CN110163449A - 一种基于主动时空图卷积的机动车排污监测节点部署方法 - Google Patents

Abstract

本发明公开了一种基于主动时空图卷积的机动车排污监测节点部署方法，利用已部署节点监测数据、城市交通路网特征以及交通流量数据等去预测城市范围内全局的机动车尾气浓度时空分布及其不确定性指标，然后以预测预测不确定性指标以及各条未布点路段与已布设节点路段固有特征差异性来联合优化选择新的地点建立机动车尾气排放监测节点。本发明在已部署监测节点的情况下能够找到最合适的位置去布设监测节点，以至于最大限度地提高尾气排放分布预测的准确性，适用于多阶段施工场景。

Description

一种基于主动时空图卷积的机动车排污监测节点部署方法

技术领域

本发明涉及一种基于主动时空图卷积的机动车排污监测节点部署方法，属于机动车尾气排放监测节点的部署技术领域，以提高城市路网中尾气排放时空分布预测可靠性为目标，根据图卷积神经网络与主动学习的相关理论，进行建模与求解，进而研究机动车尾气排放监测节点在城市交通路网中的选址布设问题。

背景技术

近几年来，我国机动车保有量急剧增涨，机动车行驶过程中排放的NOx、CO、HC、PMx等大量有害气体加重了城市空气污染，导致空气质量日益下降、雾霾天气日渐频发。此外，这些污染物还增加引发城市居民呼吸系统疾病、城市儿童交通病甚至癌症的患病风险，对城市居民的身体健康以及日常生活造成严重影响。机动车尾气污染治理的前提是对尾气污染物的有效监测，因此急需一些监测手段来量化在路机动车的尾气排放量。

移动污染源排放遥测系统能够在机动车正常行驶的过程中进行尾气排放监测，不会对其产生任何影响，能够取得更加准确的尾气监测结果。该系统由广泛分布于交通路网中的尾气遥测节点组成，每天通过这些站点的车辆数成千上万，其排放情况可以被实时监测。然而由于部署在城市交通路网中的监测节点的安装与维护成本高，其数量受到了经济预算的限制，因此对监测节点进行科学合理的部署是构建机动车尾气排放监测系统的关键。

发明内容

本发明要解决的技术问题：克服现有技术的不足，提供一种基于主动时空图卷积的机动车排污监测节点部署方法。

本发明技术解决方案：

步骤一：结构序列数据进行特征提取

借鉴注意力机制的思想对邻接矩阵进行处理，得到自适应邻接矩阵：

其中，A为邻接矩阵，I_N为单位矩阵，W_embed为一个可学习的嵌入矩阵，ο为逐元素相乘，ReLU为线性整流函数。

将自适应邻接矩阵送入图卷积网络，得到自适应图卷积网络，即为

其中，H^(l)为l^th层非线性变换输出，σ(·)为激活函数，H⁽⁰⁾＝X即特征输入。

自适应图卷积能够根据图结构以及各个节点的特征去自适应调节边的权重，能够学习到不同邻接节点带来的不同程度的影响，并且实现了端到端的学习。

将速度特征输入设定为交通路网邻接矩阵设定为A_S∈R^n×n，其中t,n,C_speed分别为时间步数、路段数量和速度特征维度。Att_speed是一个三维张量，以上的图卷积只能处理二维数据，在时间轴上共享参数，即每个时间戳上的都做相同的图卷积，所以速度特征经过一次图卷积运算后得到的特征映射为：

i∈{1,2,...,t}

其中，为图卷积核。

抛弃目标函数中的约束项，采用图卷积直接来编码数据的时间相关性：对时间序列进行构图，在每个路段的时间序列上连接近邻时间戳以及周期性时间戳来构造时间亲和图。对于一条时间序列的时间戳T_i点，该点的时间近邻表示为其中p为一个超参，P_day与P_week分别表示一天和一周的时间周期，包含T_i表示自循环。

将转置得到时间邻接矩阵设定为A_T∈R^t×t。在空间轴上共享参数，即每条路段的时间序列都做相同的时间图卷积，所以经过一次图卷积运算后得到的特征映射为：

i∈{1,2,...,n}

其中，为图卷积核。

为了同时提取时空数据的空间相关性与时间依赖性，联合空间卷积与时间卷积对时空数据进行特征提取。

步骤二：时间特征提取

将天气状况，主要包括雨、晴、雾，定义为WeatherAtt，时间特征，主要包括一天中的什么时刻和周几，分别定义为TimeAtt和WeekAtt。在数据集中，6:00～23:00被分成17个时间戳，每个时间间隔也就对应1小时，因此TimeAtt∈{1,2,...,17}。这些特征都是类别特征，采用嵌入方法将这些类别特征转换为低维向量，取代常规的独热码。所述的嵌入方法是将类别值独热编码后生成的类别向量v∈R^1×C乘以一个可以学习的参数矩阵W∈R^C×O。

步骤三：路网物理特征提取

对路网特征中的车道数、道路等级这类类别特征进行嵌入方法处理，并对道路长度、POIs特征作归一化处理。之后，将预处理后的特征送入图卷积来提取空间相关性。

步骤四：标签分布学习

将预测模型的特征输入设定为X∈R^t×n×d，其中t,n,d分别为时间步数、路段数量和每条路段特征维度。标签分布学习的任务即为预测各条路段的车流量分布向量y∈R^|y|，其中v_max为训练数据中平均每个车道车流量的最大值。在交通流量时空分布预测问题中，假设标签的概率分布应该是集中于真实标签附近的，所以将交通流量真实值y用正太分布来量化为向量y，其期望μ为真实值y，方差σ²为一个超参。

将节点观测值也转换为离散的标签分布后，通过最小化预测标签分布与观测标签分布的对称Kullback-Leibler散度来对模型进行学习，

模型输出的是每条路段的交通流量概率分布向量如果需要知道交通流量具体的值，则取该概率分布向量的期望；

在有标签样本损失函数中联合无标签样本的熵，让深度模型根据给定的任务去将原始特征学习表示为一组有区分性的特征，使训练的模型同时具备较高的预测准确性以及较小的不确定性；

熵是通过标签概率分布来计算的

无标签样本的熵计算如下：

最终的损失函数定义如下所示：

Loss＝minλLoss_L+(1-λ)Loss_U

其中λ为权衡系数。

本发明采用以上步骤进行训练，直至预测模型收敛，再进行步骤五。

步骤五：节点选择

选择度量分数最高的K个节点作为新增节点位置，此处的度量分数如下：

其中，上式中的第一项取选择熵值最大的样本，从而降低模型的不确定性，而第二项则是确保选择的样本尽可能地不同于已标签样本，其中β为权衡系数，φ为高斯核函数。

本发明的有益效果：本发明利用已部署节点监测数据、城市交通路网特征以及交通流量数据等去预测的城市范围内全局的机动车尾气浓度时空分布及其不确定性指标，以预测不确定性指标以及各条未布点路段与已布设节点路段固有特征差异性来联合优化选择新的地点建立机动车尾气排放监测节点，从而最大限度地提高尾气排放分布预测的准确性。

附图说明

图1为本发明流程图。

具体实施方式

以下结合附图1对本发明作进一步说明，本发明方法包括以下步骤：

步骤一：结构序列数据进行特征提取

借鉴注意力机制的思想对邻接矩阵进行处理，得到自适应邻接矩阵：

其中，A为邻接矩阵，I_N为单位矩阵，W_embed为一个可学习的嵌入矩阵，o为逐元素相乘，ReLU为线性整流函数。

将自适应邻接矩阵送入图卷积网络，得到自适应图卷积网络，即为

其中，H^(l)为l^th层非线性变换输出，σ(·)为激活函数，H⁽⁰⁾＝X即特征输入。

自适应图卷积能够根据图结构以及各个节点的特征去自适应调节边的权重，能够学习到不同邻接节点带来的不同程度的影响，并且实现了端到端的学习。

将速度特征输入设定为交通路网邻接矩阵设定为A_S∈R^n×n，其中t,n,C_speed分别为时间步数、路段数量(在每一个时间戳，每条路段都有速度特征)和速度特征维度。Att_speed是一个三维张量，以上介绍的图卷积只能处理二维数据，本发明在时间轴上共享参数，即每个时间戳上的都做相同的图卷积，所以速度特征经过一次图卷积运算后得到的特征映射为：

i∈{1,2,...,t}

其中，为图卷积核。

在本发明中，我们抛弃了目标函数中的约束项，采用图卷积直接来编码数据的时间相关性。首先我们需要对时间序列进行构图，由于交通流量数据在时间轴上不会突变，而且每天与每周的周期性较强，所以我们在每个路段的时间序列上连接近邻时间戳以及周期性时间戳来构造时间亲和图。对于一条时间序列的时间戳T_i点，该点的时间近邻可以表示为其中p为一个超参，P_day与P_week分别表示一天和一周的时间周期，包含T_i表示自循环。

我们将转置得到时间邻接矩阵设定为A_T∈R^t×t。我们在空间轴上共享参数，即每条路段的时间序列都做相同的时间图卷积，所以经过一次图卷积运算后得到的特征映射为：

i∈{1,2,...,n}

其中，为图卷积核。

为了同时提取时空数据的空间相关性与时间依赖性，我们联合空间卷积与时间卷积对时空数据进行特征提取。

步骤二：时间特征提取

我们对气象特征与时间特征作了预处理并进行整合。天气状况主要包括雨、晴、雾等，将其定义为WeatherAtt，时间特征主要包括一天中的什么时刻和周几，分别定义为TimeAtt和WeekAtt。在我们的数据集中，6:00～23:00被分成17个时间戳，每个时间间隔也就对应1小时，因此TimeAtt∈{1,2,...,17}。这些特征都是类别特征，不能直接被送入网络中去。由于TimeAtt的特征维度较大，直接使用独热编码会造成较大的计算成本。我们采用了嵌入方法去将这些类别特征转换为低维向量，取代常规的独热码。嵌入方法是将类别值独热编码后生成的类别向量v∈R^1×C乘以一个可以学习的参数矩阵W∈R^C×O。我们常常可设置O＜＜C，嵌入方法从而能够有效降低输入特征的维度，使模型计算更加有效率。

步骤三：路网物理特征提取

交通路网特征主要包括路网结构、路段特征、POIs特征等。我们对路网特征中的车道数、道路等级等类别特征进行嵌入方法处理，并对道路长度、POIs特征等作归一化处理。之后，将预处理后的特征送入图卷积来提取空间相关性。我们通过残差连接以上几个步骤来使得这些步骤更容易地被添加和删除。比如现在往模型中添加一个模块，而该模块没有什么有预测能力的信息，实际上等价于一个权重为零的层，相当于信息直接从这个模块跳过去了，也就不影响模型的预测能力。

步骤四：标签分布学习

将预测模型的特征输入设定为X∈R^t×n×d，其中t,n,d分别为时间步数、路段数量和每条路段特征维度。标签分布学习的任务即为预测各条路段的车流量分布向量y∈R^|y|，其中v_max为训练数据中平均每个车道车流量的最大值。在交通流量时空分布预测问题中，假设标签的概率分布应该是集中于真实标签附近的，所以我们将交通流量真实值y用正太分布来量化为向量y，其期望μ为真实值y，方差σ²为一个超参。将节点观测值也转换为离散的标签分布后，通过最小化预测标签分布与观测标签分布的对称Kullback-Leibler散度来对模型进行学习，

模型输出的是每条路段的交通流量概率分布向量如果需要知道交通流量具体的值，则可以取该概率分布向量的期望，即

本发明采用的方法是在有标签样本损失函数中联合无标签样本的熵，让深度模型根据这一给定的任务去将原始特征学习表示为一组有区分性的特征，使训练的模型同时具备较高的预测准确性以及较小的不确定性，而且这也能够确保那些具有较大熵值的样本是最不确定且具有丰富信息的样本。熵是通过标签概率分布来计算的

无标签样本的熵计算如下：

所以最终的损失函数定义如下所示：

Loss＝minlLoss_L+(1-λ)Loss_U

其中λ为权衡系数。

本发明采用以上步骤进行训练，直至预测模型收敛，再进行步骤五。

步骤五：节点选择

在一般情况下，主动学习每次只选择一个样本，将其贴上标签放入有标签集合再次进行训练，而在深度网络中这就不太适用了，因为其训练结果往往是局部最优解，需要每次都添加多个样本去对训练模型造成较大的影响。一种可用的处理方式为选择度量分数最高的K个节点作为新增节点位置，此处的度量分数如下：

其中，我们采用上式中的第一项取选择熵值最大的样本，从而降低模型的不确定性，而第二项则是确保选择的样本尽可能地不同于已标签样本。β为权衡系数，φ为高斯核函数。

总之，本发明提供的基于主动时空图卷积的机动车排污监测节点部署方法，联合预测机动车尾气排放时空分布与推荐新节点位置共同研究。本发明在已部署监测节点的情况下能够找到最合适的位置去布设监测节点，以至于最大限度地提高尾气排放分布预测的准确性，适用于多阶段施工场景，为机动车尾气排放监测节点的部署方法研究提供了新的思路和方法。

提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (1)

1.一种基于主动时空图卷积的机动车排污监测节点部署方法，其特征在于包括以下步骤：

步骤一：结构序列数据进行特征提取

借鉴注意力机制的思想对邻接矩阵进行处理，得到自适应邻接矩阵：

其中，A为邻接矩阵，I_N为单位矩阵，W_embed为一个可学习的嵌入矩阵，为逐元素相乘，ReLU为线性整流函数；

将自适应邻接矩阵送入图卷积网络，得到自适应图卷积网络，即为

其中，H^(l)为l^th层非线性变换输出，σ(·)为激活函数，H⁽⁰⁾＝X即特征输入；

将速度特征输入设定为交通路网邻接矩阵设定为A_S∈R^n×n，其中t,n,C_speed分别为时间步数、路段数量和速度特征维度；Att_speed是一个三维张量，以上的图卷积只能处理二维数据，在时间轴上共享参数，即每个时间戳上的都做相同的图卷积，速度特征经过一次图卷积运算后得到的特征映射为：

i∈{1,2,...,t}

其中，为图卷积核；

抛弃目标函数中的约束项，采用图卷积直接来编码数据的时间相关性：

对时间序列进行构图，在每个路段的时间序列上连接近邻时间戳以及周期性时间戳来构造时间亲和图；对于一条时间序列的时间戳T_i点，该点的时间近邻表示为：

其中p为一个超参，P_day与P_week分别表示一天和一周的时间周期，包含T_i表示自循环；

将转置得到时间邻接矩阵设定为A_T∈R^t×t；在空间轴上共享参数，即每条路段的时间序列都做相同的时间图卷积，经过一次图卷积运算后得到的特征映射为：

i∈{1,2,...,n}

其中，为图卷积核；

为了同时提取时空数据的空间相关性与时间依赖性，联合空间卷积与时间卷积对时空数据进行特征提取；

步骤二：时间特征提取

将天气状况，主要包括雨、晴、雾，定义为WeatherAtt；时间特征，主要包括一天中的什么时刻和周几，分别定义为TimeAtt和WeekAtt；

在数据集中，将6:00～23:00分成17个时间戳，每个时间间隔也就对应1小时，因此TimeAtt∈{1,2,...,17}；这些特征都是类别特征；

采用嵌入方法将这些类别特征转换为低维向量，取代常规的独热码；所述的嵌入方法是将类别值独热编码后生成的类别向量v∈R^1×C乘以一个可以学习的参数矩阵W∈R^C×O；

步骤三：路网物理特征提取

对路网特征中的车道数、道路等级这类类别特征进行嵌入方法处理，并对道路长度、POIs特征作归一化处理；之后，将预处理后的特征送入图卷积来提取空间相关性；

步骤四：标签分布学习

将预测模型的特征输入设定为X∈R^t×n×d，其中t,n,d分别为时间步数、路段数量和每条路段特征维度；标签分布学习的任务即为预测各条路段的车流量分布向量y∈R^|y|，其中v_max为训练数据中平均每个车道车流量的最大值；

在交通流量时空分布预测问题中，假设标签的概率分布应该是集中于真实标签附近的，所以将交通流量真实值y用正太分布来量化为向量y，其期望μ为真实值y，方差σ²为一个超参；

将节点观测值也转换为离散的标签分布后，通过最小化预测标签分布与观测标签分布的对称Kullback-Leibler散度来对模型进行学习

模型输出的是每条路段的交通流量概率分布向量如果需要知道交通流量具体的值，则取该概率分布向量的期望；

在有标签样本损失函数中联合无标签样本的熵，让深度模型根据给定的任务去将原始特征学习表示为一组有区分性的特征，使训练的模型同时具备较高的预测准确性以及较小的不确定性；

其中熵是通过标签概率分布来计算的

无标签样本的熵计算如下：

最终的损失函数定义如下所示：

Loss＝minλLoss_L+(1-λ)Loss_U

其中λ为权衡系数；

采用以上步骤进行训练，直至预测模型收敛，再进行步骤五；

步骤五：节点选择

选择度量分数最高的K个节点作为新增节点位置，此处的度量分数如下：

其中，上式中的第一项取选择熵值最大的样本，从而降低模型的不确定性，而第二项则是确保选择的样本尽可能地不同于已标签样本，其中β为权衡系数，φ为高斯核函数。