CN110321932A - 一种基于深度多源数据融合的全城市空气质量指数估计方法 - Google Patents

Abstract

本发明公开了一种基于深度多源数据融合的全城市空气质量指数估计方法，具体实施步骤如下：1)基于每个时刻的城市多源数据构建特征图像作为样本，得到训练数据集；2)利用深度神经网络融合各特征图像来估计完整的空气质量指数特征图像，进而得到各区域的空气质量指数估计值；3)利用有空气质量监测站区域空气质量指数估计、临近区域空气质量相关性约束和特征图像重构三种损失联合训练空气质量指数估计模型，得到参数调优后的空气质量指数估计模型。本发明结合深度学习和图像融合对城市各区域空气质量进行估计，在卫生健康、环境治理、城市规划等领域都具有广阔的应用前景。

Description

一种基于深度多源数据融合的全城市空气质量指数估计方法

技术领域

本发明涉及城市空气质量估计领域，具体涉及一种基于深度多源数据融合的全城市空气质量指数估计方法。

背景技术

随着城市化和工业化的不断推进，很多城市出现大气能见度下降、空气质量不达标等问题，越来越多的人开始关注周边的空气质量。然而城市中空气质量监测站数量有限，无法提供任意区域的空气质量信息。城市空气质量估计可以估计任意区域的空气质量，是城市计算中极具价值的研究方向，在卫生健康、环境治理、城市规划等领域都具有广阔的应用前景。

传统城市空气质量估计研究一般采用半监督的机器学习方法结合城市中的多源数据来估计区域空气质量，如申请公开号为CN104834944A的基于协同训练的城市区域空气质量估计方法和申请公开号为CN108509565A的基于迁移半监督学习的非城市区域空气质量指数空间估计方法。该类方法在对空气质量建模时，从多源数据中选取空气质量的相关影响因素，同时通过半监督学习利用未标注数据，对空气质量与相关影响因素之间的关系进行建模。但是，半监督学习的空气质量估计方法中，使用的特征由人工定义，存在信息丢失。

为了解决特征中信息丢失的问题，研究人员提出了基于深度学习的空气质量估计方法，这类方法通过神经网络自动构建空气质量相关影响因素的特征，端到端地学习城市空气质量与相关影响因素的关系。研究表明深度学习方法利用神经网络自动构建特征，可以比传统方法人工定义的特征在空气质量估计上取得更好的效果。然而，现有空气质量估计方法在对城市空气质量建模时，独立估计各区域的空气质量，忽略了各区域空气质量之间的相关性和各区域影响因素之间的相关性。

发明内容

本发明有效利用城市各区域空气质量之间的相关性和各区域影响因素之间的相关性，提出一种基于深度多源数据融合的全城市空气质量指数估计方法，该全城市空气质量指数估计方法能够快速有效地估计全城市空气质量。

本发明点技术方案为：

一种基于深度多源数据融合的全城市空气质量指数估计方法，包括以下步骤：

(1)基于每个时刻的城市多源数据构建兴趣点特征图像、气象特征图像、交通特征图像、企业自测特征图像和空气质量特征图像五大类特征图像作为训练样本，得到训练数据集；

(2)基于深度神经网络构建空气质量指数估计模型，该空气质量指数估计模型包括特征图像重构单元，特征图像重组单元以及特征图像融合单元，其中，特征图像重构单元主要用于对输入的特征图像进行重构，输出重构特征图像和特征图像块；特征图像重组单元主要用于对特征图像块按块进行重组，输出重组特征图像块；特征图像融合单元主要用于对重组特征图像块进行融合估计，输出空气质量指数估计值；

(3)根据特征图像、重构特征图像、空气质量监测站监测的空气质量指数真值以及空气质量指数估计值构建损失函数，并根据损失函数和训练样本对空气质量指数估计模型进行训练，得到参数调优后的空气质量指数估计模型；

(4)应用时，将待检测城市对应的五大类特征图像输入至参数调优后的空气质量指数估计模型中，经计算输出全城市空气质量指数的估计值。

本发明提供的全城市空气质量指数估计方法中，以图像表示不同来源的城市大数据，引入按块重组实现多图像融合，利用空间和因素上的交叉形成有效表示，同时引入自注意力机制，捕获区域空气质量与多源城市大数据间的动态相关性。同时利用地理学第一定律对临近区域空气质量的变化进行约束，缓解模型参数过多带来的过拟合问题。经过训练获得的空气质量指数估计模型能够快速较准确地预测全城市空气质量指数。

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做简单地介绍，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前提下，还可以根据这些附图获得其他附图。

图1是空气质量指数估计整体流程图；

图2是空气质量指数估计整体框架图；

图3是网格单元；

图4是交通设施特征图像；

图5是兴趣点特征图像；

图6是基于SegNet的表示构建；

图7是基于SegNet的块表示构建；

图8是各特征图像块表示的按块重组；

图9是基于自注意力机制的块内多特征融合；

图10是自底向上的多块表示融合。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。

参见图1～图10，本实施例提供的基于深度多源数据融合的全城市空气质量指数估计方法，包括以下步骤：

步骤1，将一个城市划分成若干大小相同边长为l的网格单元，记为G，g_ij∈G代表第i行，第j列的网格单元。

将一个城市划分成若干大小相同边长为l的网格单元，记为G，如图3所示。其中g_ij∈G表示第i行，第j列的网格单元。本发明假设一个网格单元内空气质量是相同的，并且将一个网格单元称作城市的一个区域。

步骤2，对于每个时刻的城市多源数据，基于网格单元构建兴趣点特征图像POI、气象特征图像Meteorology、交通特征图像Traffic、企业自测特征图像Pollutant和空气质量特征图像Air Quality五大类特征图像作为样本，得到训练数据集。

将每个时刻城市中带有位置属性的多源数据，按照网格单元划分，统计网格单元中属性的值或数量构建该时刻的特征图像。本发明主要涉及兴趣点、气象、交通、企业自测和空气质量特征，每种特征下的多个类别可以构建各自的特征图像，例如，根据网格单元g_ij中交通设施类兴趣点(包括公交站、地铁站等)的数量可以构建交通设施特征图像POI^{transpotation spot}，如图4所示。

将每个特征下的多个类别构建的特征图像叠加在一起，如兴趣点特征的交通设施特征图像POI^{transportation spot}、工厂特征图像POI^factory、公园特征图像POI^park、商店特征图像POI^store、饮食场所特征图像POI^{eating and drinking establishment}、体育馆特征图像POI^stadium、学校特征图像POI^school、房地产特征图像POI^{real estate}、娱乐场所特征图像POI^{entertainment}、其他地点特征图像POI^{other establishment}等小类特征图像叠加在一起，类似于包含RGB通道彩色图像的处理方式，得到兴趣点特征图像POI，如图5所示。

同样，将如温度特征图像Meteorology^temperature、湿度特征图像Meteorology^humidity、降雨量特征图像Meteorology^rainfall、风力特征图像Meteorology^{wind force}、风向特征图像Meteorology^{wind direct}等特征图像叠加在一起，类似于包含RGB通道彩色图像的处理方式，得到气象特征图像Meteorology。将如车速特征图像Traffic^speed和拥堵等级特征图像Traffic^{congestion level}等特征图像叠加在一起，类似于包含RGB通道彩色图像的处理方式，得到交通特征图像Traffic。将如二氧化硫特征图像烟尘特征图像Pollutant^smoke和氮氧化物特征图像Pollutant^{nitrogen oxides}等特征图像叠加在一起，类似于包含RGB通道彩色图像的处理方式，得到企业自测特征图像Pollutant。将如二氧化硫特征图像Air二氧化氮特征图像AirPM₁₀特征图像Air一氧化氮特征图像Air Quality^CO、臭氧特征图像AirPM_2.5浓度特征图像Air和空气质量指数特征图像Air Quality^AQI等特征图像叠加在一起，类似于包含RGB通道彩色图像的处理方式，得到空气质量特征图像Air Quality。

以上每个时刻得到的趣点特征图像POI、气象特征图像Meteorology、交通特征图像Traffic、企业自测特征图像Pollutant和空气质量特征图像Air Quality作为一个样本，构建训练数据集。

步骤3，构建基于深度神经网络构建空气质量指数估计模型。

本实施例中，空气质量指数估计模型主要包括特征图像重构单元，特征图像重组单元以及特征图像融合单元，其中，特征图像重构单元主要用于对输入的特征图像进行重构，输出重构特征图像和特征图像块；特征图像重组单元主要用于对特征图像块按块进行重组，输出重组特征图像块；特征图像融合单元主要用于对重组特征图像块进行融合估计，输出空气质量指数估计值。

其中，特征图像重构单元可以为由卷积层、池化层和反卷积层组成的SegNet，主要用于提取不同深度的图像特征，形成特征图像块和重构特征图像。图6中所示的为特征图像重构单元的一个实施例，@前的数值表示卷积核或反卷积核的大小，@后的数值表示卷积核或反卷积核的数目，池化层中的数值代表池化范围的大小，

其中，卷积层：以δ作为输入，对其进行卷积运算，输出前一层的特征映射：

其中，为第l层的特征经过卷积操作后得到的下一层第k个特征映射，σ(·)为非线性的激活函数，本发明使用ReLU函数，L^l为第l层特征映射的数量，为当前使用的卷积核，为第l层的第f个特征映射，为偏差项。

池化层：使用平均池化层对前一层的输入进行映射：

其中，表示第l层经过平均池化层之后的特征映射，为位置i,j,h的相邻区域。

反卷积层：以δ作为输入，对其进行卷积的逆运算：

其中，为第l层的输入的特征映射，L^l+1为第l+1层特征映射的数量，为当前使用的反卷积核，为第l+1层的第f个特征映射。

在特征图像重构单元中，前半部分是由若干个卷积层和池化层组成的编码器，在编码器中，卷积层被池化层间隔开来，形成多个由连续连接卷的积层组成的特征提取单元，每个特征提取单元块会提取不同深度的图像特征，形成特征图像块。

在特征提取单元中，包含至少由2个卷积核的大小和数量均相同的卷积层组成，每个卷积层输出的特征图进行拼接操作，形成特征图像块，每个特征提取单元中的尺寸均不相同，即形成的特征图像块尺寸不同，如图7所示，池化层将卷积层间隔开来，形成5个特征提取单元，每个特征提取单元中，卷积层输出的特征图通过符号为的拼接操作进行图像拼接，共计形成5个特征图像块，分别表示为第1特征图像块BR₁，第2特征图像块BR₂，第3特征图像块BR₃，第4特征图像块BR₄和第5特征图像块BR₅。

针对兴趣点特征图像POI，经过编码器，得到的5个特征图像块分别表示为针对气象特征图像Meteorology，得到的5个特征图像块分别表示为 针对交通特征图像Traffic，得到的5个特征图像块分别表示为 针对企业自测特征图像Pollutant，得到的5个特征图像块分别表示为 针对空气质量特征图像Air Quality，得到的5个特征图像块分别表示为

特征图像重构单元的后半部分是解码器，其结构与编码器结构基本对称，不同的是，编码器中的卷积层换成了反卷积层，主要用于解码成重构特征图像，编码器最终输出的特征图进入到解码器中，经过卷积和反卷积操作，输出重构特征图像。趣点特征图像POI、气象特征图像Meteorology、交通特征图像Traffic、企业自测特征图像Pollutant和空气质量特征图像AirQuality输入至特征图像重构单元后，经过编码和解码后输出重构特征图像和Air

特征图像重组单元主要用于对特征图像块按块进行重组，输出重组特征图像块。具体地，如图8所示，抽取每大类型图像特征块中相同序号的特征图像块进行重组，形成重组特征图像块。即将特征图像块特征图像块特征图像块特征图像块以及特征图像块进行重组，形成重组特征图像块MFR₁；将特征图像块块以及进行重组，形成重组特征图像块MFR₂；将特征图像块块以及进行重组，形成重组特征图像块MFR₃；将特征图像块块以及进行重组，形成重组特征图像块MFR₄；将特征图像块 块以及进行重组，形成重组特征图像块MFR₅。

特征图像融合单元主要用于对重组特征图像块进行融合估计，输出空气质量指数估计值。主要采用自注意力机制融合重组特征图像块MFR₁，MFR₂，MFR₃，MFR₄和MFR₅内各特征图像，得到相应的融合表示MFFR₁、MFFR₂、MFFR₃、MFFR₄和MFFR₅。

具体地，针对重组特征图像块，利用自注意力机制来学习重组特征图像块内各特征的权重，如图9所示。具体计算方式如下所示：

其中，W_n，为学习的网络参数，分别为自注意力机制的权重和偏差项，n代表第n块重组特征图像块，(n∈[1,2,3,4,5])，表示第n块重组特征图像块内的第t个特征，为t特征的权重。MFFR_n为MFR_n经过自注意力机制加权后得到的融合表示，称作第n块融合特征图像。每块重组特征图像块通过基于自注意力机制的块内多特征融合得到相应的融合特征图像MFFR₁、MFFR₂、MFFR₃、MFFR₄和MFFR₅。

针对融合特征图像MFFR₁、MFFR₂、MFFR₃、MFFR₄和MFFR₅，再采用反卷积操作按照融合特征图像尺寸由小到大的顺序依次融合估计，获得空气质量指数特征图像Air进而得到各区域的空气质量指数估计值。

具体地，如图10所示，将融合特征图像MFFR₅、融合特征图像MFFR₄、融合特征图像MFFR₃、融合特征图像MFFR₂和融合特征图像MFFR₁通过反卷积和拼接操作依次融合在一起，估计完整的空气质量指数特征图像Air其中，为拼接(Concatenate)操作，融合特征图像MFFR₅经过反卷积后，与融合特征图像MFFR₄拼接得到第一拼接结果；再将第一拼接结果经过反卷积与融合特征图像MFFR₃拼接得到第二拼接结果；再将第二拼接结果经过反卷积与融合特征图像MFFR₂拼接得到第三拼接结果；再将第三拼接结果经过反卷积与融合特征图像MFFR₁拼接得到第四拼接结果；第四拼接结果再经过反卷积操作，得到空气质量指数特征图像Air该空气质量指数特征图像Air中的具体数值即为网格单元g_ij的空气质量指数估计值。

各融合表示的反卷积和拼接具体计算方式如下所示：

Concat_n＝[MFFR_n；Deconv_n+1] (8)

其中，式(8)为融合特征图像MFFR₅单独的反卷积计算方式，ζ₅为反卷积核，为融合特征图像MFFR₅经过反卷积后的第f个特征映射。由于融合特征图像MFFR₅是最底部的表示，不需要跟其他表示拼接，直接经过反卷积操作，所以单独由式(8)给出计算过程。其融合特征图像的融合表示需要经过拼接与反卷积两步操作，其计算过程由式(9)和式(10)给出，[·；·]表示拼接操作，Concat_n为第n+1块反卷积结果与第n块融合特征图像拼接得到的拼接结果，Deconv_n表示对Concat_n的反卷积结果，其中n∈[1,2,3,4]。

步骤4，根据特征图像、重构特征图像、空气质量监测站监测的空气质量指数真值以及空气质量指数估计值构建损失函数。

本发明中，构建的损失函数包括空气质量指数估计损失、临近区域空气质量的相似性损失以及重构特征图像整体损失。

针对空气质量指数估计损失，根据空气质量监测站监测的空气质量指数真值Ground Truth与空气质量指数估计值Air计算有监测站区域的空气质量指数估计损失Loss_{absoluteerror}，具体公式如下：

其中，S为城市中有空气质量监测站的区域集合，x为空气质量指数特征图像AirQuality^AQI中带有监测站的区域空气质量指数真值构成的向量，为Air中有监测站的区域空气质量指数估计值构成的向量，A为训练样本的集合；

针对临近区域空气质量的相似性损失，即对于没有空气质量监测站的区域，计算特征图像Air中临近区域空气质量的相似性损失Loss_{neighbor similarity}，根据临近区域空气质量相关性约束来计算其损失，具体计算方式如下：

其中，B_ij为临近区域空气质量相关性约束矩阵B第i行，第j列的值，i∈[1,2,3,…,H]，j∈[1,2,3,…,W]，B_ij的值代表网格单元g_ij与周边临近区域空气质量指数的差异，W和H分别为Air的宽度和高度，d(·,·)为城市中两个区域之间空间上的欧式距离，Air为区域g_mn的空气质量指数估计值，Air为区域g_ij的空气质量指数估计值，l∈[3,5,8]为区域g_ij的临近区域数量，不考虑超出特征图像Air边界的区域，B^k表示第k个样本的约束矩阵，A为训练样本的集合；

针对重构特征图像整体损失，利用平均绝对误差，计算兴趣点特征图像POI、气象特征图像Meteorology、交通特征图像Traffic、企业自测特征图像Pollutant和空气质量特征图像Air Quality与构特征图像 和Air的损失，进而得到重构特征图像整体损失Loss_re；

对于兴趣点特征图像POI，其重构特征图像的损失计算如下：

对于气象特征图像Meteorology，其重构特征图像的损失计算如下：

对于交通特征图像Traffic，其重构特征图像的损失计算如下：

对于企业自测特征图像Pollutant，其重构特征图像的损失计算如下：

对于空气质量特征图像Air Quality，其重构特征图像的损失计算如下：

其中，W为特征图像的宽度，H为特征图像的高度，A为训练样本的集合，k表示当前训练批次中第k个样本；

重构特征图像整体损失Loss_re为：

Loss_re＝Loss_POI+Loss_Traffic+Loss_Meteorlogy+Loss_Pollutant+Loss_{Air Quality} (18)

综上，总损失函数L_s为：

L_s＝Loss_{absolute error}+Loss_{neighbor similarity}+Loss_re (19)

步骤5，将训练数据集按照固定的批量大小m进行分批，批次总数为N。

根据人为经验设定的批量大小m对训练数据集进行分批，批次总数为N。具体计算方式如下：

其中，Samples为训练数据集中样本总数。

步骤6，根据批中所有样本的损失L，对整个空气质量指数估计模型中的网络参数进行调整。

计算批中所有样本的损失函数L，具体计算方式如下所示：

其中，L_s为每个样本的损失函数，m为每个批中样本的数量。在本发明中，根据损失函数L，对空气质量指数估计模型中的网络参数进行调整。直到训练数据集的所有批次都参与了模型训练，且达到了指定迭代次数，获得参数调优后的空气质量指数估计模型。

步骤7，应用时，将待检测城市对应的五大类特征图像输入至参数调优后的空气质量指数估计模型中，经计算输出全城市空气质量指数的估计值。

即将待检测城市的兴趣点特征图像、气象特征图像、交通特征图像、企业自测特征图像和空气质量特征图像输入至参数调优后的空气质量指数估计模型中，经计算输出全城市空气质量指数的估计值，实现对全城市空气质量指数的估计。

上述全城市空气质量指数估计方法中，以图像表示不同来源的城市大数据，引入按块重组实现多图像融合，利用空间和因素上的交叉形成有效表示，同时引入自注意力机制，捕获区域空气质量与多源城市大数据间的动态相关性。同时利用地理学第一定律对临近区域空气质量的变化进行约束，缓解模型参数过多带来的过拟合问题。经过训练获得的空气质量指数估计模型能够快速较准确地预测全城市空气质量指数。

以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于深度多源数据融合的全城市空气质量指数估计方法，包括以下步骤：

(1)基于每个时刻的城市多源数据构建兴趣点特征图像、气象特征图像、交通特征图像、企业自测特征图像和空气质量特征图像五大类特征图像作为训练样本，得到训练数据集；

(2)基于深度神经网络构建空气质量指数估计模型，该空气质量指数估计模型包括特征图像重构单元，特征图像重组单元以及特征图像融合单元，其中，特征图像重构单元主要用于对输入的特征图像进行重构，输出重构特征图像和特征图像块；特征图像重组单元主要用于对特征图像块按块进行重组，输出重组特征图像块；特征图像融合单元主要用于对重组特征图像块进行融合估计，输出空气质量指数估计值；

(3)根据特征图像、重构特征图像、空气质量监测站监测的空气质量指数真值以及空气质量指数估计值构建损失函数，并根据损失函数和训练样本对空气质量指数估计模型进行训练，得到参数调优后的空气质量指数估计模型；

(4)应用时，将待检测城市对应的五大类特征图像输入至参数调优后的空气质量指数估计模型中，经计算输出全城市空气质量指数的估计值。

2.如权利要求1所述的深度多源数据融合的全城市空气质量指数估计方法，其特征在于，特征图像重构单元为由卷积层、池化层和反卷积层组成的SegNet；

在特征图像重构单元中，前半部分是由若干个卷积层和池化层组成的编码器，在编码器中，卷积层被池化层间隔开来，形成多个由连续连接卷的积层组成的特征提取单元，每个特征提取单元块会提取不同深度的图像特征，形成特征图像块；其中，在特征提取单元中，包含至少由2个卷积核的大小和数量均相同的卷积层组成，每个卷积层输出的特征图进行拼接操作，形成特征图像块；

特征图像重构单元的后半部分是解码器，其结构与编码器结构基本对称，不同的是，编码器中的卷积层换成了反卷积层，主要用于解码成重构特征图像，编码器最终输出的特征图进入到解码器中，经过卷积和反卷积操作，输出重构特征图像。

3.如权利要求1所述的深度多源数据融合的全城市空气质量指数估计方法，其特征在于，特征图像重组单元主要用于对特征图像块按块进行重组，输出重组特征图像块，具体地，抽取每大类型图像特征块中相同序号的特征图像块进行重组，形成重组特征图像块。

4.如权利要求1所述的深度多源数据融合的全城市空气质量指数估计方法，其特征在于，特征图像融合单元主要用于对重组特征图像块进行融合估计，输出空气质量指数估计值；

针对重组特征图像块，利用自注意力机制来学习重组特征图像块内各特征的权重，具体计算方式如下所示：

其中，W_n，为学习的网络参数，分别为自注意力机制的权重和偏差项，n代表第n块重组特征图像块，(n∈[1，2，3，4，5])，表示第n块重组特征图像块内的第t个特征，为t特征的权重。MFFR_n为MFR_n经过自注意力机制加权后得到的融合表示，称作第n块融合特征图像；

针对融合特征图像，再采用反卷积操作按照融合特征图像尺寸由小到大的顺序依次融合估计，获得空气质量指数特征图像

5.如权利要求1所述的深度多源数据融合的全城市空气质量指数估计方法，其特征在于，构建的损失函数包括空气质量指数估计损失Loss_{absoluteerror}、临近区域空气质量的相似性损失Loss_{neighborsimilarity}以及重构特征图像整体损失Loss_re，即损失函数L_s为：

L_s＝Loss_{absoluteerror}+Loss_{neighborsimilarity}+Loss_re。

6.如权利要求5所述的深度多源数据融合的全城市空气质量指数估计方法，其特征在于，针对空气质量指数估计损失，根据空气质量监测站监测的空气质量指数真值GroundTruth与空气质量指数估计值计算有监测站区域的空气质量指数估计损失Loss_{absoluteerror}，具体公式如下：

其中，S为城市中有空气质量监测站的区域集合，x为空气质量指数特征图像AirQuality^AQI中带有监测站的区域空气质量指数真值构成的向量，为中有监测站的区域空气质量指数估计值构成的向量，A为训练样本的集合。

7.如权利要求6所述的深度多源数据融合的全城市空气质量指数估计方法，其特征在于，针对临近区域空气质量的相似性损失，即对于没有空气质量监测站的区域，计算特征图像中临近区域空气质量的相似性损失Loss_{neighborsimilarity}，根据临近区域空气质量相关性约束来计算其损失，具体计算方式如下：

其中，B_ij为临近区域空气质量相关性约束矩阵B第i行，第j列的值，i∈[1，2，3，...，H]，j∈[1，2，3，...，W]，B_ij的值代表网格单元g_ij与周边临近区域空气质量指数的差异，W和H分别为的宽度和高度，d(·，·)为城市中两个区域之间空间上的欧式距离，为区域g_mn的空气质量指数估计值，为区域g_ij的空气质量指数估计值，l∈[3，5，8]为区域g_ij的临近区域数量，不考虑超出特征图像边界的区域，B^k表示第k个样本的约束矩阵，A为训练样本的集合。

8.如权利要求7所述的深度多源数据融合的全城市空气质量指数估计方法，其特征在于，针对重构特征图像整体损失，利用平均绝对误差，计算兴趣点特征图像POI、气象特征图像Meteorology、交通特征图像Traffic、企业自测特征图像Pollutant和空气质量特征图像AirQuality与构特征图像和的损失，进而得到重构特征图像整体损失Loss_re；

对于兴趣点特征图像POI，其重构特征图像的损失计算如下：

对于气象特征图像Meteorology，其重构特征图像的损失计算如下：

对于交通特征图像Traffic，其重构特征图像的损失计算如下：

对于企业自测特征图像Pollutant，其重构特征图像的损失计算如下：

对于空气质量特征图像Air Quality，其重构特征图像的损失计算如下：

其中，W为特征图像的宽度，H为特征图像的高度，A为训练样本的集合，k表示当前训练批次中第k个样本；

重构特征图像整体损失Loss_re为：

Loss_re＝Loss_POI+Loss_Traffic+Loss_Meteorlogy+Loss_Pollutant+Loss_AirQuality。