CN109214570A - 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 - Google Patents

Abstract

本发明提供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，包括：多源异构数据获取；自编码器特征抽取，通过构建三层自编码器网络结构，实现对所述多源异构数据特征降维抽取；尾气排放修正，将所述步骤二中提取的各数据源的降维特征数据，代入尾气排放修正模型；时空序列数据生成；深度时空网络模型预训练；将真实监测点位的遥测数据替换修正模型数据，重新训练得到修正的区域尾气排放预测模型；确定模型的权重参数，得到深度时空网络模型，输入所述多源异构数据，得到预测的区域尾气污染排放结果。

Description

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

技术领域

本发明涉及城市区域尾气污染预测技术领域，具体涉及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。

背景技术

城市污染物主要是由交通排放产生的，主要污染物有一氧化碳CO、二氧化碳CO₂、氮氧化物NO₂等。CO不仅有毒，且与CO₂均为温室气体，产生的温室效应对全球环境有重要危害，NO₂是造成肺功能损害的主要物质，因此对城市区域尾气污染预测对环境管理和交通规划具有重要意义。

现有用于区域车辆尾气排放预测的方法可大致分为两类，即经典的扩散模型和卫星遥感。对于经典的扩散模型，例如高斯羽流模型，街道峡谷模型和计算流体动力学模型。美国和欧洲分别开发的MOBILE和COPERT模型是最常用的排放因子模型。这些模型通常关于气象信息，道路拓扑结构，地理位置，交通状况和车辆排放因子的复杂模型，并且基于许多经验假设和参数，可能不适用于所有城市地区。并且这些参数通常很难获得，由此模型产生的结果可能并不准确。基于卫星遥感的地表空气污染预测是一种自上而下的大气污染浓度预测方法，在过去几十年人们进行了深入研究。然而，这种方法受到大气云量的极大影响，并且会对其他环境因素敏感，例如湿度，温度，气压，风力和地理位置等。

由于城市中的车辆遥感监测设备建造和维护成本高昂。城市车辆排放因不同地理位置呈现非线性变化，并且取决于许多复杂的外部因素，如道路网络，气象，交通，绿化率和城市生活功能区类型。预测城市每个区域的车辆尾气排放面临如下四方面挑战性：1、数据稀疏性和空间异质性；2、空间依赖性；3、时间相关性；4、外部环境因素影响。

发明内容

针对现有技术的不足，本发明提供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，克服了现有技术的不足，能够在真实遥测数据上实现更高精度的区域尾气预测。

为实现以上目的，本发明通过以下技术方案予以实现：

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，包括：

步骤一、多源异构数据获取；

步骤二、自编码器特征抽取，通过构建三层自编码器网络结构，实现对所述多源异构数据特征降维抽取；

步骤三、尾气排放修正，将所述步骤二中提取的各数据源的降维特征数据，代入尾气排放修正模型；

步骤四、时空序列数据生成；

步骤五、深度时空网络模型预训练；

步骤六、将真实监测点位的遥测数据替换修正模型数据，重新训练得到修正的区域尾气排放预测模型；确定模型的权重参数，得到深度时空网络模型，输入所述多源异构数据，得到预测的区域尾气污染排放结果。

进一步地，所述多源异构数据集包括：气象数据、路网数据、交通流数据和POIs数据；

所述气象数据包括天气、温度、湿度、气压和风力，所述气象数据从公开气象网站按每小时进行采集；所述路网数据包括车道数、路段长度和道路等级，所述路网结构数据从数字地图获取；所述交通流数据包括车流量和平均速度，所述交通流数据从数字地图获取；所述POIs数据为区域内兴趣点公共设施特征分类，所述POIs数据从数字地图获取。

进一步地，所述自编码器网络结构，包括自编码器网络输入层x、结果输出层y和降维特征隐藏层h；

h＝f(w₁×x+b₁)，y＝f(w₂×x+b₂)；

其中，w₁、w₂、b₁、b₂为自编码器网络结构参数。

进一步地，所述尾气排放修正模型为：

E＝β_poi×lnt×e^-w×EF×R_na×R_n×R_len+ΔE(t，w，poi)；

其中，Num_ng为目标区域POIs中非绿化功能区域数量，Num_g为目标区域POIs中绿化功能区数量；t为温度特征，w为风力特征，R_na为路段车流量，R_n为车道数，R_len为路段长度，EF为单一车辆污染排放。

进一步地，所述步骤四具体为：

将目标区域划分为12×12的栅格，根据所述步骤三计算每个栅格的尾气排放量E(k，i)，表示k时刻第i栅格的尾气排放量，其中k＝1，…，T；i＝1，…，144。

进一步地，所述步骤五具体包括：

预处理；构建历史观测数据集{E(1)，E(2)，…，E(T-1)}、外部特征数据集{F(1)，F(2)，…，F(T-1)}，确定周期间隔p、趋势间隔s、临近序列长度l_c、周期序列长度l_p和趋势序列长度l_s；

创建训练样本集D；构建临近观测集H_c＝{E(k-l_c)，E(k-l_c+1)，…，E(k-1)}，周期观测集H_p＝{E(k-l_p×p)，E(k-l_p×p+p)，…，E(k-p)}，趋势观测集H_s＝{E(k-l_s)，E(k-l_s×s+s)，…，E(k-s)}，创建训练样本集：

D＝{H_c，H_p，H_s，F(k)，E(k)}，其中k＝1，…，T；

初始化深度时空网络中的优化参数θ；

从所述训练样本集D中随机选取一批实例D_b；

搜索所述参数θ使得损失函数在训练集D_b上最小；

得到深度时空网络预训练模型M。

进一步地，所述步骤六具体为：

将修正模型数据用真实监测点位的遥测数据替换，根据所述步骤五重新训练，得到修正的区域尾气排放预测模型M_amed；

根据当前时刻t的外部特征数据F(t)，以及t-1时刻前的历史观测数据集{H_c，H_p，H_s}，对t时刻的区域尾气排放量进行预测：

M_amed{H_c，H_p，H_s，F(t)}；

训练结束后，模型的权重参数确定，输入所述多源异构数据，得到预测的区域尾气污染排放结果。

与现有技术相比，本发明具有以下有益效果：

本发明摒弃了传统模型的单点预测方法，深度时空修正模型考虑区域尾气污染排放的空间依赖性、历史数据时间相关性特征，以及复杂外部环境因素。基于自编码器的降维特征抽取方法，能够学习到路网信息、气象信息、交通流信息、POIs信息与区域尾气排放之间的本质特征映射，并且能够在真实遥测数据上实现更高精度的区域尾气预测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明算法流程图；

图2为本发明中深度时空网络模型预训练算法流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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他实施例，都属于本发明保护的范围。

本发明提供了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，包括步骤：

S1、多源异构数据获取；

S2、自编码器特征抽取，通过构建三层自编码器网络结构，实现对所述多源异构数据特征降维抽取；

S3、尾气排放修正，将所述步骤二中提取的各数据源的降维特征数据，代入尾气排放修正模型；

S4、时空序列数据生成；

S5、深度时空网络模型预训练；

S6、将真实监测点位的遥测数据替换修正模型数据，重新训练得到修正的区域尾气排放预测模型；确定模型的权重参数，得到深度时空网络模型，输入所述多源异构数据，得到预测的区域尾气污染排放结果。

具体地，所述多源异构数据集包括：气象数据、路网数据、交通流数据和POIs数据；

所述气象数据包括天气、温度、湿度、气压和风力，所述气象数据从公开气象网站按每小时进行采集；所述路网数据包括车道数、路段长度和道路等级，所述路网结构数据从数字地图获取；所述交通流数据包括车流量和平均速度，所述交通流数据从数字地图获取；所述POIs数据为区域内兴趣点公共设施特征分类，如学校、医院、娱乐设施等，所述POIs数据从数字地图获取。

具体地，所述自编码器网络结构，包括自编码器网络输入层x、结果输出层y和降维特征隐藏层h；

h＝f(w₁×x+b₁)，y＝f(w₂×x+b₂)；

其中，w₁、w₂、b₁、b₂为自编码器网络结构参数。

所述尾气排放修正模型为：

E＝β_poi×ln t×e^-w×EF×R_na×R_n×R_len+ΔE(t，w，poi)；

其中，Num_ng为目标区域POIs中非绿化功能区域数量，Num_g为目标区域POIs中绿化功能区数量；t为温度特征，w为风力特征，R_na为路段车流量，R_n为车道数，R_len为路段长度，EF为单一车辆污染排放。

具体地，S4的实施方式为：

将目标区域划分为12×12的栅格，根据所述步骤三计算每个栅格的尾气排放量E(k，i)，表示k时刻第i栅格的尾气排放量，其中k＝1，…，T；i＝1，…，144。

具体地，所述深度时空网络模型预训练包括：

S201、预处理；构建历史观测数据集{E(1)，E(2)，…，E(T-1)}、外部特征数据集{F(1)，F(2)，…，F(T-1)}，确定周期间隔p、趋势间隔s、临近序列长度l_c、周期序列长度l_p和趋势序列长度l_s；

S202、创建训练样本集D；构建临近观测集H_c＝{E(k-l_c)，E(k-l_c+1)，…，E(k-1)}，周期观测集H_p＝{E(k-l_p×p)，E(k-l_p×p+p)，…，E(k-p)}，趋势观测集H_s＝{E(k-l_s)，E(k-l_s×s+s)，…，E(k-s)}，创建训练样本集：

D＝{H_c，H_p，H_s，F(k)，E(k)}，其中k＝1，…，T；

S203、初始化深度时空网络中的优化参数θ；

S204、从所述训练样本集D中随机选取一批实例D_b；

S205、搜索所述参数θ使得损失函数在训练集D_b上最小；

S206、得到深度时空网络预训练模型M。

具体地，S6的实施方式为：

将修正模型数据用真实监测点位的遥测数据替换，根据所述步骤五重新训练，得到修正的区域尾气排放预测模型M_amed；

根据当前时刻t的外部特征数据F(t)，以及t-1时刻前的历史观测数据集{H_c，H_p，H_s}，对t时刻的区域尾气排放量进行预测：

M_amed{H_c，H_p，H_s，F(t)}；

训练结束后，模型的权重参数确定，输入所述多源异构数据，得到预测的区域尾气污染排放结果。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于深度时空修正模型的城市区域尾气污染预测方法，其特征在于，所述方法包括步骤：

步骤一、多源异构数据获取；

步骤二、自编码器特征抽取，通过构建三层自编码器网络结构，实现对所述多源异构数据特征降维抽取；

步骤三、尾气排放修正，将所述步骤二中提取的各数据源的降维特征数据，代入尾气排放修正模型；

步骤四、时空序列数据生成；

步骤五、深度时空网络模型预训练；

步骤六、将真实监测点位的遥测数据替换修正模型数据，重新训练得到修正的区域尾气排放预测模型；确定模型的权重参数，得到深度时空网络模型，输入所述多源异构数据，得到预测的区域尾气污染排放结果。

2.根据权利要求1所述的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，其特征在于，所述多源异构数据集包括：气象数据、路网数据、交通流数据和POIs数据；

所述气象数据包括天气、温度、湿度、气压和风力，所述气象数据从公开气象网站按每小时进行采集；所述路网数据包括车道数、路段长度和道路等级，所述路网结构数据从数字地图获取；所述交通流数据包括车流量和平均速度，所述交通流数据从数字地图获取；所述POIs数据为区域内兴趣点公共设施特征分类，所述POIs数据从数字地图获取。

3.根据权利要求1所述的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，其特征在于：所述自编码器网络结构，包括自编码器网络输入层x、结果输出层y和降维特征隐藏层h；

h＝f(w₁×x+b₁)，y＝f(w₂×x+b₂)；

其中，w₁、w₂、b₁、b₂为自编码器网络结构参数。

4.根据权利要求1-3所述的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，其特征在于：所述尾气排放修正模型为：

E＝β_poi×ln t×e^-w×EF×R_na×R_n×R_len+ΔE(t，w，poi)；

其中，Num_ng为目标区域POIs中非绿化功能区域数量，Num_g为目标区域POIs中绿化功能区数量；t为温度特征，w为风力特征，R_na为路段车流量，R_n为车道数，R_len为路段长度，EF为单一车辆污染排放。

5.根据权利要求1-4所述的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，其特征在于，所述步骤四具体为：

将目标区域划分为12×12的栅格，根据所述步骤三计算每个栅格的尾气排放量E(k，i)，表示k时刻第i栅格的尾气排放量，其中k＝1，…，T；i＝1，…，144。

6.根据权利要求1-5所述的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，其特征在于，所述步骤五具体包括：

预处理；构建历史观测数据集{E(1)，E(2)，…，E(T-1)}、外部特征数据集{F(1)，F(2)，…，F(T-1)}，确定周期间隔p、趋势间隔s、临近序列长度l_c、周期序列长度l_p和趋势序列长度l_s；

创建训练样本集D；构建临近观测集H_c＝{E(k-l_c)，E(k-l_c+1)，…，E(k-1)}，周期观测集H_p＝{E(k-l_p×p)，E(k-l_p×p+p)，…，E(k-p)}，趋势观测集H_s＝{E(k-l_s)，E(k-l_s×s+s)，…，E(k-s)}，创建训练样本集：

D＝{H_c，H_p，H_s，F(k)，E(k)}，其中k＝1，…，T；

初始化深度时空网络中的优化参数θ；

从所述训练样本集D中随机选取一批实例D_b；

搜索所述参数θ使得损失函数在训练集D_b上最小；

得到深度时空网络预训练模型M。

7.根据权利要求1-6所述的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，其特征在于，所述步骤六具体为：

将修正模型数据用真实监测点位的遥测数据替换，根据所述步骤五重新训练，得到修正的区域尾气排放预测模型M_amed；

根据当前时刻t的外部特征数据F(t)，以及t-1时刻前的历史观测数据集{H_c，H_p，H_s}，对t时刻的区域尾气排放量进行预测：

M_amed{H_c，H_p，H_s，F(t)}；

训练结束后，模型的权重参数确定，输入所述多源异构数据，得到预测的区域尾气污染排放结果。