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 PDF

Info

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
Application number
CN202010732206.9A
Other languages
English (en)
Other versions
CN111932874B (zh
Inventor
康宇
赵振怡
曹洋
吕文君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202010732206.9A priority Critical patent/CN111932874B/zh
Publication of CN111932874A publication Critical patent/CN111932874A/zh
Application granted granted Critical
Publication of CN111932874B publication Critical patent/CN111932874B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种利用机动车GPS轨迹预测空气污染趋势的方法及系统
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：
Figure BDA0002603592820000021
其中，
Figure BDA0002603592820000022
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：
Figure BDA0002603592820000023
Figure BDA0002603592820000024
其中，Tri表示一条轨迹Tr在顶点ri内的所有GPS点，Πi表示所有的Tri轨迹的集合，
Figure BDA0002603592820000031
表示在轨迹Tr中机动车在GPS点pk的车速。
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：
定义时间间隔集合
Figure BDA0002603592820000032
并将时间间隔集合下的N个顶点的车流量和平均速度转换为一个数据集
Figure BDA0002603592820000033
Figure BDA0002603592820000034
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
Figure BDA0002603592820000035
利用所述动态时间规划算法计算任两顶点的交通状态时间序列
Figure BDA0002603592820000036
和
Figure BDA0002603592820000037
序列相似性，并将该相似性作为该两个顶点间的距离；
根据顶点间的距离，构造所述邻接矩阵为
Figure BDA0002603592820000038
作为无向连通图
Figure BDA0002603592820000039
的邻接矩阵
Figure BDA00026035928200000310
其中σ为系数，D为距离矩阵。
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：
将所述数据集
Figure BDA00026035928200000311
和所述邻接矩阵
Figure BDA00026035928200000312
作为所述多任务时空图卷积模型的输入，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；
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：
Figure BDA00026035928200000313
Figure BDA00026035928200000314
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：
Figure BDA0002603592820000041
其中，
Figure BDA0002603592820000042
是K阶切比雪夫多项式对缩放后的拉普拉斯矩阵，
Figure BDA0002603592820000043
表示基于谱图卷积的图卷积操作，Θ表示核，
Figure BDA0002603592820000044
是一个多项式系数的向量；
所述时间卷积层用于提取时间特征，时间卷积层定义为：
Figure BDA0002603592820000045
其中，
Figure BDA0002603592820000046
为权重参数，⊙表示哈达玛积，σ(·)为sigmoid激活函数，
Figure BDA0002603592820000047
表示每个顶点的时间卷积的输入，为一个长度为M，通道为Ci的序列，
Figure BDA0002603592820000048
为卷积核，
Figure BDA0002603592820000049
表示时间卷积操作，*表示卷积操作；
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：
Figure BDA0002603592820000071
其中，
Figure BDA0002603592820000072
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：
Figure BDA0002603592820000081
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：
Figure BDA0002603592820000082
其中，Tri表示一条轨迹Tr在顶点ri内的所有GPS点，Πi表示所有的Tri轨迹的集合，
Figure BDA0002603592820000083
表示在轨迹Tr中机动车在GPS点pk的车速。
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：
定义时间间隔集合
Figure BDA0002603592820000084
并将时间间隔集合下的N个顶点的车流量和平均速度转换为一个数据集
Figure BDA0002603592820000085
Figure BDA0002603592820000086
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
Figure BDA00026035928200000813
在第t个时间间隔的图为
Figure BDA0002603592820000087
其中
Figure BDA0002603592820000088
表示上述提及的顶点集的交通状态Xt；
Figure BDA0002603592820000089
为图的边，表示顶点之间的连通性；
Figure BDA00026035928200000810
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：
给定顶点ri和rj，计算两顶点的交通状态时间序列
Figure BDA00026035928200000811
和
Figure BDA00026035928200000812
的序列相似性过程如下：
1)初始化一个T×T的距离矩阵D，第m行n列的元素
Figure BDA0002603592820000091
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)}。
因此，邻接矩阵
Figure BDA0002603592820000092
其中σ为系数。
具体地，将所述数据集
Figure BDA0002603592820000093
和所述邻接矩阵
Figure BDA0002603592820000094
作为所述多任务时空图卷积模型的输入，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。
其中，如图2所示，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，基于谱图卷积的图卷积操作
Figure BDA0002603592820000095
即一个核Θ和信号
Figure BDA0002603592820000096
的“乘法”：
Figure BDA0002603592820000097
其中，图的傅里叶基
Figure BDA0002603592820000098
是归一化的拉普拉斯矩阵
Figure BDA0002603592820000099
的特征向量组成的矩阵，IN是单位阵，
Figure BDA00026035928200000910
是对角的度矩阵，
Figure BDA00026035928200000911
是L的特征值组成的矩阵，卷积核Θ(Λ)是一个对角矩阵。
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
Figure BDA00026035928200000912
其中
Figure BDA00026035928200000913
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。
一般来说，切比雪夫多项式Tk(x)被用于近似核，作为K-1阶展开的一部分，也就是
Figure BDA00026035928200000914
其中
Figure BDA00026035928200000915
λmax表示L的最大特征值。因此图卷积可以被写成：
Figure BDA0002603592820000101
其中，
Figure BDA0002603592820000102
是K阶切比雪夫多项式对缩放后的拉普拉斯矩阵
Figure BDA0002603592820000103
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
Figure BDA0002603592820000104
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
Figure BDA0002603592820000105
卷积核为
Figure BDA0002603592820000106
则时间卷积层可定义为：
Figure BDA0002603592820000107
其中，
Figure BDA0002603592820000108
为权重参数，⊙表示哈达玛积，σ(·)为sigmoid激活函数，
Figure BDA0002603592820000109
表示每个顶点的时间卷积的输入，为一个长度为M，通道为Ci的序列，
Figure BDA00026035928200001010
为卷积核，
Figure BDA00026035928200001011
表示时间卷积操作，*表示卷积操作。
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：
Figure BDA00026035928200001012
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：
Figure BDA00026035928200001013
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：
Figure BDA0002603592820000111
Figure BDA0002603592820000112
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：
Figure BDA0002603592820000113
Figure BDA0002603592820000114
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：
Figure BDA0002603592820000121
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：
Figure BDA0002603592820000122
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：
Figure BDA0002603592820000131
其中，
Figure BDA0002603592820000132
是K阶切比雪夫多项式对缩放后的拉普拉斯矩阵，
Figure BDA0002603592820000133
表示基于谱图卷积的图卷积操作，Θ表示核，
Figure BDA0002603592820000134
是一个多项式系数的向量；
所述时间卷积层用于提取时间特征，时间卷积层定义为：
Figure BDA0002603592820000141
其中，
Figure BDA0002603592820000142
为权重参数，⊙表示哈达玛积，σ(·)为sigmoid激活函数，
Figure BDA0002603592820000143
表示每个顶点的时间卷积的输入，为一个长度为M，通道为Ci的序列，
Figure BDA0002603592820000144
为卷积核，
Figure BDA0002603592820000145
表示时间卷积操作，*表示卷积操作。
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：
Figure FDA0002603592810000011
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：
Figure FDA0002603592810000021
Figure FDA0002603592810000022
其中，Tri表示一条轨迹Tr在顶点ri内的所有GPS点，Πi表示所有的Tri轨迹的集合，
Figure FDA0002603592810000023
表示在轨迹Tr中机动车在GPS点pk的车速。
4.如权利要求3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：
定义时间间隔集合
Figure FDA0002603592810000024
并将时间间隔集合下的N个顶点的车流量和平均速度转换为一个数据集
Figure FDA0002603592810000025
Figure FDA0002603592810000026
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
Figure FDA0002603592810000027
利用所述动态时间规划算法计算任两顶点的交通状态时间序列
Figure FDA0002603592810000028
和
Figure FDA0002603592810000029
序列相似性，并将该相似性作为该两个顶点间的距离；
根据顶点间的距离，构造所述邻接矩阵为
Figure FDA00026035928100000210
作为无向连通图
Figure FDA00026035928100000211
的邻接矩阵
Figure FDA00026035928100000212
其中σ为系数，D为距离矩阵。
5.如权利要求4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：
将所述数据集
Figure FDA0002603592810000031
和所述邻接矩阵
Figure FDA0002603592810000032
作为所述多任务时空图卷积模型的输入，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；
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：
Figure FDA0002603592810000033
Figure FDA0002603592810000034
其中，Wf,Wv为网络要优化的权重参数。
6.如权利要求5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：
Figure FDA0002603592810000035
其中，
Figure FDA0002603592810000036
是K阶切比雪夫多项式对缩放后的拉普拉斯矩阵，
Figure FDA0002603592810000037
表示基于谱图卷积的图卷积操作，Θ表示核，
Figure FDA0002603592810000038
是一个多项式系数的向量；
所述时间卷积层用于提取时间特征，时间卷积层定义为：
Figure FDA0002603592810000039
其中，
Figure FDA00026035928100000310
为权重参数，⊙表示哈达玛积，σ(·)为sigmoid激活函数，
Figure FDA00026035928100000311
表示每个顶点的时间卷积的输入，为一个长度为M，通道为Ci的序列，
Figure FDA00026035928100000312
为卷积核，
Figure FDA00026035928100000313
表示时间卷积操作，*表示卷积操作；
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。
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。
CN202010732206.9A 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 Active CN111932874B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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