CN113469331B - 基于全局和局部时空图卷积的车辆尾气预测方法及系统 - Google Patents

基于全局和局部时空图卷积的车辆尾气预测方法及系统 Download PDF

Info

Publication number
CN113469331B
CN113469331B CN202110718934.9A CN202110718934A CN113469331B CN 113469331 B CN113469331 B CN 113469331B CN 202110718934 A CN202110718934 A CN 202110718934A CN 113469331 B CN113469331 B CN 113469331B
Authority
CN
China
Prior art keywords
time
space
convolution
global
characteristic result
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
Application number
CN202110718934.9A
Other languages
English (en)
Other versions
CN113469331A (zh
Inventor
凌强
费习宏
李峰
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 CN202110718934.9A priority Critical patent/CN113469331B/zh
Publication of CN113469331A publication Critical patent/CN113469331A/zh
Application granted granted Critical
Publication of CN113469331B publication Critical patent/CN113469331B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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"
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于全局和局部时空图卷积的车辆尾气预测方法及系统，其中方法包括：步骤S1：将多组件周期的车辆尾气排放浓度时间序列遥测数据使用时间自注意力层获得时间依赖性特征结果；步骤S2：将时间依赖性特征结果和机动车尾气遥测点路网拓扑图数据输入到多层全局和局部时空图卷积网络进行训练得到时空依赖性结果；步骤S3：将时空依赖性结果经过全连接神经网络层，得到遥测点一定时间段内的车辆尾气排放浓度预测结果。本发明通过联合多遥测点一定时间段内车辆尾气排放时间序列数据和路网空间拓扑结构数据对遥测点的一定时间段内的车辆尾气排放浓度进行预测，使得预测性能得到较大的提升。

Description

基于全局和局部时空图卷积的车辆尾气预测方法及系统
技术领域
本发明属于多遥测点的车辆尾气排放浓度预测和数据挖掘领域，特别涉及了一种基于全局和局部时空图卷积网络的车辆尾气预测方法及系统。
背景技术
随着人民生活水平的提高，带来个人机动车保有量的剧增，也带来机动车尾气排放量的激增，机动车中的尾气排放造成的大气环境问题也日益严重，亟需一种有效的方式进行监管。
城市多遥测点的车辆尾气排放浓度预测可以看作是一个基于拓扑结构关系的时间序列预测问题。传统的线性模型可以解决时间序列预测问题，但是对于多点遥测点同时预测却无法达到。例如历史平均模型可以利用历史时间序列的平均值来预测时间序列的未来值。然而，历史平均模型不能反映出时间依赖性。为了获得平稳性，需要在分析前对非平稳时间序列进行差异性分析，但是考虑到拓扑关系，导致预测准确率不高。利用额外的季节差异来获得包含季节特征的序列平稳性的方法称为SARIMA，然而，SARIMA的缺点是耗时而且不适合实时在线预测尾气浓度。除了上述的线性模型，人工神经网络和多层感知器模型通常作为非线性模型用于时间序列预测，结合车辆尾气排放遥测浓度和外部因素，但是没有路网拓扑结构的全局和局部的空间信息，造成空间依赖性的缺失。
因此，现有车辆尾气排放浓度预测的准确率不高的缺点，亟需一种新的尾气排放浓度预测方法来进一步提高多遥测点的一段时间内的尾气排放浓度的预测性能。
发明内容
为了解决上述技术问题，本发明提供一种基于全局和局部时空图卷积网络的车辆尾气预测方法及系统。由于尾气排放浓度数据具有一定的时间依赖性，本发明引入了时间自注意力机制，同时将多遥测点拓扑结构关系考虑其中，使得本发明能够获得多遥测点的更好的预测精度。本发明提供的方法可以获取未来一定时间段内多遥测点的车辆尾气排放浓度，对于支持城市交通污染治理和环境监管具有重要意义。通过预测未来一段时间城市中的一些一定检测区域的多遥测监测站的尾气排放浓度情况，可以发出区域污染预警，有效地帮助城市车辆尾气排放控制和改善大气环境污染。
本发明技术解决方案为：一种基于全局和局部时空图卷积网络的车辆尾气预测方法，包括：
步骤S1：将多组件周期的车辆尾气排放浓度时间序列遥测输入数据，使用时间自注意力层获得时间依赖性特征结果；
步骤S2：将所述时间依赖性特征结果和机动车尾气遥测点路网拓扑图数据输入到多层全局和局部时空图卷积网络进行训练得到时空卷积自注意力特征结果；其中，所述全局和局部时空图卷积网络包括：全局时空卷积网络、局部时空卷积网络、卷积神经网络层和残差连接层；将所述时间依赖性特征结果分别输入到所述全局时空卷积网络和所述局部时空卷积网络，得到全局时空卷积特征结果和局部时空卷积特征结果；将所述全局时空卷积特征结果和所述局部时空卷积特征结果相加求和，得到求和的时空卷积特征结果；将所述求和的时空卷积特征结果输入到所述卷积神经网络，得到新的时空卷积特征结果；将所述新的时空卷积网络特征结果利用所述残差连接层与所述全局和局部时空图卷积网络的输入数据进行相加，得到时空卷积自注意力特征结果；
步骤S3：将所述时空卷积自注意力特征结果经过全连接神经网络层，得到多遥测点的一定时间段内的车辆尾气排放浓度预测结果。
本发明与现有技术相比，具有以下优点：
1、本发明提供的基于全局和局部时空图卷积网络的车辆尾气预测方法，是基于一定时间段内的尾气排放时间序列数据和多遥测点的路网拓扑结构数据。基于全局和局部时空图卷积网络中使用时间自注意力机制有效地提取车辆尾气排放浓度数据的时间依赖性。通过联合两种输入数据对车辆尾气排放浓度进行预测，进一步提升了准确率。
2、本发明提供的基于全局和局部时空图卷积网络的车辆尾气预测方法，可以预测未来一定时间段内车辆尾气排放浓度。首次全局和局部的空间卷积网络捕捉其空间依赖性，而且使用了残差连接层，进一步利用了车辆尾气排放浓度数据来提升预测性能。
附图说明
图1为本发明实施例中一种基于全局和局部时空图卷积网络的车辆尾气预测方法的流程图；
图2为本发明实施例中一种基于全局和局部时空图卷积网络的车辆尾气预测方法中步骤S1：将多组件周期的车辆尾气排放浓度时间序列遥测输入数据，使用时间自注意力层获得时间依赖性特征结果的流程图；
图3为本发明实施例中一种基于全局和局部时空图卷积网络的车辆尾气预测方法中S2：将时间依赖性特征结果和机动车尾气遥测点路网拓扑图数据输入到多层全局和局部时空图卷积网络进行训练得到时空卷积自注意力特征结果的流程图；
图4为本发明实施例中一种基于全局和局部时空图卷积网络的车辆尾气预测方法中步骤S21：将时间依赖性特征结果分别输入到全局时空卷积网络和局部时空卷积网络，得到全局时空卷积特征结果和局部时空卷积特征结果，并将两个结果进行相加求和，得到求和的时空卷积特征结果的流程图；
图5A为本发明实施例中一种基于全局和局部时空图卷积网络的车辆尾气预测方法的流程示意图图；
图5B为本发明实施例中全局和局部时空图卷积网络结构示意图；
图6为本发明实施例中一种基于全局和局部时空图卷积网络的车辆尾气预测系统的结构框图。
具体实施方式
本发明提供了一种基于全局和局部时空图卷积网络的车辆尾气预测方法及系统，通过联合车辆尾气排放时间序列数据和遥测点设备路网拓扑结构对检测区域内的未来一段时间车辆尾气排放浓度进行预测，并使用时间自注意力机制提取车辆尾气排放时间序列数据时间依赖性，通过全局和局部时空图卷积网络提取车辆尾气排放时间序列数据和遥测点设备路网拓扑结构的空间特征，并结合残差连接来提升尾气排放浓度预测精度。
为了使本发明的目的、技术方案及优点更加清楚，以下通过具体实施，并结合附图，对本发明进一步详细说明。
实施例一
如图1所示，本发明实施例提供的一种基于全局和局部时空图卷积网络的车辆尾气预测方法，包括下述步骤：
步骤S1：将多组件周期的车辆尾气排放浓度时间序列遥测输入数据，使用时间自注意力层获得时间依赖性特征结果；
步骤S2：将时间依赖性特征结果和机动车尾气遥测点路网拓扑图数据输入到多层全局和局部时空图卷积网络进行训练得到时空卷积自注意力特征结果；其中，全局和局部时空图卷积网络包括：全局时空卷积网络、局部时空卷积网络、卷积神经网络层和残差连接层；将时间依赖性特征结果分别输入到全局时空卷积网络和局部时空卷积网络，得到全局时空卷积特征结果和局部时空卷积特征结果；将全局时空卷积特征结果和局部时空卷积特征结果相加求和，得到求和的时空卷积特征结果；将求和的时空卷积特征结果输入到卷积神经网络，得到新的时空卷积特征结果；将新的时空卷积网络特征结果利用残差连接层与全局和局部时空图卷积网络的输入数据进行相加，得到时空卷积自注意力特征结果；
步骤S3：将时空卷积自注意力特征结果经过全连接神经网络层，得到多遥测点的一定时间段内的车辆尾气排放浓度预测结果。
本发明提供的基于全局和局部时空图卷积网络的车辆尾气排放预测方法，是基于一定时间段内的尾气排放时间序列数据和遥测点设备路网拓扑结构。不仅考虑了多组件周期的尾气时间序列输入数据，同时还考虑到了遥测点设备路网拓扑结构数据对尾气排放浓度的影响。通过联合两种输入数据对车辆尾气排放浓度进行预测，提升了准确率。
如图2所示，在一个实施例中，上述步骤S1：将多组件周期的车辆尾气排放浓度时间序列遥测输入数据，使用时间自注意力层获得时间依赖性特征结果，包括：
步骤S11：使用多组件周期的车辆尾气排放浓度时间序列遥测输入数据得到时间注意力权重E′i,j，其数学表达式如公式(1)所示：
其中Vf，bf,Vf是权值矩阵，bf是偏置矩阵；/>为时间相关性矩阵，表示时间点i和j的时间依赖性，其中i，j∈T；T表示所述多组件周期的车辆尾气排放浓度时间序列遥测输入数据的维度；/>表示可学习参数，C表示所述多组件周期的车辆尾气排放浓度时间序列遥测输入数据的通道数，N表示路网中遥测设备的个数，σ表示激活函数；
步骤S12：使用时间注意力权重E′i,j，得到时间依赖性特征结果Xt，其数学表达式如公式(2)所示：
在本步骤中，由于多种角度的时间依赖性特征之间存在重要性区别，因此使用注意力机制，通过赋予时间特征结果权重，最后得到时间依赖性特征结果Xt。
如图3所示，在一个实施例中，上述步骤S2：将时间依赖性特征结果和机动车尾气遥测点路网拓扑图数据输入到多层全局和局部时空图卷积网络进行训练得到时空卷积自注意力特征结果；其中，全局和局部时空图卷积网络包括：全局时空卷积网络、局部时空卷积网络、卷积神经网络层和残差连接层；将时间依赖性特征结果分别输入到全局时空卷积网络和局部时空卷积网络，得到全局时空卷积特征结果和局部时空卷积特征结果；将全局时空卷积特征结果和局部时空卷积特征结果相加求和，得到求和的时空卷积特征结果；将求和的时空卷积特征结果输入到卷积神经网络，得到新的时空卷积特征结果；将新的时空卷积网络特征结果利用残差连接层与全局和局部时空图卷积网络的输入数据进行相加，得到时空卷积自注意力特征结果，包括：
步骤S21：将时间依赖性特征结果分别输入到全局时空卷积网络和局部时空卷积网络，得到全局时空卷积特征结果和局部时空卷积特征结果，并将两个结果进行相加求和，得到求和的时空卷积特征结果；
步骤S22：将求和的时空卷积特征结果输入到卷积神经网络，得到新的时空卷积特征结果；
步骤S23：将新的时空卷积网络特征结果利用残差连接层与全局和局部时空图卷积网络的输入数据进行相加，得到时空卷积自注意力特征结果。
步骤S24：上述3个步骤为一层全局和局部时空图卷积网络计算，后续以设定的层数进行多次计算，得到最终的时空卷积自注意力特征结果。
本次发明公开的全局和局部时空图卷积网络有四个部分构成，全局时空卷积网络、局部时空卷积网络、卷积神经网络层和残差连接层。将依赖性特征结果分别输入到全局时空卷积网络和局部时空卷积网络，得到全局时空卷积特征结果和局部时空卷积特征结果。将全局时空卷积特征结果和局部时空卷积特征结果相加求和，得到求和时空卷积特征结果。将时空卷积特征结果输入到卷积神经网络层，得到新的时空卷积特征结果。将新的时空卷积网络特征结果利用残差连接层与全局和局部时空图卷积网络的输入数据进行相加，得到时空卷积自注意力特征结果。通过联合提取车辆尾气排放数据和路网拓扑结构对车辆尾气排放浓度进行预测，提升了准确率。
如图4所示，在一个实施例中，上述步骤S21：将时间依赖性特征结果分别输入到全局时空卷积网络和局部时空卷积网络，得到全局时空卷积特征结果和局部时空卷积特征结果，并将两个结果进行相加求和，得到求和的时空卷积特征结果，包括：
步骤S211：将时间依赖性特征结果输入到全局时空卷积网络中，得到第l层的全局时空卷积特征结果其数学表达式如公式(3)所示：
其中，S是空间注意力矩阵，上标l-1表示上一层的全局和局部时空图卷积，上标l表示当前的层全局和局部时空图卷积；A表示机动车尾气遥测点路网拓扑图G的邻接权重矩阵；⊙表示Hadamard积；W表示可学习参数；soft max(·)表示softmax函数。
步骤S212：将时间依赖性特征结果输入到局部时空卷积网络中，其中，局部时空卷积网络使用K阶切比雪夫多项式近似展开求解，得到第l层的局部时空卷积特征结果其数学表达式如(4)所示：
其中，*G表示卷积操作，为k(k∈K)时的K阶切比雪夫多项式系数，Tk为切比雪夫多项式；A表示输入机动车尾气遥测点路网拓扑图G的权重邻接矩阵，/>λmax表示矩阵A的拉普拉斯矩阵的最大特征值，IN为矩阵A的单位矩阵，度矩阵/>是节点度数组成的对角矩阵Dii＝∑jAij，且图G的拉普拉斯矩阵规范化形式/>
经过多次实验，本发明采用的K阶切比雪夫多项式系数K＝3时，可获得较佳结果。本发明对切比雪夫多项式系数取值不做具体限制，可根据实际需求决定使用值的切比雪夫多项式系数。
步骤S213：将全局时空卷积特征结果和局部时空卷积特征结果/>经过求和相加，得到求和时空卷积特征结果Xt (l)，其第l层的时空卷积特征结果数学表达式如公式(5)所示：
在一个实施例中，上述步骤S23：将新的时空卷积网络特征结果利用残差连接层与全局时空卷积网络和所述时空卷积网络的输入数据进行相加，得到时空卷积自注意力特征结果，包括：
通过下述公式(6)，计算得到第l层的时空卷积自注意力特征结果
在一个实施例中，上述步骤S3：将经过多层全局和局部时空图卷积层以后得到时空卷积自注意力特征结果经过全连接神经网络层，得到多遥测点的一定时间段内的车辆尾气排放浓度预测结果，包括：
通过下述公式(7),计算得到车辆尾气排放浓度预测结果
其中，W是权重，b为偏差。
图5A展示本发明实施例中基于全局和局部时空图卷积网络的车辆尾气预测方法的流程示意图；图5B展示了本发明实施例中全局和局部时空图卷积网络结构示意图；
经实验证明，在本发明实施例中的全局和局部时空图卷积层的层数l＝2时，可以达到最佳效果。
在获得尾气排放浓度预测结果之后，使用均方误差函数作为全局和局部时空图卷积网络的损失函数，其数学表达式如下公式(8)：
其中，x和是一定时间段内的目标预测尾气排放浓度的观测值和预测值。
本发明实施例选取Adam作为优化算法和反向传播算法进行训练。
当全局和局部时空图卷积网络模型训练完成后，结合车辆尾气浓度数据和路网拓扑结构数据，可实现一定时间段内的尾气浓度的精确预测。选取均方根误差RMSE和平均绝对误差MAE作为全局和局部时空图卷积网络的车辆尾气排放预测方法的统计分析性能指标。这里RMSE和MAE的值越小，表明模型的估计性能越好。其中，RMSE和MAPE的数学表达式分别如下述公式(9)～(10)所示：
其中，Z为尾气排放浓度样本总数，和/>分别为车辆样本目标尾气预测的浓度和观测浓度。
分别使用本发明的全局和局部时空图卷积网络模型(GL-STGCN)、平均模型(HA)、其他网络模型如扩散卷积循环神经网络(DCRNN)、时空图卷积网络(STGCN)、用于深度时空图建模的图小波(Graph WaveNet)、基于注意力的时空图卷积网络(ASTGCN)、多层次的注意力网络(GeoMAN)对一定时间段内尾气浓度进行预测，相关统计性能对比如表1所示。
表1HA、DCRNN、STGCN、Graph WaveNet、ASTGCN、GeoMAN和GL-STGCN模型预测随机测试车辆样本的尾气浓度统计性能对比表
模型 RMSE MAE
HA 59.24 38.03
DCRNN 38.12 24.70
STGCN 34.89 21.16
Graph WaveNet 39.70 25.45
ASTGCN 35.22 22.93
GeoMAN 37.84 23.64
GL-STGCN 33.45 20.89
由表1可以看出，与本发明公开的GL-STGCN模型和平均模型(HA)、其他网络模型(包括DCRNN、STGCN、Graph WaveNet、ASTGCN和GeoMAN)相比，基于GL-STGCN模型的车辆尾气浓度预测方法，得到的均方根误差RMSE和平均绝对误差MAE更小，说明本发明的GL-STGCN模型的尾气浓度预测性能要优于其他预测模型。
实施例二
如图6所示，本发明实施例提供一种基于全局和局部时空图卷积网络的车辆尾气预测系统，包括下述模块：
时间依赖性特征提取模块31，用于多组件周期的车辆尾气排放浓度时间序列遥测输入数据，使用时间自注意力层提取时间依赖性特征结果；
全局和局部时空图卷积网络训练模块32，用于将时间依赖性特征结果和机动车尾气遥测点路网拓扑图数据输入到多层全局和局部时空图卷积网络进行训练得到时空卷积自注意力特征结果；其中，全局和局部时空图卷积网络包括：全局时空卷积网络、局部时空卷积网络、卷积神经网络层和残差连接层；将时间依赖性特征结果分别输入到全局时空卷积网络和局部时空卷积网络，得到全局时空卷积特征结果和局部时空卷积特征结果；将全局时空卷积特征结果和局部时空卷积特征结果相加求和，得到求和的时空卷积特征结果；将求和的时空卷积特征结果输入到卷积神经网络，得到新的时空卷积特征结果；将新的时空卷积网络特征结果利用残差连接层与全局和局部时空图卷积网络的输入数据进行相加，得到时空卷积自注意力特征结果；
神经网络输出模块33，用于将经过多层全局和局部时空图卷积层以后得到时空卷积自注意力特征结果经过全连接神经网络层，得到多遥测点的一定时间段内的车辆尾气排放浓度预测结果。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (2)

1.一种基于全局和局部时空图卷积的车辆尾气预测方法，其特征在于，包括：
步骤S1：将多组件周期的车辆尾气排放浓度时间序列遥测输入数据，使用时间自注意力层获得时间依赖性特征结果，具体包括：
步骤S11：使用所述多组件周期的车辆尾气排放浓度时间序列遥测输入数据得到时间注意力权重E′i,j，其数学表达式如公式(1)所示：
F＝Vf·σ(((X)TW1)W2(W3X)+bf)
其中Vf，bf,Vf是权值矩阵，bf是偏置矩阵，/>为时间相关性矩阵，表示时间点i和j的时间依赖性，其中i，j∈T，T表示所述多组件周期的车辆尾气排放浓度时间序列遥测输入数据的维度；/>表示可学习参数，C表示所述多组件周期的车辆尾气排放浓度时间序列遥测输入数据的通道数，N表示路网中遥测设备的个数；σ表示激活函数；
步骤S12：使用所述时间注意力权重E′i,j，得到时间依赖性特征结果Xt，其数学表达式如公式(2)所示：
步骤S2：将所述时间依赖性特征结果和机动车尾气遥测点路网拓扑图数据输入到多层全局和局部时空图卷积网络进行训练得到时空卷积自注意力特征结果；其中，所述全局和局部时空图卷积网络包括：全局时空卷积网络、局部时空卷积网络、卷积神经网络层和残差连接层；将所述时间依赖性特征结果分别输入到所述全局时空卷积网络和所述局部时空卷积网络，得到全局时空卷积特征结果和局部时空卷积特征结果；将所述全局时空卷积特征结果和所述局部时空卷积特征结果相加求和，得到求和的时空卷积特征结果；将所述求和的时空卷积特征结果输入到所述卷积神经网络，得到新的时空卷积特征结果；将所述新的时空卷积网络特征结果利用所述残差连接层与所述全局和局部时空图卷积网络的输入数据进行相加，得到时空卷积自注意力特征结果，具体包括：
步骤S21：将所述时间依赖性特征结果分别输入到全局时空卷积网络和局部时空卷积网络，得到全局时空卷积特征结果和局部时空卷积特征结果，并将两个结果进行相加求和，得到求和的时空卷积特征结果，具体包括：
步骤S211：将所述时间依赖性特征结果Xt输入到所述全局时空卷积网络中，得到第l层的全局时空卷积特征结果其数学表达式如公式(3)所示：
其中，S是空间注意力矩阵，上标l-1表示上一层的全局和局部时空图卷积，上标l表示当前的层全局和局部时空图卷积；A表示所述机动车尾气遥测点路网拓扑图G的邻接权重矩阵；⊙表示Hadamard积；W表示可学习参数；soft max(·)表示softmax函数；
步骤S212：将所述时间依赖性特征结果输入到所述局部时空卷积网络中，其中所述局部时空卷积网络使用K阶切比雪夫多项式近似展开求解，得到第l层的局部时空卷积特征结果其数学表达式如(4)所示：
其中，*G表示卷积操作，为k(k∈K)时的K阶切比雪夫多项式系数，Tk为切比雪夫多项式；A表示输入机动车尾气遥测点路网拓扑图G的权重邻接矩阵，/>λmax表示矩阵A的拉普拉斯矩阵的最大特征值，IN为矩阵A的单位矩阵，度矩阵/>是节点度数组成的对角矩阵Dii＝∑jAij，且图G的拉普拉斯矩阵规范化/>
步骤S213：将所述全局时空卷积特征结果和所述局部时空卷积特征结果/>经过求和相加，得到求和时空卷积特征结果/>其第l层的时空卷积特征结果数学表达式如公式(5)所示：
步骤S22：将所述求和的时空卷积特征结果输入到所述卷积神经网络，得到新的时空卷积特征结果；
步骤S23：将所述新的时空卷积网络特征结果利用所述残差连接层与所述全局和局部时空图卷积网络的输入数据进行相加，得到时空卷积自注意力特征结果：
通过下述公式(5)，计算得到第l层的时空卷积自注意力特征结果
步骤S24：上述3个步骤为一层全局和局部时空图卷积网络计算，后续以设定的层数进行多次计算，得到最终的时空卷积自注意力特征结果；
步骤S3：将所述时空卷积自注意力特征结果经过全连接神经网络层，得到多遥测点的一定时间段内的车辆尾气排放浓度预测结果。
2.一种基于全局和局部时空图卷积的车辆尾气预测系统，其特征在于，包括下述模块：
时间依赖性特征提取模块，用于将多组件周期的车辆尾气排放浓度时间序列遥测输入数据，使用时间自注意力层提取时间依赖性特征结果，具体包括：
步骤S11：使用所述多组件周期的车辆尾气排放浓度时间序列遥测输入数据得到时间注意力权重E′i,j，其数学表达式如公式(1)所示：
F＝Vf·σ(((X)TW1)W2(W3X)+bf)
其中Vf，bf,Vf是权值矩阵，bf是偏置矩阵，/>为时间相关性矩阵，表示时间点i和j的时间依赖性，其中i，j∈T，T表示所述多组件周期的车辆尾气排放浓度时间序列遥测输入数据的维度；/>表示可学习参数，C表示所述多组件周期的车辆尾气排放浓度时间序列遥测输入数据的通道数，N表示路网中遥测设备的个数；σ表示激活函数；
步骤S12：使用所述时间注意力权重E′i,j，得到时间依赖性特征结果Xt，其数学表达式如公式(2)所示：
全局和局部时空图卷积网络训练模块，用于将所述时间依赖性特征结果和机动车尾气遥测点路网拓扑图数据输入到多层全局和局部时空图卷积网络进行训练得到时空卷积自注意力特征结果；其中，所述全局和局部时空图卷积网络包括：全局时空卷积网络、局部时空卷积网络、卷积神经网络层和残差连接层；将所述时间依赖性特征结果分别输入到所述全局时空卷积网络和所述局部时空卷积网络，得到全局时空卷积特征结果和局部时空卷积特征结果；将所述全局时空卷积特征结果和所述局部时空卷积特征结果相加求和，得到求和的时空卷积特征结果；将所述求和的时空卷积特征结果输入到卷积神经网络，得到新的时空卷积特征结果，将所述新的时空卷积网络特征结果利用残差连接层与所述全局和局部时空图卷积网络的输入数据进行相加，得到时空卷积自注意力特征结果，具体包括：
步骤S21：将所述时间依赖性特征结果分别输入到全局时空卷积网络和局部时空卷积网络，得到全局时空卷积特征结果和局部时空卷积特征结果，并将两个结果进行相加求和，得到求和的时空卷积特征结果，具体包括：
步骤S211：将所述时间依赖性特征结果Xt输入到所述全局时空卷积网络中，得到第l层的全局时空卷积特征结果其数学表达式如公式(3)所示：
其中，S是空间注意力矩阵，上标l-1表示上一层的全局和局部时空图卷积，上标l表示当前的层全局和局部时空图卷积；A表示所述机动车尾气遥测点路网拓扑图G的邻接权重矩阵；⊙表示Hadamard积；W表示可学习参数；softmax(·)表示softmax函数；
步骤S212：将所述时间依赖性特征结果输入到所述局部时空卷积网络中，其中所述局部时空卷积网络使用K阶切比雪夫多项式近似展开求解，得到第l层的局部时空卷积特征结果其数学表达式如(4)所示：
其中，*G表示卷积操作，为k(k∈K)时的K阶切比雪夫多项式系数，Tk为切比雪夫多项式；A表示输入机动车尾气遥测点路网拓扑图G的权重邻接矩阵，/>λmax表示矩阵A的拉普拉斯矩阵的最大特征值，IN为矩阵A的单位矩阵，度矩阵/>是节点度数组成的对角矩阵Dii＝∑jAij，且图G的拉普拉斯矩阵规范化形式/>
步骤S213：将所述全局时空卷积特征结果和所述局部时空卷积特征结果/>经过求和相加，得到求和时空卷积特征结果/>其第l层的时空卷积特征结果数学表达式如公式(5)所示：
步骤S22：将所述求和的时空卷积特征结果输入到所述卷积神经网络，得到新的时空卷积特征结果；
步骤S23：将所述新的时空卷积网络特征结果利用所述残差连接层与所述全局和局部时空图卷积网络的输入数据进行相加，得到时空卷积自注意力特征结果：
通过下述公式(5)，计算得到第l层的时空卷积自注意力特征结果
步骤S24：上述3个步骤为一层全局和局部时空图卷积网络计算，后续以设定的层数进行多次计算，得到最终的时空卷积自注意力特征结果；
神经网络输出模块，用于将所述的时空卷积自注意力特征结果经过全连接神经网络层，得到多遥测点的一定时间段内的车辆尾气排放浓度预测结果。
CN202110718934.9A 2021-06-28 2021-06-28 基于全局和局部时空图卷积的车辆尾气预测方法及系统 Active CN113469331B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110718934.9A CN113469331B (zh) 2021-06-28 2021-06-28 基于全局和局部时空图卷积的车辆尾气预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110718934.9A CN113469331B (zh) 2021-06-28 2021-06-28 基于全局和局部时空图卷积的车辆尾气预测方法及系统

Publications (2)

Publication Number Publication Date
CN113469331A CN113469331A (zh) 2021-10-01
CN113469331B true CN113469331B (zh) 2024-02-13

Family

ID=77873268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110718934.9A Active CN113469331B (zh) 2021-06-28 2021-06-28 基于全局和局部时空图卷积的车辆尾气预测方法及系统

Country Status (1)

Country Link
CN (1) CN113469331B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114295368B (zh) * 2021-12-24 2024-10-15 江苏国科智能电气有限公司 一种多通道融合的风电行星齿轮箱故障诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020173226A1 (zh) * 2019-02-28 2020-09-03 华中科技大学 一种时空行为检测方法
CN112598170A (zh) * 2020-12-18 2021-04-02 中国科学技术大学 基于多组件融合时间网络的车辆尾气排放预测方法及系统
CN112801404A (zh) * 2021-02-14 2021-05-14 北京工业大学 一种基于自适应空间自注意力图卷积的交通预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11538143B2 (en) * 2018-10-26 2022-12-27 Nec Corporation Fully convolutional transformer based generative adversarial networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020173226A1 (zh) * 2019-02-28 2020-09-03 华中科技大学 一种时空行为检测方法
CN112598170A (zh) * 2020-12-18 2021-04-02 中国科学技术大学 基于多组件融合时间网络的车辆尾气排放预测方法及系统
CN112801404A (zh) * 2021-02-14 2021-05-14 北京工业大学 一种基于自适应空间自注意力图卷积的交通预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种基于序列到序列时空注意力学习的交通流预测模型;杜圣东;李天瑞;杨燕;王浩;谢鹏;洪西进;;计算机研究与发展(08);全文 *
基于频域注意力时空卷积网络的步态识别方法;赵国顺;方建安;瞿斌杰;Samah A.F.Manssor;孙韶媛;;信息技术与网络安全(06);全文 *

Also Published As

Publication number Publication date
CN113469331A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN109492830B (zh) 一种基于时空深度学习的移动污染源排放浓度预测方法
CN109492822B (zh) 空气污染物浓度时空域关联预测方法
CN108900346B (zh) 基于lstm网络的无线网络流量预测方法
CN112101480B (zh) 一种多变量聚类与融合的时间序列组合预测方法
CN111832814A (zh) 一种基于图注意力机制的空气污染物浓度预测方法
CN110210644A (zh) 基于深度神经网络集成的交通流量预测方法
CN113240170A (zh) 一种基于季节性循环神经网络的空气质量预测方法
CN113988348B (zh) 一种网格化监测的空气质量预测方法
CN113516304A (zh) 基于时空图网络的区域污染物时空联合预测方法及装置
CN115542429A (zh) 一种基于XGBoost的臭氧质量预测方法及系统
CN113469331B (zh) 基于全局和局部时空图卷积的车辆尾气预测方法及系统
CN113128666A (zh) 基于Mo-S-LSTMs模型的时间序列多步预测方法
CN117668743A (zh) 一种关联时空关系的时序数据预测方法
CN116894096A (zh) 一种基于递归双超图神经网络的新闻事件预测方法
CN116307152A (zh) 时空交互式动态图注意力网络的交通预测方法
CN111785093A (zh) 一种基于分形插值的空中交通流量短期预测方法
CN116913098B (zh) 一种融合空气质量与车流量数据的短时交通流预测方法
Nguyen et al. Deep learning for construction emission monitoring with low-cost sensor network
CN114611764A (zh) 一种特定区域内企业工业用水异常监测预警方法
CN113657582A (zh) 一种基于时空数据的时空图神经网络瓦斯浓度预测方法
CN116778709A (zh) 一种基于注意力时空图卷积网络交通流速度的预测方法
CN110839253A (zh) 一种确定无线网格网络流量的方法
CN116307206A (zh) 基于分段图卷积和时间注意力机制的天然气流量预测方法
CN116578858A (zh) 基于图神经网络的空压机故障预测与健康度评价方法及系统
CN112115754A (zh) 基于烟花差分进化混合算法-极限学习机的短时交通流预测模型

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