CN108364087A - 一种城市机动车尾气浓度的时空预测方法 - Google Patents

一种城市机动车尾气浓度的时空预测方法 Download PDF

Info

Publication number
CN108364087A
CN108364087A CN201810027473.9A CN201810027473A CN108364087A CN 108364087 A CN108364087 A CN 108364087A CN 201810027473 A CN201810027473 A CN 201810027473A CN 108364087 A CN108364087 A CN 108364087A
Authority
CN
China
Prior art keywords
encoder
decoder
data
gas concentration
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810027473.9A
Other languages
English (en)
Inventor
杨钰潇
李泽瑞
杜晓冬
吕文君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Youth Tiancheng Technology Co Ltd
Original Assignee
Anhui Youth Tiancheng Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui Youth Tiancheng Technology Co Ltd filed Critical Anhui Youth Tiancheng Technology Co Ltd
Priority to CN201810027473.9A priority Critical patent/CN108364087A/zh
Publication of CN108364087A publication Critical patent/CN108364087A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种城市机动车尾气浓度的时空预测方法，首先收集目标城市一年时间内机动车尾气浓度的时空数据，并对其进行预处理，然后构造基于Encoder‑Decoder的LSTM神经网络模型的训练、验证、测试数据集，之后将训练数据集送入模型中训练，得到预训练的模型参数，再通过验证数据集和测试数据集，对预训练所得的模型参数进行微调，进一步修正模型，提高模型精度，该修正后的模型即为城市机动车尾气浓度的时空预测模型，将预处理后的目标城市较长时间内的空气污染物浓度数据作为模型的输入数据，便可以由模型的输出得到未来某一时刻城市某一区域的机动车尾气浓度，实现尾气浓度的时空预测。

Description

一种城市机动车尾气浓度的时空预测方法
技术领域
本发明属于环境监测技术领域,涉及一种机动车尾气浓度预测方法，具体是一种城市机动车尾气浓度的时空预测方法。
背景技术
随着社会发展和城市进步，近年来，城市区域中机动车数量持续增加，诸多社会问题随之产生，如城市交通拥堵现象严重、交通事故增多、机动车尾气污染、酒驾等。在北京、上海、广州等大城市，机动车已成为排放一氧化碳、氮氧化物、碳氢化合物等污染物的第一大污染源。由于汽车废气的排放主要在0.3米至2米之间，正好是人体的呼吸范围，对人体的健康损害非常严重——刺激呼吸道，使呼吸系统的免疫力下降，导致暴露人群慢性气管炎、支气管炎及呼吸困难的发病率升高、肺功能下降等一系列症状。尾气中所含的强致癌物质——苯类物质，会引发肺癌、甲状腺癌等。
为了改善这些机动车尾气产生的社会问题，及时准确地了解城市道路中机动车尾气的排放情况，建立适用于城市区域机动车尾气浓度预测模型，可以实现对城市路网各路段尾气排放的实时预测和趋势估计，为制定城市移动源大气污染物排放的监管提供决策依据。当某区域的有害气体成分浓度达到一定污染值时，平台可以向政府决策部门发出限号、分流、限行等建议，从而可减少由于在路机动车引起的空气污染。
由于机动车尾气排放具有高度非线性，污染物浓度受周围环境多个要素的影响，包括气象条件、空气环境、地理环境、道路状况、交通流因素等，现有技术只能从时间或空间的单一维度进行污染物浓度预测预测，
发明内容
本发明针对现有技术的不足，提出了一种城市机动车尾气浓度的时空预测方法，基于Encoder-Decoder的LSTM神经网络模型，用各时刻的城市机动车尾气浓度分布图来训练该模型，进而通过训练好的模型进行城市机动车尾气浓度的时空预测。
本发明的目的可以通过以下技术方案实现：
一种城市机动车尾气浓度的时空预测方法，具体包括以下步骤：
步骤S1，采集目标城市一定时间内的机动车尾气浓度的时空数据；
步骤S2，对步骤S1所采集的数据进行数据预处理；
步骤S3，构造基于Encoder-Decoder的LSTM神经网络模型；
步骤S4，根据步骤S2预处理后的数据和步骤S3中构造的基于Encoder-Decoder的LSTM神经网络模型，构造基于Encoder-Decoder的LSTM神经网络的训练数据集、验证数据集和测试数据集；
步骤S5，将步骤S4中的训练数据集送入步骤S3中构造的基于Encoder-Decoder的LSTM神经网络模型中，进行预训练，然后采用步骤S4中的验证数据集和测试数据集对预训练所得的模型参数进行调整，逐步提高预测精度；
步骤S6，将经过步骤S5中预训练、验证、测试后的基于Encoder-Decoder的LSTM神经网络模型作为城市机动车尾气浓度的预测模型，把预处理后的目标城市预定时间内的机动车尾气时空数据输入该模型，最终可得到未来某一时刻该城市或其某一区域的机动车尾气排放预报结果。
进一步地，所述步骤S1中目标城市机动车尾气浓度的时空数据的采集方法具体包括：
步骤S11，将目标城市区域从地理上均分为100×100的栅格；
步骤S12，分别采集各个栅格每5分钟的机动车尾气时空数据，每个栅格采集一年内的数据量，共计12×24×365＝105124条数据，每条数据为一个二维数组，相当于一帧图像。
进一步地，所述步骤S2中的数据预处理具体包括两个方面：
A、缺失值填补：对于部分缺失的数据，采用缺失数据栅格区域的前m个与后m个尾气排放数据取平均值的方法进行填补；
B、归一化处理：以各栅格为单位，对该区域一年的全部数据按下式进行归一化处理：
其中，是第i个栅格归一化后的数据，x(i)是第i个栅格归一化之前的原始数据，和分别是第i个栅格所有数据中的最大值和最小值。
进一步地，所述步骤S3中的基于Encoder-Decoder的LSTM神经网络模型包括Encoder编码器、LSTM核心预测层、Decoder解码器和skip-layer跨层结构。
进一步地，所述编码器Encoder包含三组卷积-池化层，第一个卷积层含有16个大小为5×5的卷积核，第二个卷积层含有40个3×3的卷积核，第三个卷积层含有20个3×3的卷积核，三个卷积层后各跟有一个感受野为2×2大小的最大池化层；
所述解码器Decoder包含三个卷积层，第一个卷积层含有20个3×3的卷积核，且与Encoder编码器的第三个卷积层的卷积核相同，第二个卷积层含有40个3×3的卷积核，且与Encoder编码器的第二个卷积层的卷积核相同，第三个卷积层含有16个大小为5×5的卷积核，且与Encoder编码器的第一个卷积层的卷积核相同；
编码器Encoder的三个卷积层和解码器Decoder的前两个卷积层均采用线性修正单元ReLU作为激活函数，其表达式为f(x)＝max(0,x)，其中x是输入的数据；解码器Decoder的最后一个卷积层使用Tanh作为激活函数，其表达式为其中x是输入的数据；
编码器Encoder的三组卷积-池化层均连接一个全连接层，输出的一维数据长度为20。
进一步地，所述编码器Encoder与解码器Decoder对应卷积层间直接连接的通道为skip-layer跨层结构，即编码器Encoder第一个卷积层与解码器Decoder第三个卷积层相连，编码器Encoder第二个卷积层与解码器Decoder第二个卷积层相连，编码器Encoder第三个卷积层与解码器Decoder第一个卷积层相连；
所述编码器Encoder三个卷积层的输出分别汇入解码器Decoder对应三个卷积层的输入。
进一步地，所述LSTM核心预测层包含一层由长短时记忆单元组成的网络，输出预测的一维数据。
进一步地，所述步骤S5具体为将数据预处理后的城市机动车尾气时空数据分为训练数据集、验证数据集和测试数据集，三部分数据所占比例依次为70％、10％和20％，分别用于基于Encoder-Decoder的LSTM神经网络模型的训练、验证和测试。
进一步地，所述步骤S5中，采用训练数据集数据，对卷积神经网络构成的Encoder-Decoder和LSTM网络进行预训练；
验证数据集在预训练的过程中每迭代1000次进行一次验证，最终比较test loss和train loss，当test loss不再降低时，终止预训练，基于Encoder-Decoder的LSTM神经网络模型训练完成；
测试数据集在基于Encoder-Decoder的LSTM神经网络模型训练完成后进行输入，依据历史数据预测得到的未来某一时刻的城市某区域机动车尾气浓度数据，查看该值与期望值的差距，进而对基于Encoder-Decoder的LSTM神经网络模型中的参数进行调整，逐步提高预测精度。
本发明的有益效果：本发明提供一种基于Encoder-Decoder的LSTM神经网络的城市机动车尾气浓度时空预测方法，以预测时间-空间双维度下的尾气浓度为目标，利用深度学习方法强大的数据非线性逼近能力和自学习能力，建立基于Encoder-Decoder的LSTM神经网络模型，用各时刻的城市机动车尾气浓度分布图来训练该网络，首先从海量的机动车尾气监测时空分布数据中用卷积神经网络作为编码器编码，即逐级进行特征抽取，将二维的输入数据抽象为一维数据；然后将编码后的一维数据送入LSTM长短时记忆网络进行学习，最后通过同编码器相同结构的逆卷积神经网络作为解码器解码，输出所预测的各个时刻的城市尾气浓度时空分布图，可以实时高效监测公交车尾气排放情况，极大地提高预测效率和准确度，进而研究机动车尾气遥测设备在城市交通路网中的布设问题。
附图说明
图1为城市机动车尾气浓度时空预测方法流程图。
图2为基于Encoder-Decoder的LSTM神经网络模型图。
图3为Encoder的网络结构图。
图4为Decoder的网络结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，本发明提供了一种城市机动车尾气浓度的时空预测方法，具体包括以下步骤：
步骤S1，采集目标城市一定时间内的机动车尾气浓度的时空数据。
其中，步骤S1中目标城市机动车尾气浓度的时空数据的采集方法具体包括：
步骤S11，将目标城市区域从地理上均分为100×100的栅格。
步骤S12，分别采集各个栅格每5分钟的机动车尾气时空数据，每个栅格采集一年内的数据量，共计12×24×365＝105124条数据，每条数据为一个二维数组，相当于一帧图像。
步骤S2，对步骤S1所采集的数据进行数据预处理。
其中，步骤S2中的数据预处理具体包括两个方面：
A、缺失值填补：对于部分缺失的数据，采用缺失数据栅格区域的前m个与后m个尾气排放数据取平均值的方法进行填补，从而保证数据的完备性和充足性，保证预测结果的准确性和可信度，本发明实施例m取值30。
B、归一化处理：所谓归一化处理，就是将数据映射到[0,1]或[-1,1]区间或更小的区间，保证不同数据范围的输入数据发挥相同的作用。本发明中以各栅格为单位，对该区域一年的全部数据按下式进行归一化处理：
其中，是第i个栅格归一化后的数据，x(i)是第i个栅格归一化之前的原始数据，和分别是第i个栅格所有数据中的最大值和最小值。
步骤S3，构造基于Encoder-Decoder的LSTM神经网络模型。
其中，如图2所示，基于Encoder-Decoder的LSTM神经网络模型包括Encoder编码器、LSTM核心预测层、Decoder解码器和skip-layer跨层结构。
如图3所示，编码器Encoder为卷积神经网络结构，包含三组卷积-池化层，第一个卷积层含有16个大小为5×5的卷积核，第二个卷积层含有40个3×3的卷积核，第三个卷积层含有20个3×3的卷积核，三个卷积层均采用线性修正单元ReLU作为激活函数，其表达式为f(x)＝max(0,x)，其中x是输入的数据，三个卷积层后各跟有一个感受野为2×2大小的最大池化层；三组卷积-池化层均连接一个全连接层，输出的一维数据长度为20。
LSTM核心预测层包含一层由长短时记忆单元组成的网络，输出预测的一维数据；LSTM核心预测层能够加强后面的时间节点对前面的时间节点感知力，
如图4所示，解码器Decoder为逆卷积神经网络结构，对LSTM核心预测层输出的一维数据进行数据解码，其包含三个卷积层，第一个卷积层含有20个3×3的卷积核，且与Encoder编码器的第三个卷积层的卷积核相同；第二个卷积层含有40个3×3的卷积核，且与Encoder编码器的第二个卷积层的卷积核相同；第三个卷积层含有16个大小为5×5的卷积核，且与Encoder编码器的第一个卷积层的卷积核相同。前两个卷积层都使用线性修正单元ReLU作为激活函数，最后一个卷积层使用Tanh作为激活函数，其表达式为其中x是输入的数据。
skip-layer跨层结构是指编码器Encoder与解码器Decoder对应卷积层间直接连接的通道，即编码器Encoder第一个卷积层与解码器Decoder第三个卷积层相连，编码器Encoder第二个卷积层与解码器Decoder第二个卷积层相连，编码器Encoder第三个卷积层与解码器Decoder第一个卷积层相连。编码器Encoder三个卷积层的输出分别汇入解码器Decoder对应三个卷积层的输入，这样的skip-layer跨层结构可以保留原始数据未被提取的特征，增加还原精确度，提高预测的准确性。
步骤S4，根据步骤S2预处理后的数据和步骤S3中构造的基于Encoder-Decoder的LSTM神经网络模型，构造基于Encoder-Decoder的LSTM神经网络的训练数据集、验证数据集和测试数据集。
将数据预处理后的城市机动车尾气数据分为训练数据集、验证数据集和测试数据集三个数据集，三部分数据所占比例依次为70％、10％和20％，分别用于之后基于Encoder-Decoder的LSTM神经网络模型的训练、验证和测试。
步骤S5，将步骤S4中的训练数据集送入步骤S3中构造的基于Encoder-Decoder的LSTM神经网络模型中，进行预训练，然后采用步骤S4中的验证数据集和测试数据集对预训练所得的模型参数进行调整，逐步提高预测精度。
其中，步骤S5中的预训练，采用训练数据集数据，对卷积神经网络构成的Encoder-Decoder和LSTM网络进行预训练。
训练卷积神经网络构成的Encoder-Decoder时，首先要对卷积神经网络中的参数初始化，卷积层的卷积核用标准差为0.01的高斯函数初始化，偏置初始化为0，训练中采用随机梯度下降法，学习速率取0.001，权重衰减取0.0005，mini-batches大小为32。
训练LSTM网络时，同样使用随机梯度下降法，初始学习速率为0.01，权重衰减取0.0005，mini-batches大小为32，反向传播的时间步长为20时间步，即每20K次迭代后学习速率除以10，在训练的每一步过程中，依据交叉脑(cross entropy)准则计算误差向量，根据标准反向传播算法更新权重：
e(t)＝y(t)-y0(t)
其中，e(t)为误差值，y(t)为预测值，y0(t)为实际真实值。
步骤S5中，验证数据集在预训练的过程中每迭代1000次进行一次验证，最终比较test loss和train loss，当test loss不再降低时，终止预训练，基于Encoder-Decoder的LSTM神经网络模型训练完成。
步骤S5中，测试数据集在基于Encoder-Decoder的LSTM神经网络模型训练完成后进行输入，依据历史数据预测得到的未来某一时刻的城市某区域机动车尾气浓度数据，查看该值与期望值的差距，进而对基于Encoder-Decoder的LSTM神经网络模型中的参数进行调整，逐步提高预测精度。
步骤S6，将经过步骤S5中预训练、验证、测试后的基于Encoder-Decoder的LSTM神经网络模型作为城市机动车尾气浓度的预测模型，把预处理后的目标城市预定时间内的机动车尾气时空数据输入该模型，最终可得到未来某一时刻该城市或其某一区域的机动车尾气排放预报结果。
现有的污染物浓度预测方法，只能实现时间轴上单维度的预测，本发明以时空数据作为输入，用卷积神经网络提取数据间的内在特征，再通过长短时记忆网络进行预测，最终通过反卷积编码还原出预测所得的时空数据，在功能上实现了时间-空间双维度的预测。此外本方法极大程度上利用、整合了历史观测数据之间的关系，提高了预测精度与效率，同时具有较强的泛化能力，具有一定的社会价值和现实意义。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (9)

1.一种城市机动车尾气浓度的时空预测方法，其特征在于，具体包括以下步骤：
步骤S1，采集目标城市一定时间内的机动车尾气浓度的时空数据；
步骤S2，对步骤S1所采集的数据进行数据预处理；
步骤S3，构造基于Encoder-Decoder的LSTM神经网络模型；
步骤S4，根据步骤S2预处理后的数据和步骤S3中构造的基于Encoder-Decoder的LSTM神经网络模型，构造基于Encoder-Decoder的LSTM神经网络的训练数据集、验证数据集和测试数据集；
步骤S5，将步骤S4中的训练数据集送入步骤S3中构造的基于Encoder-Decoder的LSTM神经网络模型中，进行预训练，然后采用步骤S4中的验证数据集和测试数据集对预训练所得的模型参数进行调整，逐步提高预测精度；
步骤S6，将经过步骤S5中预训练、验证、测试后的基于Encoder-Decoder的LSTM神经网络模型作为城市机动车尾气浓度的预测模型，把预处理后的目标城市预定时间内的机动车尾气时空数据输入该模型，最终可得到未来某一时刻该城市或其某一区域的机动车尾气排放预报结果。
2.根据权利要求1所述的一种城市机动车尾气浓度的时空预测方法，其特征在于，所述步骤S1中目标城市机动车尾气浓度的时空数据的采集方法具体包括：
步骤S11，将目标城市区域从地理上均分为100×100的栅格；
步骤S12，分别采集各个栅格每5分钟的机动车尾气时空数据，每个栅格采集一年内的数据量，共计12×24×365＝105124条数据，每条数据为一个二维数组，相当于一帧图像。
3.根据权利要求1所述的一种城市机动车尾气浓度的时空预测方法，其特征在于，所述步骤S2中的数据预处理具体包括两个方面：
A、缺失值填补：对于部分缺失的数据，采用缺失数据栅格区域的前m个与后m个尾气排放数据取平均值的方法进行填补；
B、归一化处理：以各栅格为单位，对该区域一年的全部数据按下式进行归一化处理：
其中，是第i个栅格归一化后的数据，x(i)是第i个栅格归一化之前的原始数据，和分别是第i个栅格所有数据中的最大值和最小值。
4.根据权利要求1所述的一种城市机动车尾气浓度的时空预测方法，其特征在于，所述步骤S3中的基于Encoder-Decoder的LSTM神经网络模型包括Encoder编码器、LSTM核心预测层、Decoder解码器和skip-layer跨层结构。
5.根据权利要求4所述的一种城市机动车尾气浓度的时空预测方法，其特征在于，所述编码器Encoder包含三组卷积-池化层，第一个卷积层含有16个大小为5×5的卷积核，第二个卷积层含有40个3×3的卷积核，第三个卷积层含有20个3×3的卷积核，三个卷积层后各跟有一个感受野为2×2大小的最大池化层；
所述解码器Decoder包含三个卷积层，第一个卷积层含有20个3×3的卷积核，且与Encoder编码器的第三个卷积层的卷积核相同，第二个卷积层含有40个3×3的卷积核，且与Encoder编码器的第二个卷积层的卷积核相同，第三个卷积层含有16个大小为5×5的卷积核，且与Encoder编码器的第一个卷积层的卷积核相同；
编码器Encoder的三个卷积层和解码器Decoder的前两个卷积层均采用线性修正单元ReLU作为激活函数，其表达式为f(x)＝max(0,x)，其中x是输入的数据；解码器Decoder的最后一个卷积层使用Tanh作为激活函数，其表达式为其中x是输入的数据；
编码器Encoder的三组卷积-池化层均连接一个全连接层，输出的一维数据长度为20。
6.根据权利要求5所述的一种城市机动车尾气浓度的时空预测方法，其特征在于，所述编码器Encoder与解码器Decoder对应卷积层间直接连接的通道为skip-layer跨层结构，即编码器Encoder第一个卷积层与解码器Decoder第三个卷积层相连，编码器Encoder第二个卷积层与解码器Decoder第二个卷积层相连，编码器Encoder第三个卷积层与解码器Decoder第一个卷积层相连；
所述编码器Encoder三个卷积层的输出分别汇入解码器Decoder对应三个卷积层的输入。
7.根据权利要求4所述的一种城市机动车尾气浓度的时空预测方法，其特征在于，所述LSTM核心预测层包含一层由长短时记忆单元组成的网络，输出预测的一维数据。
8.根据权利要求1所述的一种城市机动车尾气浓度的时空预测方法，其特征在于，所述步骤S5具体为将数据预处理后的城市机动车尾气时空数据分为训练数据集、验证数据集和测试数据集，三部分数据所占比例依次为70％、10％和20％，分别用于基于Encoder-Decoder的LSTM神经网络模型的训练、验证和测试。
9.根据权利要求1所述的一种城市机动车尾气浓度的时空预测方法，其特征在于，所述步骤S5中，采用训练数据集数据，对卷积神经网络构成的Encoder-Decoder和LSTM网络进行预训练；
验证数据集在预训练的过程中每迭代1000次进行一次验证，最终比较test loss和train loss，当test loss不再降低时，终止预训练，基于Encoder-Decoder的LSTM神经网络模型训练完成；
测试数据集在基于Encoder-Decoder的LSTM神经网络模型训练完成后进行输入，依据历史数据预测得到的未来某一时刻的城市某区域机动车尾气浓度数据，查看该值与期望值的差距，进而对基于Encoder-Decoder的LSTM神经网络模型中的参数进行调整，逐步提高预测精度。
CN201810027473.9A 2018-01-11 2018-01-11 一种城市机动车尾气浓度的时空预测方法 Pending CN108364087A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810027473.9A CN108364087A (zh) 2018-01-11 2018-01-11 一种城市机动车尾气浓度的时空预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810027473.9A CN108364087A (zh) 2018-01-11 2018-01-11 一种城市机动车尾气浓度的时空预测方法

Publications (1)

Publication Number Publication Date
CN108364087A true CN108364087A (zh) 2018-08-03

Family

ID=63011037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810027473.9A Pending CN108364087A (zh) 2018-01-11 2018-01-11 一种城市机动车尾气浓度的时空预测方法

Country Status (1)

Country Link
CN (1) CN108364087A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165789A (zh) * 2018-09-04 2019-01-08 广东电网有限责任公司 基于LSTM的锅炉NOx排放量预测模型的建模方法及装置
CN109214570A (zh) * 2018-09-03 2019-01-15 安徽优思天成智能科技有限公司 一种基于深度时空修正模型的城市区域尾气污染预测方法
CN109781809A (zh) * 2019-02-23 2019-05-21 苏州市智汇易联科技有限公司 一种甲醛浓度人工智能测算方法
CN109919174A (zh) * 2019-01-16 2019-06-21 北京大学 一种基于门控级联注意力机制的文字识别方法
CN110533248A (zh) * 2019-09-02 2019-12-03 中科格物智信(天津)科技有限公司 融合机器学习和lstm的大气污染物浓度预测方法
CN110929793A (zh) * 2019-11-27 2020-03-27 谢国宇 用于生态环境监测的时空域模型建模方法及系统
CN111193254A (zh) * 2019-12-06 2020-05-22 北京国电通网络技术有限公司 一种住宅日用电负荷预测方法和设备
CN111274158A (zh) * 2020-02-27 2020-06-12 北京首汽智行科技有限公司 一种数据验证方法
CN115456314A (zh) * 2022-11-11 2022-12-09 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种大气污染物时空分布预测系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740643A (zh) * 2016-03-15 2016-07-06 杭州电子科技大学 一种基于城市区域网格自适应的pm2.5浓度推测方法
CN106251303A (zh) * 2016-07-28 2016-12-21 同济大学 一种使用深度全卷积编码‑解码网络的图像降噪方法
CN106599520A (zh) * 2016-12-31 2017-04-26 中国科学技术大学 一种基于lstm‑rnn模型的空气污染物浓度预报方法
CN106993851A (zh) * 2017-05-18 2017-08-01 李文谦 一种基于鞋子图像和脚型图像的鞋楦参数自动预测方法及预测装置
CN107103758A (zh) * 2017-06-08 2017-08-29 厦门大学 一种基于深度学习的城市区域交通流量预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740643A (zh) * 2016-03-15 2016-07-06 杭州电子科技大学 一种基于城市区域网格自适应的pm2.5浓度推测方法
CN106251303A (zh) * 2016-07-28 2016-12-21 同济大学 一种使用深度全卷积编码‑解码网络的图像降噪方法
CN106599520A (zh) * 2016-12-31 2017-04-26 中国科学技术大学 一种基于lstm‑rnn模型的空气污染物浓度预报方法
CN106993851A (zh) * 2017-05-18 2017-08-01 李文谦 一种基于鞋子图像和脚型图像的鞋楦参数自动预测方法及预测装置
CN107103758A (zh) * 2017-06-08 2017-08-29 厦门大学 一种基于深度学习的城市区域交通流量预测方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214570A (zh) * 2018-09-03 2019-01-15 安徽优思天成智能科技有限公司 一种基于深度时空修正模型的城市区域尾气污染预测方法
CN109165789A (zh) * 2018-09-04 2019-01-08 广东电网有限责任公司 基于LSTM的锅炉NOx排放量预测模型的建模方法及装置
CN109919174A (zh) * 2019-01-16 2019-06-21 北京大学 一种基于门控级联注意力机制的文字识别方法
CN109781809A (zh) * 2019-02-23 2019-05-21 苏州市智汇易联科技有限公司 一种甲醛浓度人工智能测算方法
CN109781809B (zh) * 2019-02-23 2020-11-20 苏州市智汇易联科技有限公司 一种甲醛浓度人工智能测算方法
CN110533248A (zh) * 2019-09-02 2019-12-03 中科格物智信(天津)科技有限公司 融合机器学习和lstm的大气污染物浓度预测方法
CN110929793A (zh) * 2019-11-27 2020-03-27 谢国宇 用于生态环境监测的时空域模型建模方法及系统
CN111193254A (zh) * 2019-12-06 2020-05-22 北京国电通网络技术有限公司 一种住宅日用电负荷预测方法和设备
CN111193254B (zh) * 2019-12-06 2021-10-29 北京国电通网络技术有限公司 一种住宅日用电负荷预测方法和设备
CN111274158A (zh) * 2020-02-27 2020-06-12 北京首汽智行科技有限公司 一种数据验证方法
CN115456314A (zh) * 2022-11-11 2022-12-09 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种大气污染物时空分布预测系统及方法

Similar Documents

Publication Publication Date Title
CN108364087A (zh) 一种城市机动车尾气浓度的时空预测方法
CN108288109A (zh) 基于lstm深度时空残差网络的机动车尾气浓度预测方法
CN108108836B (zh) 一种基于时空深度学习的臭氧浓度分布预测方法和系统
CN108133295A (zh) 一种针对目标路段的机动车尾气浓度连续时间预测方法
US20230194755A1 (en) Data-driven rapid traceability method for air pollutants in small-scale regionals
CN108597030A (zh) 增强现实ar的光影效果显示方法、装置及电子设备
CN106650287A (zh) 一种基于mlp神经网络的机动车尾气排放因子估计方法
CN108596470A (zh) 一种基于TensorFlow框架的电力设备缺陷文本处理方法
CN104598692A (zh) 火电厂排放烟尘污染仿真模拟方法
CN106951960A (zh) 一种神经网络及该神经网络的学习方法
DE102018122864A1 (de) Verteiltes Mehrbenutzer-Simulationssystem
CN107316543A (zh) 一种基于vr技术的智能驾考系统
CN104268424A (zh) 一种基于时间序列的地铁能耗综合预测方法
CN108333959A (zh) 一种基于卷积神经网络模型的机车节能操纵方法
CN206619301U (zh) 具有环境增强特效的安全驾驶模拟训练教育系统
CN109829547A (zh) 一种基于深度学习的一维综合孔径微波辐射计sst反演方法
CN115690730A (zh) 基于单分类和异常生成的高铁接触网异物检测方法及系统
CN114296424B (zh) 仿真测试系统和方法
CN111144027A (zh) 一种基于bp神经网络全特性曲线函数的逼近方法
CN112435530B (zh) 一种矿用卡车模拟驾驶训练系统
CN107633728A (zh) 一种虚拟驾驶场景与体感座椅动作同步的方法
Kim et al. Application of neural network model to vehicle emissions
WO2020192827A1 (de) Verfahren und vorrichtung zur probabilistischen vorhersage von sensordaten
CN103646095B (zh) 一种基于数据驱动的共因失效的可靠性判断系统及方法
EP3871052B1 (de) Verfahren zur kalibirierung eines technischen systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180803