一種人體舒適度的預測方法

專利名稱：一種人體舒適度的預測方法
技術領域：
本發明涉及環境氣象服務技術領域，特別是涉及一種人體舒適度的預測方法。
背景技術：
隨著國民經濟的發展，氣象部門相繼在大中城市開展了包括空氣污染、大氣清潔 度、紫外線強度、人體舒適度、醫療健康氣象、花粉濃度等環境氣象服務。這些貼近城市居民 生活的環境氣象服務，促進了生活質量的提高。人體舒適度是以人類機體與近地大氣之間的熱交換原理為基礎，從氣象角度評價 人類在不同氣候條件下舒適感的一項生物氣象指標。人體舒適度在城市環境氣象服務中具 有重要的基礎性地位，它不僅之間影響城市中各類人群的日常生活(如晨練、上班、著裝、 旅游等)、疾病和健康(如中暑、腦中卒、心肌梗塞、感冒等)，也直接影響生產企業和商業銷 售的效率和收益(如商品的季節性、生產數量和銷售數量決定、交通流量和事故率、野外作 業和施工的適宜度等)。人類機體對外界氣象環境的主觀感覺有別于大氣探測儀器獲取的各種氣象要素 結果。人體舒適度指數是為了從氣象角度來評價在不同氣候條件下人的舒適感，根據人類 機體與大氣環境之間的熱交換而制定的生物氣象指標。人體的熱平衡機能、體溫調節、內分泌系統、消化器官等人體的生理功能受到多種 氣象要素的綜合影響，例如大氣溫度、濕度、氣壓、光照、風等。實驗表明氣溫適中時，濕度 對人體的影響并不顯著，由于濕度主要影響人體的熱代謝和水鹽代謝，當氣溫較高或較低 時，其波動對人體的熱平衡和溫熱感就變的非常重要。例如，氣溫在15. 5°C時，即使相對濕 度波動達50 %，對人體的影響也僅為氣溫變化1V的作用；當溫度在21-27°C時，若相對濕 度改變為50%時，人體的散熱量就有明顯差異；相對濕度在30%時，人體的散熱量比相對 濕度在80%時為多；而當相對濕度超過80%時，由于高溫高濕影響人體汗液的蒸發，機體 的熱平衡受到破壞，因而人體會感到悶熱不適；隨著溫度的升高，這種情況將更趨明顯。又 如，當冬季的天氣陰冷潮濕時，由于空氣中相對濕度較高，身體的熱輻射被空氣中的水汽所 吸收，加上衣服在潮濕的空氣中吸收水份，導熱性增大，加速了機體的散熱，使人感到寒冷 不適。當氣溫低于皮膚溫度時，風能使機體散熱加快，風速每增加1米/秒，會使人感到氣 溫下降了 2-3 V，風越大散熱越快，人就越感到寒冷不適。一般而言，氣溫、氣壓、相對濕度、風速四個氣象要素對人體感覺影響最大。因而， 現有技術通常根據這四項要素，來建立人體舒適度的非線性方程，例如，某城市氣象部門 根據溫度和濕度之間的關系，得到人體舒適度模型的計算公式為ssd = (1. 818t+18. 18) (0. 88+0. 002f) + (t-32)/(45-t)-3. 2v+18. 2。其中ssd為人體舒適度指數，t為平均氣溫，f 為相對濕度，ν為風速。由于上述方法由某城市氣象部門，例如北京市氣象局，依賴經驗得到人體舒適度 模型的計算公式，故所述模型只適用于所在的城市地區。但是，中國國土廣闊，區域氣象差 異大，在北京市適用的人體舒適度模型，在應用到上海市時肯定存在偏差；因而，上述方法得出的人體舒適度模型不具備地區普遍性。總之，需要本領域技術人員迫切解決的一個技術問題就是如何解決現有預測方 法得出的人體舒適度模型不具備地區普遍性的問題。

發明內容
本發明所要解決的技術問題是提供一種人體舒適度的預測方法，用以提高預測的 地區普遍性。為了解決上述問題，本發明公開了一種人體舒適度的預測方法，包括建立步驟針對某一區域，建立BP神經網絡預測模型，將多個氣象因子作為該預 測模型的輸入變量，將人體舒適度作為該預測模型的輸出變量；訓練步驟對該區域的預測模型進行訓練；預測步驟利用訓練后的預測模型，對待預測區域內待預測日期的人體舒適度進 行預測。優選的，所述建立步驟包括第一建立操作針對某一區域，建立BP神經網絡預測模型，將多個氣象因子作為 該預測模型的輸入變量，將人體舒適度作為該預測模型的輸出變量，該預測模型的參數包 括網絡權值和網絡閾值；第一獲取操作分別獲取該區域內所述多個氣象因子中的每個氣象因子值，作為 訓練樣本的輸入；第二獲取操作獲取所述每個輸入樣本對應的人體舒適度指標值，作為訓練樣本 的期望輸出；所述訓練步驟包括針對所述訓練樣本，采用BP算法訓練該預測模型，得到模型參數，從而確定該區 域的預測模型。優選的，所述多個氣象因子包括最高氣溫、最低氣溫、最大相對濕度、最小相對濕 度、平均風速和太陽輻射量。優選的，所述預測步驟包括第一確定操作確定該待預測區域所屬的預測模型；第一預測操作將待預測區域內待預測日期的所述多個氣象因子輸入到所屬的預 測模型中，輸出人體舒適度指標。優選的，所述方法還包括確定等級步驟根據所述輸出的人體舒適度指標，確定人體舒適度等級。優選的，所述方法還包括制定措施步驟根據所述人體舒適度等級，制定預防措施。優選的，所述建立步驟包括第二建立操作針對某一區域內的某一季節，建立BP神經網絡預測模型，將多個 氣象因子作為該預測模型的輸入變量，將人體舒適度作為該預測模型的輸出變量，該預測 模型的參數包括網絡權值和網絡閾值；第三獲取操作針對該季節，分別獲取所述多個氣象因子中的每個氣象因子值，作為訓練樣本的輸入；第四獲取操作獲取所述每個輸入樣本對應的人體舒適度指標值，作為訓練樣本 的期望輸出；所述訓練步驟包括針對所述訓練樣本，采用BP算法訓練該區域內該季節的預測模型，得到模型參 數，從而確定該區域內該季節的預測模型。優選的，所述預測步驟包括第二確定操作確定所述待預測區域內該待預測日期所屬的預測模型；第二預測操作將所述待預測區域內該待預測日期的所述多個氣象因子輸入到所 屬的預測模型中，輸出人體舒適度指標。優選的，所述季節包括春季、夏季、秋季、冬季；或者，春季和夏季、秋季和冬季；或 者，冬季和春季、夏季和秋季。優選的，所述預測模型的結構包括輸入層、一個或多個隱層和輸出層，其中，，輸入 層的節點數與氣象因子的數目相應，輸出層節點數為1。與現有技術相比，本發明具有以下優點本發明針對某一區域，利用BP神經網絡來構造多個氣象因子到人體舒適度的預 測模型，然后，利用訓練后的預測模型，對待預測區域內待預測日期的人體舒適度進行預 測；由于BP神經網絡能學習和存儲大量的輸入_輸出預測關系，而無需事先揭示描述這種 預測關系的數學方程，因此，所述預測模型具有已知氣象因子到人體舒適度的預測能力；另 外，由于本發明可以將每個區域的歷史氣象數據作為訓練樣本，來訓練相應的預測模型，因 而，本發明的預測方法可以適用于所有區域，也即，具備地區普遍性；進一步，該預測模型的學習過程，是對模型參數進行不斷修正的過程，此過程能夠 一直進行到預測模型輸出的誤差減少到預定精度，因而，本發明還能夠提高人體舒適度的 預測精度；再者，本發明可以分別針對某一區域內的某一季節建立預測模型；其中，所述季節 可以包括春季、夏季、秋季、冬季；也可以包括春季和夏季、秋季和冬季；還可以包括冬季 和春季、夏季和秋季。由于同一季節的氣象因子數據具有更多的相似性，因而，能夠提高預 測模型的預測能力，從而提高氣象因子到人體舒適度的預測精度。


圖1是本發明一種人體舒適度的預測方法實施例1的流程圖；圖2是本發明一種BP神經網絡結構圖；圖3是本發明一種sigmoid函數示例；圖4是本發明一種人體舒適度的預測方法實施例2的流程圖。
具體實施例方式為使本發明的上述目的、特征和優點能夠更加明顯易懂，下面結合附圖和具體實 施方式對本發明作進一步詳細的說明。傳統數學建模方法，包括機理建模、多元統計方法、卡爾曼濾波方法、基于模型的回歸方法等，這些方法可以描述出一些簡單的線性系統，但是，對一些復雜的線性系統和非 線性系統難以精確描述。而氣溫、氣壓、相對濕度、風速等氣象因子到人體舒適度的預測，是 一個典型的非線性問題。針對上述問題，本專利發明人創造性地提出了本發明實施例的核心構思之一，即 利用神經網絡可以在不了解輸入或輸出變量間關系的前提下完成非線性建模的特點，來建 立多個氣象因子到人體舒適度的預測模型。參照圖1，示出了本發明一種人體舒適度的預測方法實施例1的流程圖，具體可以 包括建立步驟101、針對某一區域，建立BP神經網絡預測模型，將多個氣象因子作為該 預測模型的輸入變量，將人體舒適度作為該預測模型的輸出變量；在實際中，該某一區域，可以為中國區域，也可為世界區域；可為平原區域，也可為 高原區域；另外，還可為子區域，例如為北京市的海淀區等；本發明對具體的區域范圍、區 域面積和區域地形不加以限制。一般而言，氣溫、氣壓、相對濕度、風速四個氣象因子對人體舒適度的影響最大。但 本發明不局限于上述四個氣象因子，在建立某一區域的預測模型時，本領域技術人員可以 根據實際需要，對所述氣象因子進行選擇。例如，選擇下述氣象因子作為預測模型的輸入變 量最高氣溫、最低氣溫、最大相對濕度、最小相對濕度、平均風速和太陽輻射量。神經網絡的種類有很多，包括多層前饋網絡、小腦神經網絡等，其中，BP (Back Propagation)網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神 經網絡模型之一。在本發明的一種優選實施例中，為所述某一區域建立BP神經網絡預測模型，此 時，建立步驟101可以包括以下子步驟第一建立子步驟、針對某一區域，建立BP神經網絡預測模型，將多個氣象因子作 為該預測模型的輸入變量，將人體舒適度作為該預測模型的輸出變量，該預測模型的參數 包括網絡權值和網絡閾值；如圖2所示，BP神經網絡可以包括以下單元①處理單元(神經元)(圖中用圓圈表示)，即神經網絡的基本組成部分。輸入層 的處理單元只是將輸入值轉入相鄰的聯接權重，隱層和輸出層的處理單元將它們的輸入值 求和并根據轉移函數計算輸出值；②聯接權重(圖中如V，W)。它將神經網絡中的處理單元聯系起來，其值隨各處理 單元的聯接程度而變化；③層。神經網絡一般具有輸入層χ、隱層y和輸出層ο ；④閾值。其值可為恒值或可變值，它可使網絡能更自由地獲取所要描述的函數關 系；⑤傳遞函數f(x)。它是將輸入的數據轉化為輸出的處理單元，通常為非線性函數。因此，確定了網絡層數、每層節點數、傳遞函數、初始權系數等也就確定了 BP網 絡。確定這些選項時有一定的指導原則，但更多的是靠經驗。具體到本發明實施例，則所述預測模型的結構包括輸入層、一個或多個隱層和輸 出層，其中，輸出層節點數為1，輸入層的節點數與氣象因子的數目相應。例如，在氣象因子包括最高氣溫、最低氣溫、最大相對濕度、最小相對濕度、平均風速和太陽輻射量時，輸入層 的節點數則為6.對于多層前饋網絡來說，隱層節點數的確定是成敗的關鍵。若數量太少，則網絡所 能獲取的用以解決問題的信息太少；若數量太多，不僅增加訓練時間，而且，隱層節點過多 還可能出現所謂“過渡吻合”(Overfitting)問題，即測試誤差增大導致泛化能力下降，因 此，合理選擇隱層節點數非常重要。關于隱層數及其節點數的選擇比較復雜，一般原則是在能正確反映輸入輸出關 系的基礎上，應選用較少的隱層節點數，以使網絡結構盡量簡單。因此，本發明實施例優先 選用單隱層結構，且根據如下經驗公式選擇隱層節點數=>/4 + 3+α ’其中，1 < a < 30。BP網絡的傳遞函數有多種。例如，可以采用sigmoid型函數f (χ) = 1/ [l+e"(-bx)](b > 0)作為隱層和輸出層的傳遞函數。參考圖3，示出了 b = 1的sigmoid 函數示例，其是一個良好的閾值函數，具有連續，光滑，嚴格單調，關于(0，0.5)中心對稱的 特點。第一獲取子步驟、分別獲取該區域內所述多個氣象因子中的每個氣象因子值，作 為訓練樣本的輸入；在實際中，可以從該區域氣象部門的歷史數據庫中獲取數據。例如，從北京市氣象 局中獲取1998年6月1日至1999年3月22日共276天逐日的每個氣象因子的數據值。第二獲取子步驟、獲取所述每個輸入樣本對應的人體舒適度指標值，作為訓練樣 本的期望輸出；對應上例，可于1998年6月1日至1999年3月22期間，在北京市選取多名試驗 者，并以所述多名試驗者每天對不同氣象因子的實際感受作為對應的人體舒適度指標值的 依據。在具體實現中，可以對人體舒適度進行分級，其中，每個等級對應一定范圍的指 標，表1示出了一種人體舒適度分級示意。
權利要求
1.一種人體舒適度的預測方法，其特征在于，包括建立步驟針對某一區域，建立BP神經網絡預測模型，將多個氣象因子作為該預測模 型的輸入變量，將人體舒適度作為該預測模型的輸出變量；訓練步驟對該區域的預測模型進行訓練；預測步驟利用訓練后的預測模型，對待預測區域內待預測日期的人體舒適度進行預測。
2.如權利要求1所述的方法，其特征在于，所述建立步驟包括第一建立操作針對某一區域，建立BP神經網絡預測模型，將多個氣象因子作為該預 測模型的輸入變量，將人體舒適度作為該預測模型的輸出變量，該預測模型的參數包括網 絡權值和網絡閾值；第一獲取操作分別獲取該區域內所述多個氣象因子中的每個氣象因子值，作為訓練 樣本的輸入；第二獲取操作獲取所述每個輸入樣本對應的人體舒適度指標值，作為訓練樣本的期 望輸出；所述訓練步驟包括針對所述訓練樣本，采用BP算法訓練該預測模型，得到模型參數，從而確定該區域的 預測模型。
3.如權利要求1所述的方法，其特征在于，所述多個氣象因子包括最高氣溫、最低氣 溫、最大相對濕度、最小相對濕度、平均風速和太陽輻射量。
4.如權利要求2所述的方法，其特征在于，所述預測步驟包括第一確定操作確定該待預測區域所屬的預測模型；第一預測操作將待預測區域內待預測日期的所述多個氣象因子輸入到所屬的預測模 型中，輸出人體舒適度指標。
5.如權利要求4所述的方法，其特征在于，還包括確定等級步驟根據所述輸出的人體舒適度指標，確定人體舒適度等級。
6.如權利要求5所述的方法，其特征在于，還包括制定措施步驟根據所述人體舒適度等級，制定預防措施。
7.如權利要求2所述的方法，其特征在于，所述建立步驟包括第二建立操作針對某一區域內的某一季節，建立BP神經網絡預測模型，將多個氣象 因子作為該預測模型的輸入變量，將人體舒適度作為該預測模型的輸出變量，該預測模型 的參數包括網絡權值和網絡閾值；第三獲取操作針對該季節，分別獲取所述多個氣象因子中的每個氣象因子值，作為訓 練樣本的輸入；第四獲取操作獲取所述每個輸入樣本對應的人體舒適度指標值，作為訓練樣本的期 望輸出；所述訓練步驟包括針對所述訓練樣本，采用BP算法訓練該區域內該季節的預測模型，得到模型參數，從 而確定該區域內該季節的預測模型。
8.如權利要求7所述的方法，其特征在于，所述預測步驟包括第二確定操作確定所述待預測區域內該待預測日期所屬的預測模型； 第二預測操作將所述待預測區域內該待預測日期的所述多個氣象因子輸入到所屬的 預測模型中，輸出人體舒適度指標。
9.如權利要求7所述的方法，其特征在于，所述季節包括春季、夏季、秋季、冬季；或者， 春季和夏季、秋季和冬季；或者，冬季和春季、夏季和秋季。
10.如權利要求2所述的方法，其特征在于，所述預測模型的結構包括輸入層、一個或 多個隱層和輸出層，其中，，輸入層的節點數與氣象因子的數目相應，輸出層節點數為1。
全文摘要
本發明提供了一種人體舒適度的預測方法，包括建立步驟針對某一區域，建立BP神經網絡預測模型，將多個氣象因子作為該預測模型的輸入變量，將人體舒適度作為該預測模型的輸出變量；訓練步驟對該區域的預測模型進行訓練；預測步驟利用訓練后的預測模型，對待預測區域內待預測日期的人體舒適度進行預測。本發明用以提高預測的地區普遍性。
文檔編號G06N3/06GK102110243SQ20091024386
公開日2011年6月29日 申請日期2009年12月23日 優先權日2009年12月23日
發明者李丹 申請人:新奧特(北京)視頻技術有限公司