本发明涉及通风管控，更具体地说，本发明涉及一种基于大数据分析的地铁通风系统及方法。
背景技术：
1、现有的地铁通风系统，在列车到站前，通风设备会提前开始运行，以在列车停靠期间提供良好的通风效果。离站后，通风设备会适时停止运行，以节约能源和降低运营成本。但是地铁到相邻站的时间较短，每次到站和离站都需要提前开启或关闭通风设备，频繁地开启和关闭通风设备会导致能源浪费和不必要的运营成本。因此，本技术提出一种基于大数据分析的地铁通风系统，针对通风设备何时开启运行的同时，做出进一步优化，动态调整通风设备运行的时间，以达到既能保障乘客舒适度又能节约能源的目的，实现地铁通风系统的优化和智能化管理。
2、针对上述问题，本发明提出一种解决方案。
技术实现思路
1、为了克服现有技术的上述缺陷，本发明的实施例提供一种基于大数据分析的地铁通风系统及方法，以解决上述背景技术中提出的问题。
2、为实现上述目的，本发明提供如下技术方案：
3、一种基于大数据分析的地铁通风系统及方法，包括如下步骤：
4、步骤1：采集确定通风设备开启的最佳策略所需要的车站特征、车站之间的距离和通风效果的持续时间；
5、步骤2：根据车站特征，使用聚类算法对车站进行分类，确定车站的重要性；
6、步骤3：综合考虑车站的重要性、车站之间的距离和通风效果的持续时间，建立线性回归模型，预测通风设备开启的最佳策略；
7、步骤4：获取车厢内的实时温度和实时相对湿度，使用罗瑟伯格公式计算舒适度指数，将舒适度指数作为实时环境；
8、步骤5：将车厢内的实时环境和车站的重要性作为输入变量，利用模糊逻辑控制方法调整通风设备的运行时间。
9、在一个优选的实施方式中，在步骤2中，使用聚类算法来计算车站的重要性，具体包含以下步骤：
10、s1：收集车站的特征值；
11、s2：数据预处理；对特征值进行标准化处理；
12、s3：选择合适的聚类数目；
13、s4：选择k均值聚类算法进行聚类分析：随机选择k个初始聚类中心，将每个样本分配到距离其最近的聚类中心所在的簇；再计算每个簇的新中心，作为新的聚类中心；重复分配样本和更新中心两个步骤，直到聚类中心不再发生变化或达到最大迭代数，分配样本即将每个样本分配到距离其最近的聚类中心所在的簇，更新中心即计算每个簇的新中心，作为新的聚类中心；
14、将随机选择的k个初始聚类中心标记为μ1，μ2,...，μk，对于每个样本，计算其与各个聚类中心的距离，具体有公式；式中表示样本xi与聚类中心μj之间的距离；将其分配到最近的簇cu中（u=1，2，3），具体有；对于每个簇cu，计算其新的聚类中心μj，即簇内的样本均值，有，式中xi表示第i个车站，包含了该车站所有特征的特征向量；
15、s5：解释聚类结果；对于每个聚类簇，计算其各个特征的平均值表示为；其中u表示簇的索引，j表示特征的索引；具体有公式；式中是聚类簇cu中车站的数量，是簇cu中第q个车站的第j个特征值；对于每个特征j，将一个聚类簇中该特征的平均值相加，得到总和，再计算；式中e表示所有特征在该聚类簇中特征的平均值总和，m是特征的数量；
16、通过比较e的大小来评估车站的重要性；将第一个聚类簇中所有特征的平均值总和标记为e1，以此类推，第二个聚类簇和第三个聚类簇中所有特征的平均值总和标记为e2和e3，在e1、e2、e3中，最大值表示其对应的聚类簇中的车站重要，最小值表示其对应的聚类簇中的车站不重要，中间值表示其对应的聚类簇中的车站重要性表现为中等。
17、在一个优选的实施方式中，在步骤3中，根据车站的重要性、车站之间的距离和通风效果的持续时间来确定通风设备开启的最佳策略，包括如下步骤：
18、g1：将通风设备的开启策略作为一个二元变量，其中0表示每到达一个车站开启通风设备，1表示间隔一个车站开启通风设备；将车站之间的距离标记为b，通风效果的持续时间标记为t，使用所有特征在聚类簇中特征的平均值总和e代表车站的重要性；
19、g2：将车站的重要性（e）、车站之间的距离（b）和通风效果的持续时间（t）作为自变量，将通风设备开启策略作为因变量（0或1），建立线性回归模型；模型的表达式为；式中β0，β1，β2，β3是模型的系数，是误差项，y1是通风设备开启策略；
20、g3：模型拟合；使用最小二乘法来估计模型中的系数，以使模型与实际观测值尽可能拟合；系数的估计公式为；式中，x是自变量矩阵，包含每个样本的自变量值，矩阵x的第一列通常是全为1的常数列，用于表示截距项；y是一个向量，包含每个样本的因变量值（0或1），表示矩阵x的转置，表示的逆矩阵，β是一个向量，包含线性模型中的所有系数，包括截距项和自变量的系数；
21、g4：模型评估；使用f检验对整个线性回归模型进行判断，即判断模型中的自变量是否作为一个整体对因变量有显著影响；具体步骤如下：
22、g4.1：计算f统计量；其中ssr是回归平方和，3是指自变量的个数，本实施例的自变量个数为3，sse是误差平方和，n是样本量即n个车站；
23、g4.2：根据f统计量和自由度（n-3-1）查找f分布表，确定f统计量对应的p值；p值是统计假设检验中的一个指标，表示在原假设为真的情况下，观察到统计量或更极端情况的概率；
24、g5：模型解释；系数的数值表示当自变量的值增加1个单位时，因变量的变化量；系数的正负号表示自变量与因变量之间的方向关系，如果系数为正，则表示自变量的增加与因变量的增加有正相关关系；如果系数为负，表示自变量的增加与因变量的减少有负相关关系；
25、g6：模型预测；使用建立的模型预测最佳的通风设备开启策略。
26、在一个优选的实施方式中，在步骤4中，车厢内的实时环境包括温度、相对湿度等，计算车厢内的实时环境具体如下：
27、d1：收集数据；使用温度传感器和相对湿度传感器在车厢内分别对温度和相对湿度进行实时测量；
28、d2：舒适度指数计算；根据罗瑟伯格公式计算舒适度指数，具体公式为；式中t表示车厢内的实时温度，rh表示车厢内的实时相对湿度且以百分比表示。
29、在一个优选的实施方式中，在步骤5中，将车厢内的实时环境和车站的重要性进行综合分析，动态调整通风设备运行的时间；具体过程如下：
30、首先将车厢内的实时环境和车站的重要性定义为输入变量，将其划分为不同的模糊集合；
31、将通风设备的运行时间定义为输出变量，将其划分为不同的模糊集合；
32、制定模糊规则，描述车厢内的实时环境和车站的重要性对通风设备运行时间的影响；
33、根据模糊规则进行模糊推理，动态调整通风设备的运行时间。
34、一种基于大数据分析的地铁通风系统，用于实现上述方法，包括数据采集模块、聚类分析模块、线性回归预测模块、舒适度计算模块以及模糊逻辑控制模块，各模块之间信号连接；
35、数据采集模块用于实时采集与通风策略相关的所有数据，包括车站特征，车站之间的距离，通风效果的持续时间，以及车厢内的实时温度和实时相对湿度；
36、聚类分析模块基于车站的特征对车站进行分类，使用聚类算法将车站划分为不同类别；
37、线性回归预测模块用于建立线性回归模型，预测每个车站的最佳通风策略，输出通风设备的开启时间和持续时间；
38、舒适度计算模块用于通过罗瑟伯格公式，将车厢内的实时温度和相对湿度转换为舒适度指数；
39、模糊逻辑控制模块用于根据实时计算的舒适度指数和车站的重要性来动态调整通风设备的运行时间。
40、本发明一种基于大数据分析的地铁通风系统及方法的技术效果和优点：
41、本发明根据车站的重要性、车站之间的距离以及通风效果的持续时间来建立模型，进一步预测通风设备开启的最佳策略，同时将车站的重要性和车厢内的实时环境进行综合分析，从而动态调整通风设备运行的时间。提高了乘客的舒适度和节约能源，实现了地铁通风系统的优化和智能化管理。
1.一种基于大数据分析的地铁通风方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于大数据分析的地铁通风方法，其特征在于：
3.根据权利要求2所述的一种基于大数据分析的地铁通风方法，其特征在于：
4.根据权利要求3所述的一种基于大数据分析的地铁通风方法，其特征在于；
5.根据权利要求4所述的一种基于大数据分析的地铁通风方法，其特征在于：
6.一种基于大数据分析的地铁通风系统，用于实现上述权利要求1-5任一项所述的一种基于大数据分析的地铁通风方法，其特征在于，包括数据采集模块、聚类分析模块、线性回归预测模块、舒适度计算模块以及模糊逻辑控制模块，各模块之间信号连接；
