技术领域
[0001] 本
发明具体涉及一种车外大气污染环境下列车乘员健康预警系统及其方法。
背景技术
[0002] 随着经济技术的发展和人们生活
水平的提高，交通已经成为了现代社会最为重要的组成部分之一。而随着技术的发展，我国的
铁路行业也得到了极大的发展。
[0003] 列车通
风，是保障列车正常运行和保障列车乘员舒适的重要手段之一。而随着人们对于环境污染的重视，以及对于健康的持续关注，列车内部的环境污染情况也受到了公众的关注。
[0004] 目前，由于我国的列车几乎都是密封式车厢，车厢内的PM2.5等污染物不易于及时
净化。现阶段对列车大气污染的控制主要涉及新型车载空气净化装置的安装，如公开号为105172818B的
专利提出了列车专用
空气净化器，包括：上
箱体和与上箱体相互的下箱体。公开号为106975279A的专利提出了一种高速列车空气净化装置、系统及方法，包括进气通道和滤网库。这些方法对列车内部的大气污染物进行净化，没有从车外大气污染物实时监测的
角度考虑。而且，该种方法，只能单独对车厢内的空气进行净化，而无法对列车内的空气环境进行预警。
发明内容
[0005] 本发明的目的之一在于提供一种能够对列车的空气环境及其列车乘员的健康进行预警，而且可靠性高、准确性好的车外大气污染环境下列车乘员健康预警系统。
[0006] 本发明的目的之二在于提供一种所述车外大气污染环境下列车乘员健康预警系统的方法。
[0007] 本发明提供的这种车外大气污染环境下列车乘员健康预警系统，包括空气
质量监测
站点数据获取模
块、列车数据获取模块、列车大气污染预测模块和列车空气环境预警模块；空气质量监测站点数据获取模块的输出端和列车数据获取模块的输出端均连接列车大气污染预测模块的输入端；列车大气污染预测模块的输出端连接列车空气环境预警模块；空气质量监测站点数据获取模块用于获取空气质量监测站点的数据信息并上传列车大气污染预测模块；列车数据获取模块用于获取列车的数据信息并上传列车大气污染预测模块；列车大气污染预测模块用于根据上传的数据信息对列车的大气污染进行短时预测，并将预测结果上传列车空气环境预警模块；列车空气环境预警模块用于根据预测结果进行空气环境预警，从而对列车的空气环境及其列车乘员的健康进行预警。
[0008] 本发明还提供了一种所述车外大气污染环境下列车乘员健康预警系统的方法，包括如下步骤：
[0009] S1.获取各个空气质量监测站点的数据信息及其对应的空气质量监测数据；
[0010] S2.获取列车所在
位置的污染物数据信息和列车的位置信息；
[0011] S3.根据步骤S1和步骤S2获取的数据，进行列车-空气质量监测站点的耦合性分析，从而筛选出若干个关联空气质量监测站；
[0012] S4.根据步骤S3筛选出的若干个关联空气质量监测站，建立多污染物浓度指标空间混合模型；
[0013] S5.采用步骤S4建立的多污染物浓度指标空间混合模型，对列车所在位置的大气污染物浓度进行短时预测；
[0014] S6.根据步骤S5得到的短时预测结果，进行列车的空气环境预警。
[0015] 步骤S1所述的各个空气质量监测站点的数据信息及其对应的空气质量监测数据，具体为获取各个空气质量监测站点的编号信息、经纬度信息以及对应的PM2.5浓度信息、PM10浓度信息、CO浓度信息、NO2浓度信息、SO2浓度信息、O3浓度信息和AQI信息。
[0016] 步骤S2所述的列车所在位置的污染物数据信息和列车的位置信息，具体为列车所在位置的经纬度信息、PM2.5浓度信息、PM10浓度信息、CO浓度信息、NO2浓度信息、SO2浓度信息和O3浓度信息，以及列车在过去若干时间内的分均速度信息和列车剩余行驶路线的有向路径信息。
[0017] 步骤S3所述的进行列车-空气质量监测站点的耦合性分析，从而筛选出若干个关联空气质量监测站，具体为采用如下步骤进行耦合性分析并筛选关联空气质量监测站：
[0018] A.计算列车未来T分钟后列车的预计位置，T为正整数；
[0019] B.计算未来T分钟后，列车与各个空气监测站点之间的距离；
[0020] C.计算若干个连续时刻的列车端的污染物数据信息与各个空气质量监测站的空气质量监测数据之间的互信息，从而得到列车端与各个空气质量监测站
支架的确定性关联度指标集合；
[0021] D.根据列车与各个空气质量监测站之间的距离，分析并选取T分钟后对列车端环境影响最大的若干个关联空气质量监测站。
[0022] 步骤A所述的计算列车未来T分钟后列车的预计位置，具体为采用如下算式计算列车未来T分钟后列车的预计位置：
[0023]
[0024] 式中 为列车未来T分钟后列车的预计位置的经纬度信息；LOTC为列车当前的经度信息，LATC为列车当前的纬度信息，v为列车在过去若干时间内的分均速度信息，为列车剩余行驶路线的有向路径的经度单位向量， 为列车剩余行驶路线的有向路径的纬度单位向量。
[0025] 步骤C所述的计算若干个连续时刻的列车端的污染物数据信息与各个空气质量监测站的空气质量监测数据之间的互信息，具体为采用如下算式计算互信息：
[0026]
[0027] 式中 为200个连续时刻内的列车端的AQI序列， 为第i个空气质量监测站的AQI值；P(a,b)为随机变量 和 的联合概率分布函数，P(a)为 的边缘概率分布函数，P(b)为 的边缘概率分布函数， 为边缘熵， 为条件熵。
[0028] 步骤D所述的分析并选取T分钟后对列车端环境影响最大的若干个空气质量监测站，具体为采用如下步骤进行分析和选取：
[0029] a.采用如下算式计算各个空气质量监测对T分钟后列车端的空气质量的劣化程度[0030]
[0031] 式中 为归一化后的空气质量监测站i与T分钟后列车的相对距离；p为扩散因子； 为归一化后的空气质量监测站i与列车的互信息。
[0032] b.采用多目标多元
宇宙优化
算法对扩散因子的取值进行优化；
[0033] c.根据步骤a计算得到的劣化程度，选取劣化程度最大的若干个空气质量监测站作为最终的对列车端环境影响最大的空气质量监测站。
[0034] 步骤b所述的采用多目标多元宇宙
优化算法对扩散因子的取值进行优化，具体为采用如下步骤进行优化：
[0035] (1)建立单变量优化模型，优化变量为扩散因子p；
[0036] (2)算法初始化，设置算法参数；
[0037] (3)将所有宇宙群体按照
膨胀率排列并进行存档；
[0038] (4)从帕累托解集中筛选出最优宇宙，成为领导宇宙；
[0039] (5)开启黑-白洞隧道和
虫洞隧道，宇宙中的物体可自适应穿越隧道，直至获取更低的膨胀率；
[0040] (6)对搜索次数进行判定：
[0041] 若搜索次数达到设定的
阈值，则输出最优解用于确定扩散因子取值；
[0042] 否则，则搜索次数加1，并重复步骤(3)～步骤(6)直至搜索次数达到设定的阈值。
[0043] 步骤S4所述的建立多污染物浓度指标空间混合模型，具体为采用如下步骤建立模型：
[0044] 1)获取关联空气质量监测站的空气质量数据信息，以及列车的污染物数据信息；
[0045] 2)将步骤1)获取的数据划分为训练集和验证集；
[0046] 3)将关联空气质量监测站的空气质量数据信息作为预测器模型的输入，将Δt时刻后列车的污染物数据信息作为预测器模型的输出，对预测器模型进行训练，从而得到步长为Δt的关联空气质量监测站污染物浓度
预测模型；
[0047] 4)利用步骤3)得到的关联空气质量监测站污染物浓度预测模型，对关联空气质量监测站所处位置的空气质量进行若干步预测，得到关联空气质量监测站的空气质量预测集合；
[0048] 5)以关联空气质量监测站的空气质量数据信息和关联空气质量监测站对T分钟后列车端的空气质量的劣化程度的相乘结合项作为
深度信念网络模型的输入，以列车端的污染物数据信息作为深度信念网络模型的输出，训练并建立深度信念网络模型，从而得到多污染物浓度指标空间混合模型。
[0049] 步骤3)所述的得到步长为Δt的关联空气质量监测站污染物浓度预测模型，具体为采用GMDH预测器作为预测器模型，GMDH预测器采用Kolmogorov-Gabor多项式作为
支撑函数；GMDH预测器的拓扑结构为3层，第一层形成后，模型选择若干神经元作为下一层的输入；将每层的神经元数量限定在100内；并采用如下算式作为评价函数：
[0050]
[0051] 式中ni为GMDH预测器中第i层的神经元数量，MSE为预测模型在验证集上预测的均方误差。
[0052] 步骤S6所述的进行列车的空气环境预警，具体为采用如下规则进行预警：
[0053] 若未来若干时间内，列车途经地区的AQI预测值小于或等于100，则大气污染预测等级为0；不进行预警；
[0054] 若未来若干时间内，列车途经地区的AQI预测值存在大于100且均小于或等于200，则大气污染预测等级为1；进行1级预警；
[0055] 若未来若干时间内，列车途经地区的AQI预测值存在大于200，则大气污染预测等级为2；进行2级预警。
[0056] 本发明提供的这种车外大气污染环境下列车乘员健康预警系统及其方法，利用获取的空气质量监测站点的实时监测数据，并在列车车厢安装车载空气质量
数据采集模块，基于列车-站点距离和关联度的融合结果，计算各监测站对一定时段后列车端空气质量的劣化程度，选取对列车外部空气质量影响程度最大的监测站建立多污染物浓度指标空间混合模型，对车外大气污染物浓度进行短时预测，因此本发明能够对列车的空气环境和列车乘员的健康进行预警，而且本发明的可靠性高、准确性好。
附图说明
[0057] 图1为本发明系统的系统功能模块图。
[0058] 图2为本发明方法的方法流程示意图。
具体实施方式
[0059] 如图1所示为本发明系统的系统功能模块图：本发明提供的这种车外大气污染环境下列车乘员健康预警系统，包括空气质量监测站点数据获取模块、列车数据获取模块、列车大气污染预测模块和列车空气环境预警模块；空气质量监测站点数据获取模块的输出端和列车数据获取模块的输出端均连接列车大气污染预测模块的输入端；列车大气污染预测模块的输出端连接列车空气环境预警模块；空气质量监测站点数据获取模块用于获取空气质量监测站点的数据信息并上传列车大气污染预测模块；列车数据获取模块用于获取列车的数据信息并上传列车大气污染预测模块；列车大气污染预测模块用于根据上传的数据信息对列车的大气污染进行短时预测，并将预测结果上传列车空气环境预警模块；列车空气环境预警模块用于根据预测结果进行空气环境预警，从而对列车的空气环境及其列车乘员的健康进行预警。
[0060] 如图2所示为本发明方法的方法流程示意图：本发明还提供了一种所述车外大气污染环境下列车乘员健康预警系统的方法，包括如下步骤：
[0061] S1.获取各个空气质量监测站点的数据信息及其对应的空气质量监测数据；具体为获取各个空气质量监测站点的编号信息、经纬度信息以及对应的PM2.5浓度信息、PM10浓度信息、CO浓度信息、NO2浓度信息、SO2浓度信息、O3浓度信息和AQI信息；
[0062] 在具体实施时，采集N个空气质量监测站点在T个连续时刻的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度和AQI，可表示为同时，在存储时，需要加上空气质量监测站的编号和经纬度信息，因此可以将数据信息存储为 Code
为空气质量监测站的编号，LOTS和LATS为空气质量监测站的经纬度信息；各监测数据需与监测站编号和经纬度对应，记录每条监测数据的时间戳，相邻数据间隔为采集时间间隔数据，建议为1小时；
[0063] S2.获取列车所在位置的污染物数据信息和列车的位置信息；具体为列车所在位置的经纬度信息、PM2.5浓度信息、PM10浓度信息、CO浓度信息、NO2浓度信息、SO2浓度信息和O3浓度信息，以及列车在过去若干时间内的分均速度信息和列车剩余行驶路线的有向路径信息；
[0064] 在具体实施时，列车外部污染物相关指标包括T个连续时刻的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度，可表示为同时利用上述6种污染物浓度，可计算在各时刻的AQI指标；
采样间隔与现有空气质量监测站点保持一致，即在每个整点进行一次污染物浓度监测；同时还记录列车的T个连续时刻内的经纬度数据[LOTC,LATC]；此外，还需要记录列车在过去60分钟内的分均速度信息，以及列车剩余行驶路线的有向路径信息(包含列车任意时刻前进方向的经纬度单位向量列车任意时刻前进方向的经纬度单位向量 和 )；
[0065] S3.根据步骤S1和步骤S2获取的数据，进行列车-空气质量监测站点的耦合性分析，从而筛选出若干个关联空气质量监测站；具体为采用如下步骤进行耦合性分析并筛选关联空气质量监测站：
[0066] A.计算列车未来T分钟后列车的预计位置，T为正整数；具体为采用如下算式计算列车未来T分钟后列车的预计位置：
[0067]
[0068] 式中 为列车未来T分钟后列车的预计位置的经纬度信息；LOTC为列车当前的经度信息，LATC为列车当前的纬度信息，v为列车在过去若干时间内的分均速度信息，为列车剩余行驶路线的有向路径的经度单位向量， 为列车剩余行驶路线的有向路径的纬度单位向量；
[0069] B.计算未来T分钟后，列车与各个空气监测站点之间的距离；
[0070]
[0071] 式中 即为列车与空气质量监测站点m之间的相对距离；在计算完列车与所有N个空气质量监测站点的距离后，得到车-站实时距离指标集：
[0072] C.计算若干个连续时刻的列车端的污染物数据信息与各个空气质量监测站的空气质量监测数据之间的互信息，从而得到列车端与各个空气质量监测站支架的确定性关联度指标集合；具体为采用如下算式计算互信息：
[0073]
[0074] 式中 为200个连续时刻内的列车端的AQI序列， 为第i个空气质量监测站的AQI值；P(a,b)为随机变量 和 的联合概率分布函数，P(a)为 的边缘概率分布函数，P(b)为 的边缘概率分布函数， 为边缘熵， 为条件熵；
[0075] 同时，再对所有空气质量监测站进行关联分析后，得到所有空气质量监测站与列车端空气质量指标的互信息指标集合，可以表示为
[0076] D.根据列车与各个空气质量监测站之间的距离，分析并选取T分钟后对列车端环境影响最大的若干个关联空气质量监测站；具体为采用如下步骤进行分析和选取：
[0077] a.采用如下算式计算各个空气质量监测对T分钟后列车端的空气质量的劣化程度[0078]
[0079] 式中 为归一化后的空气质量监测站i与T分钟后列车的相对距离；p为扩散因子； 为归一化后的空气质量监测站i与列车的互信息。
[0080] b.采用多目标多元宇宙优化算法对扩散因子的取值进行优化；具体为采用如下步骤进行优化：
[0081] (1)建立单变量优化模型，优化变量为扩散因子p；
[0082] 在具体实施时，对于多元宇宙群体中的每个个体，需要计算适应度以衡量优化效果的优劣；为确保劣化程度指标的有效性，将最大化所有监测站点的劣化程度结合和最小化劣化程度差异性作为评价每个宇宙的搜索方向，相应的适应度函数如下：
[0083]
[0084] (2)算法初始化，设置算法参数；
[0085] 在具体实施时，设定多元宇宙位置的取值范围为[0,1]，群体数量设置为200，
迭代次数阈值设置为100，帕累托解的存档阈值为100。随机初始化200个多元宇宙作为初始扩散因子，计算各个宇宙的膨胀率(适应度)；
[0086] (3)将所有宇宙群体按照膨胀率排列并进行存档；
[0087] 判断解集支配性，存储支配解和具有最低膨胀率的宇宙，将存档数量记为Ar。若Ar大于帕累托解的存档阈值，则舍弃膨胀率较高的解；
[0088] (4)(利用轮盘赌方法)从帕累托解集中筛选出最优宇宙，成为领导宇宙；
[0089] (5)开启黑-白洞隧道和虫洞隧道，宇宙中的物体可自适应穿越隧道，直至获取更低的膨胀率；
[0090] (6)对搜索次数进行判定：
[0091] 若搜索次数达到设定的阈值，则输出最优解用于确定扩散因子取值；
[0092] 否则，则搜索次数加1，并重复步骤(3)～步骤(6)直至搜索次数达到设定的阈值；
[0093] 根据所得最优扩散因子，对所有监测站进行距离-关联度融合，可得所有监测站对列车端空气质量的劣化程度集合
[0094] c.根据步骤a计算得到的劣化程度，选取劣化程度最大的若干个空气质量监测站作为最终的对列车端环境影响最大的空气质量监测站；
[0095] 在具体实施时，将劣化程度最大的5个监测站点记为ε1,ε2,ε3,ε4,ε5，这些站点与T个时刻后的列车所在位置相近，并且对T个时刻后列车外部空气质量的影响程度最大，可认为是列车外部大气环境的空间相关数据集；
[0096] S4.根据步骤S3筛选出的若干个关联空气质量监测站，建立多污染物浓度指标空间混合模型；具体为采用如下步骤建立模型：
[0097] 1)获取关联空气质量监测站的空气质量数据信息，以及列车的污染物数据信息；
[0098] 基于A4中的对列车端空气质量的劣化程度最大的5个空气质量监测站点ε1,ε2,ε3,ε4,ε5，记录其监测站编号Code1,Code2,Code3,Code4,Code5；将编号与
大数据存储平台中的实时监测记录对齐，读取上述5个空气质量监测站点在200个连续时刻内的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度和O3浓度和AQI指标集合，并记录为并读取列车
端的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度和AQI指标集合g200＝[CPM2.5,CPM10,CCO,CNO2,CSO2,CO3,AQI]200；
[0099] 2)将步骤1)获取的数据划分为训练集和验证集；
[0100] 在具体实施时，模型数据来自车载空气质量数据采集模块和5个空间相关监测站，每个监测点的数据集包含历史200个连续时刻的7项指标，可记为；R(C,ε1,ε2,ε3,ε4,ε5,7,200)；将前160个时刻的数据作为训练集，后40个时刻的数据作为验证集；
[0101] 3)将关联空气质量监测站的空气质量数据信息作为预测器模型的输入，将Δt时刻后列车的污染物数据信息作为预测器模型的输出，对预测器模型进行训练，从而得到步长为Δt的关联空气质量监测站污染物浓度预测模型；具体为采用GMDH预测器作为预测器模型，GMDH预测器采用Kolmogorov-Gabor多项式作为支撑函数；GMDH预测器的拓扑结构为3层，第一层形成后，模型选择若干神经元作为下一层的输入；将每层的神经元数量限定在100内；并采用如下算式作为评价函数：
[0102]
[0103] 式中ni为GMDH预测器中第i层的神经元数量，MSE为预测模型在验证集上预测的均方误差；
[0104] 在具体实施时，将数据集中5个空间相关监测站在前160个时刻内的7*5维污染物指标向量作为GMDH预测器的输入，相应地，样本中前述160个时刻经过Δt后的PM2.5、PM10、CO、NO2、SO2、O3、AQI序列作为预测器的输出，得到步长为Δt的监测站污染物浓度预测模型；GMDH预测器采用Kolmogorov-Gabor多项式作为支撑函数，自适应地增加模型复杂度并求解输入输出之间的关系；本
申请设置拓扑结构为3层的GMDH预测器，第一层形成后，模型选择若干神经元作为下一层的输入；该过程循环执行，以得到复杂度最优的模型；为限定模型的训练时间，将每层的神经元数量限定在100内。为实现模型复杂度和
精度之间的平衡，将GMDH的层均神经元个数和在验证集上预测均方误差(MSE)的加权结合作为模型的评价函数，如下：
[0105]
[0106] 式中ni为GMDH预测器中第i层的神经元数量，MSE为预测模型在验证集上预测的均方误差；f(t)为预测器在验证集上的预测结果，Y(t)为实际验证集数据；
[0107] 4)利用步骤3)得到的关联空气质量监测站污染物浓度预测模型，对关联空气质量监测站所处位置的空气质量进行若干步预测，得到关联空气质量监测站的空气质量预测集合；
[0108] 在具体实施时，选取评价值最低的模型作为最终的监测站大气污染物预测模型，该模型具有较好的预测性能和较低的模型复杂度。基于该监测站大气污染物预测模型，对ε1,ε2,ε3,ε4,ε5这5个监测站所处位置的大气污染物指标进行时间步长为15分钟、30分钟、
45分钟、60分钟的多步预测，得到监测站的污染物浓度预测集合：
[0109]
[0110] 5)以关联空气质量监测站的空气质量数据信息和关联空气质量监测站对T分钟后列车端的空气质量的劣化程度的相乘结合项作为深度信念网络模型的输入，以列车端的污染物数据信息作为深度信念网络模型的输出，训练并建立深度信念网络模型，从而得到多污染物浓度指标空间混合模型；
[0111] 在具体实施时，对于各监测站的污染物监测结果，构建深度信念网络以取得高精度的空间混合模型；采用三层堆叠式的深度信念网络，将隐含层
节点数分别设置为50、100和50；将空间相关监测站的污染物指标与监测站对车外污染物的劣化程度的相乘结合项设置为深度信念网络模型的输入
[0112]
[0113] 模型训练输出为数据集中200个连续时刻内车外空气质量监测数据的7维指标集合R(C；7；200)，从而得到训练完备的深度信念网络，对车外大气污染物与空间相关监测站的非线性映射关系进行学习。将模型的输入-输出关系记为
[0114]
[0115] S5.采用步骤S4建立的多污染物浓度指标空间混合模型，对列车所在位置的大气污染物浓度进行短时预测；
[0116] 在具体实施时，通过训练完成的多污染物浓度指标空间混合模型进行车外大气污染物浓度短时预测，以监测站大气污染物指标预测结果与相应时刻的劣化程度结合作为多污染物浓度指标空间混合模型的输入：
[0117]
[0118] 输入模型进行计算，得到车外大气污染物浓度的短时预测结果：
[0119]
[0120] R(C；7；T)为15分钟、30分钟、45分钟、60分钟后的7维指标集合，包含车外PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度和AQI预测结果；
[0121] S6.根据步骤S5得到的短时预测结果，进行列车的空气环境预警；具体为采用如下规则进行预警：
[0122] 若未来若干时间内，列车途经地区的AQI预测值小于或等于100，则大气污染预测等级为0；表明车外空气质量仍可接受，不采取处理措施，继续空气质量监控及预测；不进行预警；
[0123] 若未来若干时间内，列车途经地区的AQI预测值存在大于100且均小于或等于200，则大气污染预测等级为1；进行1级预警；可以提醒列车乘员中的易感人群注意车内空气质量污染，并播报距离列车下次
开关门事件的剩余时间，可提前带上口罩避免刺激症状；
[0124] 若未来若干时间内，列车途经地区的AQI预测值存在大于200，则大气污染预测等级为2；进行2级预警：可以提醒所有列车乘员注意车内空气质量污染，并播报距离列车下次开关门事件的剩余时间，可提前带上口罩以避免产生不适症状。
[0125] 同时，在完成一次预警后，各监测站持续对空气质量指标进行检测并上传至控制端；特别地，由于列车行进、空气污染物的扩散影响和极端天气情况的发生，所述模型均需要定期进行重新训练以确保预警准确性。重新训练的时间间隔与空气质量数据的采集和更新的时间间隔相同，建议设定为1小时。
[0126] 本发明具有如下优点：
[0127] 本发明采用增量式
网络爬虫爬取中国环境监测总站的实时更新监测数据；将爬取周期设置为全国城市空气质量实时发布平台内同一个url两次更新之间的时间差，对每个整点发布的全国大气污染物指标进行解析；根据监测站空间分布掌握列车前方行驶区域的周边监测站污染物指标，该方法充分利用现有的城市污染物监测数据，对铁路行车大气污染状况预警有着指导作用；
[0128] 对列车现处位置进行实时
定位，获取经纬度信息；结合车速和列车行驶路线计算一定时段后列车的预计位置，采用扩散因子将列车-监测站的距离和历史序列关联度进行融合分析，并将融合结果定义为劣化程度指标，筛选对一定时段后列车外部空气质量劣化程度最大的监测站，为提供列车外部大气环境分析提供空间相关数据集。
[0129] 根据筛选所得的空间相关数据集，建立监测站大气污染物预测模型对不同时间步长后的PM2.5、PM10、CO、NO2、SO2、O3、AQI进行预测；利用
深度神经网络对多个铁路沿线空气质量监测站点的污染物浓度指标进行空间混合模型，有效获取一定时段后的列车所处位置的车外大气污染状况；
[0130] 结合车外大气空气质量指数短期预测结果和列车地理位置信息，对列车乘员健康采取分级预警措施，针对列车内易感人群和健康人群提供不同的预警信息。
