CN113744541A - 对抗图卷积网络的路网排放缺失时空分布重构方法及系统 - Google Patents

对抗图卷积网络的路网排放缺失时空分布重构方法及系统 Download PDF

Info

Publication number
CN113744541A
CN113744541A CN202110536188.1A CN202110536188A CN113744541A CN 113744541 A CN113744541 A CN 113744541A CN 202110536188 A CN202110536188 A CN 202110536188A CN 113744541 A CN113744541 A CN 113744541A
Authority
CN
China
Prior art keywords
emission
sequence
road
network
vehicle
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
CN202110536188.1A
Other languages
English (en)
Other versions
CN113744541B (zh
Inventor
许镇义
王瑞宾
康宇
曹洋
张聪
赵振怡
刘斌琨
裴丽红
王仁军
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.)
Institute of Artificial Intelligence of Hefei Comprehensive National Science Center
Original Assignee
Institute of Artificial Intelligence of Hefei Comprehensive National Science Center
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 Institute of Artificial Intelligence of Hefei Comprehensive National Science Center filed Critical Institute of Artificial Intelligence of Hefei Comprehensive National Science Center
Priority to CN202110536188.1A priority Critical patent/CN113744541B/zh
Publication of CN113744541A publication Critical patent/CN113744541A/zh
Application granted granted Critical
Publication of CN113744541B publication Critical patent/CN113744541B/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
    • G08G1/065—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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/0037—NOx
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/004—CO or CO2
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/0047—Organic compounds
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • 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
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Medicinal Chemistry (AREA)
  • Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Artificial Intelligence (AREA)
  • Food Science & Technology (AREA)
  • Combustion & Propulsion (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明的一种对抗图卷积网络的路网排放缺失时空分布重构方法及系统，包括采集车辆污染排放和瞬时工况数据，构建单车路段典型工况排放模型；结合遥感监测点位的车流量数据和典型工况排放模型构建路网移动源排放缺失时空图序列；基于网移动源排放缺失时空图序列，构建路网排放时空分布对抗图卷积生成模型,对监测缺失路段排放进行估计。本发明采用多头自注意力图卷积网络可捕获气象、交通状态变化和基础路网空间差异对不同路段排放的影响；采用图卷积生成对抗学习机制，构建融合路网拓扑以及多源监测信息的路网排放时空分布生成模型，实现完全路网排放图序列重构。与已有方法相比，本方法有望解决监测信息缺失路段的排放时空分布估计问题。

Description

对抗图卷积网络的路网排放缺失时空分布重构方法及系统
技术领域
本发明涉及环境监测领域，具体涉及一种对抗图卷积网络的路网排放缺失时空分布重构方法及系统。
背景技术
当前路网移动源排放清单估算依赖于完整的交通统计数据，由于车辆GPS 数据采集成本和隐私问题，难以在所有路网运行车辆安装导致路网车流监测信息存在时空分布不均衡，传统地理空间插值方法利用地理临近性对缺失道路排放估计，忽略相邻道路交通状态的时空上下文信息，同时对每条道路单独估算排放，导致难以准确估算路网的交通排放状况、计算效率低。因此如何利用有限路段车辆监测信息实现全路网范围排放清单估算仍是一个难以解决的关键问题。
发明内容
本发明提出的一种对抗图卷积网络的路网排放缺失时空分布重构方法，结合不同临近交通路网信息以及外部环境信息实现监测缺失路段排放估计，可解决上述技术问题。
为实现上述目的，本发明采用了以下技术方案：
一种对抗图卷积网络的路网排放缺失时空分布重构方法，包括以下步骤，
采集车辆污染排放和瞬时工况数据，构建单车路段典型工况排放模型；
结合遥感监测点位的车流量数据和典型工况排放模型构建路网移动源排放缺失时空图序列；
基于网移动源排放缺失时空图序列，构建路网排放时空分布对抗图卷积生成模型,对监测缺失路段排放进行估计。
进一步的，所述采集车辆污染排放和瞬时工况数据，构建单车路段典型工况排放模型，具体包括：
S1.1：对原始车辆GPS轨迹数据进行平滑滤波处理以提高信噪比，然后按怠速段、加速段、减速段、巡航段对原始行程轨迹进行切分得到四类短行程片段，按短行程周期划分得到车型k的n个短行程周期并按时间顺序排列，记作
Figure BDA0003069725030000021
S1.2：采用Transformer时序自编码网络将轨迹行程数据序列
Figure BDA0003069725030000022
映射到深层时序特征空间，利用编码器Encoder得到深度特征表示编码
Figure BDA0003069725030000023
解码器Decoder将中间特征编码
Figure BDA0003069725030000024
及i之前时刻输出
Figure BDA0003069725030000025
解码到输出
Figure BDA0003069725030000026
得到重构序列
Figure BDA0003069725030000027
S1.3：使用K-means算法对隐层特征表示
Figure BDA0003069725030000028
进行无监督聚类，通过联合优化自编解码网络参数θ和聚类中心
Figure BDA0003069725030000029
的辅助目标分布 KL散度损失来改进聚类，将特征空间表示
Figure BDA00030697250300000210
根据与聚类中心μj的t分布相似度聚类成m个反映车辆行程周期片段的关键性特征描述子簇中心
Figure BDA00030697250300000211
S1.4：利用解码器重构得到关键性特征描述行程序列
Figure BDA00030697250300000212
根据各类别所有短行程片段占总体短行程片段的时间比例，合成车型k的最终平均工况序列记作，
Figure BDA0003069725030000031
S1.5:根据尾气燃烧平衡方程，将遥感监测的CO、HC、NOx浓度转化为基于里程的质量排放因子，利用车辆信息、行驶工况、气象环境和CO、HC、NOx遥测污染数据来修正质量排放因子，记作，
Figure BDA0003069725030000032
Figure BDA0003069725030000033
Figure BDA0003069725030000034
其中，f*(w,e,k,r)是基于遥感监测数据以车型信息k即小型客车、大客车、重型货车，瞬时工况w即速度、加速度、车辆比功率，外部环境信息e即气温、湿度、风速、风向、大气压和道路特征r即路段等级、坡度、车道数为输入，CO、HC、NOx遥测污染浓度为输出的深度神经网络尾气反演模型，v是车辆瞬时速度，CO2是遥测设备参考气体体积浓度；
S1.6：结合分车型合成工况序列vk(t),t∈(0,T]，以及路段长度信息，计算出不同车型的在该路段典型工况下排放，
Figure BDA0003069725030000035
sk＝∑vk(t)·Δt
其中，EFlocal(i,k,j)表示车型k在路段j上污染物i的排放清单，Lenj表示路段j的长度，sk表示车型k合成工况序列的行程距离。
进一步的，所述结合遥感监测点位的车流量数据和典型工况排放模型构建路网移动源排放缺失时空图序列，具体包括：
S2.1：利用遥感监测点位的车流量数据和分车型典型工况排放模型构建观测路段车辆总排放时序序列，遥感监控路段任意时刻的污染清单排放按下式计算，
Figure BDA0003069725030000041
其中，EFi,t,j表示第i种污染物在监控路段j第t时刻总排放量， EFlocal(i,k，j)是车型k在路段j的第i种污染物的平均排放清单，Tk，t,j表示车型k在路段j第t时刻的车流量；
S2.2:将区域各路段的污染排放清单按路网拓扑构建成时空图序列
Figure BDA0003069725030000042
其中V是区域内N个路段组成的有限顶点集，其中布设有尾气遥测设备的路段集合记作VL，没有遥测设备的路段集合记作 VU，ε是边的集合表示目标区域路段间的直接连通性，W表示图序列的邻接权重矩阵按如下方式计算，
Figure BDA0003069725030000043
其中，distij表示路段i和j之间的最短路段行程距离，link(i,j)表示路段i和j之间的路段连通性，如果link(i,j)值为1，则路段i和j之间是连通的，否则两者之间是不连通的；参数θ用于控制邻接矩阵W的尺度和稀疏性；
S2.3:时空图序列
Figure BDA0003069725030000044
的一个污染清单观测序列看作是在时间t的图信号X(t)，将其中没有遥测设备路段XU的排放清单值置为0得到真实样本序列X，并将有遥测监控设备路段XL中的随机选出M个路段人工设置为缺失路段记作L-，其余有遥测监控设备路段记作L+，并在X中将L-的排放清单也置0构建排放清单缺失标记序列X-；其次将气象环境和道路特征按路网结构组合成与排放清单时序一一对应的气象外部环境因素图序列Efc，道路特征图序列Er，并与排放清单缺失标记序列拼接
Figure BDA0003069725030000059
对于待重构t时刻清单序列X(t)，取其k个缺失序列
Figure BDA0003069725030000051
作为时空图卷积生成器的输入。
进一步的，所述构建路网排放时空分布对抗图卷积生成模型,对监测缺失路段排放进行估计，具体包括：
S3.1：生成器采用多图卷积提取缺失排放图序列的时空变化特征，对于时刻i缺失标记序列
Figure BDA0003069725030000052
的图卷积操作定义如下：
Figure BDA0003069725030000053
其中Sl+1(i)是第l+1层排放图序列特征，图卷积层数设为L，
Figure BDA0003069725030000054
是归一化后的邻接矩阵，
Figure BDA0003069725030000055
是相应的度矩阵，
Figure BDA0003069725030000056
Ql是待训练的图卷积核权重矩阵，并在最后图卷积层通过多头自注意力机制实现排放图序列时序特征聚合，对于时刻i的缺失排放图序列特征自注意力机制操作如下，
Figure BDA0003069725030000057
其中，dk是SL(i)的维度，Concat是拼接操作，WC是多头自注意力参数矩阵，
Figure BDA0003069725030000058
是生成器对k个缺失清单图序列特征进行聚合输出重构清单序列；
生成器的损失函数记为，
Figure BDA0003069725030000061
其中，
Figure BDA0003069725030000062
是真实样本排放清单序列X中除去人工设置为缺失路段的其余有遥测监控设备路段的排放清单序列，
Figure BDA0003069725030000063
是生成器的生成相应的重构序列，
Figure BDA0003069725030000064
是生成序列与真实序列间的均方误差，
Figure BDA0003069725030000065
是判别器对生成序列计算的二值交叉熵，其计算如下，
Figure BDA0003069725030000066
S3.2:判别器包含图卷积层和全连接层，其输入为图卷积生成器的重构序列
Figure BDA0003069725030000067
和真实样本序列X，输出是判断该样本是否是真实排放序列的概率；采用二值交叉熵计算所有来自
Figure BDA0003069725030000068
和X样本序列的判别器总的损失函数
Figure BDA0003069725030000069
交替训练生成器与判别器直到判别器收敛，得到训练完成的生成器G*；
S3.3:给定任意时刻t及前k个时段的路网缺失排放清单与外部因素的拼接序列
Figure BDA00030697250300000610
代入生成器
Figure BDA00030697250300000611
Figure BDA00030697250300000612
即可重构出近似真实样本的区域完全路网排放清单X(t)。
进一步的，所述怠速段的条件为速度<2km/h且-0.15m/s2<加速度 <0.15m/s2；
加速段的条件为加速度>0.15m/s2；
减速段的条件为加速度<-0.15m/s2；
巡航段的条件为速度>2km/h且-0.15m/s2<加速度<0.15m/s2。
进一步的，所述步骤S2.3中气象环境包括天气、温度、风速；道路特征包括路段等级、坡度、车道数。
另一方面，本发明还公开一种对抗图卷积网络的路网排放缺失时空分布重构系统，包括以下单元，
采集单元，用于采集车辆污染排放和瞬时工况数据，构建单车路段典型工况排放模型；
路网移动源排放缺失时空图序列构建单元，用于结合遥感监测点位的车流量数据和典型工况排放模型构建路网移动源排放缺失时空图序列；
污染源排放预估单元，基于网移动源排放缺失时空图序列，构建路网排放时空分布对抗图卷积生成模型,对监测缺失路段排放进行估计。
第三方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
由上述技术方案可知，本发明的对抗图卷积网络的路网排放缺失时空分布重构方法及系统，通过建立局部路段排放时空演变特征表示空间，实现不同路段多源外部因素与排放清单时空变化关联，引入融合路网结构信息的对抗图卷积网络，建立路网排放时空分布生成模型，实现监测信息缺失路段的排放状况估计。
本发明采用多头自注意力图卷积网络可捕获气象、交通状态变化和基础路网空间差异对不同路段排放的影响；采用图卷积生成对抗学习机制，构建融合路网拓扑以及多源监测信息的路网排放时空分布生成模型，实现完全路网排放图序列重构。与已有方法相比，本方法有望解决监测信息缺失路段的排放时空分布估计问题。
附图说明
图1是本发明的方法流程图；
图2是有限监测信息的路网排放时空分布生成模型结构；
图3是图2西安市路网排放清单时空分布重构实例。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
如图1所示，本实施例所述的对抗图卷积网络的路网排放缺失时空分布重构方法，包括：
步骤S1：利用本地化固定式遥感监测设备采集的车辆污染排放和瞬时工况数据，构建单车路段典型工况排放模型；
步骤S2：结合遥感监测点位的车流量数据和典型工况排放模型构建路网移动源排放缺失时空图序列；
步骤S3：构建路网排放时空分布对抗图卷积生成模型,对监测缺失路段排放进行估计。
以下具体说明：
根据本发明的实施方式，所述步骤S1包括：
S1.1：对原始车辆GPS轨迹数据进行平滑滤波处理以提高信噪比，然后按怠速段(速度<2km/h且-0.15m/s2<加速度<0.15m/s2)、加速段(加速度>0.15m/s2)、减速段(加速度<-0.15m/s2)、巡航段(速度>2km/h 且-0.15m/s2<加速度<0.15m/s2)对原始行程轨迹进行切分得到四类短行程片段，按短行程周期划分得到车型k的n个短行程周期并按时间顺序排列，记作
Figure BDA0003069725030000091
S1.2：采用Transformer时序自编码网络将轨迹行程数据序列
Figure BDA0003069725030000092
映射到深层时序特征空间，利用编码器Encoder得到深度特征表示编码
Figure BDA0003069725030000093
解码器Decoder将中间特征编码
Figure BDA0003069725030000094
及i之前时刻输出
Figure BDA0003069725030000095
解码到输出
Figure BDA0003069725030000096
得到重构序列
Figure BDA0003069725030000097
S1.3：使用K-means算法对隐层特征表示
Figure BDA0003069725030000098
进行无监督聚类，通过联合优化自编解码网络参数θ和聚类中心
Figure BDA0003069725030000099
的辅助目标分布 KL散度损失来改进聚类，将特征空间表示
Figure BDA00030697250300000910
根据与聚类中心μj的t分布相似度聚类成m个反映车辆行程周期片段的关键性特征描述子簇中心
Figure BDA00030697250300000911
S1.4：利用解码器重构得到关键性特征描述行程序列
Figure BDA00030697250300000912
根据各类别所有短行程片段占总体短行程片段的时间比例，合成车型k的最终平均工况序列记作，
Figure BDA00030697250300000913
S1.5:根据尾气燃烧平衡方程，将遥感监测的CO、HC、NOx浓度转化为基于里程的质量排放因子，利用车辆信息、行驶工况、气象环境和CO、HC、NOx遥测污染数据来修正质量排放因子，记作，
Figure BDA0003069725030000101
Figure BDA0003069725030000102
Figure BDA0003069725030000103
其中，f*(w,e,k,r)是基于遥感监测数据以车型信息k(小型客车、大客车、重型货车)、瞬时工况w(速度、加速度、车辆比功率)、外部环境信息e(气温、湿度、风速、风向、大气压)和道路特征r(路段等级、坡度、车道数)为输入，CO、HC、NOx遥测污染浓度为输出的深度神经网络尾气反演模型，v是车辆瞬时速度，CO2是遥测设备参考气体体积浓度。
S1.6：结合分车型合成工况序列vk(t),t∈(0,T]，以及路段长度信息，可以计算出不同车型的在该路段典型工况下排放，
Figure BDA0003069725030000104
sk＝∑vk(t)·Δt
其中，EFlocal(i,k,j)表示车型k在路段j上污染物i的排放清单，Lenj表示路段j的长度，sk表示车型k合成工况序列的行程距离。
根据本发明的实施方式，所述步骤S2包括：
S2.1：利用遥感监测点位的车流量数据和分车型典型工况排放模型构建观测路段车辆总排放时序序列，遥感监控路段任意时刻的污染清单排放可按下式计算，
Figure BDA0003069725030000105
其中，EFi,t,j表示第i种污染物(CO，HC，NOx)在监控路段j第t时刻总排放量，EFlocal(i，k，j)是车型k在路段j的第i种污染物的平均排放清单，Tk，t,j表示车型k在路段j第t时刻的车流量。
S2.2:将区域各路段的污染排放清单按路网拓扑构建成时空图序列
Figure BDA0003069725030000111
其中V是区域内N个路段组成的有限顶点集，其中布设有尾气遥测设备的路段集合记作VL，没有遥测设备的路段集合记作 VU，ε是边的集合表示目标区域路段间的直接连通性，W表示图序列的邻接权重矩阵按如下方式计算，
Figure BDA0003069725030000112
其中，distij表示路段i和j之间的最短路段行程距离，link(i,j)表示路段 i和j之间的路段连通性，如果link(i,j)值为1，则路段i和j之间是连通的，否则两者之间是不连通的；参数θ用于控制邻接矩阵W的尺度和稀疏性。
S2.3:时空图序列
Figure BDA0003069725030000113
的一个污染清单观测序列可以看作是在时间 t的图信号X(t)，将其中没有遥测设备路段XU的排放清单值置为0得到真实样本序列X，并将有遥测监控设备路段XL中的随机选出M个路段人工设置为缺失路段记作L-，其余有遥测监控设备路段记作L+，并在X中将L-的排放清单也置0构建排放清单缺失标记序列X-。其次将气象环境(天气、温度、风速等)和道路特征(路段等级、坡度、车道数)按路网结构组合成与排放清单时序一一对应的气象外部环境因素图序列Efc，道路特征图序列Er，并与排放清单缺失标记序列拼接
Figure BDA0003069725030000114
对于待重构t时刻清单序列X(t)，取其k个缺失序列
Figure BDA0003069725030000121
作为时空图卷积生成器的输入。
根据本发明的实施方式，如图2所示，所述步骤S3包括：
S3.1：生成器采用多图卷积提取缺失排放图序列的时空变化特征，对于时刻i缺失标记序列
Figure BDA0003069725030000122
的图卷积操作定义如下：
Figure BDA0003069725030000123
其中Sl+1(i)是第l+1层排放图序列特征(图卷积层数设为L)，
Figure BDA0003069725030000124
是归一化后的邻接矩阵，
Figure BDA0003069725030000125
是相应的度矩阵，
Figure BDA0003069725030000126
Ql是待训练的图卷积核权重矩阵，并在最后图卷积层通过多头自注意力机制实现排放图序列时序特征聚合，对于时刻i的缺失排放图序列特征自注意力机制操作如下，
Figure BDA0003069725030000127
其中，dk是SL(i)的维度，Concat是拼接操作，WC是多头自注意力参数矩阵，
Figure BDA0003069725030000128
是生成器对k个缺失清单图序列特征进行聚合输出重构清单序列。
生成器的损失函数可记为，
Figure BDA0003069725030000129
其中，
Figure BDA00030697250300001210
是真实样本排放清单序列X中除去人工设置为缺失路段的其余有遥测监控设备路段的排放清单序列，
Figure BDA00030697250300001211
是生成器的生成相应的重构序列，
Figure BDA00030697250300001212
是生成序列与真实序列间的均方误差，
Figure BDA00030697250300001213
是判别器对生成序列计算的二值交叉熵，其计算如下，
Figure BDA00030697250300001214
S3.2:判别器包含图卷积层和全连接层，其输入为图卷积生成器的重构序列
Figure BDA0003069725030000131
和真实样本序列X，输出是判断该样本是否是真实排放序列的概率。采用二值交叉熵计算所有来自
Figure BDA0003069725030000132
和X样本序列的判别器总的损失函数
Figure BDA0003069725030000133
交替训练生成器与判别器直到判别器收敛，得到训练完成的生成器G*。
S3.3:给定任意时刻t及前k个时段的路网缺失排放清单与外部因素的拼接序列
Figure BDA0003069725030000134
代入生成器
Figure BDA0003069725030000135
Figure BDA0003069725030000136
即可重构出近似真实样本的区域完全路网排放清单X(t)。
图3给出了西安市二环内路网的排放清单重构案例，其中深色路段表示该路段交通排放量较高，浅色路段表示交通排放较低。
由以上技术方案可以看出，本发明实施例采用多头自注意力图卷积网络可捕获气象、交通状态变化和基础路网空间差异对不同路段排放的影响；采用图卷积生成对抗学习机制，构建融合路网拓扑以及多源监测信息的路网排放时空分布生成模型，实现完全路网排放图序列重构。与已有方法相比，本方法有望解决监测信息缺失路段的排放时空分布估计问题。
另一方面，本发明还公开一种对抗图卷积网络的路网排放缺失时空分布重构系统，包括以下单元，
采集单元，用于采集车辆污染排放和瞬时工况数据，构建单车路段典型工况排放模型；
路网移动源排放缺失时空图序列构建单元，用于结合遥感监测点位的车流量数据和典型工况排放模型构建路网移动源排放缺失时空图序列；
污染源排放预估单元，基于网移动源排放缺失时空图序列，构建路网排放时空分布对抗图卷积生成模型,对监测缺失路段排放进行估计。
第三方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和 /或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种对抗图卷积网络的路网排放缺失时空分布重构方法，其特征在于：包括以下步骤，
采集车辆污染排放和瞬时工况数据，构建单车路段典型工况排放模型；
结合遥感监测点位的车流量数据和典型工况排放模型构建路网移动源排放缺失时空图序列；
基于网移动源排放缺失时空图序列，构建路网排放时空分布对抗图卷积生成模型,对监测缺失路段排放进行估计。
2.根据权利要求1所述的对抗图卷积网络的路网排放缺失时空分布重构方法，其特征在于：所述采集车辆污染排放和瞬时工况数据，构建单车路段典型工况排放模型，具体包括：
S1.1：对原始车辆GPS轨迹数据进行平滑滤波处理以提高信噪比，然后按怠速段、加速段、减速段、巡航段对原始行程轨迹进行切分得到四类短行程片段，按短行程周期划分得到车型k的n个短行程周期并按时间顺序排列，记作
Figure FDA0003069725020000011
S1.2：采用Transformer时序自编码网络将轨迹行程数据序列
Figure FDA0003069725020000012
映射到深层时序特征空间，利用编码器Encoder得到深度特征表示编码
Figure FDA0003069725020000013
Figure FDA0003069725020000014
解码器Decoder将中间特征编码
Figure FDA0003069725020000015
及i之前时刻输出
Figure FDA0003069725020000016
解码到输出
Figure FDA0003069725020000017
得到重构序列
Figure FDA0003069725020000018
S1.3：使用K-means算法对隐层特征表示
Figure FDA0003069725020000019
进行无监督聚类，通过联合优化自编解码网络参数θ和聚类中心
Figure FDA00030697250200000110
的辅助目标分布KL散度损失来改进聚类，将特征空间表示
Figure FDA00030697250200000111
根据与聚类中心μj的t分布相似度聚类成m个反映车辆行程周期片段的关键性特征描述子簇中心
Figure FDA00030697250200000112
S1.4：利用解码器重构得到关键性特征描述行程序列
Figure FDA00030697250200000113
根据各类别所有短行程片段占总体短行程片段的时间比例，合成车型k的最终平均工况序列记作，
Figure FDA0003069725020000021
S1.5:根据尾气燃烧平衡方程，将遥感监测的CO、HC、NOx浓度转化为基于里程的质量排放因子，利用车辆信息、行驶工况、气象环境和CO、HC、NOx遥测污染数据来修正质量排放因子，记作，
Figure FDA0003069725020000022
Figure FDA0003069725020000023
Figure FDA0003069725020000024
其中，f*(w,e,k,r)是基于遥感监测数据以车型信息k即小型客车、大客车、重型货车，瞬时工况w即速度、加速度、车辆比功率，外部环境信息e即气温、湿度、风速、风向、大气压和道路特征r即路段等级、坡度、车道数为输入，CO、HC、NOx遥测污染浓度为输出的深度神经网络尾气反演模型，v是车辆瞬时速度，CO2是遥测设备参考气体体积浓度；
S1.6：结合分车型合成工况序列vk(t),t∈(0,T]，以及路段长度信息，计算出不同车型的在该路段典型工况下排放，
Figure FDA0003069725020000025
sk＝∑vk(t)·Δt
其中，EFlocal(i,k,j)表示车型k在路段j上污染物i的排放清单，Lenj表示路段j的长度，sk表示车型k合成工况序列的行程距离。
3.根据权利要求2所述的对抗图卷积网络的路网排放缺失时空分布重构方法，其特征在于：所述结合遥感监测点位的车流量数据和典型工况排放模型构建路网移动源排放缺失时空图序列，具体包括：
S2.1：利用遥感监测点位的车流量数据和分车型典型工况排放模型构建观测路段车辆总排放时序序列，遥感监控路段任意时刻的污染清单排放按下式计算，
Figure FDA0003069725020000031
其中，EFi,t,j表示第i种污染物在监控路段j第t时刻总排放量，EFlocal(i,k,j)是车型k在路段j的第i种污染物的平均排放清单，Tk，t,j表示车型k在路段j第t时刻的车流量；
S2.2:将区域各路段的污染排放清单按路网拓扑构建成时空图序列
Figure FDA0003069725020000033
其中V是区域内N个路段组成的有限顶点集，其中布设有尾气遥测设备的路段集合记作VL，没有遥测设备的路段集合记作VU，ε是边的集合表示目标区域路段间的直接连通性，W表示图序列的邻接权重矩阵按如下方式计算，
Figure FDA0003069725020000032
其中，distij表示路段i和j之间的最短路段行程距离，link(i，j)表示路段i和j之间的路段连通性，如果link(i，j)值为1，则路段i和j之间是连通的，否则两者之间是不连通的；参数θ用于控制邻接矩阵W的尺度和稀疏性；
S2.3:时空图序列
Figure FDA0003069725020000034
的一个污染清单观测序列看作是在时间t的图信号X(t)，将其中没有遥测设备路段XU的排放清单值置为0得到真实样本序列X，并将有遥测监控设备路段XL中的随机选出M个路段人工设置为缺失路段记作L-，其余有遥测监控设备路段记作L+，并在X中将L-的排放清单也置0构建排放清单缺失标记序列X-；其次将气象环境和道路特征按路网结构组合成与排放清单时序一一对应的气象外部环境因素图序列Efc，道路特征图序列Er，并与排放清单缺失标记序列拼接
Figure FDA0003069725020000041
对于待重构t时刻清单序列X(t)，取其k个缺失序列
Figure FDA0003069725020000042
作为时空图卷积生成器的输入。
4.根据权利要求3所述的对抗图卷积网络的路网排放缺失时空分布重构方法，其特征在于：所述构建路网排放时空分布对抗图卷积生成模型,对监测缺失路段排放进行估计，具体包括：
S3.1：生成器采用多图卷积提取缺失排放图序列的时空变化特征，对于时刻i缺失标记序列
Figure FDA0003069725020000043
的图卷积操作定义如下：
Figure FDA0003069725020000044
其中Sl+1(i)是第l+1层排放图序列特征，图卷积层数设为L，
Figure FDA0003069725020000045
是归一化后的邻接矩阵，
Figure FDA0003069725020000046
是相应的度矩阵，
Figure FDA0003069725020000047
Ql是待训练的图卷积核权重矩阵，并在最后图卷积层通过多头自注意力机制实现排放图序列时序特征聚合，对于时刻i的缺失排放图序列特征自注意力机制操作如下，
Figure FDA0003069725020000048
Figure FDA0003069725020000049
其中，dk是SL(i)的维度，Concat是拼接操作，WC是多头自注意力参数矩阵，
Figure FDA00030697250200000410
是生成器对k个缺失清单图序列特征进行聚合输出重构清单序列；
生成器的损失函数记为，
Figure FDA00030697250200000411
其中，
Figure FDA00030697250200000412
是真实样本排放清单序列X中除去人工设置为缺失路段的其余有遥测监控设备路段的排放清单序列，
Figure FDA00030697250200000413
是生成器的生成相应的重构序列，
Figure FDA00030697250200000414
是生成序列与真实序列间的均方误差，
Figure FDA00030697250200000415
是判别器对生成序列计算的二值交叉熵，其计算如下，
Figure FDA0003069725020000051
S3.2:判别器包含图卷积层和全连接层，其输入为图卷积生成器的重构序列
Figure FDA0003069725020000052
和真实样本序列X，输出是判断该样本是否是真实排放序列的概率；采用二值交叉熵计算所有来自
Figure FDA0003069725020000053
和X样本序列的判别器总的损失函数
Figure FDA0003069725020000054
交替训练生成器与判别器直到判别器收敛，得到训练完成的生成器G*；
S3.3:给定任意时刻t及前k个时段的路网缺失排放清单与外部因素的拼接序列
Figure FDA0003069725020000055
代入生成器
Figure FDA0003069725020000056
即可重构出近似真实样本的区域完全路网排放清单
Figure FDA0003069725020000057
5.根据权利要求2所述的对抗图卷积网络的路网排放缺失时空分布重构方法，其特征在于：
所述怠速段的条件为速度<2km/h且-0.15m/s2<加速度<0.15m/s2；
加速段的条件为加速度>0.15m/s2；
减速段的条件为加速度<-0.15m/s2；
巡航段的条件为速度>2km/h且-0.15m/s2<加速度<0.15m/s2。
6.根据权利要求3所述的对抗图卷积网络的路网排放缺失时空分布重构方法，其特征在于：所述步骤S2.3中气象环境包括天气、温度、风速；道路特征包括路段等级、坡度、车道数。
7.一种对抗图卷积网络的路网排放缺失时空分布重构系统，其特征在于：包括以下单元，
采集单元，用于采集车辆污染排放和瞬时工况数据，构建单车路段典型工况排放模型；
路网移动源排放缺失时空图序列构建单元，用于结合遥感监测点位的车流量数据和典型工况排放模型构建路网移动源排放缺失时空图序列；
污染源排放预估单元，基于网移动源排放缺失时空图序列，构建路网排放时空分布对抗图卷积生成模型,对监测缺失路段排放进行估计。
8.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
CN202110536188.1A 2021-05-17 2021-05-17 对抗图卷积网络的路网排放缺失时空分布重构方法及系统 Active CN113744541B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110536188.1A CN113744541B (zh) 2021-05-17 2021-05-17 对抗图卷积网络的路网排放缺失时空分布重构方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110536188.1A CN113744541B (zh) 2021-05-17 2021-05-17 对抗图卷积网络的路网排放缺失时空分布重构方法及系统

Publications (2)

Publication Number Publication Date
CN113744541A true CN113744541A (zh) 2021-12-03
CN113744541B CN113744541B (zh) 2022-07-19

Family

ID=78728310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110536188.1A Active CN113744541B (zh) 2021-05-17 2021-05-17 对抗图卷积网络的路网排放缺失时空分布重构方法及系统

Country Status (1)

Country Link
CN (1) CN113744541B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115422694A (zh) * 2022-11-03 2022-12-02 深圳市城市交通规划设计研究中心股份有限公司 一种路段缺失流量推算方法、电子设备及存储介质
CN117074627A (zh) * 2023-10-16 2023-11-17 三科智能(山东)集团有限公司 基于人工智能的医疗实验室空气质量监测系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109165690A (zh) * 2018-09-03 2019-01-08 安徽优思天成智能科技有限公司 一种城市路网尾气污染分布预测的方法及系统
US20190286658A1 (en) * 2018-03-13 2019-09-19 Pinterest, Inc. Generating neighborhood convolutions within a large network
CN112131523A (zh) * 2020-09-11 2020-12-25 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种基于有限监测点位的时空数据生成方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20190286658A1 (en) * 2018-03-13 2019-09-19 Pinterest, Inc. Generating neighborhood convolutions within a large network
CN109165690A (zh) * 2018-09-03 2019-01-08 安徽优思天成智能科技有限公司 一种城市路网尾气污染分布预测的方法及系统
CN112131523A (zh) * 2020-09-11 2020-12-25 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种基于有限监测点位的时空数据生成方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
许镇义: "基于时空数据挖掘的城市移动源污染综合监管问题研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅰ辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115422694A (zh) * 2022-11-03 2022-12-02 深圳市城市交通规划设计研究中心股份有限公司 一种路段缺失流量推算方法、电子设备及存储介质
CN115422694B (zh) * 2022-11-03 2023-04-07 深圳市城市交通规划设计研究中心股份有限公司 一种路段缺失流量推算方法、电子设备及存储介质
CN117074627A (zh) * 2023-10-16 2023-11-17 三科智能(山东)集团有限公司 基于人工智能的医疗实验室空气质量监测系统
CN117074627B (zh) * 2023-10-16 2024-01-09 三科智能(山东)集团有限公司 基于人工智能的医疗实验室空气质量监测系统

Also Published As

Publication number Publication date
CN113744541B (zh) 2022-07-19

Similar Documents

Publication Publication Date Title
CN110415516B (zh) 基于图卷积神经网络的城市交通流预测方法及介质
CN110264709B (zh) 基于图卷积网络的道路的交通流量的预测方法
CN112132264B (zh) 基于时空残差感知网络的区域尾气排放预测方法及系统
CN113744541B (zh) 对抗图卷积网络的路网排放缺失时空分布重构方法及系统
US20160125307A1 (en) Air quality inference using multiple data sources
CN110738855B (zh) 一种数据稀疏时间段的道路交通流状况预测方法
CN110163449B (zh) 一种基于主动时空图卷积的机动车排污监测节点部署方法
CN114450557B (zh) 路线偏差量化及基于此的车辆路线学习
CN112990065A (zh) 一种基于优化的YOLOv5模型的车辆分类检测方法
CN110988263B (zh) 一种基于改进的Stacking模型的车辆尾气浓度估计方法
Shang et al. Analyzing the effects of road type and rainy weather on fuel consumption and emissions: A mesoscopic model based on big traffic data
CN115985104A (zh) 一种交通流量预测装置、预测方法及预测模型构建方法
CN114862916A (zh) 基于ConvNeXt网络和DSST算法的交通车辆跟踪方法及系统
CN117689693A (zh) 一种基于图对比自监督学习的异常局部轨迹检测方法和装置
US11176823B2 (en) Enhanced vehicle operation
CN110097074B (zh) 一种基于序列相似度的车辆轨迹压缩方法
CN115964621A (zh) 区域路网尾气排放数据补全方法
CN115985132A (zh) 一种基于图神经网络的路边停车可用性预测方法
CN115905434A (zh) 一种基于学习插值预测的道路网轨迹补全方法
CN115100847A (zh) 面向低渗透率网联车轨迹数据的排队服务时间估计方法
CN114330871A (zh) 一种通过公交运营数据结合gps数据预测城市路况的方法
Zang et al. Integrating heterogeneous sources for learned prediction of vehicular data consumption
CN111371609A (zh) 基于深度学习的车联网连通预测方法
CN117454779B (zh) 道路交通移动源能耗预测方法、电子设备及存储介质
CN115512548B (zh) 一种路侧检测单元布设与道路交通稀疏感知方法及系统

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