本发明涉及空气质量检测技术领域，特别是指一种便携式空气质量监测仪数据校准方法。
背景技术：
目前，对空气质量的监测通常是通过对“两尘四气”(pm2.5、pm10、co、no2、so2、o3)浓度的监测来实现的。一般地，在一个城市会选择若干个监测点作为国家监测控制站点，每隔一定的时间发布一次相关的监测数据，这些数据能较为准确地反映监测点周边的空气质量状况，但是，由于国控点的布控较少、数据发布时间滞后、花费较大等原因，无法实时给出空气质量的监测和预报。
便携式微型空气质量监测仪，可以对某一地区空气质量进行实时网格化监控，并且能同时监测温度、湿度、风速、气压、降水等气象参数。但是，由于这种监测仪会因为自身技术原因产生一定的零点漂移和量程漂移，非常规气态污染物和天气因素也都会对传感器产生影响，这就会使得在同一时间微型空气质量监测仪所监测的数据与该国控点的数据产生一定的差异。
技术实现要素：
有鉴于此，本发明的目的在于提出一种便携式空气质量监测仪数据校准方法，对便携式空气质量监测仪测得的监测数据进行校准。
基于上述目的，本发明提供的一种便携式空气质量监测仪数据校准方法，本方法包括：
将国控点的pm2.5、pm10、co、no2、so2、o3的监测数据和自建点的温度、湿度、风速、气压、降水的监测数据作为自变量，将自建点的pm2.5、pm10、co、no2、so2、o3的监测数据校准值作为因变量；
根据自变量监测数据发布的时间点，构造自变量监测数据矩阵；
将自变量监测数据矩阵中的各原始自变量的指标值转化为标准化指标值；
计算出6个因变量及11个自变量的相关系数矩阵；
分别提出自变量组和因变量组的成分；
取p对主成分求得自变量组和因变量组与提出的国控点的6个自变量组的成分之间的回归方程，其中p个主成分解释自变量的比率达90％以上；
将提出的自变量组成分带入自变量组和因变量组与提出的国控点的6个自变量组的成分之间的回归方程，得到标准化指标变量之间的回归方程；
将标准化指标变量分别还原成原始变量，得到校准回归方程；
将自变量监测数据输入校准回归方程，得到校准后的自变量监测数据。
优选地，将国控点的pm2.5、pm10、co、no2、so2、o3的监测数据和自建点的温度、湿度、风速、气压、降水的监测数据作为自变量，将自建点的pm2.5、pm10、co、no2、so2、o3的监测数据校准值作为因变量，包括：
用x1，x2，...，x6分别表示国控点的pm2.5、pm10、co、no2、so2、o3的监测数据；
用x7，x8，...，x11分别表示自建点的温度、湿度、风速、气压、降水气象指标的监测数据；
用zj，j＝1，2,，...，6分别表示自建点pm2.5、pm10、co、no2、so2、o3的监测数据的校准值；
其中x1，x2，...，x11均为自变量，zj，j＝1，2,，...，6均为因变量。
优选地，根据自变量监测数据发布的时间点，构造自变量监测数据矩阵，包括：
用i1，i2，...，im分别表示自变量监测数据发布的第1个、第2个、…、第m个时间点，第i个时间点x1，x2，…，x11的自变量监测数据指标值分别记作[ai1,ai2,…,ai,11]，构造监测数据矩阵a＝(aij)m×11。
优选地，将自变量监测数据矩阵中的各原始自变量的指标值转化为标准化指标值，包括：
将自变量的指标值aij转化为标准化指标值
其中，
称
类似地，将因变量的指标值bij转化为标准化指标值
其中，
优选地，计算出6个因变量及11个自变量的相关系数矩阵为：
利用matlab软件，计算出6个因变量加11个自变量的相关系数矩阵r17×17。
优选地，分别提出自变量组和因变量组的成分，包括：
利用matlab软件，求得各对成分分别为：
其中，s和t均为相关系数矩阵中的系数。
优选地，取p对主成分求得自变量组和因变量组与提出的国控点的6个自变量组的成分之间的回归方程，其中p个主成分解释自变量的比率达90％以上，包括
取p对主成分求得自变量组和因变量组与u1,u2,…,u6之间的回归方程
其中p个主成分解释自变量的比率达90％以上，m和u均为相关系数矩阵中的系数。。
优选地，将提出的自变量组成分带入自变量组和因变量组与提出的国控点的6个自变量组的成分之间的回归方程，得到标准化指标变量之间的回归方程，包括：
将提出的自变量组成分带入ui自变量组和因变量组与提出的国控点的6个自变量组的成分之间的回归方程z～i，得到标准化指标变量之间的回归方程
z1＝k1 q11x1 q12x2 … q1,11x11
z2＝k2 q21x1 q22x2 … q2,11x11
z6＝k6 q61x1 q62x2 … q6,11x11
其中，ki(i＝1,2,…6)为回归方程的常数项，qij(i＝1,2,…6；j＝1,2,…11)为回归系数。
从上面所述可以看出，本发明提供的便携式空气质量监测仪数据校准方法，通过设置自变量和因变量，构造自变量监测数据矩阵，将自变量监测数据矩阵中的各原始自变量的指标值转化为标准化指标值，计算出6个因变量和11个自变量的相关系数矩阵，分别提出自变量组和因变量组的成分，求得自变量组和因变量组与提出的国控点的6个自变量组的成分之间的回归方程，将提出的自变量组成分带入自变量组和因变量组与提出的国控点的6个自变量组的成分之间的回归方程，得到标准化指标变量之间的回归方程和将标准化指标变量分别还原成原始变量，得到校准回归方程，将自变量监测数据输入所述校准回归方程，即可得到校准后的自变量监测数据，可以对便携式空气质量监测仪的监测数据进行有效地校准，提高监测数据的精度，且只需要把监测数据通过usb接口导入电脑的程序，即可得到校准后的数据信息，简单易操作，本方法使用的偏最小二乘回归分析集中了主成分分析、典型相关性分析和线性回归分析法在处理多元回归分析中的优势，对解决空气质量监测数据校准问题有较强的针对性和技术优势。
附图说明
图1为本发明实施例的便携式空气质量监测仪数据校准方法流程示意图；
图2为本发明实施例的校准后的数据预测图；
图3为本发明实施例的数据校准前后总体相对误差比较图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
一种便携式空气质量监测仪数据校准方法，包括以下步骤：
s101将国控点，即国家监测控制站点的pm2.5、pm10、co、no2、so2、o3(“两尘四气”，统称为空气质量指标)的监测数据和自建点的温度、湿度、风速、气压、降水(统称为气象指标)的监测数据作为自变量，将自建点的pm2.5、pm10、co、no2、so2、o3的监测数据校准值作为因变量；
s102根据自变量监测数据发布的时间点，构造自变量监测数据矩阵；
举例来说，发布时间点可为每次间隔1小时。
s103将自变量监测数据矩阵中的各原始自变量的指标值转化为标准化指标值；
s104计算出6个因变量及11个自变量的相关系数矩阵；
s105分别提出自变量组和因变量组的成分；
s106取p对主成分求得自变量组和因变量组与提出的国控点的6个自变量组的成分之间的回归方程，其中p个主成分解释自变量的比率达90％以上；
s107将提出的自变量组成分带入自变量组和因变量组与提出的国控点的6个自变量组的成分之间的回归方程，得到标准化指标变量之间的回归方程；
s108将标准化指标变量分别还原成原始变量，得到校准回归方程；
s109将自变量监测数据输入所述校准回归方程，得到校准后的自变量监测数据。
偏最小二乘回归模型提供了一种多变量线性回归建模的方法，特别是当变量的个数较多，并且相互交叉影响存在多重相关性时，这种回归模型集中了主成分分析、典型相关性分析和线性回归分析法在处理多元回归分析中的优势。
目前，这种回归模型主要用于多元线性回归分析问题，如：闫恒乾，洪梅，张韧等在“基于偏最小二乘回归的冬季北太平洋风暴轴指数的特征诊断”一文中研究了气象指数特征判断(气象科学，2018，第5期)；兰健在“基于偏最小二乘回归的全国大中城市房产价格影响因素分析”中研究了城市房地产价格影响的因素(云南大学，硕士论文，2018.5)；李江峰在“偏最小二乘回归在水汽和地面气温多模式集成预报中的应用研究”一文中研究了水汽与地面气温之间的关系(南京信息工程大学，硕士论文，2018.5)。
目前，一方面，偏最小二乘回归分析的应用研究多表现为探索两个变量之间的线性回归方程，对于多变量之间的回归分析涉及不多；另一方面，现有的研究尚未涉及到数据的校准问题，尤其是空气质量监测数据的校准领域。所以，当前市场上的便携式空气质量监测仪都没有相应的校准系统，导致监测数据的精度不高。
本方法通过设置自变量和因变量，构造自变量监测数据矩阵，将自变量监测数据矩阵中的各原始自变量的指标值转化为标准化指标值，计算出6个因变量和11个自变量的相关系数矩阵，分别提出自变量组和因变量组的成分，求得自变量组和因变量组与提出的国控点的6个自变量组的成分之间的回归方程，将提出的自变量组成分带入自变量组和因变量组与提出的国控点的6个自变量组的成分之间的回归方程，得到标准化指标变量之间的回归方程和将标准化指标变量分别还原成原始变量，得到校准回归方程，将自变量监测数据输入所述校准回归方程，即可得到校准后的自变量监测数据，可以对便携式空气质量监测仪的监测数据进行有效地校准，提高监测数据的精度，且只需要把监测数据通过usb接口导入电脑的程序，即可得到校准后的数据信息，简单易操作，本方法使用的偏最小二乘回归分析集中了主成分分析、典型相关性分析和线性回归分析法在处理多元回归分析中的优势，对解决空气质量监测数据校准问题有较强的针对性和技术优势。
作为一种实施方式，将国控点的pm2.5、pm10、co、no2、so2、o3的监测数据和自建点的温度、湿度、风速、气压、降水的监测数据作为自变量，将自建点的pm2.5、pm10、co、no2、so2、o3的监测数据校准值作为因变量，包括：
用x1，x2，…，x6分别表示国控点的pm2.5、pm10、co、no2、so2、o3的监测数据；
用x7，x8，…，x11分别表示自建点的温度、湿度、风速、气压、降水气象指标的监测数据；
用zj，j＝1，2,，…，6分别表示自建点pm2.5、pm10、co、no2、so2、o3的监测数据的校准值；
其中x1，x2，…，x11均为自变量，zj，j＝1，2,，...，6均为因变量。
作为一种实施方式，根据自变量监测数据发布的时间点，构造自变量监测数据矩阵，包括：
用i1，i2，…，im分别表示自变量监测数据发布的第1个、第2个、…、第m个时间点，第i个时间点x1，x2，…，x11的自变量监测数据指标值分别记作[ai1,ai2,…,ai,11]，构造监测数据矩阵a＝(aij)m×11。
作为一种实施方式，将自变量监测数据矩阵中的各原始自变量的指标值转化为标准化指标值，包括：
将自变量的指标值aij转化为标准化指标值
其中，
称
类似地，将因变量的指标值bij转化为标准化指标值
其中，
作为一种实施方式，计算出6个因变量和11个自变量的相关系数矩阵为：
利用matlab软件，计算出6个因变量加11个自变量的相关系数矩阵r17×17。
作为一种实施方式，分别提出自变量组和因变量组的成分，包括：
利用matlab软件，求得各对成分分别为：
作为一种实施方式，取p对成分求得自变量组和因变量组与提出的国控点的6个自变量组的成分之间的回归方程，其中p个主成分解释自变量的比率达90％以上，包括
取p对成分求得自变量组和因变量组与u1,u2,…,u6之间的回归方程
其中p个主成分解释自变量的比率达90％以上。
作为一种实施方式，将提出的自变量组成分带入自变量组和因变量组与提出的国控点的6个自变量组的成分之间的回归方程，得到标准化指标变量之间的回归方程，包括：
将提出的自变量组成分带入ui自变量组和因变量组与提出的国控点的6个自变量组的成分之间的回归方程
z1＝k1 q11x1 q12x2 … q1,11x11
z2＝k2 q21x1 q22x2 … q2,11x11
z6＝k6 q61x1 q62x2 … q6,11x11.
在一种实施例中，利用一组真实的数据(2019年全国大学生数学建模竞赛d题提供的数据)，对本专利所建立的模型进行了仿真检验。
按照上面的步骤，得到自建点自建点的6个空气质量指标变量与国控点的六个空气质量指标变量和五个气象指标变量之间的回归方程为：
z1＝11.0643 0.5024x1 0.1798x2-0.3086x3 0.1574x4 0.0830x5-0.1276x6
-0.3588x7 0.0020x8-0.0604x9 0.5365x10-0.2250x11
z2＝25.0139 0.6168x1 0.2175x2-0.6121x3 0.4136x4 0.5658x5-0.1466x6
-0.7187x7 0.0166x8-0.0842x9 0.7637x10-0.7495x11
z3＝0.5533 0.0055x1 0.0017x2-0.0011x3 0.0039x4-0.0027x5-0.0014x6
-0.0013x7-0.0002x8 0.0000x9 0.0089x10-0.0007x11
z4＝58.2450 0.1575x1-0.0081x2-0.4490x3 0.4167x4 0.3767x5-0.5143x6
-0.3375x7 0.0047x8-0.0134x9 0.1991x10-0.5401x11
z5＝-27.1380 0.0129x1 0.0544x2 0.1496x3 0.0317x4 0.0834x5 0.3595x6
0.0154x7 0.0054x8 0.0190x9-0.1371x10 0.1158x11
z6＝109.2272-0.0342x1-0.0876x2-0.5821x3-0.2559x4-0.7096x5-0.0110x6
-0.4376x7 0.0009x8-0.0235x9 1.5778x10-0.4377x11
为了检验模型6个回归方程的精度，以
可以看出，从校准数据的拟合预测图来看，pm2.5、pm10拟合效果是比较理想的，co、no2、o3的拟合的效果也不错，只有so2一个指标拟合的效果不够理想。
把自建点的11项指标数据(包括6项空气质量指标与5项气象指标)代入上面的回归方程，即可得到校准后的数据，为了直观地量化评价模型的精度，把校准后的数据与国控点的数据再作总体的相对误差分析，并将校准前后的总体相对误差绘制成直方图，如图3所示，可以看出，6项指标中出so2外其余指标校准后的数据总体相对误差均有明显的下降，由此表明所建立的回归方程可以很好地对自建点的数据进行有效地校准。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种便携式空气质量监测仪数据校准方法，其特征在于，所述方法包括：
将国控点的pm2.5、pm10、co、no2、so2、o3的监测数据和自建点的温度、湿度、风速、气压、降水的监测数据作为自变量，将自建点的pm2.5、pm10、co、no2、so2、o3的监测数据校准值作为因变量；
根据自变量监测数据发布的时间点，构造自变量监测数据矩阵；
将自变量监测数据矩阵中的各原始自变量的指标值转化为标准化指标值；
计算出6个因变量和11个自变量的相关系数矩阵；
分别提出自变量组和因变量组的成分；
取p对成分求得自变量组和因变量组与提出的国控点的6个自变量组的成分之间的回归方程，其中p个主成分解释自变量的比率达90％以上；
将提出的自变量组成分带入自变量组和因变量组与提出的国控点的6个自变量组的成分之间的回归方程，得到标准化指标变量之间的回归方程；
将标准化指标变量分别还原成原始变量，得到校准回归方程；
将自变量监测数据输入所述校准回归方程，得到校准后的自变量监测数据。
2.根据权利要求1所述的便携式空气质量监测仪数据校准方法，其特征在于，所述将国控点的pm2.5、pm10、co、no2、so2、o3的监测数据和自建点的温度、湿度、风速、气压、降水的监测数据作为自变量，将自建点的pm2.5、pm10、co、no2、so2、o3的监测数据校准值作为因变量，包括：
用x1，x2，…，x6分别表示国控点的pm2.5、pm10、co、no2、so2、o3的监测数据；
用x7，x8，…，x11分别表示自建点的温度、湿度、风速、气压、降水气象指标的监测数据；
用zj，j＝1，2,，…，6分别表示自建点pm2.5、pm10、co、no2、so2、o3的监测数据的校准值；
其中x1，x2，…，x11均为自变量，zj，j＝1，2,，…，6均为因变量。
3.根据权利要求2所述的便携式空气质量监测仪数据校准方法，其特征在于，所述根据自变量监测数据发布的时间点，构造自变量监测数据矩阵，包括：
用i1，i2，…，im分别表示自变量监测数据发布的第1个、第2个、…、第m个时间点，第i个时间点x1，x2，…，x11的自变量监测数据指标值分别记作[ai1,ai2,…,ai,11]，构造监测数据矩阵a＝(aij)m×11。
4.根据权利要求3所述的便携式空气质量监测仪数据校准方法，其特征在于，所述将自变量监测数据矩阵中的各原始自变量的指标值转化为标准化指标值，包括：
将自变量的指标值aij转化为标准化指标值
其中，
类似地，将因变量的指标值bij转化为标准化指标值
其中，
5.根据权利要求4所述的便携式空气质量监测仪数据校准方法，其特征在于，所述计算出6个因变量及11个自变量的相关系数矩阵为：
利用matlab软件，计算出6个因变量加11个自变量的相关系数矩阵r17×17。
6.根据权利要求5所述的便携式空气质量监测仪数据校准方法，其特征在于，所述分别提出自变量组和因变量组的成分，包括：
利用matlab软件，求得各对成分分别为：
其中，s和t均为相关系数矩阵中的系数，u表示自变量组的提出成分，v表示因变量组的提出成分。
7.根据权利要求6所述的便携式空气质量监测仪数据校准方法，其特征在于，所述取p对成分求得自变量组和因变量组与提出的国控点的6个自变量组的成分之间的回归方程，其中p个主成分解释自变量的比率达90％以上，包括
取p对成分求得自变量组和因变量组与u1,u2,…,u6之间的回归方程
其中p个主成分解释自变量的比率达90％以上，m和n均为相关系数矩阵中的系数。
8.根据权利要求7所述的便携式空气质量监测仪数据校准方法，其特征在于，所述将提出的自变量组成分带入自变量组和因变量组与提出的国控点的6个自变量组的成分之间的回归方程，得到标准化指标变量之间的回归方程，包括：
将提出的自变量组成分带入ui自变量组和因变量组与提出的国控点的6个自变量组的成分之间的回归方程
z1＝k1 q11x1 q12x2 … q1,11x11
z2＝k2 q21x1 q22x2 … q2,11x11
z6＝k6 q61x1 q62x2 … q6,11x11
其中，ki(i＝1,2,…6)为回归方程的常数项，qij(i＝1,2,…6；j＝1,2,…11)为回归系数，ki和qij均通过matlab软件计算得到。
技术总结