CN111932874A - 一种利用机动车gps轨迹预测空气污染趋势的方法及系统 - Google Patents
一种利用机动车gps轨迹预测空气污染趋势的方法及系统 Download PDFInfo
- Publication number
- CN111932874A CN111932874A CN202010732206.9A CN202010732206A CN111932874A CN 111932874 A CN111932874 A CN 111932874A CN 202010732206 A CN202010732206 A CN 202010732206A CN 111932874 A CN111932874 A CN 111932874A
- Authority
- CN
- China
- Prior art keywords
- time
- vertex
- vehicle
- convolution
- average speed
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种利用机动车GPS轨迹预测空气污染趋势的方法及系统,包括将机动车GPS轨迹映射在城市路网中,得到给定区域在一定时间段内的交通状态属性和邻接矩;利用多任务时空图卷积模型对给定区域的交通状态属性和邻接矩阵进行处理,预测出该给定区域在未来时段的区域车流量和车辆平均速度值;基于COPERT的污染计算模型,对给定区域在未来时段的区域车流量和车辆平均速度值进行计算,估算出所述给定区域内的空气污染趋势。采用多任务时空图卷积网络预测未来时间段内的交通状态属性,使两个任务共享特征信息,增加特征信息,减小预测的误差。
Description
技术领域
本发明涉及环境检测技术处理技术领域,特别涉及一种利用机动车GPS轨迹预测空气污染趋势的方法及系统。
背景技术
2018年,我国机动车保有量已达3.27亿辆,其中汽油车占总保有量的88.7%,一氧化碳(CO),碳氢化合物(HC)的排放量分别占机动车总排放量的87.5%和77.0%。由于我国机动车保有量仍呈快速增长态势,机动车尾气造成的污染也会愈加严重,损害环境空气质量并严重威胁居民健康。尽管我国不断采取措施防治机动车尾气污染,如淘汰不合格车辆、提高排放标准、升级油品质量等,但污染形势仍然比较严峻。因此,若能够预测给定区域机动车流、车速以及尾气排放造成的空气污染量的趋势,对于城市交通、污染排放和空气污染的建模有重要的意义,以帮助控制车辆排放和保护环境。例如:若能预测一个区域的车流量,车速以及空气污染指标,能够据此建议更经济高效的驾驶路线。并可以为政府相关部门的决策提供理论依据。
发明内容
本发明的目的在于克服现有技术存在的缺陷,以对给定区域的空气污染趋势进行预测。
为实现以上目的,本发明采用一种利用机动车GPS轨迹预测空气污染趋势的方法,包括如下步骤:
将机动车GPS轨迹映射在城市路网中,得到给定区域在一定时间段内的交通状态属性和邻接矩阵,该交通状态属性包括在一定时间段内通过的车流量以及该时间段内车辆行驶的平均速度数据集;
利用多任务时空图卷积模型对给定区域的交通状态属性和邻接矩阵进行处理,预测出该给定区域在未来时段的区域车流量和车辆平均速度值;
基于COPERT的污染计算模型,对给定区域在未来时段的区域车流量和车辆平均速度值进行计算,估算出所述给定区域内的空气污染趋势。
进一步地,所述将机动车GPS轨迹映射在城市路网中,得到给定区域在一定时间段内的交通状态属性和邻接矩阵,包括:
将城市路网按照经纬度划分成N个网格,每个网格作为一个顶点构成顶点集V={r1,r2,…,ri,…,rN},ri表示第i个顶点;
将所述机动车GPS轨迹映射在网格中,根据网格在所述城市路网中的位置,计算顶点ri在第t个时间间隔内通过的车流量以及顶点ri在第t个时间间隔内的平均速度;
利用动态时间规划算法计算两个顶点的交通状态属性的时间序列的相似性,并将该相似性作为两个顶点间的距离,构造所述邻接矩阵。
进一步地,所述将机动车GPS轨迹映射在网格中,根据网格在所述城市路网中的位置,计算顶点ri在第t个时间间隔内通过的车流量以及顶点ri在第t个时间间隔内的平均速度,包括:
所述顶点ri在第t个时间间隔内通过的车流量为:
其中,表示在第t个时间间隔内经过顶点ri的所有轨迹的条数,Π表示在第t个时间间隔内一系列GPS轨迹的集合,Tr:p1→p2→…→pTr是Π集合中的其中一条轨迹,|·|为取集合的基数的操作,pk=(τk,gk)表示轨迹Tr第k个GPS点,记录了机动车位置信息的数据,表示在τk时刻该机动车所在的位置的经纬度为gk;
所述顶点ri在第t个时间间隔内的平均速度为:
进一步地,所述利用动态时间规划算法计算两个顶点的交通状态属性的时间序列的相似性,并将该相似性作为两个顶点间的距离,构造所述邻接矩阵,包括:
进一步地,所述利用多任务时空图卷积模型对给定区域的交通状态属性和邻接矩阵进行处理,预测出该给定区域在未来时段的区域车流量和车辆平均速度值,包括:
对于输入f=[f1,f2,…,ft]和v=[v1,v2,…,vt],所述多任务时空图卷积模型输出ft+1,vt+1为:
其中,Wf,Wv为网络要优化的权重参数。
进一步地,所述图卷积层采用切比雪夫多项式趋近,用于提取空间特征,图卷积为:
所述时间卷积层用于提取时间特征,时间卷积层定义为:
所述输出层包括时间卷积层和全连接层,时间卷积层和全连接层连接。
进一步地,所述基于COPERT的污染计算模型,对给定区域在未来时段的区域车流量和车辆平均速度值进行计算,估算出所述给定区域内的空气污染趋势,包括:
利用CO排放因子计算公式,对所述给定区域在未来时段的区域车流量和车辆平均速度值进行计算,得到CO排放因子;
利用HC排放因子计算公式对所述给定区域在未来时段的区域车流量和车辆平均速度值进行计算,得到HC排放因子;
利用COPERT的污染计算模型,对CO排放因子和HC排放因子进行计算,得到所述给定区域的CO污染物的估计值和HC污染物的估计值。
另一方面,采用一种利用机动车GPS轨迹预测空气污染趋势的系统,包括映射模块、预测模块和估算模块:
映射模块用于将机动车GPS轨迹映射在城市路网中,得到给定区域在一定时间段内的交通状态属性和邻接矩阵,该交通状态属性包括在一定时间段内通过的车流量以及该时间段内车辆行驶的平均速度数据集;
预测模块用于利用多任务时空图卷积模型对给定区域的交通状态属性和邻接矩阵进行处理,预测出该给定区域在未来时段的区域车流量和车辆平均速度值;
估算模块用于基于COPERT的污染计算模型,对给定区域在未来时段的区域车流量和车辆平均速度值进行计算,估算出所述给定区域内的空气污染趋势。
进一步地,所述映射模块包括划分单元、属性计算单元和邻接矩阵计算单元;
划分单元用于将城市路网按照经纬度划分成N个网格,每个网格作为一个顶点构成顶点集V={r1,r2,…,ri,…,rN},ri表示第i个顶点;
属性计算单元用于将所述机动车GPS轨迹映射在网格中,根据网格在所述城市路网中的位置,计算顶点ri在第t个时间间隔内通过的车流量以及顶点ri在第t个时间间隔内的平均速度;
邻接矩阵计算单元用于利用动态时间规划算法计算两个顶点的交通状态属性的时间序列的相似性,并将该相似性作为两个顶点间的距离,构造所述邻接矩阵。
进一步地,所述多任务时空图卷积模型包括图卷积层、时间卷积层和输出层,图卷积层和时间卷积层交替乘积;所述图卷积层采用切比雪夫多项式趋近,用于提取空间特征;所述时间卷积层包括一个一维卷积层,一维卷积层后接有门控线性单元,时间卷积层用于提取时间特征;输出层包括时间卷积层和全连接层,时间卷积层和全连接层连接。
与现有技术相比,本发明存在以下技术效果:本发明通过利用机动车上安装的GPS设备获取GPS轨迹并映射在城市路网中,归纳成反映交通状态的属性,即车流量和平均速度,区域机动车流量与区域平均速度两个变量存在较强的相关性,例如当机动车流量增加到某个临界值,车速会大幅下降;反之,则车速能够趋于平稳。并采用时空图卷积网络预测未来时间段内的交通状态属性,通过引入多任务学习,使两个任务共享特征信息,并可通过一个模型同时训练两个任务,不仅能够大幅缩减训练时间,同时通过信息共享,增加特征信息,提高模型的有效性,减小预测的误差。
附图说明
下面结合附图,对本发明的具体实施方式进行详细描述:
图1是一种利用机动车GPS轨迹预测空气污染趋势的方法的流程示意图;
图2是多任务时空图卷积网络结构图;
图3是一种利用机动车GPS轨迹预测空气污染趋势的系统的结构示意图。
具体实施方式
为了更进一步说明本发明的特征,请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用,并非用来对本发明的保护范围加以限制。
如图1所示,本实施例公开了一种利用机动车GPS轨迹预测空气污染趋势的方法,包括如下步骤S1至S3:
S1、将机动车GPS轨迹映射在城市路网中,得到给定区域在一定时间段内的交通状态属性和邻接矩阵,该交通状态属性包括在一定时间段内通过的车流量以及该时间段内车辆行驶的平均速度数据集;
S2、利用多任务时空图卷积模型对给定区域的交通状态属性和邻接矩阵进行处理,预测出该给定区域在未来时段的区域车流量和车辆平均速度值;
S3、基于COPERT的污染计算模型,对给定区域在未来时段的区域车流量和车辆平均速度值进行计算,估算出所述给定区域内的空气污染趋势。
本实施例将机动车GPS轨迹映射在路网中,归纳成反映交通状态的属性:区域内通过的车流以及平均车速;并根据历史属性数据,预测未来时段该区域的机动车流量、车速以及尾气排放造成的空气污染趋势,能够为相关部门提供决策依据。例如当预测某区域未来时段污染会上升,可及时采取措施,建议车辆行驶交通状况顺畅的区域。
进一步地,上述步骤S1:将机动车GPS轨迹映射在城市路网中,得到给定区域在一定时间段内的交通状态属性和邻接矩阵,具体包括如下细分步骤S11至S13:
S11、将城市路网按照经纬度划分成N个网格,每个网格作为一个顶点构成顶点集V={r1,r2,…,ri,…,rN},ri表示第i个顶点;
S12、将所述机动车GPS轨迹映射在网格中,根据网格在所述城市路网中的位置,计算顶点ri在第t个时间间隔内通过的车流量以及顶点ri在第t个时间间隔内的平均速度;
S13、利用动态时间规划算法计算两个顶点的交通状态属性的时间序列的相似性,并将该相似性作为两个顶点间的距离,构造所述邻接矩阵。
具体地,在所述步骤S12中,所述顶点ri在第t个时间间隔内通过的车流量为:
其中,表示在第t个时间间隔内经过顶点ri的所有轨迹的条数,Π表示在第t个时间间隔内一系列GPS轨迹的集合,Tr:p1→p2→...→pTr是Π集合中的其中一条轨迹,|·|为取集合的基数的操作,pk=(τk,gk)表示轨迹Tr第k个GPS点,记录了机动车位置信息的数据,表示在τk时刻该机动车所在的位置的经纬度为gk。
需要说明的是,给定两个GPS点p1和p2,则在p1点的车速表示为:
其中,dist(·)表示两个GPS点的曼哈顿距离。
所以顶点ri在第t个时间间隔内的平均速度为:
具体地,上述步骤S13:利用动态时间规划算法计算两个顶点的交通状态属性的时间序列的相似性,并将该相似性作为两个顶点间的距离,构造所述邻接矩阵,包括如下步骤:
将交通网络定义为随时间变化的具有空间属性的无向连通图在第t个时间间隔的图为其中表示上述提及的顶点集的交通状态Xt;为图的边,表示顶点之间的连通性;为图的邻接矩阵,表示顶点间的距离;通过利用动态时间规划(dynamictimewarping,DTW)算法计算两个顶点的交通状态时间序列的相似性,并将该相似性作为顶点间的距离,构造邻接矩阵。
举例解释如下:
2)从m=0,n=0开始根据如下公式依次迭代更新距离矩阵D的元素值:
D(m,n)=D(m,n)+min{D(m-1,n-1),D(m-1,n),D(m,n-1)}。
为了局部化过滤器并且减少参数,图卷积操作可以用切比雪夫多项式趋近,即图卷积操作的核Θ可以被一个关于Λ的多项式限制起来,也就是其中是一个多项式系数的向量。K是图卷积核的大小,它决定了卷积从中心节点开始的最大半径。
其中,时间卷积层用于提取时间特征,时间卷积层包含了一个一维卷积,核的宽度为Kt,之后接了一个门控线性单元(GLU)作为激活。对于图中的每个顶点,时间卷积对输入元素的Kt个邻居进行操作,导致每次将序列长度缩短Kt-1。因此,每个顶点的时间卷积的输入可以被看做是一个长度为M,通道为Ci的序列,记作卷积核为则时间卷积层可定义为:
图2中ST-Conv Block的构建是为了同时处理空间特征和时间特征,则对于输入x,ST-Conv Block的输出为:
将上式操作简化为y=ST(x:Wx),其中Wx为卷积操作中卷积核参数。
图2中Output Layer的由一个时间卷积层和全连接层连接而成,则对于输入x,Output Layer的输出为:
其中FC(·)表示全连接操作;Γ0,Γ1,Γ2为卷积核,将上式操作简化为y=Op(x:Wx),其中Wx为卷积操作中卷积核参数。
对于输入f=[f1,f2,…,ft]和v=[v1,v2,…,vt],所述多任务时空图卷积模型输出ft+1,vt+1为:
其中,Wf,Wv为网络要优化的权重参数。
其速度损失函数v_loss,车流量损失函数f_loss和总损失函数Loss分别为:
Loss=v_loss+f_loss
需要说明的是,本实施例在训练过程使用RMSprop自适应学习率方法最小化损失函数,最终使损失函数收敛。
需要说明的是,在预测交通状态部分所采用的时空图卷积网络,考虑了数据的时间和空间相关性。其中图卷积通过切比雪夫多项式近似,既可以更好地学习相邻区域对本区域的影响因子以及空间相关性,也可以减少网络复杂度;时间卷积操作通过对一维时间卷积,提取其时间相关性。图卷积与时间卷积交替乘积,能够有效提取数据的时空特征。
具体地,需要说明的是,COPERT模型是基于大量数据量化探究尾气排放量与速度之间的关系,在COPERT模型中,交通排放包括三个部分,即热排放,冷启动排放和蒸发排放。当发动机处于正常模式时会产生热排放物,这是行驶中的车辆的一般状况,因此热排放的COPERT模型计算公式包括CO排放因子计算公式和HC排放因子计算公式。上述步骤S3:基于COPERT的污染计算模型,对给定区域在未来时段的区域车流量和车辆平均速度值进行计算,估算出所述给定区域内的空气污染趋势,包括:
利用CO排放因子计算公式,对所述给定区域在未来时段的区域车流量和车辆平均速度值进行计算,得到CO排放因子,CO排放因子的计算公式为:
利用HC排放因子计算公式对所述给定区域在未来时段的区域车流量和车辆平均速度值进行计算,得到HC排放因子,HC排放因子的计算公式为:
利用COPERT的污染计算模型,对CO排放因子和HC排放因子进行计算,得到所述给定区域的CO污染物的估计值和HC污染物的估计值,考虑环境因素(主要是风速)对污染物扩散的影响,将EFCO,EFHC带入如下公式,则该区域CO和HC污染物的估值为:
ECO=ln(1+WindSpeed×sin(WindDirection))×EFCO
EHC=ln(1+WindSpeed×sin(WindDirection))×EFHC
其中,WindSpeed表示风速,WindDirection表示风向。
如图3所示,本实施例还公开了一种利用机动车GPS轨迹预测空气污染趋势的系统,包括:映射模块10、预测模块20和估算模块30:
映射模块10用于将机动车GPS轨迹映射在城市路网中,得到给定区域在一定时间段内的交通状态属性和邻接矩阵,该交通状态属性包括在一定时间段内通过的车流量以及该时间段内车辆行驶的平均速度数据集;
预测模块20用于利用多任务时空图卷积模型对给定区域的交通状态属性和邻接矩阵进行处理,预测出该给定区域在未来时段的区域车流量和车辆平均速度值;
估算模块30用于基于COPERT的污染计算模型,对给定区域在未来时段的区域车流量和车辆平均速度值进行计算,估算出所述给定区域内的空气污染趋势。
其中,所述映射模块10包括划分单元、属性计算单元和邻接矩阵计算单元;
划分单元用于将城市路网按照经纬度划分成N个网格,每个网格作为一个顶点构成顶点集V={r1,r2,…,ri,…,rN},ri表示第i个顶点;
属性计算单元用于将所述机动车GPS轨迹映射在网格中,根据网格在所述城市路网中的位置,计算顶点ri在第t个时间间隔内通过的车流量以及顶点ri在第t个时间间隔内的平均速度;
邻接矩阵计算单元用于利用动态时间规划算法计算两个顶点的交通状态属性的时间序列的相似性,并将该相似性作为两个顶点间的距离,构造所述邻接矩阵。
其中,所述多任务时空图卷积模型包括图卷积层、时间卷积层和输出层,图卷积层和时间卷积层交替乘积;所述图卷积层采用切比雪夫多项式趋近,用于提取空间特征;所述时间卷积层包括一个一维卷积层,一维卷积层后接有门控线性单元,时间卷积层用于提取时间特征;输出层包括时间卷积层和全连接层,时间卷积层和全连接层连接。
进一步地,所述图卷积层采用切比雪夫多项式趋近,用于提取空间特征,图卷积为:
所述时间卷积层用于提取时间特征,时间卷积层定义为:
需要说明的是,在预测交通状态部分所采用的时空图卷积网络,考虑了数据的时间和空间相关性,图卷积通过切比雪夫多项式近似,既可以更好地学习相邻区域对本区域的影响因子以及空间相关性,也可以减少网络复杂度。时间卷积操作通过对一维时间卷积,提取其时间相关性,通过图卷积与时间卷积交替乘积,能够有效提取数据的时空特征。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种利用机动车GPS轨迹预测空气污染趋势的方法,其特征在于,包括:
将机动车GPS轨迹映射在城市路网中,得到给定区域在一定时间段内的交通状态属性和邻接矩阵,该交通状态属性包括在一定时间段内通过的车流量以及该时间段内车辆行驶的平均速度数据集;
利用多任务时空图卷积模型对给定区域的交通状态属性和邻接矩阵进行处理,预测出该给定区域在未来时段的区域车流量和车辆平均速度值;
基于COPERT的污染计算模型,对给定区域在未来时段的区域车流量和车辆平均速度值进行计算,估算出所述给定区域内的空气污染趋势。
2.如权利要求1所述的利用机动车GPS轨迹预测空气污染趋势的方法,其特征在于,所述将机动车GPS轨迹映射在城市路网中,得到给定区域在一定时间段内的交通状态属性和邻接矩阵,包括:
将城市路网按照经纬度划分成N个网格,每个网格作为一个顶点构成顶点集V={r1,r2,…,ri,…,rN},ri表示第i个顶点;
将所述机动车GPS轨迹映射在网格中,根据网格在所述城市路网中的位置,计算顶点ri在第t个时间间隔内通过的车流量以及顶点ri在第t个时间间隔内的平均速度;
利用动态时间规划算法计算两个顶点的交通状态属性的时间序列的相似性,并将该相似性作为两个顶点间的距离,构造所述邻接矩阵。
3.如权利要求2所述的利用机动车GPS轨迹预测空气污染趋势的方法,其特征在于,所述将机动车GPS轨迹映射在网格中,根据网格在所述城市路网中的位置,计算顶点ri在第t个时间间隔内通过的车流量以及顶点ri在第t个时间间隔内的平均速度,包括:
所述顶点ri在第t个时间间隔内通过的车流量为:
其中,ft i表示在第t个时间间隔内经过顶点ri的所有轨迹的条数,Π表示在第t个时间间隔内一系列GPS轨迹的集合,Tr:p1→p2→…→pTr是Π集合中的其中一条轨迹,|·|为取集合的基数的操作,pk=(τk,gk)表示轨迹Tr第k个GPS点,记录了机动车位置信息的数据,表示在τk时刻该机动车所在的位置的经纬度为gk;
所述顶点ri在第t个时间间隔内的平均速度为:
7.如权利要求1所述的利用机动车GPS轨迹预测空气污染趋势的方法,其特征在于,所述基于COPERT的污染计算模型,对给定区域在未来时段的区域车流量和车辆平均速度值进行计算,估算出所述给定区域内的空气污染趋势,包括:
利用CO排放因子计算公式,对所述给定区域在未来时段的区域车流量和车辆平均速度值进行计算,得到CO排放因子;
利用HC排放因子计算公式对所述给定区域在未来时段的区域车流量和车辆平均速度值进行计算,得到HC排放因子;
利用COPERT的污染计算模型,对CO排放因子和HC排放因子进行计算,得到所述给定区域的CO污染物的估计值和HC污染物的估计值。
8.一种利用机动车GPS轨迹预测空气污染趋势的系统,其特征在于,包括映射模块、预测模块和估算模块:
映射模块用于将机动车GPS轨迹映射在城市路网中,得到给定区域在一定时间段内的交通状态属性和邻接矩阵,该交通状态属性包括在一定时间段内通过的车流量以及该时间段内车辆行驶的平均速度数据集;
预测模块用于利用多任务时空图卷积模型对给定区域的交通状态属性和邻接矩阵进行处理,预测出该给定区域在未来时段的区域车流量和车辆平均速度值;
估算模块用于基于COPERT的污染计算模型,对给定区域在未来时段的区域车流量和车辆平均速度值进行计算,估算出所述给定区域内的空气污染趋势。
9.如权利要求8所述的利用机动车GPS轨迹预测空气污染趋势的系统,其特征在于,所述映射模块包括划分单元、属性计算单元和邻接矩阵计算单元;
划分单元用于将城市路网按照经纬度划分成N个网格,每个网格作为一个顶点构成顶点集V={r1,r2,…,ri,…,rN},ri表示第i个顶点;
属性计算单元用于将所述机动车GPS轨迹映射在网格中,根据网格在所述城市路网中的位置,计算顶点ri在第t个时间间隔内通过的车流量以及顶点ri在第t个时间间隔内的平均速度;
邻接矩阵计算单元用于利用动态时间规划算法计算两个顶点的交通状态属性的时间序列的相似性,并将该相似性作为两个顶点间的距离,构造所述邻接矩阵。
10.如权利要求8所述的利用机动车GPS轨迹预测空气污染趋势的系统,其特征在于,所述多任务时空图卷积模型包括图卷积层、时间卷积层和输出层,图卷积层和时间卷积层交替乘积;所述图卷积层采用切比雪夫多项式趋近,用于提取空间特征;所述时间卷积层包括一个一维卷积层,一维卷积层后接有门控线性单元,时间卷积层用于提取时间特征;输出层包括时间卷积层和全连接层,时间卷积层和全连接层连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010732206.9A CN111932874B (zh) | 2020-07-27 | 2020-07-27 | 一种利用机动车gps轨迹预测空气污染趋势的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010732206.9A CN111932874B (zh) | 2020-07-27 | 2020-07-27 | 一种利用机动车gps轨迹预测空气污染趋势的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932874A true CN111932874A (zh) | 2020-11-13 |
CN111932874B CN111932874B (zh) | 2022-09-06 |
Family
ID=73315345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010732206.9A Active CN111932874B (zh) | 2020-07-27 | 2020-07-27 | 一种利用机动车gps轨迹预测空气污染趋势的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932874B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112562339A (zh) * | 2020-12-09 | 2021-03-26 | 福州大学 | 基于多任务图卷积网络的鲁棒性交通流预测方法 |
CN113222229A (zh) * | 2021-04-28 | 2021-08-06 | 南京航空航天大学 | 一种基于机器学习的非合作无人机轨迹预测方法 |
CN113256966A (zh) * | 2021-04-21 | 2021-08-13 | 中国科学技术大学先进技术研究院 | 基于时空速度域重构的路网排放清单建立方法及系统 |
CN113643532A (zh) * | 2021-07-22 | 2021-11-12 | 深圳先进技术研究院 | 一种区域交通的预测方法以及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150120175A1 (en) * | 2013-10-31 | 2015-04-30 | Bayerische Motoren Werke Aktiengesellschaft | Systems and methods for estimating traffic signal information |
CN108171975A (zh) * | 2017-12-29 | 2018-06-15 | 吉林大学 | 一种基于路段和交叉口分布的城市汽车运行速度预测方法 |
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 |
CN110211378A (zh) * | 2019-05-29 | 2019-09-06 | 北京航空航天大学 | 一种基于复杂网络理论的城市交通健康指标体系评估方法 |
CN110363350A (zh) * | 2019-07-15 | 2019-10-22 | 西华大学 | 一种基于复杂网络的区域空气污染物分析方法 |
CN110738367A (zh) * | 2019-10-12 | 2020-01-31 | 东北大学秦皇岛分校 | 一种基于深度残差网络的交通尾气排放量预测方法 |
-
2020
- 2020-07-27 CN CN202010732206.9A patent/CN111932874B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150120175A1 (en) * | 2013-10-31 | 2015-04-30 | Bayerische Motoren Werke Aktiengesellschaft | Systems and methods for estimating traffic signal information |
CN108171975A (zh) * | 2017-12-29 | 2018-06-15 | 吉林大学 | 一种基于路段和交叉口分布的城市汽车运行速度预测方法 |
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 |
CN110211378A (zh) * | 2019-05-29 | 2019-09-06 | 北京航空航天大学 | 一种基于复杂网络理论的城市交通健康指标体系评估方法 |
CN110363350A (zh) * | 2019-07-15 | 2019-10-22 | 西华大学 | 一种基于复杂网络的区域空气污染物分析方法 |
CN110738367A (zh) * | 2019-10-12 | 2020-01-31 | 东北大学秦皇岛分校 | 一种基于深度残差网络的交通尾气排放量预测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112562339A (zh) * | 2020-12-09 | 2021-03-26 | 福州大学 | 基于多任务图卷积网络的鲁棒性交通流预测方法 |
CN113256966A (zh) * | 2021-04-21 | 2021-08-13 | 中国科学技术大学先进技术研究院 | 基于时空速度域重构的路网排放清单建立方法及系统 |
CN113222229A (zh) * | 2021-04-28 | 2021-08-06 | 南京航空航天大学 | 一种基于机器学习的非合作无人机轨迹预测方法 |
CN113222229B (zh) * | 2021-04-28 | 2024-02-13 | 南京航空航天大学 | 一种基于机器学习的非合作无人机轨迹预测方法 |
CN113643532A (zh) * | 2021-07-22 | 2021-11-12 | 深圳先进技术研究院 | 一种区域交通的预测方法以及设备 |
CN113643532B (zh) * | 2021-07-22 | 2022-08-16 | 深圳先进技术研究院 | 一种区域交通的预测方法以及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111932874B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932874B (zh) | 一种利用机动车gps轨迹预测空气污染趋势的方法及系统 | |
Hu et al. | Stochastic origin-destination matrix forecasting using dual-stage graph convolutional, recurrent neural networks | |
Zhang et al. | Trafficgan: Network-scale deep traffic prediction with generative adversarial nets | |
Chen et al. | Traffic flow prediction by an ensemble framework with data denoising and deep learning model | |
Yonetani et al. | Path planning using neural a* search | |
CN109959388B (zh) | 一种基于栅格扩展模型的智能交通精细化路径规划方法 | |
CN113570859B (zh) | 一种基于异步时空膨胀图卷积网络的交通流量预测方法 | |
Han et al. | Short-term vehicle speed prediction based on convolutional bidirectional lstm networks | |
Luo et al. | Deep learning approach for long-term prediction of electric vehicle (ev) charging station availability | |
CN113537580B (zh) | 一种基于自适应图学习的公共交通客流预测方法及系统 | |
CN114495492A (zh) | 一种基于图神经网络的交通流预测方法 | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
Elmi et al. | DeepFEC: Energy consumption prediction under real-world driving conditions for smart cities | |
Abi Akl et al. | Trip-based prediction of hybrid electric vehicles velocity using artificial neural networks | |
CN112819873B (zh) | 高泛化性的跨域道路场景语义分割方法和系统 | |
CN116644865B (zh) | 商用车油耗预测方法、电子设备和存储介质 | |
Qiu et al. | A bayesian regularized neural network approach to short-term traffic speed prediction | |
Zhao et al. | Path planning of unmanned vehicles based on adaptive particle swarm optimization algorithm | |
Tong et al. | Identifying influential ships in multi-ship encounter situation complex network based on improved WVoteRank approach | |
CN115762147B (zh) | 一种基于自适应图注意神经网络的交通流量预测方法 | |
Liu et al. | Co-prediction of multimodal transportation demands with self-learned spatial dependence | |
Daraghmi et al. | Space-time multivariate negative binomial regression for urban short-term traffic volume prediction | |
CN115661786A (zh) | 一种区域预搜索的轨道障碍物小目标检测方法 | |
Zhao et al. | Traffic emission estimation under incomplete information with spatiotemporal convolutional GAN | |
Lü et al. | A heuristic path-estimating algorithm for large-scale real-time traffic information calculating |
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 |