CN110175719B - 通过尾气数据空间插值实现尾气排放估计及预警的方法 - Google Patents
通过尾气数据空间插值实现尾气排放估计及预警的方法 Download PDFInfo
- Publication number
- CN110175719B CN110175719B CN201910463539.3A CN201910463539A CN110175719B CN 110175719 B CN110175719 B CN 110175719B CN 201910463539 A CN201910463539 A CN 201910463539A CN 110175719 B CN110175719 B CN 110175719B
- Authority
- CN
- China
- Prior art keywords
- data
- regression model
- label
- exhaust
- sample
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000002131 composite material Substances 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 10
- 239000003344 environmental pollutant Substances 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000004199 lung function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种通过尾气数据空间插值实现尾气排放估计及预警的方法,其考虑了区域尾气污染排放的空间依赖性和复杂外部环境因素,采用半监督学习的方法对未知点位的尾气排放进行估计,能够在真实遥测数据上实现更高精度的区域尾气空间插值,从而实现尾气排放的准确估计及预警。
Description
技术领域
本发明涉及环境监测领域,尤其涉及一种通过尾气数据空间插值实现尾气排放估计及预警的方法。
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物的有效监测对环境管理和交通规划具有重要意义。
由于用于城市中的车辆尾气的遥感监测设备建造和维护成本高昂,因此有效的尾气排放监测点位十分稀疏,造成采集的尾气监测数据具有时空稀疏性,难以对城市区域的尾气排放状况进行准确估计及预警。
现有关于污染物空间估算方法大多基于地理统计学方法,临近区域具有相似的尾气排放特征,如克里金法,反向距离加权插值,最小二乘法。区域尾气排放受许多复杂的外部因素影响,如道路网络,气象,交通,绿化率和城市生活功能区类型。一般的地理空间插值方法并没有考虑这些因素影响,由此进行的区域尾气排放存在累积误差。
发明内容
本发明的目的是提供一种通过尾气数据空间插值实现尾气排放估计及预警的方法,可以在真实遥测数据上实现更高精度的区域尾气空间插值,从而实现尾气排放的准确估计及预警。
本发明的目的是通过以下技术方案实现的:
一种通过尾气数据空间插值实现尾气排放估计及预警的方法,基于地理加权回归模型实现尾气数据空间插值,结合插值结果实现尾气排放状况的估计及预警,其中,基于地理加权回归模型实现尾气数据空间插值包括:
收集数据构建标签数据集,其中每一元素包含相应位置的环境变量向量xi以及对应的标签值yi;
将标签数据集复制两份记为L1与L2,分别用于构建高斯核地理加权回归模型和复合平方核地理加权回归模型;
基于高斯核地理加权回归模型和复合平方核地理加权回归模型,通过迭代学习的方式从无标签数据池P中选出满足要求的无标签样本来构建有标签样本,进而更新标签数据集L1与L2,当标签数据集L1与L2均不再更新时,完成迭代学习;
利用最终更新得到的标签数据集L1与L2分别构建高斯核地理加权回归模型和复合平方核地理加权回归模型,对于新输入的无标签样本,将高斯核地理加权回归模型和复合平方核地理加权回归模型估计到的标签值的均值作为相应无标签样本的标签值,从而完成尾气数据空间插值。
由上述本发明提供的技术方案可以看出,考虑区域尾气污染排放的空间依赖性和复杂外部环境因素,基于地理加权回归模型的尾气数据空间插值方法能够在真实遥测数据上实现更高精度的区域尾气空间插值,从而实现尾气排放的准确估计及预警。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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,对于本领域的普通技术人员来讲,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附图。
图1为本发明实施例提供的一种通过尾气数据空间插值实现尾气排放估计及预警的方法的流程图;
图2为本发明实施例提供的一种尾气数据空间插值的流程图。
具体实施方式
下面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。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
本发明实施例提供一种通过尾气数据空间插值实现尾气排放估计及预警的方法,如图1所示,其主要包括:
1、基于地理加权回归模型实现尾气数据空间插值。
如图2所示,本步骤的优选实现方式主要包括:
1)收集数据构建标签数据集。
从公开气象网站收集气象数据,记为METEO;所述气象数据包括:天气、温度、湿度、气压与风力数据;
从四维图新收集路网数据与交通流数据,分别记为RONET与TRAFFIC;所述路网数据包括:车道数、路段长度与道路等级;所述交通流数据包括:车流量与平均速度;
从百度地图上收集POIs数据,记为POIs;所述POIs数据包括:区域内兴趣点公共设施特征分类;
所构建的标签数据集记为Label={(x1,y1),…,(xn,yn)},xi=[METEOi,RONETi,TRAFFICi,POISi]是地理位置坐标为(ui,vi)的环境变量向量,yi是相应位置的尾气排放监测值,表示xi的标签,n是标签数据集大小。
此外,将无标签数据集记作Unlabel={(x1),…,(xk)},k是无标签数据集大小,同时,从无标签数据集Unlabel中随机选取小样本集合构建无标签数据池P。
2)采用半监督学习的地理加权回归算法实现尾气数据的空间插值。
a、给定标签数据集Label,无标签数据集Unlabel,最大迭代学习次数T。
b、将标签数据集复制两份记为L1与L2,分别用于构建高斯核地理加权回归模型(COGWR Regressor1)和复合平方核地理加权回归模型(COGWR Regressor2)。
高斯核地理加权回归模型与复合平方核地理加权回归模型的构建方式可以参考现有技术。
示例性的,可以根据标签数据集Label拟合初始尾气排放地理加权回归模型eGWR,公式如下:
其中,为截距项,是误差项;依次为计算COi时METEO、RONET、POI、TRAFFIC的系数;依次为计算CO2i时METEO、RONET、POI、TRAFFIC的系数;依次为计算HCi时METEO、RONET、POI、TRAFFIC的系数;依次为计算NOxi时METEO、RONET、POI、TRAFFIC的系数。
本发明实施例中,所构建的高斯核地理加权回归模型和复合平方核地理加权回归模型都是以eGWR基础,后续循环迭代过程中所涉及的重建都是根据新的标签数据集来更新相关的系数。
c、基于高斯核地理加权回归模型和复合平方核地理加权回归模型,通过迭代学习的方式从无标签数据池P中选出满足要求的无标签样本来构建有标签样本,进而更新标签数据集L1与L2,当标签数据集L1与L2均不再更新时,完成迭代学习。
c1、每一次循环迭代中,均分别利用高斯核地理加权回归模型(记为R1)和复合平方核地理加权回归模型(记为R2),估计从无标签数据池中遍历选择的一个无标签样本的标签值,并将无标签样本与估计到的标签值作为一个估计样本加入至对应的标签数据集中,再利用加入估计样本的两个标签数据集,分别重新构建高斯核地理加权回归模型(记为R1’)和复合平方核地理加权回归模型(记为R2’),并各自计算其加入估计样本前后的拟合性能指标函数。
本发明实施例中,无标签样本仅包含相应位置的环境变量向量。假设利用高斯核地理加权回归模型估计无标签样本xu标签值,结果记为yu,然后,将估计样本(xu,yu)加入至对应的标签数据集,即L1。同理,假设利用复合平方核地理加权回归模型(记为R2)估计无标签样本xu’标签值,结果记为yu’,然后,将估计样本(xu’,yu’)加入至对应的标签数据集,即L2。由于两个模型是分别进行操作,因此,无标签样本xu与无标签样本xu’可以通过是同一个无标签样本,也可以不同,本发明并不对其进行限定。
在一次循环迭代中,两个地理加权回归模型对于无标签数据池中的每一无标签样本都将计算出一个拟合性能指标函数,公式如下:
其中,L1'与L2'表示加入估计样本后的两个标签数据集,表示L1'或者L2'中不为当前加入估计样本的任一数据,表示一个包含相应位置的环境变量向量,为的标签值,表示加入估计样本前、后高斯核地理加权回归模型对于估计到的标签值,表示加入估计样本前、后复合平方核地理加权回归模型对于估计到的标签值。
由于本发明实施例可以涉及多次循环迭代,当第一次循环迭代时,L1与L2可以理解为最原始的标签数据集;当非第一次循环迭代时,L1与L2可以理解上一次循环迭代更新后的标签数据集(更新方式将在后续的步骤c2介绍)。
c2、对于高斯核地理加权回归模型和复合平方核地理加权回归模型,各自筛选出拟合性能指标函数最大值,如果最大值符合设定的要求,则将对应的无标签样本从无标签数据池P中移除,再将选出的无标签样本及估计的标签值作为一个有标签样本加入至对应的标签数据集中,以分别更新标签数据集L1与L2,并利用更新后的标签数据集L1与L2重新对应的构建高斯核地理加权回归模型和复合平方核地理加权回归模型,再返回至步骤c1进行下一次循环迭代,直至标签数据集L1与L2不再变化。
示例性的,可以将设定的要求定为最大值大于0,假设高斯核地理加权回归模型筛选出无标签样本xumax,则将无标签样本xumax与估计的标签值yumax作为一个有标签样本(xumax,yumax)加入至对应的标签数据集中L1,得到更新标签数据集L1;同理,假设高斯核地理加权回归模型筛选出无标签样本xumax’,则将无标签样本xumax’与估计的标签值yumax’作为一个有标签样本(xumax’,yumax’)加入至对应的标签数据集中L1,得到更新标签数据集L2。
如果某个最大值不符合要求,则停止相应地理加权回归模型的循环迭代,也即不再更新相应的标签数据集;当标签数据集L1或L2均不再更新时,完成迭代学习。
d、利用最终更新得到的标签数据集L1与L2分别构建高斯核地理加权回归模型和复合平方核地理加权回归模型,对于新输入的无标签样本,将高斯核地理加权回归模型和复合平方核地理加权回归模型估计到的标签值的均值作为相应无标签样本的标签值,从而完成尾气数据空间插值。
2、结合插值结果实现尾气排放状况的估计及预警。
本发明实施例上述方案,不同于传统地理学统计插值方法,其考虑了区域尾气污染排放的空间依赖性和复杂外部环境因素,采用半监督学习的方法对未知点位的尾气排放进行估计,能够在真实遥测数据上实现更高精度的区域尾气空间插值,从而实现尾气排放的准确估计及预警。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,上述实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (4)
1.一种通过尾气数据空间插值实现尾气排放估计及预警的方法,其特征在于,基于地理加权回归模型实现尾气数据空间插值,结合插值结果实现尾气排放状况的估计及预警,其中,基于地理加权回归模型实现尾气数据空间插值包括:
收集数据构建标签数据集,其中每一元素包含相应位置的环境变量向量xi以及对应的标签值yi;
将标签数据集复制两份记为L1与L2,分别用于构建高斯核地理加权回归模型和复合平方核地理加权回归模型;
基于高斯核地理加权回归模型和复合平方核地理加权回归模型,通过迭代学习的方式从无标签数据池P中选出满足要求的无标签样本来构建有标签样本,进而更新标签数据集L1与L2,当标签数据集L1与L2均不再更新时,完成迭代学习;
利用最终更新得到的标签数据集L1与L2分别构建高斯核地理加权回归模型和复合平方核地理加权回归模型,对于新输入的无标签样本,将高斯核地理加权回归模型和复合平方核地理加权回归模型估计到的标签值的均值作为相应无标签样本的标签值,从而完成尾气数据空间插值。
2.根据权利要求1所述的一种通过尾气数据空间插值实现尾气排放估计及预警的方法,其特征在于,所述收集数据构建标签数据集包括:
从公开气象网站收集气象数据,记为METEO;所述气象数据包括:天气、温度、湿度、气压与风力数据;
从四维图新收集路网数据与交通流数据,分别记为RONET与TRAFFIC;所述路网数据包括:车道数、路段长度与道路等级;所述交通流数据包括:车流量与平均速度;
从百度地图上收集POIs数据,记为POIs;所述POIs数据包括:区域内兴趣点公共设施特征分类;
所构建的标签数据集记为Label={(x1,y1),…,(xn,yn)},xi=[METEOi,RONETi,TRAFFICi,POISi]是地理位置坐标为(ui,vi)的环境变量向量,yi是相应位置的尾气排放监测值,表示xi的标签,n是标签数据集大小。
3.根据权利要求1所述的一种通过尾气数据空间插值实现尾气排放估计及预警的方法,其特征在于,所述基于高斯核地理加权回归模型和复合平方核地理加权回归模型,通过迭代学习的方式从无标签数据池P中选出满足要求的无标签样本来构建有标签样本,进而更新标签数据集L1与L2,当标签数据集L1与L2均不再更新时,完成迭代学习包括:
每一次循环迭代中,均分别利用高斯核地理加权回归模型和复合平方核地理加权回归模型,估计从无标签数据池中遍历选择的一个无标签样本的标签值,并将无标签样本与估计到的标签值作为一个估计样本加入至对应的标签数据集中,再利用加入估计样本的两个标签数据集,分别重新构建高斯核地理加权回归模型和复合平方核地理加权回归模型,并各自计算其加入估计样本前后的拟合性能指标函数;
对于高斯核地理加权回归模型和复合平方核地理加权回归模型,各自筛选出拟合性能指标函数最大值,如果最大值符合设定的要求,则将对应的无标签样本从无标签数据池P中移除,再将选出的无标签样本及估计的标签值作为一个有标签样本加入至对应的标签数据集中,以分别更新标签数据集L1与L2,并利用更新后的标签数据集L1与L2重新对应的构建高斯核地理加权回归模型和复合平方核地理加权回归模型,再进行下一次循环迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910463539.3A CN110175719B (zh) | 2019-05-30 | 2019-05-30 | 通过尾气数据空间插值实现尾气排放估计及预警的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910463539.3A CN110175719B (zh) | 2019-05-30 | 2019-05-30 | 通过尾气数据空间插值实现尾气排放估计及预警的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110175719A CN110175719A (zh) | 2019-08-27 |
CN110175719B true CN110175719B (zh) | 2022-07-15 |
Family
ID=67696657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910463539.3A Active CN110175719B (zh) | 2019-05-30 | 2019-05-30 | 通过尾气数据空间插值实现尾气排放估计及预警的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175719B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222217B (zh) * | 2021-04-15 | 2022-02-25 | 中国科学技术大学先进技术研究院 | 基于离散排放标签的柴油车排放连续值预测方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165690A (zh) * | 2018-09-03 | 2019-01-08 | 安徽优思天成智能科技有限公司 | 一种城市路网尾气污染分布预测的方法及系统 |
-
2019
- 2019-05-30 CN CN201910463539.3A patent/CN110175719B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165690A (zh) * | 2018-09-03 | 2019-01-08 | 安徽优思天成智能科技有限公司 | 一种城市路网尾气污染分布预测的方法及系统 |
Non-Patent Citations (5)
Title |
---|
A Vehicle Emission Factors Concentration Inversion Method Based on Deep Neural Networks;Qiang Zhang 等;《IEEE》;20180709;第6325-6330页 * |
An extended semisupervised regression approach with co-training and geographical weighted regression:a case study of housing prices in Beijing;YANG Y 等;《International Journal of Geo-Information》;20160504;第1-12页 * |
一种协同时空地理加权回归PM2.5浓度估算方法;赵阳阳等;《测绘科学》;20161220(第12期);全文 * |
京津冀地区PM2.5/PM10浓度时空分布监测与分析;桑会勇等;《测绘科学》;20190411(第06期);全文 * |
基于半监督学习的克里金插值方法;卢月明等;《计算机工程与应用》;20180322(第22期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110175719A (zh) | 2019-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Balogun et al. | A review of the inter-correlation of climate change, air pollution and urban sustainability using novel machine learning algorithms and spatial information science | |
Yu et al. | Urban network-wide traffic speed estimation with massive ride-sourcing GPS traces | |
US20160125307A1 (en) | Air quality inference using multiple data sources | |
Acock et al. | Estimating missing weather data for agricultural simulations using group method of data handling | |
CN110738855B (zh) | 一种数据稀疏时间段的道路交通流状况预测方法 | |
Rosés et al. | A data-driven agent-based simulation to predict crime patterns in an urban environment | |
Falahatkar et al. | Integration of remote sensing data and GIS for prediction of land cover map | |
CN112288156B (zh) | 基于元学习和图注意力时空神经网络的空气质量预测方法 | |
Mozumder et al. | Air pollution modeling from remotely sensed data using regression techniques | |
CN111189459A (zh) | 一种定位信息与道路匹配的方法和装置 | |
CN114881356A (zh) | 基于粒子群算法优化bp神经网络的城市交通碳排预测方法 | |
Bermingham et al. | Mining place-matching patterns from spatio-temporal trajectories using complex real-world places | |
Ma et al. | A deep autoencoder model for pollution map recovery with mobile sensing networks | |
CN111815098A (zh) | 基于极端天气的交通信息处理方法、装置、存储介质和电子设备 | |
Gervasoni et al. | Convolutional neural networks for disaggregated population mapping using open data | |
CN115205481A (zh) | 一种基于图神经网络的频谱地图构建方法及系统 | |
Xu et al. | Fine-grained air quality inference with remote sensing data and ubiquitous urban data | |
CN110175719B (zh) | 通过尾气数据空间插值实现尾气排放估计及预警的方法 | |
CN113744541B (zh) | 对抗图卷积网络的路网排放缺失时空分布重构方法及系统 | |
Alsaedi et al. | Spatial and temporal data analysis with deep learning for air quality prediction | |
Lyu et al. | Geometric quality assessment of trajectory‐generated VGI road networks based on the symmetric arc similarity | |
Su et al. | Effective PM2. 5 concentration forecasting based on multiple spatial–temporal GNN for areas without monitoring stations | |
Bird et al. | Sensitivity of extreme precipitation to climate change inferred using artificial intelligence shows high spatial variability | |
Gill et al. | Context aware model-based cleaning of data streams | |
Cao | How to better predict the effect of urban traffic and weather on air pollution? Norwegian evidence from machine learning approaches |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |