许多研究已经调查了良好的室内空气质量对人类认知能力以及学生和教师的改进表现的影响（Satish等人， 2012年）。恶劣的空气质素可能会对大部分居住在封闭环境中的人造成不良影响，特别是年轻一代，他们大部分时间都在空调领域，范围很小 新鲜空气的流通。室内空气污染物会导致危险的健康问题，如病态建筑综合症（SBS）和建筑相关疾病（BRI）。由于室内空气质量（IAQ），居住者所经历的疾病和不适与SBS和BRI有关。为了人类的健康，生产力和舒适度，保持空气质量状态非常重要，它有助于在空气新鲜和清洁时做出决定。上下文感知是普适计算系统的核心特征。情境感知系统收集能够理解的数据，并且可以用于通过收集信息作为输入和反应作为输出来提供关于决策制定的策略来表征情况。最基本的任务是预测用户的期望，并通过提供适当的信息帮助他们在正确的时间进行改进。在最近的过去，基于上下文的信息和数据之间的通信已经被用于提供终端用户信息和室内空气质量的警报。 大多数研究人员将他们的工作局限于通过使用单一污染物的浓度来改善空气质量（Zhou et.例如，2020年）。此外，收集和监测实时信息的大多数系统限于提供结合环境污染物以形成用于计算室内空气质量的指数的系统。当前空气质量系统的另一个缺点是它们不能预测和向最终用户提供来自过去值的信息以控制和采取措施。在这项工作中，提出了一个上下文感知系统，可以适应根据上下文环境参数的最终用户的要求。上下文信息是输入，系统对输入的反应是输出。该系统收集可用于通过提供决策策略来表征情况的上下文数据。其基本任务是根据用户的期望来修改室内环境，通过在正确的时间提供适当的信息来改善终端用户的体验。所提出的上下文感知系统工作在4个阶段。在第一步骤中，即，背景获取，感测系统用于从室内环境收集合适的背景信息。温度、湿度、一氧化碳、二氧化碳和颗粒物的输出被用作上下文。传感器输出可能具有不一致性，例如缺失数据点、误差和离群值。 所提出的系统的第二阶段的工作，以消除这样的discredibility从感测数据。扩展卡尔曼滤波器用于此目的。无误差的上下文输入用于计算三个指标：通风量，空气质量指数，和热舒适。这些指标进一步组合成一个单一的指标，SIA，它可以全面描述室内环境的状态。在上下文预测阶段，使用离散时间马尔可夫链（DTMC）来预测室内环境的未来状态。这些预测在估计未来的能源需求以及及时控制室内环境恶化方面是有用的。假设本研究中检查的假设如下：H0：有没有这样的方法，确定实时收集和分析的数据，包括主要室内污染物，有助于在发明作品中的指标制定，这有助于决定室内污染的现状与基于环境的参数分类？H1：如何预测和预测状态发生的值与对人类健康的影响，使用基于物联网的系统，实时监测环境参数，提供上下文感知信息？在本研究论文中，上述问题在前面的讨论中得到了强调和回答。新颖性：为了保持健康的空气质量、最佳通风和舒适的室内环境，需要一种端到端系统，该系统提供关于当前通风、热舒适度以及状态和室内空气的上下文感知信息。这项工作介绍了一种新的方法来提供上下文感知的物联网系统，用于模拟封闭环境的不同情况和条件，使用多种室内污染物以及环境参数的室内空气状态。室内空气质量，热舒适性和通风问题被认为是不同的领域，并为这些问题中的每一个单独提供解决方案。然而，室内环境的质量是通过同时考虑所有这些因素来评估的，而不是单独考虑。ANFIS模型预测器考虑K. Rastogi和D.Lohani智能系统与应用16（2022）2001325室内污染物形成一个新的指标：室内空气状态（SIA）。建议的指数在将室内环境状况分为各种类别时考虑了所有可能的人体健康和舒适因素，如良好，描述空气状况良好，污染物含量最少;中等，已知有相当数量的污染物存在，贫穷和非常贫穷的国家，有大量的污染物和大量的浓度，和危险，描述污染物浓度较高的状态。提出了一种新的室内通风分类和描述方法，利用室内空气中存在的污染物，建立通风状态。该技术的独特之处在于它能够预测封闭区域的状态，并通过使用基于环境的模型改善最终用户的空气质量来帮助减少污染物的数量。论文贡献：这项工作的目的是创建一个物联网-基于数据采集和上下文建模的框架，基于对物联网传感系统中不存在的大量数据的检索。因此，如果要进行充分的分析，必须估计这些不完整的数据点。本文采用扩展卡尔曼滤波（EKF）方法，基于从设置开始随时间推移的一系列测量，用于处理不准确、缺失数据和误差。从EKF获得的室内污染物浓度用于上下文推理的发展一个新的指数和分类成状态。图1示出了情境感知系统预测通气状态以及在最后阶段由其引起的人体不适。语境指的是个人的直接环境。在这项工作中使用的功能来估计室内居住者的直接环境是室内污染物，烟雾和室内环境参数。考虑的参数是温度（T）、相对湿度（RH）、二氧化碳（CO2）、一氧化碳（CO）和颗粒物（PM2.5和PM10）。在本文中，六个室内因素作为输入，这是需要计算热舒适，通风量，空气质量指数（AQI）。热舒适度用不满意人数百分比（PPD）表示，通风率（VR）用换气率（ACH）从CO2浓度估算，空气质量指数（AQI）由CO、PM2.5和PM10估算浓度的PPD、VR和AQI值被提供给适配器，主动神经模糊推理系统（ANFIS），以确定当前状态的室内空气质量和时间的比例，在教室里的空气质量是不健康的。室内空气的预测是在DTMC模型的帮助下完成的。实时空气污染数据用于测量系统的性能（上下文预测）。因此，使用混淆矩阵、召回率、F分数和精确度来验证室内空气状态。预测的重现期与测试期间SIA的实际重现期室内空气质量预测模型使用统计/随机时间序列建模或机器学习技术，以未来几天污染物浓度的形式提供空气质量预测。然而，使用离散时间马尔可夫链（DTMC）的室内空气质量预测还没有得到广泛应用。两次超过SIA水平的持续时间称为重现期。一系列潜在的SIA水平由随机DTMC模型描述，其中每个SIA水平发生的可能性仅取决于前一个SIA的状态。为了建立对未来室内空气品质状态的最准确的预测，必须知道当前的随机过程状态。由于很少的参数需要分析这样的SIA过程，DTMC已在这项工作中模拟SIA状态。SIA等级为良好、中等、差、极差和危险。将预测的SIA重现期与测试期的实际重现期进行比较，以确保准确性。图1示出了在本系统中发生的不同过程。在图1（a）中显示的第一阶段中，执行上下文获取。它涉及收集室内参数和污染物水平，以便进行分析和预测。上下文建模是使用扩展卡尔曼滤波器在第二个阶段（图1（b））。在第三阶段（图1（c）），上下文推理阶段将原始VR、AQI和TC值转换为SIA状态。在第四阶段（图1（d））中，使用DTMC模型执行上下文预测。在最后（图1（e））阶段，向室内居住者提供警报和建议。图1示出了基于上下文的IoT系统的4个阶段-上下文获取、上下文建模、上下文推理和上下文预测。用于从室内环境污染物参数收集数据的基于传感器的IoT架构考虑温度（T）、相对湿度（RH）、二氧化碳（CO2）、一氧化碳（CO）和颗粒物（PM2.5和PM10），基于IoT传感器系统中不存在的不可忽略的数据量的处理，提供用于上下文获取和上下文建模的原始数据。因此，如果要进行适当的建模，就需要估计这些缺失的数据点。在本文中，一个扩展卡尔曼滤波（EKF）算法，根据一系列的测量随着时间的推移，从设置，是用来处理不准确，丢失的数据，和错误。 此外，无误差值的热舒适性，通风量和空气质量指数计算使用六个室内特性，在这项研究中作为输入（AQI）。测量对热舒适度不满意的人的百分比（PPD），使用换气率（ACH）从CO2浓度估计通风率（VR），并且从CO、PM2.5和PM10浓度获得AQI。室内污染物浓度改变为形成参数，PPD用于热舒适，TC，VR和AQI用于上下文推理，用于开发新指数的规则和状态分类。PPD、VR和AQI值被提供给自适应神经模糊控制器。该系统使用ANFIS推理系统来确定室内空气质量的当前状态以及教室内空气质量不健康的时间比例。环境感知系统在最后阶段预测室内空气的状态。DTMC技术用于预测建筑物内的空气状态。所建议的系统的上下文预测性能还根据为更好、更健康和更有成效的生活而创建的规则所描述的类别，经由应用或web服务器向最终用户递送建议和警报。以下各节描述了建议的体系结构如何操作。其余部分的组织如下：目前的文献分析室内空气质量，通风量，热舒适性和基于上下文的空气质量分析的建筑物在第二节。第三节解释了物联网传感架构，而第四节描述了用于计算SIA的输入参数。第五节和第六节解释了使用ANFIS规则的通用SIA计算和SIA指数预测模型DTMC的构建。性能预测在第七节中介绍，其中包括预测一致性和将预测值与实际结果进行比较。本文以第八节结束2. 相关工作首先讨论与无线和物联网系统的帮助下室内空气质量监测和分析相关的论文。作者报告了使用物联网和无线传感器方法来监测和分析IAQ。Kim等人（2014）创建了一个用于IAQ实时监测和警报的系统。描述了设计和实现用于实时室内空气质量监测、设施和信息处理的集成传感网络的复杂性。这项工作旨在检测室内污染物的浓度，并向居民提供空气质量通知。Saad等人（2013年）提出了一个监测环境参数和室内气态污染物的网络框架。本文讨论了数据如何从传感器传输到接收器和基于Web的云基础设施。Spachos Hatzinakos（2016）&使用颗粒物和环境标准来估计封闭房间的健康状况。它提供有关空气质量和环境参数的信息。应用程序使用此数据来跟踪房间中的HVAC条件。曾柱等人（2013）开发了一种空气质量控制装置，K. Rastogi和D.Lohani智能系统与应用16（2022）2001326+错误率从15%降到7%。Turanjanin等人（2014年）描述了使用室内污染物和二氧化碳浓度计算通风阈值的系统。病态建筑综合征（SBS）通常归因于缺乏气流和摄入有害污染物。SBS和IAQ之间的关系被一些作者研究 Dorizas等人（2015）和Norhidayah et.（2013）研究了IAQ和SBS之间的联系。病态建筑综合征的重要预测因素是室内环境中的通风和可能污染物的积累，Norhidayah等人（2013）。一些作者研究了温度和湿度对室内空气品质和热舒适的影响。Fang等人设计了一种装置。1998年，在不同的温度下在18-28摄氏度和30- 70%相对湿度的组合范围，分别。建立了一个专门设计的测试系统，并计划进行一系列实验，以独立观察温度和湿度对空气质量/气味强度感知和产品污染物排放的影响。湿度和温度范围的不同组合被发现是线性相关的。随着温度和湿度的增加，空气被认为不太可接受。Stazi等人（2017）创建了一种自动化机制，该机制基于IAQ和热舒适性相关性打开窗户。Liu等人（2020）提出了一种上下文感知系统，该系统检测用户特定的情况并提供满足用户需求的定制服务。移动运营商和平台有助于平稳快速地提供上下文感知服务。Marco等人（2020）提出了一种上下文感知模型来估计建筑物的热该模型使用无迹卡尔曼滤波器来分析由能源产生的现实数据集。例如，在Nowak-Dzieszko&Kisilewicz等人（2020）中，CO2被用作示踪气体，用于计算和评估通风系统效率。同时测量建筑物内外的PM水平作者认为，在通风条件较差的情况下，低换气次数是防止室外PM渗透的有效措施。Ha等人（2020）提出了一种将室内空气质量指数（IAQI）和humidex相结合的新指数，称为增强型室内空气质量指数（EIAQI）。Waspmote传感器用于测量室内污染物和温度-湿度水平，并使用扩展分数阶卡尔曼滤波器（EFKF）将它们融合在一起。所获得的EIAQI用于提供及时的空气质量警报。Ruiqiao等（2020）的作者提出了一种新的热舒适指数，其依据是预测平均投票（PMV）没有考虑太阳辐射对室内环境的影响，因此无法估计太阳辐射条件下的热舒适性。Becerra等人（2020）在-调查室外和室内污染物对学校的影响。在学校附近的室外空气污染源，如车辆交通或工业单位对室内空气质量的影响进行了论证。ChanjuanSun等人（2021）在住宅楼中使用逻辑回归进行了实验，以证实邻苯二甲酸二（2-乙基己基）酯（DEHP）与儿童呼吸道疾病具有显著相关性。Rachel等人（2022）探索了使用低成本传感器监测空气质量的可行性。在室内和室外部署了30个低成本传感器。作者得出结论，低成本传感器可以有效地用于监测室内空气质量指数水平。Li等人（2022）已经提出使用基于计算流体动力学（CFD）的反向传播神经网络以及粒子群优化器（BPNN-PSO）来预测实时室内空气质量。Sikora等人（2022）表明，当BLDC电机由附加的DC/DC转换器供电并且控制信号来自外部磁盘时，能量损耗最低。根据沃兹尼亚克等人的研究，启发式优化提高了效率并减少了能量使用。应用启发式模型的模拟表明，这种模型能够快速优化系统设置。结果表明，优化模型更有效，所建议的方法是使电压脉动最小化。Wozniak等人开发了一个基于6G网络通信标准的系统.该解决方案专为下一个IoT级别而设计。所提出的控制范例在管理水流、控制挡风玻璃、解决安全问题以及通过自适应通风限制二氧化碳方面是有效的Nwiabu et al.（2011））结合了上下文感知、态势感知、一般领域知识和基于案例的分析来构建决策支持系统。所提出的体系结构可以通过接受不确定的知识并对其进行处理来预测环境的状态，从而解决特定领域的问题该方法已用于水下油气管道水合物生成的高精度预测Feng等人（2009）提出了一种上下文感知决策支持（CaDS）系统，该系统包括共享的态势感知模型和每个用户的实体代理实体代理提供的服务，如事件分类，主动决策，并与基于规则的推理引擎的帮助下的行动建议。最后，通过一个仿真的指挥控制应用，验证了该系统的工作性能Schürholz等人（2019）开发了一种环境感知的室内空气质量监测和预测系统，其使用诸如健康状况、居住者的偏好、敏感性和空气污染数据的上下文信息来向各个居住者提供通知和建议。空气质量预测算法的性能的验证。Metia等人（2013年）开发了一种基于EKF和Kriging方法的算法，以估计悉尼盆地的空气污染物浓度。EKF弥补了诸如噪声、缺失和不正确的数据等差异，而克里格方法用于对臭氧浓度的轮廓进行空间内插。EKF模型的验证表明，与台站数据相比有了显著改善。本工作提出了一种系统，可以实时监测室内参数，并通知建筑居民潜在的危险情况。作者和研究人员最近提供的解决方案包括专注于预测IAQ ，TC 或VR 的模 型。Saini等人 （2022） ）。 利湖，加- 地等 人（2022）使用基于物联网的系统研究室内污染物。作者设计了基于CFD和ANN的遗传算法进行预测。Tian等人（2022）选择了具有反向传播（BP）的人工神经网络（ANN）模型来预测能源性能、空气质量和热舒适度。热舒适性用PMV和通风量（DR）表示，IAQ用空气年龄和换气效率（ACE）表示，使用送风和排气温度。但这些模型的预测性能较低。Nan，Ma等人（2021）专注于使用不同方法预测和分析数据的模型。本文回顾了分析模型和识别相应的输入变量，讨论了它们在基于人工神经网络（ANN）和强化学习（RL）的模型中的应用。神经网络和RL模型准确地描述了具有不确定动态的非线性系统，并提供了预测和自适应控制策略。Dong等人（2019）提供了管理最佳建筑环境中的节能、热舒适、视觉舒适和室内空气质量。从节能、热舒适、视觉舒适和室内空气品质等方面对居住者的健康和舒适进行了测量Putra等人（2018）使用人工神经网络预测室内空气质量。分析来自传感装置的过去历史数据，并使用人工神经网络进行预测。Levenberg方法显示了输入值和目标值之间的强相关性。Wong等人（2022））使用不同的分类模型，支持向量机（SVM）与各种核函数一起使用。还探讨了K-最近邻（kNN）、逻辑回归、决策树（DT）、随机森林（RF）和多层感知器人工神经网络（MLP-ANN）。Liu等人（2021）使用了各种模型，如主成分回归（PCR），支持向量回归（SVR）K. Rastogi和D.Lohani智能系统与应用16（2022）2001327图二、 我们的物联网系统在教室中的传感设置。图3.第三章。我们的物联网传感系统电路图。见图4。 我们的物联网传感系统。自回归移动平均（ARMA）首先用主成分分析法进行数据提取，然后得到六类污染物的预测值。其次，使用SVR生成回归值。ARMA模型结合残差模型对残差项进行修正，得到六类污染物的预测值。混合模型比单一模型具有更好的预测精度.在所有这些工作中，作者使用了单独或组合的预测模型，这些模型的准确性很低。本文所用的神经模糊人工神经网络模型能以较高的精度预报这些参数。因此，它的使用是合理的。3. 传感设置和数据收集3.1. IoT Sensing设置物联网传感架构由传感器组成，用于连续监测，收集，存储，分析和实时数据的可视化，如图2所示。基于室内大气中存在的污染物实时生成的大量数据，用于实时数据存储、可视化和分析污染物浓度，使用物联网云服务。该传感系统使用微控制器，Arduino Uno通过提供警报和建议来感测并将室内空气污染物浓度传输给最终用户K. Rastogi和D.Lohani智能系统与应用16（2022）2001328Arduino Uno是一个8位微控制器，具有20个输入输出引脚，14个数字引脚和6个模拟引脚，一个USB插孔，一个电源连接器，一个在线串行编程头，一个6个10兆赫石英晶体和一个复位按钮。用于测量环境数据的传感器连接到Arduino Uno板。 传感装置是为教室安装的，适用于封闭区域，因此系统所需的常规电源不是电池。传感系统由连接到微控制器的用于测量污染物的各种传感器组成，如：(i) 用于收集有关温度和湿度的数据的传感器是DHT-22传感器，其VCC引脚通过5 V引脚连接到Arduino，接地引脚连接到Arduino的GND，输出通过使用Arduino的数字引脚1连接到传感器的O/P引脚来显示。环境温度的测量单位为摄氏度，相对湿度的测量单位为百分比。(ii) 为了测量房间内的二氧化碳浓度水平，使用的气体传感器是MQ135。引脚配置如下，其中通过连接到Arduino UNO的5 V引脚的传感器的VCC引脚施加电压;传感器的接地引脚连接到Arduino的接地引脚;输出在Arduino的引脚0上，该引脚连接到传感器的O/P。测量二氧化碳浓度的单位是ppm（百万分之一）。(iii) 为了测量室内的CO水平，使用的气体传感器是MQ2和，具有快速响应时间。引脚配置如下：MQ 2传感器(iv) PM传感器：采用光学传感器PPD42NS测量PM浓度。它记录低脉冲占用持续时间，这是基于光散射定理。它可以检测半径达0.5微米的颗粒。此传感器的引脚配置-定量是：PPD 42 NS的数字引脚连接到Arduino引脚4，VCC引脚连接到Arduino引脚5 V，传感器接地连接到Arduino接地。它已被用于收集PM2.5和PM 10浓度。的测量PM2.5和PM10的单位为微克/立方米。为了标准化物联网传感系统中的污染物浓度，使用了现成的CO2和PM浓度传感器。使用Sensordrone对CO2浓度进行标准化，使用空气视觉空气质量监测仪对室内PM2. 5、PM10水平进行标准化。这两个传感器可以通过蓝牙和WiFi将结构化数据直接发送到Android应用程序Arduino Uno在该系统中使用Wi-Fi模块ESP 8266将污染措施传输到物联网云，并将其存储在物联网云中用于显示，分析和预测。此外，由于整个园区都支持WiFi，ESP8266连接到Arduino板。在我们的框架中，Amazon Web Services（AWS）是一个云计算架构，可按需用于大规模数据收集、检索、分析和可视化。AWS IoT是一个云托管平台，可让连接的设备轻松安全地与云应用程序和其他设备进行通信。AWS IoT可以支持数万亿台设备和数万亿条消息，并且可以可靠、安全地处理这些消息并将其路由到AWS端点和其他设备。凭借其广泛而深入的平台，Amazon Web Services为用户提供了他们所需的最高级别的安全性。为了访问数据，用户将获得帐户ID和密码。通过提供证书、公钥和私钥，AWS帮助将董事会连接到帐户通过无线网络图五. 温度和相对湿度随时间变化。见图6。 CO2随时间累积。3.2. 试验台和数据收集对于这项研究，选择了大学工程楼的教室（平均大小：49.51£39.50英尺平面图和9.58英尺高的天花板）。每个教室都安装了综合供暖、空调和通风（HVAC）系统。在整个实验过程中，教室的门窗都是完全关闭的。传感器设备位于教室中，既不直接暴露在阳光或热量下，也不暴露在人类呼吸过程或HVAC装置中。尽管门窗是关着的，但安装位置离门窗6英尺，离地面2英尺。从2018年8月到2019年10月，从上午9点到下午5点（周一到周六）收集了一年零两个月的数据。采样率必须保持较小，以捕捉细微的变化，因此室内空气污染物浓度保持在每分钟1个样本。图5显示了观察期间室内温度和相对湿度的日变化。每天上午9：00至下午5：00记录空气污染物数据，以每分钟1个的采样率。在确定热舒适性时，相对湿度和温度值被用于计算PPD。图6显示了每天室内CO2浓度，最高值、最低值和平均值分别为3256 ppm、721 ppm和1478.77 ppm。本文采用日平均CO2浓度估算通风率（VR）。室内污染物CO的浓度变化不大，研究过程中，最高值为3.89 ppm，最低值为1.01 ppm，平均值为2.06ppm。然而，PM 2.5和PM10浓度的范围很广，最高值和最低值分别为301、365和365。K. Rastogi和D.Lohani智能系统与应用16（2022）2001329∑ ∑ ∑-iiiiρ=我1979年）我图第七章 室内CO、PM 2.5、PM 10的变化图图八、 日平均室内PPD、VR和AQI的变化。分别是32和35。此外，PM2.5和PM10浓度表现出很强的正相关性，卡尔皮尔逊相关性为0.93.这些值已用于计算室内空气质量指数。使用Karl Pearson的PM（PM2.5和 PM 2.5）PM10）Karl Pearson相关系数确定颗粒物浓度（PM2.5和PM10）之间的关系，并使用以下公式计算：地层人口的每个组成部分都被分配到一个单一的阶层，以使其相互排斥和共同详尽。然后对每个阶层进行基本随机抽样。降低抽样误差是提高抽样精度的目标。(ii) 未能遵循治疗方案：为了减少抽样误差，观察样本被随机分配到实验数据集中的训练集或测试集。分层随机抽样用于此目的。(iii) 损耗：预测模型的自变量和相依变量之间的关系可能受到损耗偏倚的影响。它可以使变量之间的相关性看似存在，而实际上它们并不存在，反之亦然。由于训练和测试的样本是随机选择的，因此不会因损耗偏倚而对效度造成威胁。(iv) E X实验效果：为了避免在收集数据时读数的任何偏差，传感节点被保持在演讲室的中心，在几英尺的高度，并且远离门、窗或空调通风口。实验进行的方式，即，数据采集，并没有以任何方式影响传感器数据的测量。(v) 小样本量：该数据集包括从2018年8月到2019年10月的一年零两个月的室内参数值。以每分钟1个读数的采样率采集。相同的数据集已用于创建训练和测试数据集。因此，数据集的大小足够大，不会出现样本量小的问题。3.3.2. 外部有效性非代表性样品：由于来自同一数据集的样本被随机用于训练和测试，因此不会出现非代表性样本的问题。4. 上下文建模背景建模通过启用和提供相对准确的估计来降低复杂性。此外，上下文建模对于了解系统及其用途、高性能和效率是必要的;它有助于处理不准确、重复或丢失的数据。此外，上下文建模有助于处理上下文数据的异质性。物联网的最大挑战之一是能够集成并提供准确无噪声的大量异构数据。为了解决这种异质性，有必要使用n a b a b√̅ nΣ a2- (Σa̅i̅)̅2̅.√̅n̅Σ̅̅ b̅2-̅ (Σ̅ bi)̅2̅（一）精确的建模技术，如EX趋于卡尔曼滤波器，提供了一个正式的方式的数据。EKF提供了简单性（Ljung，其中（ai，bi）为PM2.5（a）和PM10的第i对观测值(b)分别为i=1，2，3，.. 、.、n.2018年8月至2019年10月，图。图6-8描绘了每日平均VR （使用每日CO 2浓度计算）、PPD（使用温度和相对湿度计算）和AQI（使用PM 10、PM 2.5和CO浓度计算）的相对方差。3.3. 威胁3.3.1. 对内部效度的(i) 随机化失败：输入数据集由代表室内空气污染物和环境参数值的数据点组成。采用分层随机抽样的方法，将数据点随机分配到预测模型中，以消除相邻值之间的相关性。它涉及到在抽样之前将总体分离成统一的子组。人口应该根据人口的上述章节中使用的参数具有高度不确定性和非线性。在这种情况下，使用EKF（扩展卡尔曼滤波器）可能是一个更好的选择。感知数据中的噪声表明结果不可靠（Zhao Wang，2011&）。使用卡尔曼滤波器对当前均值和协方差进行线性化。然而，从这些获得的物联网传感器集合中可能会丢失大量数据，因此需要计算这些丢失的数据，以便执行准确的建模。为了提高室内污染物浓度估计模型的性能，采用E-X-tended卡尔曼滤波器对通过噪声测量或缺失数据间接观测到的时变系统的污染物浓度进行估计。 系统的状态是指CO 2、CO、PM 2. 5、PM 10、温度、湿度等动态因素的浓度。从传感器收集的污染物数据被描述为时间序列，其中浓度随时间不确定地变化，因此遵循随机过程。污染物值的序列随时间随机分布，因此可以建模为随机微分方程。假设建议模型的随机微分方程服从白噪声过程N（t），我们得到：K. Rastogi和D.Lohani智能系统与应用16（2022）20013210̂̂dXtt1=̂日你好，你好=M{t;|t )} + R(k +1)]k+1k+1k在该算法中的矩阵X中如下：KK KxjtkK Kk+1，KK K图第九章 实际&E X趋于卡尔曼滤波PM 10浓度随时间的变化。DT=f （ Xt，t ） Xt0你 好Xt0，Pt0）（2）其中，Xt0<$N（xt0，Pt0）表示具有均值Xt0、初始状态向量Xt0和误差协方差Pt0的高斯随机变量。观测向量ytk可以表示为：ytk=h。Xtk，tk）+Vtk（3）其中，Vtk是具有零均值的白噪声高斯过程向量，并且E[VtkV Tk]= R（ k）δkl;并且δkl=克罗内克增量。等式(1)（2）是扩展卡尔曼滤波（EKF）算法的基础。的图 10. 实际&随着时间的推移EX趋向卡尔曼滤波器PM2.5浓度变化用误差协方差矩阵X P（t 0）处理来自传感器的观测数据y tk| t 0）和初始状态向量X（t 0|t 0），以估计状态向量X（tjc| t;t）和误差协方差P（t k| t k），从Eqs.(3)- （7）如下：见图11。实际&E X趋于卡尔曼滤波温度浓度随时间变化。tk+1tkM[t k;t x（t k|t k）] =[hi（Xtk，tk）]at X t x（t k）|（9）x（t k+1|t k）=x（tk|t k）+f[X] x（t|t k），t]dt（4）J.K.这里，hi，=h（X tk，t k）的第i个P（t k+1|t k）=<$[t k+1，t k;<$x（t k|t k）]P（t k|t k）[t k+1，t k; x（t k|（五 ）我 向量的分量，Xtk。采用泰勒x（t k+1|t k+1）= x（t k+1|t k）+K[t k+1; n x（t k+1|t k）]{y tk+1 -h[k] x（tk+1|t k），t k+1]}F[t]; X（t|t）] =在X处的[fi（Xtk，tk）]= x（t|t）[t t;x（t|t）]P[（tk+1|tk+1）==I+ AF[t k; f x（t k|（10）不I-K{[tk1;x（tk1|tk）]}M{tk1;x（tk|tk）P（tk1|tk）[I-K{[tk1;x（tk1|tk）]}M{tk1;x（tk1|{\fnarialblack\fs12\bord1\shad0\4aH00\fscx90\fscy110}+K{[t k+1; n x（t k+1|（t k）]}（七）其中观测状态的采样间隔。待估计的参数作为附加状态变量并入状态K{[tk+1;nx（tk+1|tk）]}=P（tk+1|tk+1）MT[tk+1;nx（tk+1|tk）]<$M{tk+1;<$x（tk+1|tk）P（tk+1|（tk）（八）∫（六K. Rastogi和D.Lohani智能系统与应用16（2022）20013210y }，=在t;和dtkk处的观测̂联系我们其中，P（t k|t k）= x（t k）中误差的协方差矩阵X|t k），x（t k|t k）=给定Y tk时t k处的状态估计：1，t k;x（t k|t（k）] =状态转移矩阵X，t k到t k+1; K[t k+1;nx（t k+1|t k）] = t k +1处的卡尔曼增益矩阵X; y tk{y t0，yt1，.，向量在识别Eqs. (2)- -译者注（8）。状态估计的EKF算法可直接用于辨识。图图9- 14示出了在观测期间室内污染物浓度的日变化和相应的EKF输出。如图所示，与实际数据浓度相比，扩展卡尔曼滤波器浓度较低K. Rastogi和D.Lohani智能系统与应用16（2022）20013211.）图12个。 实际&E X趋于卡尔曼滤波相对湿度随时间变化。图十三. 实际EX趋于卡尔曼滤波CO2浓度随时间的变化.&这意味着EKF降低了所收集的污染物数据的数据不确定性从图像中可以明显看出，EKF通过滤除噪声从噪声传感器数据中提供最佳估计。从图中可以看出。从图13和14中可以看出，EKF输出的峰值低于实际传感器浓度的峰值，因为EKF执行实时离群值检测和校正。5. 上下文推理上下文推理是从来自上下文模型的输入数据（污染物浓度）导出用户的当前状况以生成关于数据的规则的过程。它包括基于ANFIS的规则生成，有助于映射数据以确定室内空气质量的状态。5.1. SIA指数去除噪声后的数据，平滑的数据用于分类计算通风量，热舒适性和空气质量指数。三种突出的空气污染物PM2.5、PM10和CO用于图14个。 实际&E X趋于卡尔曼滤波CO浓度随时间的变化。表1ASHRAE热舒适指数[ANSI/ASH-RAE标准55-2010（2010）]。PPD类别100 - 75满意7550- 25岁2510表2ASHRAEVR类别（ANSI/ASHRAE标准62-2001，2003）。Range VR类别>15满意13119<9例重度确定室内空间的AQI（Rastogi等人， 2021年）。利用室内CO2浓度确定通风量在PPD的帮助下，房间内的温度和相对湿度值被用来评价居住