CN110738367B - 一种基于深度残差网络的交通尾气排放量预测方法 - Google Patents
一种基于深度残差网络的交通尾气排放量预测方法 Download PDFInfo
- Publication number
- CN110738367B CN110738367B CN201910966831.7A CN201910966831A CN110738367B CN 110738367 B CN110738367 B CN 110738367B CN 201910966831 A CN201910966831 A CN 201910966831A CN 110738367 B CN110738367 B CN 110738367B
- Authority
- CN
- China
- Prior art keywords
- time period
- data
- traffic
- holiday
- predicted
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/08—Learning methods
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明涉及交通尾气排放量预测技术领域,提供一种基于深度残差网络的交通尾气排放量预测方法。首先,将待预测区域划分成网格区域;然后采集每个时间段内待预测区域的车辆GPS轨迹数据集、节假日状况及天气状况数据,计算每个时间段内每个网格的交通尾气排放量;接着构建节假日‑天气‑排放量样本集、最近时间样本集、邻近时间样本集、遥远时间样本集,并预处理各样本集;再构建基于深度残差网络的交通排放预测模型,并训练模型;最后利用训练后的交通排放预测模型对待预测时间段内每个网格的交通尾气排放量进行预测。本发明能够提高交通尾气排放量预测的准确性,且能够同时预测整个城市中每一个子区域的交通尾气排放量。
Description
技术领域
本发明涉及交通尾气排放量预测技术领域,特别是涉及一种基于深度残差网络的交通尾气排放量预测方法。
背景技术
交通污染是空气污染的主要来源之一。随着我国经济的转型和城市化的发展,城市空气污染问题更加复杂化,城市空气污染的防治任务更加艰巨。并且由于城市机动车保有量的不断增加,交通污染日益成为城市大气污染中的主要源头。因此,交通排放预测对城市大气污染防治具有重要意义。
交通尾气是指发动机在汽油或柴油不完全燃烧过程中产生的有害污染物,主要包括氮氧化物、碳氢化合物、挥发性有机化合物、一氧化碳和颗粒物质等物质。其排放量的多少将会受到排放控制、发动机设计和车辆维护等因素的严重影响。交通污染物对人类健康和全球气候产生直接危害。大量医学研究表明,长期接触汽车废气可使呼吸系统免疫力下降,导致慢性气管炎、支气管炎及呼吸困难等发病率升高、肺功能降低,并影响人体的整体免疫功能,甚至会诱发癌变,对人体造成较严重伤害。除此之外,机动车生成的温室气体和经过二次化学反应形成的臭氧都会对全球的气候环境产生重要影响。
准确预测交通尾气排放量是治理城市空气污染的关键要素。随着城市机动车保有量的快速增加,交通尾气排放预测问题已经引起了国内外学者的广泛关注,同时预测方法也在不断地优化。然而现有的交通尾气排放量预测方法侧重于对未来城市交通排放清单的构建,或者侧重于不同工况和路况下的交通排放预测,其预测准确性低,且不能够同时预测整个城市中每一个子区域的交通尾气排放量。
发明内容
针对现有技术存在的问题,本发明提供一种基于深度残差网络的交通尾气排放量预测方法,能够提高交通尾气排放量预测的准确性,且能够同时预测整个城市中每一个子区域的交通尾气排放量。
本发明的技术方案为:
一种基于深度残差网络的交通尾气排放量预测方法,其特征在于,包括下述步骤:
其中,Aij为网格区域中第i行第j列的网格,i∈{1,2,...,I},j∈{1,2,...,J},网格区域中的每个网格均为正方形且面积相等;
其中,t∈{1,2,...,T},T为采集数据的时间段总数,每个时间段的时间长度均为Δth;ptl为第t个时间段内第l条车辆GPS轨迹数据,l∈{1,2,...,Lt},Lt为第t个时间段内车辆GPS轨迹总数;gtlk为第t个时间段内第l条车辆GPS轨迹中第k个点的地理空间坐标,k∈{1,2,...,Ktl},Ktl为第t个时间段内第l条车辆GPS轨迹中的总点数;
其中,分别为第t个时间段内网格Aij的进车流量、出车流量,in(ptl,Aij)、out(ptl,Aij)分别为车辆GPS轨迹ptl为网格Aij带来的进车流量、出车流量,in(ptl,Aij)等于车辆GPS轨迹ptl中满足条件且gtlk∈Aij且k>1}的点gtlk的总数,out(ptl,Aij)等于车辆GPS轨迹ptl中满足条件{gtlk∈Aij且且k≥1}的点gtlk的总数,gtlk∈Aij代表点gtlk位于网格Aij内,代表点gtl,k-1不位于网格Aij内;a、b、c、d均为预设的常数参数;
步骤5:分别对节假日-天气-排放量数据样本集DATA、最近时间样本集DATA1、邻近时间样本集DATA2、遥远时间样本集DATA3进行预处理,得到预处理后的节假日-天气-排放量数据样本集DATA'、最近时间样本集DATA1'、邻近时间样本集DATA2'、遥远时间样本集DATA3';
步骤6:构建基于深度残差网络的交通排放预测模型包括邻近性结构子模型、周期性结构子模型、趋势性结构子模型、额外因素结构子模型、哈达吗积函数Fusion、Tanh函数,并利用样本集DATA1'、DATA2'、DATA3'、DATA'对基于深度残差网络的交通排放预测模型进行训练;
所述邻近性结构子模型以上一个时间段内网格的节假日-天气-排放量数据为输入、当前时间段内网格的交通尾气排放量数据为输出,所述周期性结构子模型以一天前相同时间段内网格的节假日-天气-排放量数据为输入、当前时间段内网格的交通尾气排放量数据为输出,所述趋势性结构子模型以一周前相同时间段内网格的节假日-天气-排放量数据为输入、当前时间段内网格的交通尾气排放量数据为输出,所述额外因素结构子模型以当前时间段内网格的节假日-天气数据为输入、当前时间段内网格的交通尾气排放量数据为输出;哈达吗积函数Fusion用于对邻近性结构子模型、周期性结构子模型、趋势性结构子模型的输出 进行聚合,得到聚合后的输出为 是哈达吗积,W1、W2、W3均为预设的可学习参数;所述Tanh函数用于对聚合后的输出及额外因素结构子模型的输出进行融合,得到融合后的输出为为最终的交通尾气排放量预测值;
步骤7:实时采集待预测时间段内待预测区域的车辆GPS轨迹数据集、节假日状况数据、天气状况数据,采用步骤3中相同的方法计算待预测时间段内待预测区域内每个网格的交通尾气排放量;将待预测时间段内每个网格的节假日-天气数据分别输入训练后的额外因素结构子模型,将待预测时间段的上一个时间段内每个网格的节假日-天气-排放量数据分别输入训练后的邻近性结构子模型,将待预测时间段的一天前相同时间段内每个网格的节假日-天气-排放量数据分别输入训练后的周期性结构子模型,将待预测时间段的一周前相同时间段内每个网格的节假日-天气-排放量数据分别输入训练后的趋势性结构子模型,通过基于深度残差网络的交通排放预测模型输出待预测时间段内每个网格的交通尾气排放量预测值得到待预测时间段内待预测区域的交通尾气排放量预测值为
所述步骤2中,第t个时间段内待预测区域的节假日状况数据Ht={ht1,ht2,...,hts,…,ht8},s∈{1,2,…,8},hts为第t个时间段内待预测区域的第s个节假日状况标签值,hts=1代表第t个时间段内待预测区域的节假日状况为第s个节假日状况标签对应的节假日状况,hts=0代表第t个时间段内待预测区域的节假日状况非第s个节假日状况标签对应的节假日状况,第1、2、3、4、5、6、7、8个节假日状况标签对应的节假日状况分别为周一、周二、周三、周四、周五、周六、周日、节假日,所述节假日包括周末、法定节假日;
第t个时间段内待预测区域的天气状况数据Gt={gt1,gt2,…,gtr,…,gt9,gt10,gt11},r∈{1,2,…,9},gtr为第t个时间段内待预测区域的第r个天气状况标签值,gtr=1代表第t个时间段内待预测区域的天气状况为第r个天气状况标签对应的天气状况,gtr=0代表第t个时间段内待预测区域的天气状况非第r个天气状况标签对应的天气状况,第1、2、3、4、5、6、7、8、9个天气状况标签对应的天气状况分别为晴天、多云、阴天、小雨、中雨、大雨、小雪、中雪、大雪,gt10为第t个时间段内待预测区域的温度,gt10∈[-25,43],gt11为第t个时间段内待预测区域的风速,gt11∈[0,50]。
所述步骤5中,所述预处理包括数据清洗、数据规范化。
所述步骤6中,所述邻近性结构子模型、周期性结构子模型、趋势性结构子模型均包括依次相连的输入层、第一卷积层、L个残差单元、第二卷积层、输出层,所述额外因素结构子模型包括依次相连的输入层、第一全连接层、第二全连接层、输出层。
所述步骤6中,利用样本集DATA1'、DATA2'、DATA3'、DATA'对基于深度残差网络的交通排放预测模型进行训练包括:利用样本集DATA1'对邻近性结构子模型进行训练、利用样本集DATA2'对周期性结构子模型进行训练、利用样本集DATA3'对趋势性结构子模型进行训练、利用样本集DATA'对额外因素结构子模型进行训练;训练过程采用的损失函数Loss为均方误差函数。
所述步骤6中,每个卷积层的卷积核大小均为3×3。
本发明的有益效果为:
(1)本发明基于深度残差网络构建交通排放预测模型,能够根据车辆GPS轨迹数据、节假日状况数据和天气状况数据准确预测待预测时间段内的交通尾气排放量,提高交通尾气排放量预测的准确性;
(2)本发明不仅能够预测整个城市的交通尾气排放量,还能够同时预测整个城市每一个子区域的交通尾气排放量,不仅实现了交通排放的时间预测,也实现了交通排放的空间分布预测。
附图说明
图1为本发明的基于深度残差网络的交通尾气排放量预测方法的原理图。
图2为具体实施方式中北京市的区域划分网格图。
图3为具体实施方式中车辆GPS轨迹的示意图。
图4为本发明的基于深度残差网络的交通尾气排放量预测方法中基于深度残差网络的交通排放预测模型的结构示意图。
图5为具体实施方式中本发明的基于深度残差网络的交通尾气排放量预测方法的预测结果图。
具体实施方式
下面将结合附图和具体实施方式,对本发明作进一步描述。
如图1所示,为本发明的基于深度残差网络的交通尾气排放量预测方法的原理图。本发明的基于深度残差网络的交通尾气排放量预测方法,包括下述步骤:
其中,Aij为网格区域中第i行第j列的网格,i∈{1,2,…,I},j∈{1,2,…,J},网格区域中的每个网格均为正方形且面积相等。
本实施例中,待预测区域为北京市,如图2所示,将北京市划分成32×32的网格区域,每个网格的面积均为1平方公里。
其中,t∈{1,2,…,T},T为采集数据的时间段总数,每个时间段的时间长度均为Δth;ptl为第t个时间段内第l条车辆GPS轨迹数据,l∈{1,2,…,Lt},Lt为第t个时间段内车辆GPS轨迹总数;gtlk为第t个时间段内第l条车辆GPS轨迹中第k个点的地理空间坐标,k∈{1,2,...,Ktl},Ktl为第t个时间段内第l条车辆GPS轨迹中的总点数。
本实施例中,第t个时间段内待预测区域的节假日状况数据Ht={ht1,ht2,...,hts,...,ht8},s∈{1,2,...,8},hts为第t个时间段内待预测区域的第s个节假日状况标签值,hts=1代表第t个时间段内待预测区域的节假日状况为第s个节假日状况标签对应的节假日状况,hts=0代表第t个时间段内待预测区域的节假日状况非第s个节假日状况标签对应的节假日状况,第1、2、3、4、5、6、7、8个节假日状况标签对应的节假日状况分别为周一、周二、周三、周四、周五、周六、周日、节假日,所述节假日包括周末、法定节假日;
第t个时间段内待预测区域的天气状况数据Gt={gt1,gt2,...,gtr,...,gt9,gt10,gt11},r∈{1,2,...,9},gtr为第t个时间段内待预测区域的第r个天气状况标签值,gtr=1代表第t个时间段内待预测区域的天气状况为第r个天气状况标签对应的天气状况,gtr=0代表第t个时间段内待预测区域的天气状况非第r个天气状况标签对应的天气状况,第1、2、3、4、5、6、7、8、9个天气状况标签对应的天气状况分别为晴天、多云、阴天、小雨、中雨、大雨、小雪、中雪、大雪,gt10为第t个时间段内待预测区域的温度,gt10∈[-25,43],gt11为第t个时间段内待预测区域的风速,gt11∈[0,50]。
其中,分别为第t个时间段内网格Aij的进车流量、出车流量,in(ptl,Aij)、out(ptl,Aij)分别为车辆GPS轨迹ptl为网格Aij带来的进车流量、出车流量,in(ptl,Aij)等于车辆GPS轨迹ptl中满足条件且gtlk∈Aij且k>1}的点gtlk的总数,out(ptl,Aij)等于车辆GPS轨迹ptl中满足条件{gtlk∈Aij且且k≥1}的点gtlk的总数,gtlk∈Aij代表点gtlk位于网格Aij内,代表点gtl,k-1不位于网格Aij内;a、b、c、d均为预设的常数参数。
其中,需要将车辆GPS轨迹数据转化为交通流量数据,再转化为交通尾气排放量数据。本发明把交通流量数据分为两种类型:进车流量和出车流量。进车流量是指在给定时间间隔内,从其它地区进入某一地区的车辆的总流量;出车流量是指在给定时间间隔内,离开某一地区前往其它地区的车辆的总流量;进车流量和出车流量的平均值即为平均流量。如图3所示,为某一时间段内的两条车辆GPS轨迹A和B,第(1,1)网格内的进车流量为0、出车流量为1、平均流量为0.5,第(2,2)网格的进车流量为1、出车流量为2、平均流量为1.5。
将交通流量数据转化为交通尾气排放量时,参数a、b、c、d是根据车型及要预测的交通尾气的类型而预先设定的参数。
步骤5:分别对节假日-天气-排放量数据样本集DATA、最近时间样本集DATA1、邻近时间样本集DATA2、遥远时间样本集DATA3进行预处理,得到预处理后的节假日-天气-排放量数据样本集DATA'、最近时间样本集DATA1'、邻近时间样本集DATA2'、遥远时间样本集DATA3'。
本实施例中,所述预处理包括数据清洗、数据规范化。
步骤6:构建如图4所示的基于深度残差网络的交通排放预测模型包括邻近性结构子模型、周期性结构子模型、趋势性结构子模型、额外因素结构子模型、哈达吗积函数Fusion、Tanh函数,并利用样本集DATA1'、DATA2'、DATA3'、DATA'对基于深度残差网络的交通排放预测模型进行训练;
所述邻近性结构子模型以上一个时间段内网格的节假日-天气-排放量数据为输入、当前时间段内网格的交通尾气排放量数据为输出,所述周期性结构子模型以一天前相同时间段内网格的节假日-天气-排放量数据为输入、当前时间段内网格的交通尾气排放量数据为输出,所述趋势性结构子模型以一周前相同时间段内网格的节假日-天气-排放量数据为输入、当前时间段内网格的交通尾气排放量数据为输出,所述额外因素结构子模型以当前时间段内网格的节假日-天气数据为输入、当前时间段内网格的交通尾气排放量数据为输出;哈达吗积函数Fusion用于对邻近性结构子模型、周期性结构子模型、趋势性结构子模型的输出 进行聚合,得到聚合后的输出为 是哈达吗积,W1、W2、W3均为预设的可学习参数;所述Tanh函数用于对聚合后的输出及额外因素结构子模型的输出进行融合,得到融合后的输出为为最终的交通尾气排放量预测值。
本实施例中,所述邻近性结构子模型、周期性结构子模型、趋势性结构子模型均包括依次相连的输入层、第一卷积层、L个残差单元、第二卷积层、输出层,所述额外因素结构子模型包括依次相连的输入层、第一全连接层、第二全连接层、输出层。每个卷积层的卷积核大小均为3×3。
利用样本集DATA1'、DATA2'、DATA3'、DATA'对基于深度残差网络的交通排放预测模型进行训练包括:利用样本集DATA1'对邻近性结构子模型进行训练、利用样本集DATA2'对周期性结构子模型进行训练、利用样本集DATA3'对趋势性结构子模型进行训练、利用样本集DATA'对额外因素结构子模型进行训练;训练过程采用的损失函数Loss为均方误差函数。
本实施例中,从样本集DATA1'、DATA2'、DATA3'、DATA'中分别选取5000个样本并按照9:1比例划分为训练集和测试集。设置交通排放预测模型中学习率为0.002、损失函数为均方误差(MSE)、激活函数为ReLU、batch size为32、迭代次数为1000次,利用各个训练集对对应的子模型进行训练。
本实施例中,待预测的交通尾气为NOx,取测试集对交通排放预测模型进行测试,得到如图5所示的交通排放预测结果。图5中,纵坐标为北京市的NOx排放量,由各个网格的NOx排放量求和得到。由图5可以看出,本发明基于深度残差网络的交通排放预测模型对交通尾气排放量的预测值接近真实值,提高了交通尾气排放量预测的准确性。
步骤7:实时采集待预测时间段内待预测区域的车辆GPS轨迹数据集、节假日状况数据、天气状况数据,采用步骤3中相同的方法计算待预测时间段内待预测区域内每个网格的交通尾气排放量;将待预测时间段内每个网格的节假日-天气数据分别输入训练后的额外因素结构子模型,将待预测时间段的上一个时间段内每个网格的节假日-天气-排放量数据分别输入训练后的邻近性结构子模型,将待预测时间段的一天前相同时间段内每个网格的节假日-天气-排放量数据分别输入训练后的周期性结构子模型,将待预测时间段的一周前相同时间段内每个网格的节假日-天气-排放量数据分别输入训练后的趋势性结构子模型,通过基于深度残差网络的交通排放预测模型输出待预测时间段内每个网格的交通尾气排放量预测值得到待预测时间段内待预测区域的交通尾气排放量预测值为
可见,本发明不仅能够预测整个城市的交通尾气排放量,还能够同时预测整个城市每一个子区域的交通尾气排放量,在本实施例中可以同时预测北京市中每一平方公里的交通尾气排放量,从而不仅实现了交通排放的时间预测,也实现了交通排放的空间分布预测。
显然,上述实施例仅仅是本发明的一部分实施例,而不是全部的实施例。上述实施例仅用于解释本发明,并不构成对本发明保护范围的限定。基于上述实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等,均落在本发明要求的保护范围内。
Claims (6)
1.一种基于深度残差网络的交通尾气排放量预测方法,其特征在于,包括下述步骤:
步骤1:将待预测区域划分成网格区域A=(Aij)I×J;
其中,Aij为网格区域中第i行第j列的网格,i∈{1,2,...,I},j∈{1,2,...,J},网格区域中的每个网格均为正方形且面积相等;
其中,t∈{1,2,...,T},T为采集数据的时间段总数,每个时间段的时间长度均为Δth;ptl为第t个时间段内第l条车辆GPS轨迹数据,l∈{1,2,...,Lt},Lt为第t个时间段内车辆GPS轨迹总数;gtlk为第t个时间段内第l条车辆GPS轨迹中第k个点的地理空间坐标,k∈{1,2,...,Ktl},Ktl为第t个时间段内第l条车辆GPS轨迹中的总点数;
其中,分别为第t个时间段内网格Aij的进车流量、出车流量,in(ptl,Aij)、out(ptl,Aij)分别为车辆GPS轨迹ptl为网格Aij带来的进车流量、出车流量,in(ptl,Aij)等于车辆GPS轨迹ptl中满足条件{且gtlk∈Aij且k>1}的点gtlk的总数,out(ptl,Aij)等于车辆GPS轨迹ptl中满足条件{gtlk∈Aij且且k≥1}的点gtlk的总数,gtlk∈Aij代表点gtlk位于网格Aij内,代表点gtl,k-1不位于网格Aij内;a、b、c、d均为预设的常数参数;L为车辆GPS轨迹总数;
步骤5:分别对节假日-天气-排放量数据样本集DATA、最近时间样本集DATA1、邻近时间样本集DATA2、遥远时间样本集DATA3进行预处理,得到预处理后的节假日-天气-排放量数据样本集DATA'、最近时间样本集DATA1'、邻近时间样本集DATA2'、遥远时间样本集DATA3';
步骤6:构建基于深度残差网络的交通排放预测模型包括邻近性结构子模型、周期性结构子模型、趋势性结构子模型、额外因素结构子模型、哈达吗积函数Fusion、Tanh函数,并利用样本集DATA1'、DATA2'、DATA3'、DATA'对基于深度残差网络的交通排放预测模型进行训练;
所述邻近性结构子模型以上一个时间段内网格的节假日-天气-排放量数据为输入、当前时间段内网格的交通尾气排放量数据为输出,所述周期性结构子模型以一天前相同时间段内网格的节假日-天气-排放量数据为输入、当前时间段内网格的交通尾气排放量数据为输出,所述趋势性结构子模型以一周前相同时间段内网格的节假日-天气-排放量数据为输入、当前时间段内网格的交通尾气排放量数据为输出,所述额外因素结构子模型以当前时间段内网格的节假日-天气数据为输入、当前时间段内网格的交通尾气排放量数据为输出;哈达吗积函数Fusion用于对邻近性结构子模型、周期性结构子模型、趋势性结构子模型的输出 进行聚合,得到聚合后的输出为 是哈达吗积,W1、W2、W3均为预设的可学习参数;所述Tanh函数用于对聚合后的输出及额外因素结构子模型的输出进行融合,得到融合后的输出为 为最终的交通尾气排放量预测值;
步骤7:实时采集待预测时间段内待预测区域的车辆GPS轨迹数据集、节假日状况数据、天气状况数据,采用步骤3中相同的方法计算待预测时间段内待预测区域内每个网格的交通尾气排放量;将待预测时间段内每个网格的节假日-天气数据分别输入训练后的额外因素结构子模型,将待预测时间段的上一个时间段内每个网格的节假日-天气-排放量数据分别输入训练后的邻近性结构子模型,将待预测时间段的一天前相同时间段内每个网格的节假日-天气-排放量数据分别输入训练后的周期性结构子模型,将待预测时间段的一周前相同时间段内每个网格的节假日-天气-排放量数据分别输入训练后的趋势性结构子模型,通过基于深度残差网络的交通排放预测模型输出待预测时间段内每个网格的交通尾气排放量预测值得到待预测时间段内待预测区域的交通尾气排放量预测值为
2.根据权利要求1所述的基于深度残差网络的交通尾气排放量预测方法,其特征在于,所述步骤2中,第t个时间段内待预测区域的节假日状况数据Ht={ht1,ht2,...,hts,...,ht8},s∈{1,2,...,8},hts为第t个时间段内待预测区域的第s个节假日状况标签值,hts=1代表第t个时间段内待预测区域的节假日状况为第s个节假日状况标签对应的节假日状况,hts=0代表第t个时间段内待预测区域的节假日状况非第s个节假日状况标签对应的节假日状况,第1、2、3、4、5、6、7、8个节假日状况标签对应的节假日状况分别为周一、周二、周三、周四、周五、周六、周日、节假日,所述节假日包括周末、法定节假日;
第t个时间段内待预测区域的天气状况数据Gt={gt1,gt2,...,gtr,...,gt9,gt10,gt11},r∈{1,2,...,9},gtr为第t个时间段内待预测区域的第r个天气状况标签值,gtr=1代表第t个时间段内待预测区域的天气状况为第r个天气状况标签对应的天气状况,gtr=0代表第t个时间段内待预测区域的天气状况非第r个天气状况标签对应的天气状况,第1、2、3、4、5、6、7、8、9个天气状况标签对应的天气状况分别为晴天、多云、阴天、小雨、中雨、大雨、小雪、中雪、大雪,gt10为第t个时间段内待预测区域的温度,gt10∈[-25,43],gt11为第t个时间段内待预测区域的风速,gt11∈[0,50]。
3.根据权利要求1所述的基于深度残差网络的交通尾气排放量预测方法,其特征在于,所述步骤5中,所述预处理包括数据清洗、数据规范化。
4.根据权利要求1所述的基于深度残差网络的交通尾气排放量预测方法,其特征在于,所述步骤6中,所述邻近性结构子模型、周期性结构子模型、趋势性结构子模型均包括依次相连的输入层、第一卷积层、L个残差单元、第二卷积层、输出层,所述额外因素结构子模型包括依次相连的输入层、第一全连接层、第二全连接层、输出层。
5.根据权利要求4所述的基于深度残差网络的交通尾气排放量预测方法,其特征在于,所述步骤6中,利用样本集DATA1'、DATA2'、DATA3'、DATA'对基于深度残差网络的交通排放预测模型进行训练包括:利用样本集DATA1'对邻近性结构子模型进行训练、利用样本集DATA2'对周期性结构子模型进行训练、利用样本集DATA3'对趋势性结构子模型进行训练、利用样本集DATA'对额外因素结构子模型进行训练;训练过程采用的损失函数Loss为均方误差函数。
6.根据权利要求4所述的基于深度残差网络的交通尾气排放量预测方法,其特征在于,所述步骤6中,每个卷积层的卷积核大小均为3×3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910966831.7A CN110738367B (zh) | 2019-10-12 | 2019-10-12 | 一种基于深度残差网络的交通尾气排放量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910966831.7A CN110738367B (zh) | 2019-10-12 | 2019-10-12 | 一种基于深度残差网络的交通尾气排放量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738367A CN110738367A (zh) | 2020-01-31 |
CN110738367B true CN110738367B (zh) | 2022-06-28 |
Family
ID=69268730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910966831.7A Active CN110738367B (zh) | 2019-10-12 | 2019-10-12 | 一种基于深度残差网络的交通尾气排放量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738367B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111595737B (zh) * | 2020-05-15 | 2021-03-23 | 厦门大学 | 一种基于三维分支网络的光学全息粒子场颗粒点检测方法 |
CN111932874B (zh) * | 2020-07-27 | 2022-09-06 | 中国科学技术大学 | 一种利用机动车gps轨迹预测空气污染趋势的方法及系统 |
CN113077081A (zh) * | 2021-03-26 | 2021-07-06 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 交通污染排放量预测方法 |
CN113407653A (zh) * | 2021-05-28 | 2021-09-17 | 中国环境科学研究院 | 一种排放清单构建方法、系统及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105403664A (zh) * | 2015-10-19 | 2016-03-16 | 电力规划设计总院 | 一种基于wrf-chem的大型点污染源大气环境影响评价方法 |
CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控系统 |
CN107976514A (zh) * | 2017-11-20 | 2018-05-01 | 中国科学技术大学 | 一种基于机动车尾气浓度分布预测的遥测设备布点方法 |
CN108288109A (zh) * | 2018-01-11 | 2018-07-17 | 安徽优思天成智能科技有限公司 | 基于lstm深度时空残差网络的机动车尾气浓度预测方法 |
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 |
CN209085657U (zh) * | 2017-08-02 | 2019-07-09 | 强力物联网投资组合2016有限公司 | 用于与化工生产工艺有关的或工业环境的数据收集系统 |
CN110030123A (zh) * | 2017-12-18 | 2019-07-19 | 福特全球技术公司 | 用于车辆燃料系统和蒸发排放系统诊断的系统和方法 |
-
2019
- 2019-10-12 CN CN201910966831.7A patent/CN110738367B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105403664A (zh) * | 2015-10-19 | 2016-03-16 | 电力规划设计总院 | 一种基于wrf-chem的大型点污染源大气环境影响评价方法 |
CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控系统 |
CN209085657U (zh) * | 2017-08-02 | 2019-07-09 | 强力物联网投资组合2016有限公司 | 用于与化工生产工艺有关的或工业环境的数据收集系统 |
CN107976514A (zh) * | 2017-11-20 | 2018-05-01 | 中国科学技术大学 | 一种基于机动车尾气浓度分布预测的遥测设备布点方法 |
CN110030123A (zh) * | 2017-12-18 | 2019-07-19 | 福特全球技术公司 | 用于车辆燃料系统和蒸发排放系统诊断的系统和方法 |
CN108288109A (zh) * | 2018-01-11 | 2018-07-17 | 安徽优思天成智能科技有限公司 | 基于lstm深度时空残差网络的机动车尾气浓度预测方法 |
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 |
Non-Patent Citations (1)
Title |
---|
《基于LIBSVM的LNG公交车尾气排放预测模型》;唐旭 等;《交通信息与安全》;20181028;第36卷(第5期);第75-81页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110738367A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738367B (zh) | 一种基于深度残差网络的交通尾气排放量预测方法 | |
CN106845371B (zh) | 一种城市路网机动车尾气排放遥感监控系统 | |
Pusede et al. | On the observed response of ozone to NO x and VOC reactivity reductions in San Joaquin Valley California 1995–present | |
CN110531029B (zh) | 一种基于环保物联网大数据预测空气质量趋势的装置 | |
CN110598953A (zh) | 一种时空相关的空气质量预测方法 | |
CN112418609A (zh) | 一种基于面-网格-点的大气二次污染精准溯源方法 | |
CN108133295B (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 | |
Shan et al. | Vehicle energy/emissions estimation based on vehicle trajectory reconstruction using sparse mobile sensor data | |
Khare et al. | Artificial neural networks in vehicular pollution modelling | |
CN102567811A (zh) | 基于实时道路交通特征的机动车排放测算方法 | |
Zhang et al. | Vehicle emission forecasting based on wavelet transform and long short-term memory network | |
CN111696369A (zh) | 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法 | |
CN109214570A (zh) | 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 | |
CN105894814A (zh) | 考虑环境效益的多种交通管控措施联合优化方法及系统 | |
CN103731916A (zh) | 一种基于无线网络的用户位置预测系统和方法 | |
US11776081B1 (en) | Methods and systems for predicting air quality in smart cities based on an internet of things | |
CN104834944A (zh) | 一种基于协同训练的城市区域空气质量估计方法 | |
Sonawani et al. | NO2 pollutant concentration forecasting for air quality monitoring by using an optimised deep learning bidirectional GRU model | |
Soh et al. | Spatial-Temporal pattern analysis and prediction of air quality in Taiwan | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
CN113642241B (zh) | 一种基于交通运行状态的路网细颗粒物研究方法 | |
CN114822709A (zh) | 大气污染多粒度精准成因分析方法及装置 | |
CN111783034A (zh) | 一种车云协同计算的排放路谱分析方法 | |
CN112131523B (zh) | 一种基于有限监测点位的时空数据生成方法及系统 | |
Guo et al. | Traffic flow forecasting for road tunnel using PSO-GPR algorithm with combined kernel function |
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 |