CN117271959B - 一种pm2.5浓度预测结果的不确定性评估方法及设备 - Google Patents
一种pm2.5浓度预测结果的不确定性评估方法及设备 Download PDFInfo
- Publication number
- CN117271959B CN117271959B CN202311550749.9A CN202311550749A CN117271959B CN 117271959 B CN117271959 B CN 117271959B CN 202311550749 A CN202311550749 A CN 202311550749A CN 117271959 B CN117271959 B CN 117271959B
- Authority
- CN
- China
- Prior art keywords
- matrix
- representing
- grid
- area
- target area
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 218
- 238000000034 method Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 32
- 238000007667 floating Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 6
- 238000013139 quantization Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
Abstract
本申请适用于空气检测技术领域,提供了一种PM2.5浓度预测结果的不确定性评估方法及设备,该PM2.5浓度预测结果的不确定性评估方法包括:将目标区域划分为多个网格区域,并构建无向图;根据每个网格区域的路网状态、兴趣点分布状态、气象属性、轨迹属性和PM2.5浓度,获取目标区域的属性矩阵;基于无向图和属性矩阵,获取最终潜在特征矩阵;对最终潜在特征矩阵进行计算得到所有网格区域的最优PM2.5浓度预测结果;基于最终潜在特征矩阵,获取网格区域的最优PM2.5浓度预测结果的不确定值。本申请的PM2.5浓度预测结果的不确定性评估方法能够解决PM2.5浓度预测结果的可靠性与稳健性存疑的问题。
Description
技术领域
本申请属于空气检测技术领域,特别涉及一种PM2.5浓度预测结果的不确定性评估方法及设备。
背景技术
现有的城市空气质量预测研究主要分为两种类型:一是基于知识驱动的方法,另一种是基于数据驱动的方法。基于知识驱动的方法指的是,基于大气环境基础理论,通过构建动力学方程模拟污染物在城市空间中的排放与扩散过程,以数值模拟的方式实现对城市中空气质量分布的估计和预测。此类方法强依赖于可靠的专家先验知识和丰富的计算资源,导致模型训练环境十分苛刻,关键参数难以确定,推理结果的稳定性与健壮性较弱。基于数据驱动的方法指的是,基于统计学习思想挖掘多源数据与PM2.5浓度之间的相关性,以实现未观测区域的空气质量预测。近年来,以深度神经网络为代表的人工智能技术高速发展,为空气质量预测研究提供了大量新的研究手段和方法。相比于传统方法,深度学习模型能够提取数据更深层特征以获得更好的性能。然而,由于空气质量监测站点的稀缺,空气质量预测模型能够利用的观测数据和大范围的未观测区域相比是很少的。因此,当前研究大多聚焦在通过不断提高模型复杂度获得更好的预测精度。这种做法忽视了在有限的稀疏数据集上取得的效果,面对复杂未知的区域是否依然能够保持可靠结果的问题,导致在实际使用中可能存在较大误差,PM2.5浓度预测结果的可靠性与稳健性存疑。
发明内容
本申请实施例提供了一种PM2.5浓度预测结果的不确定性评估方法及设备,可以解决PM2.5浓度预测结果的可靠性与稳健性存疑的问题。
第一方面,本申请实施例提供了一种PM2.5浓度预测结果的不确定性评估方法,该不确定性评估方法包括:
将目标区域划分为多个网格区域,并构建目标区域的无向图;无向图的多个节点与多个网格区域一一对应,每两个节点之间的边表示对应的两个网格区域之间的相邻关系;
根据所有网格区域中每个网格区域的路网状态、兴趣点分布状态、气象属性在个历史时间段的状态、轨迹属性在/>个历史时间段的状态和PM2.5浓度在/>个历史时间段的状态,获取目标区域的属性矩阵;属性矩阵中的每个元素用于描述元素对应的网格区域的环境状态;第/>个历史时间段的终止时刻为当前时刻;
基于目标区域的无向图和属性矩阵,获取目标区域的最终潜在特征矩阵;最终潜在特征矩阵用于描述目标区域的PM2.5浓度在时间和空间上的状态;
对最终潜在特征矩阵进行计算得到所有网格区域的最优PM2.5浓度预测结果;
分别针对多个网格区域中的每个网格区域,基于最终潜在特征矩阵,获取网格区域的最优PM2.5浓度预测结果的不确定值。
可选的,路网状态为道路的类型、长度以及交叉口的数量;
兴趣点分布状态用于描述城市设施兴趣点的位置;
气象属性为气象在不同时间段的气象特征;
轨迹属性为浮空车的轨迹条数和浮空车经过轨迹时的速度。
可选的,根据所有网格区域中每个网格区域的路网状态、兴趣点分布状态、气象属性在个历史时间段的状态、轨迹属性在/>个历史时间段的状态和PM2.5浓度在/>个历史时间段的状态,获取目标区域的属性矩阵,包括;
通过公式构建目标区域的路网属性矩阵/>;
其中,,/>表示矩阵维度,/>表示网格区域的总数,/>表示第1个网格区域中路网的总长度,/>表示第1个网格区域中高速路段的长度,/>表示第1个网格区域中交叉口的数量,/>表示第/>个网格区域中路网的总长度,/>表示第/>个网格区域中高速路段的长度,/>表示第/>个网格区域中交叉口的数量,/>表示第/>个网格区域中路网的总长度,/>表示第/>个网格区域中高速路段的长度,/>表示第/>个网格区域中交叉口的数量,/>;
通过公式:
构建目标区域的兴趣点分布矩阵;
其中,,/>表示矩阵维度,/>表示城市设施兴趣点的类别总数,表示第1个网格区域中第1类城市设施兴趣点的数量,/>表示第1个网格区域中第类城市设施兴趣点的数量,/>表示第/>个网格区域中第1类城市设施兴趣点的数量,表示第/>个网格区域中第/>类城市设施兴趣点的数量;
通过公式:
构建目标区域的气象属性矩阵;
其中,,/>表示矩阵维度,/>表示第1个网格区域在第1个历史时间段内的气象矩阵,/>表示第1个网格区域在第/>个历史时间段内的气象矩阵,/>表示第/>个网格区域在第1个历史时间段内的气象矩阵,/>表示第/>个网格区域在第1个历史时间段内的气象矩阵,/>表示第/>个网格区域在第/>个历史时间段内的气象矩阵,/>表示第/>个网格区域在第/>个历史时间段内的气象矩阵,/>表示第/>个网格区域在第/>个历史时间段内的气象矩阵,/>表示第/>个网格区域在第/>个历史时间段内的第1类气象的气象特征,/>表示第/>个网格区域在第/>个历史时间段内的第2类气象的气象特征,/>表示第/>个网格区域在第/>个历史时间段内的第3类气象的气象特征,表示第/>个网格区域在第/>个历史时间段内的第4类气象的气象特征,;
通过公式:
构建目标区域的轨迹属性矩阵;
其中,,/>表示矩阵维度,/>表示第1个网格区域在第1个历史时间段内的轨迹矩阵,/>表示第1个网格区域在第/>个历史时间段内的轨迹矩阵,/>表示第/>个网格区域在第1个历史时间段内的轨迹矩阵,/>表示第/>个网格区域在第1个历史时间段内的轨迹矩阵,/>表示第/>个网格区域在第/>个历史时间段内的轨迹矩阵,/>表示第/>个网格区域在第/>个历史时间段内的轨迹矩阵,/>表示第/>个网格区域在第/>个历史时间段内的轨迹矩阵,/>表示第/>个网格区域中的浮动车在第/>个历史时间段内的平均速度,/>表示第/>个网格区域中的浮动车在第/>个历史时间段内的速度方差,/>表示第/>个网格区域中的浮动车在第/>个历史时间段内速度小于第一预设速度的轨迹条数,/>表示第/>个网格区域中的浮动车在第/>个历史时间段内速度小于第二预设速度且大于第一预设速度的轨迹条数,/>表示第/>个网格区域中的浮动车在第个历史时间段内速度大于第二预设速度的轨迹条数,第一预设速度小于第二预设速度;
通过公式:
构建目标区域的PM2.5浓度分布矩阵;
其中,,/>表示矩阵维度,/>表示第1个观测站点在第1个历史时间段内的PM2.5浓度观测值,/>表示第/>个观测站点在第1个历史时间段内的PM2.5浓度观测值,/>表示第1个观测站点在第/>个历史时间段内的PM2.5浓度观测值,/>表示第/>个观测站点在第/>个历史时间段内的PM2.5浓度观测值;
将路网属性矩阵、兴趣点分布矩阵/>、气象属性矩阵/>、轨迹属性矩阵/>和PM2.5浓度分布矩阵/>进行矩阵拼接,得到目标区域的属性矩阵/>。
可选的,基于目标区域的无向图和属性矩阵,获取目标区域的最终潜在特征矩阵,包括:
基于目标区域的无向图和属性矩阵,获取目标区域的潜在空间依赖性特征;
对潜在空间依赖性特征和属性矩阵进行计算,获取目标区域的最终潜在特征矩阵。
可选的,基于目标区域的无向图和属性矩阵,获取目标区域的潜在空间依赖性特征,包括:
通过公式:
计算目标区域在第个历史时间段内的潜在空间依赖性特征/>;
其中,表示属性矩阵/>中第/>个历史时间段对应的所有元素,/>表示目标区域的无向图的度矩阵,度矩阵中的元素为与无向图的节点相连的边的数量,/>表示目标区域的无向图的邻接矩阵,邻接矩阵中的元素为无向图的边的值,/>表示激活函数,/>和均为参数,/>,/>表示第/>个历史时间段。
可选的,对潜在空间依赖性特征进行计算,获取目标区域的最终潜在特征矩阵,包括:
通过公式:
计算目标区域的最终潜在特征矩阵;
其中,表示目标区域在第1个历史时间段的最终潜在特征,/>表示目标区域在第/>个历史时间段的最终潜在特征,/>表示目标区域在第/>个历史时间段的最终潜在特征,/>,/>表示第/>个历史时间段,/>表示目标区域在第/>个历史时间段内的潜在空间依赖性特征,/>表示目标区域在第/>个历史时间段的最终潜在特征,/>表示属性矩阵/>中第/>个历史时间段对应的所有元素,/>表示哈达马积运算,/>表示第/>个历史时间段的更新门控,/>表示第/>个历史时间段的重置门控,/>表示第/>个历史时间段的信息,/>、/>、/>、/>、/>和/>均为参数。
可选的,对最终潜在特征矩阵进行计算得到所有网格区域的最优PM2.5浓度预测结果,包括:
通过预测公式计算所有网格区域的PM2.5浓度预测结果;预测公式为:
其中,表示目标区域的最终潜在特征矩阵,/>表示投影函数;
通过公式:
计算投影函数的损失函数值;
其中,表示第/>个观测站点对应的网格区域的PM2.5浓度预测结果,/>表示第个观测站点对应的网格区域的PM2.5浓度实际结果,/>,/>,/>表示观测站点的总数;
判断投影函数的损失函数值是否达到投影函数的预设损失值,若是,则将投影函数作为预测模型,将目标区域的PM2.5浓度预测结果作为目标区域的最优PM2.5浓度预测结果,否则,调整投影函数中的参数,返回通过预测公式计算所有网格区域的PM2.5浓度预测结果/>的步骤。
可选的,基于最终潜在特征矩阵,获取网格区域的最优PM2.5浓度预测结果的不确定值,包括:
通过信息编码公式计算第个网格区域的信息编码/>;信息编码公式为:
其中,表示第/>个网格区域的最终潜在特征,/>,/>表示最终潜在特征矩阵,/>,/>表示网格区域的总数,/>表示编码器运算:
其中,表示参数,/>的取值范围为0到1,/>表示均值向量,/>表示方差向量:
其中,、/>、/>和/>均表示参数,/>表示激活函数;
通过公式:
计算第个网格区域的解码的最终潜在特征/>;
其中,表示解码器运算,/>、/>、/>和/>均表示参数;
通过不确定性程度公式计算第个网格区域的最优PM2.5浓度预测结果的不准确性程度/>;不确定性程度公式为:
其中,表示判别器运算,/>、/>、/>和/>均表示参数;
通过公式:
计算第一损失值;
其中,表示对矩阵中的元素进行求和运算,/>表示常数;
通过公式:
计算第二损失值;其中,表示观测站点的总数;
判断第一损失值是否达到第一预设损失值;
若第一损失值达到第一预设损失值,则判断第二损失值是否达到第二预设损失值,若第二损失值达到第二预设损失值,则将第个网格区域的最优PM2.5浓度预测结果的不准确性程度/>作为第/>个网格区域的最优PM2.5浓度预测结果的不确定值,若第二损失值未达到第二预设损失值,则调整判别器的参数,返回通过不确定性程度公式计算第/>个网格区域的最优PM2.5浓度预测结果的不准确性程度/>的步骤;
若第一损失值未达到第一预设损失值,则调整编码器和解码器的参数,返回通过信息编码公式计算第个网格区域的信息编码/>的步骤。
第二方面,本申请实施例提供了一种PM2.5浓度预测结果的不确定性评估装置,包括:
划分模块,将目标区域划分为多个网格区域,并构建目标区域的无向图;无向图的多个节点与多个网格区域一一对应,每两个节点之间的边表示对应的两个网格区域之间的相邻关系;
第一获取模块,根据所有网格区域中每个网格区域的路网状态、兴趣点分布状态、气象属性在个历史时间段的状态、轨迹属性在/>个历史时间段的状态和PM2.5浓度在/>个历史时间段的状态,获取目标区域的属性矩阵;属性矩阵中的每个元素用于描述元素对应的网格区域的环境状态;第/>个历史时间段的终止时刻为当前时刻;
第二获取模块,基于目标区域的无向图和属性矩阵,获取目标区域的最终潜在特征矩阵;最终潜在特征矩阵用于描述目标区域的PM2.5浓度在时间和空间上的状态;
预测模块,对最终潜在特征矩阵进行计算得到所有网格区域的最优PM2.5浓度预测结果;
不确定性模块,分别针对多个网格区域中的每个网格区域,基于最终潜在特征矩阵,获取网格区域的最优PM2.5浓度预测结果的不确定值。
第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,该处理器执行上述计算机程序时实现上述的PM2.5浓度预测结果的不确定性评估方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述的PM2.5浓度预测结果的不确定性评估方法。
本申请的上述方案有如下的有益效果:
在本申请实施例中,通过将目标区域划分为多个网格区域,并构建目标区域的无向图,然后根据所有网格区域中每个网格区域的路网状态、兴趣点分布状态、气象属性在个历史时间段的状态、轨迹属性在/>个历史时间段的状态和PM2.5浓度在/>个历史时间段的状态,获取目标区域的属性矩阵,再基于目标区域的无向图和属性矩阵,获取目标区域的最终潜在特征矩阵,然后对最终潜在特征矩阵进行计算得到所有网格区域的最优PM2.5浓度预测结果,最后分别针对多个网格区域中的每个网格区域,基于最终潜在特征矩阵,获取网格区域的最优PM2.5浓度预测结果的不确定值。其中,根据所有网格区域中每个网格区域的多种状态,获取目标区域的属性矩阵,考虑了多种状态,而不受限于每种状态的数据数量,能在多种状态中每种状态的数据量少的情况下,提高PM2.5浓度预测结果的精确性,获取网格区域的最优PM2.5浓度预测结果的不确定值,能够对最优PM2.5浓度预测结果的不确定性进行描述,避免对PM2.5浓度预测结果存疑。
本申请的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的PM2.5浓度预测结果的不确定性评估方法的流程图;
图2为本申请一实施例提供的PM2.5浓度预测结果的不确定性评估方法的具体实施流程图;
图3为本申请一实施例提供的PM2.5浓度预测结果的不确定性评估系统的结构示意图;
图4为本申请一实施例提供的PM2.5浓度预测结果的不确定性评估装置的结构示意图;
图5为本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
针对现有的PM2.5浓度预测结果的可靠性与稳健性存疑的问题,本申请实施例提供了一种PM2.5浓度预测结果的不确定性评估方法。
接下来对本申请提供的PM2.5浓度预测结果的不确定性评估方法做示例性说明。
如图1所示,本申请提供的PM2.5浓度预测结果的不确定性评估方法包括如下步骤:
步骤11,将目标区域划分为多个网格区域,并构建目标区域的无向图。
上述目标区域为需要对PM2.5浓度进行预测的区域,可以为区、县、市等区域,如深圳市行政区,上述无向图的多个节点与多个网格区域一一对应,每两个节点之间的边表示对应的两个网格区域之间的相邻关系。
在本申请的一些实施例中,可以将目标区域划分为多个网格区域,以多个网格区域作为无向图的多个节点,以每两个网格区域之间的相邻关系作为无向图的边,构建无向图并获取无向图的邻接矩阵和度矩阵/>。
示例性的,上述邻接矩阵中的元素为无向图的边的值,如邻接矩阵中的元素,表示第/>个网格区域和第/>个网格区域之间的相邻关系,当第/>个网格区域和第/>个网格区域相邻时,/>,当第/>个网格区域和第/>个网格区域不相邻时,/>,特殊的,。上述度矩阵中的元素为与无向图的节点相连的边的数量,如度矩阵中的元素/>,/>表示与第/>个网格区域相邻的网格区域的数量。
在本申请的一些实施例中,可以通过能够进行地图处理的计算机软件,如地理信息系统(GIS,Geographic Information System)对目标区域的地图进行划分,得到目标区域的多个网格区域,然后将网格区域作为节点,网格区域之间的相邻关系作为边,构建无向图。
值得一提的是,划分多个网格区域,能够对目标区域进行细致的划分,可以分别采集每个网格区域的数据,满足对目标区域的局部空间进行分析的需求。
步骤12,根据所有网格区域中每个网格区域的路网状态、兴趣点分布状态、气象属性在个历史时间段的状态、轨迹属性在/>个历史时间段的状态和PM2.5浓度在/>个历史时间段的状态,获取目标区域的属性矩阵。
上述属性矩阵中的每个元素用于描述元素对应的网格区域的环境状态,第个历史时间段的终止时刻为当前时刻,上述路网状态为道路的类型、长度以及交叉口的数量,上述兴趣点分布状态用于描述城市设施兴趣点的位置,上述气象属性为气象在不同时间段的气象特征,上述轨迹属性为浮空车的轨迹条数和浮空车经过轨迹时的速度。
在本申请的一些实施例中,上述获取目标区域的属性矩阵的步骤具体为:
第一步,通过公式构建所述目标区域的路网属性矩阵/>。
其中,,/>表示矩阵维度,/>表示网格区域的总数,/>表示第1个网格区域中路网的总长度,/>表示第1个网格区域中高速路段的长度,/>表示第1个网格区域中交叉口的数量,/>表示第/>个网格区域中路网的总长度,/>表示第/>个网格区域中高速路段的长度,/>表示第/>个网格区域中交叉口的数量,/>表示第/>个网格区域中路网的总长度,/>表示第/>个网格区域中高速路段的长度,/>表示第/>个网格区域中交叉口的数量,/>。
第二步,通过公式:
构建目标区域的兴趣点分布矩阵。
其中,,/>表示矩阵维度,/>表示城市设施兴趣点的类别总数,表示第1个网格区域中第1类城市设施兴趣点的数量,/>表示第1个网格区域中第类城市设施兴趣点的数量,/>表示第/>个网格区域中第1类城市设施兴趣点的数量,表示第/>个网格区域中第/>类城市设施兴趣点的数量。
第三步,通过公式:
/>
构建目标区域的气象属性矩阵。
其中,,/>表示矩阵维度,/>表示第1个网格区域在第1个历史时间段内的气象矩阵,/>表示第1个网格区域在第/>个历史时间段内的气象矩阵,/>表示第/>个网格区域在第1个历史时间段内的气象矩阵,/>表示第/>个网格区域在第1个历史时间段内的气象矩阵,/>表示第/>个网格区域在第/>个历史时间段内的气象矩阵,/>表示第/>个网格区域在第/>个历史时间段内的气象矩阵,/>表示第/>个网格区域在第/>个历史时间段内的气象矩阵,/>表示第/>个网格区域在第/>个历史时间段内的第1类气象的气象特征,/>表示第/>个网格区域在第/>个历史时间段内的第2类气象的气象特征,/>表示第/>个网格区域在第/>个历史时间段内的第3类气象的气象特征,表示第/>个网格区域在第/>个历史时间段内的第4类气象的气象特征,。
第四步,通过公式:
构建目标区域的轨迹属性矩阵。
其中,,/>表示矩阵维度,/>表示第1个网格区域在第1个历史时间段内的轨迹矩阵,/>表示第1个网格区域在第/>个历史时间段内的轨迹矩阵,/>表示第/>个网格区域在第1个历史时间段内的轨迹矩阵,/>表示第/>个网格区域在第1个历史时间段内的轨迹矩阵,/>表示第/>个网格区域在第/>个历史时间段内的轨迹矩阵,/>表示第/>个网格区域在第/>个历史时间段内的轨迹矩阵,/>表示第/>个网格区域在第/>个历史时间段内的轨迹矩阵,/>表示第/>个网格区域中的浮动车在第/>个历史时间段内的平均速度,/>表示第/>个网格区域中的浮动车在第/>个历史时间段内的速度方差,/>表示第/>个网格区域中的浮动车在第/>个历史时间段内速度小于第一预设速度的轨迹条数,/>表示第/>个网格区域中的浮动车在第/>个历史时间段内速度小于第二预设速度且大于第一预设速度的轨迹条数,/>表示第/>个网格区域中的浮动车在第个历史时间段内速度大于第二预设速度的轨迹条数,第一预设速度小于第二预设速度。
第五步,通过公式:
构建目标区域的PM2.5浓度分布矩阵。
其中,,/>表示矩阵维度,/>表示第1个观测站点在第1个历史时间段内的PM2.5浓度观测值,/>表示第/>个观测站点在第1个历史时间段内的PM2.5浓度观测值,/>表示第1个观测站点在第/>个历史时间段内的PM2.5浓度观测值,/>表示第/>个观测站点在第/>个历史时间段内的PM2.5浓度观测值。
第六步,将路网属性矩阵、兴趣点分布矩阵/>、气象属性矩阵/>、轨迹属性矩阵/>和PM2.5浓度分布矩阵/>进行矩阵拼接,得到目标区域的属性矩阵/>。
示例性的,上述城市设施兴趣点为目标区域的实体建筑或设施,如医院、学校、银行、公园等,若第1类城市设施兴趣点为学校,则兴趣点分布矩阵中第1行第1列的元素为第1个网格区域中学校的数量。上述气象特征为大气物理特征,如湿度、温度、风向、降水等。上述浮空车为大气监测设备,通过分析每个网格区域中浮空车的轨迹和速度,构建轨迹属性矩阵。上述观测站点分布在网格区域中,观测站点用于观测该观测站点所在的网格区域的PM2.5浓度,如第2个观测站点位于第5个网格区域,则第2个观测站点的PM2.5浓度观测值为第5个网格区域的PM2.5浓度观测值,当后续对第5个网格区域进行分析时,所采用的PM2.5浓度观测值为第2个观测站点的PM2.5浓度观测值。
需要说明的是,可以通过卫星地图、相关设备的现有信息收集(如浮空车的轨迹记录设备)等常见方式得到上述的多种状态的信息。对于矩阵维度与时间段无关的路网属性矩阵和兴趣点分布矩阵,进行矩阵拼接前将该两种矩阵填充到时间维度上,即每个历史时间段上路网属性相同,每个历史时间段上兴趣点分布相同。
在本申请的一些实施例中,可以使用Matlab等计算机软件对矩阵进行拼接,矩阵拼接后得到的属性矩阵中,每个元素中包括该元素对应的网格区域在单个历史时间段的路网属性、每种城市设施兴趣点的数量、气象矩阵、轨迹矩阵和该网格区域内观测站点的PM2.5浓度观测值。
值得一提的是,考虑网格区域的多种状态,获取目标区域的属性矩阵,能够提高目标区域的属性矩阵的全面性,提高数据的精准度,且不受每种状态的数据量的限制,当数据量少时,仍然能够通过对多种状态进行分析得到目标区域的属性矩阵。
步骤13,基于目标区域的无向图和属性矩阵,获取目标区域的最终潜在特征矩阵。
上述最终潜在特征矩阵用于描述目标区域的PM2.5浓度在时间和空间上的状态。
在本申请的一些实施例中,基于目标区域的无向图和属性矩阵,获取目标区域的潜在空间依赖性特征,再对潜在空间依赖性特征和属性矩阵进行计算,获取目标区域的最终潜在特征矩阵。
需要说明的是,上述潜在空间依赖性特征用于描述目标区域的PM2.5浓度在空间维度上的状态,获取最终潜在特征矩阵时,是对潜在空间依赖性特征在时间维度上进一步的处理。
值得一提的是,对目标区域进行空间维度和时间维度上的处理,能够得到精确性高的最终潜在特征矩阵。
步骤14,对最终潜在特征矩阵进行计算得到所有网格区域的最优PM2.5浓度预测结果。
具体的,可以通过预测公式计算所有网格区域的PM2.5浓度预测结果;预测公式为:
其中,表示目标区域的最终潜在特征矩阵,/>表示投影函数;
通过公式:
计算投影函数的损失函数值;
其中,表示第/>个观测站点对应的网格区域的PM2.5浓度预测结果,/>表示第个观测站点对应的网格区域的PM2.5浓度实际结果,/>,/>,/>表示观测站点的总数;
判断投影函数的损失函数值是否达到投影函数的预设损失值,若是,则将投影函数作为预测模型,将目标区域的PM2.5浓度预测结果作为目标区域的最优PM2.5浓度预测结果,否则,调整投影函数中的参数,返回通过预测公式计算所有网格区域的PM2.5浓度预测结果/>的步骤。
需要说明的是,上述的最优PM2.5浓度预测结果为第个历史时间段后第1个时间段的PM2.5浓度结果,此外,通过上述步骤进行任一时间段的PM2.5浓度预测时,将该时间段之前的时间段均作为历史时间段,该时间段之前的1个时间段作为第/>个历史时间段,上述任一时间段可以为历史时间段,也可以为当前时刻之后的时间段。
示例性的,上述投影函数可以是现有的预测模型,如线性层、全连接层、随机森林模型等,当投影函数为线性层时,上述预测公式可以为:
其中,、/>、/>和/>均为可学习的参数。
上述所有网格区域的PM2.5浓度预测结果为矩阵,该矩阵中的元素为每个网格区域的PM2.5浓度预测结果,针对PM2.5浓度预测结果/>计算投影函数的损失函数值,若/>小于投影函数的预设损失值2,则进行反向传播,可以利用自适应力矩估计(Adam,Adaptive Moment Estimation)优化器调整损失函数中每个可学习参数的取值,若/>达到投影函数的预设损失值2,则说明PM2.5浓度预测结果/>达到预期的精确度,为最优PM2.5浓度预测结果。
值得一提的是,基于最终潜在特征矩阵得到的PM2.5浓度预测结果,能够提升PM2.5浓度预测结果的准确性,同时利用损失函数的不断更新得到最优PM2.5浓度预测结果,使得最优PM2.5浓度预测结果的准确性进一步提高。
步骤15,分别针对多个网格区域中的每个网格区域,基于最终潜在特征矩阵,获取网格区域的最优PM2.5浓度预测结果的不确定值。
在本申请的一些实施例中上述获取网格区域的最优PM2.5浓度预测结果的不确定值的步骤具体为:
第一步,通过信息编码公式计算第个网格区域的信息编码/>;信息编码公式为:
其中,表示第/>个网格区域的最终潜在特征,/>,/>表示最终潜在特征矩阵,/>,/>表示网格区域的总数,/>表示编码器运算:
其中,表示参数,/>的取值范围为0到1,/>表示均值向量,/>表示方差向量:
其中,、/>、/>和/>均表示参数,/>表示激活函数。
通过公式:
计算第个网格区域的解码的最终潜在特征/>;
其中,表示解码器运算,/>、/>、/>和/>均表示可学习的参数。
需要说明的是,上述计算公式的结果为矩阵,其中一半的参数构成均值向量/>,另一半参数构成方差向量/>。
第二步,通过不确定性程度公式计算第个网格区域的最优PM2.5浓度预测结果的不准确性程度/>;不确定性程度公式为:
其中,表示判别器运算,/>、/>、/>和/>均表示可学习的参数。
第三步,通过公式:
计算第一损失值;
其中,表示对矩阵中的元素进行求和运算,/>表示常数;
通过公式:
计算第二损失值;其中,表示观测站点的总数;
判断第一损失值是否达到第一预设损失值;
若第一损失值达到第一预设损失值,则判断第二损失值是否达到第二预设损失值,若第二损失值达到第二预设损失值,则将第个网格区域的最优PM2.5浓度预测结果的不准确性程度/>作为第/>个网格区域的最优PM2.5浓度预测结果的不确定值,若第二损失值未达到第二预设损失值,则调整判别器的参数,返回通过不确定性程度公式计算第/>个网格区域的最优PM2.5浓度预测结果的不准确性程度/>的步骤;
若第一损失值未达到第一预设损失值,则调整编码器和解码器的参数,返回通过信息编码公式计算第个网格区域的信息编码/>的步骤。
需要说明的是,信息编码是通过编码器将最终潜在矩阵中的元素投影到低维隐空间得到的,信息编码中包含对应的最终潜在矩阵的元素的所有信息。利用损失函数对编码器和解码器进行调整,是为了提高信息编码的精确度,并使解码的最终潜在特征与原本的最终潜在特征的相似度提高,对判别器进行调整是为了分辨具有观测站点的网格区域和没有观测站点的网格区域,提高不确定值的准确性。
示例性的,若第一损失值,未达到第一预设损失值2,则说明编码器和解码器中的参数需要调整,可以利用Adam优化器对编码器和解码器中的每个可学习参数进行调整,并反向传播,更新编码器和解码器,然后使用更新后的编码器和解码器计算信息编码和解码的最终潜在特征,并计算第一损失值,判断该第一损失值是否达到第一预设损失值,若/>,达到第一预设损失值2,且第二损失值,未达到第二预设损失值1.5,则说明判别器中的参数需要调整,可以利用Adam优化器对判别器中的每个可学习参数进行调整,并反向传播,更新判别器,然后使用更新后的判别器计算不确定性程度,并计算第二损失值,判断该第二损失值是否达到第二预设损失值,若/>,达到第二预设损失值,则将该第二损失值对应的不确定性程度作为最优PM2.5浓度预测结果的不确定值。
值得一提的是,分别针对每个网格区域,输出网格区域的最优PM2.5浓度预测结果的不确定值,且通过损失函数,能够提高不确定值的精确度,结合最优PM2.5浓度预测结果以及对应的不确定值,能够解决PM2.5浓度预测结果存疑的问题。
下面结合具体实施例对上述步骤13的具体步骤进行示例性说明。
在本申请的一些实施例中,上述步骤13的具体实现过程包括如下步骤:
步骤13.1,基于目标区域的无向图和属性矩阵,获取目标区域的潜在空间依赖性特征。
在本申请的一些实施例中,可以利用图卷积神经网络学习无向图和属性矩阵在不同时间段在空间维度上的特征,得到潜在空间依赖性特征。
具体的,图卷积神经网络的运算为通过公式:
计算目标区域在第个历史时间段内的潜在空间依赖性特征/>;
其中,表示属性矩阵/>中第/>个历史时间段对应的所有元素,/>表示目标区域的无向图的度矩阵,度矩阵中的元素为与无向图的节点相连的边的数量,/>表示目标区域的无向图的邻接矩阵,邻接矩阵中的元素为无向图的边的值,/>表示激活函数,/>和均为参数,/>,/>表示第/>个历史时间段。
示例性的,中包含属性矩阵/>中第/>个历史时间段对应的所有元素,即/>中包括第/>个历史时间段所有网格区域的路网属性、兴趣点分布、气象矩阵、轨迹矩阵和所有观测站点在第/>个历史时间段的PM2.5浓度观测值。/>
值得一提的是,通过图卷积神经网络进行空间维度上的特征挖掘,能够得到精确度高的潜在空间依赖性特征。
步骤13.2,对潜在空间依赖性特征和属性矩阵进行计算,获取目标区域的最终潜在特征矩阵。
在本申请的一些实施例中,可以利用循环神经网络按时间顺序遍历学习空间依赖性特征并进一步顾及时间依赖性,得到最终潜在特征矩阵。
具体的,循环神经网络的运算为通过公式:
计算目标区域的最终潜在特征矩阵;
其中,表示目标区域在第1个历史时间段的最终潜在特征,/>表示目标区域在第/>个历史时间段的最终潜在特征,/>表示目标区域在第/>个历史时间段的最终潜在特征,/>,/>表示第/>个历史时间段,/>表示目标区域在第/>个历史时间段内的潜在空间依赖性特征,/>表示目标区域在第/>个历史时间段的最终潜在特征,/>表示属性矩阵/>中第/>个历史时间段对应的所有元素,/>表示哈达马积运算,/>表示第/>个历史时间段的更新门控,/>表示第/>个历史时间段的重置门控,/>表示第/>个历史时间段的信息,/>、/>、/>、/>、/>和/>均为可学习的参数。
值得一提的是,根据所有网格区域中每个网格区域的多种状态,获取目标区域的属性矩阵,考虑了多种状态,而不受限于每种状态的数据数量,能在多种状态中每种状态的数据量少的情况下,提高PM2.5浓度预测结果的精确性,获取网格区域的最优PM2.5浓度预测结果的不确定值,能够对最优PM2.5浓度预测结果的不确定性进行描述,避免对PM2.5浓度预测结果存疑。
下面结合一具体实例对上述PM2.5浓度预测结果的不确定性评估方法进行示例性说明。
如图2所示,协变量(即上述目标区域的属性矩阵)进入智能预测模块,通过智能预测模块中的门控循环单元(GRU,Gate Recurrent Unit,即上文中循环神经网络的一种)和图卷积神经网络(GCN,Graph Convolutional Network)的处理,得到时空特征(即上文中的最终潜在特征矩阵),时空特征输入到不确定性量化模块中,通过不确定性量化模块中的判别器和变分自编码机(VAE,Variational AutoEncoder,即上文中的编码器和解码器)之间的对抗学习,最终判别器得到预测不确定性(即上文中的不确定值)。
下面结合一具体实例对上述PM2.5浓度预测结果的不确定性评估方法进行示例性说明。
本申请一实施例提供的PM2.5浓度预测结果的不确定性评估系统如图3所示,智能预测模块中包括图卷积神经网络GCN、门控循环单元GRU和多层感知机(MLP,MultilayerPerceptron,即上文中的投影函数),不确定性量化模块中包括编码器、解码器和判别器,属性矩阵经过智能预测模块中的GCN和GRU的处理,得到最终潜在特征矩阵,最终潜在特征矩阵输入到MLP中,得到PM2.5浓度预测结果,同时最终潜在特征矩阵进入不确定性量化模块中的编码器,得到信息编码,信息编码通过判别器的处理,得到不确定值,同时信息编码结果解码器解码,得到解码的最终潜在特征。
上述PM2.5浓度预测结果的不确定性评估系统能够很好地执行本申请的PM2.5浓度预测结果的不确定性评估方法。
基于上述系统对本申请的PM2.5浓度预测结果的不确定性评估方法进行实验验证。
选取多项PM2.5浓度预测精度评价指标,包括均方根误差()、平均绝对误差(/>)、决定系数(/>),计算公式如下:
其中,表示第/>个网格区域的PM2.5浓度真实值,/>表示第/>个网格区域的PM2.5浓度预测结果,/>表示第/>个网格区域的PM2.5浓度真实值和PM2.5浓度预测结果的平均值,/>,/>表示网格区域的总数。
传统的随机森林算法(RF,Random Forest)、单一图卷积神经网络(GCN)、单一循环神经网络(GRU)和通过本申请得到的PM2.5浓度预测结果的评价指标如表1所示。
可以看出,对比前三种方法,通过本申请得到的PM2.5浓度预测结果在三种评价指标上均取得最佳精度。
通过公式:
计算第个网格区域的平均不确定值/>;
其中,表示第/>个网格区域在第/>个时间段的PM2.5浓度预测结果,,/>表示在第/>个历史时间段后的第/>个时间段。
示例性的,目标区域中部分观测站点对应的不确定值如表2所示。
该目标区域中所有网格区域的不确定值的平均值为0.6587,表明该目标区域中有11个站点得到的PM2.5浓度观测值不准确,难以支撑目标区域的PM2.5浓度的观测。
可以看出,本申请的PM2.5浓度预测结果的不确定性评估方法可以得到精准的最优PM2.5浓度预测结果的同时对最优PM2.5浓度预测结果进行评估,进而评价最优PM2.5浓度预测结果对应的网格区域的采集数据的准确性,支撑后续有关PM2.5浓度的应用和服务,如对观测站点的管理和需求的规划。
下面对本申请提供的PM2.5浓度预测结果的不确定性评估装置进行示例性说明。
如图4所示,本申请实施例提供了一种PM2.5浓度预测结果的不确定性评估装置,该PM2.5浓度预测结果的不确定性评估装置400包括:
划分模块401,将目标区域划分为多个网格区域,并构建目标区域的无向图;无向图的多个节点与多个网格区域一一对应,每两个节点之间的边表示对应的两个网格区域之间的相邻关系;
第一获取模块402,根据所有网格区域中每个网格区域的路网状态、兴趣点分布状态、气象属性在个历史时间段的状态、轨迹属性在/>个历史时间段的状态和PM2.5浓度在个历史时间段的状态,获取目标区域的属性矩阵;属性矩阵中的每个元素用于描述元素对应的网格区域的环境状态;第/>个历史时间段的终止时刻为当前时刻;
第二获取模块403,基于目标区域的无向图和属性矩阵,获取目标区域的最终潜在特征矩阵;最终潜在特征矩阵用于描述目标区域的PM2.5浓度在时间和空间上的状态;
预测模块404,对最终潜在特征矩阵进行计算得到所有网格区域的最优PM2.5浓度预测结果;
不确定性模块405,分别针对多个网格区域中的每个网格区域,基于最终潜在特征矩阵,获取网格区域的最优PM2.5浓度预测结果的不确定值。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
如图5所示,本申请的实施例提供了一种终端设备,该实施例的终端设备D10包括:至少一个处理器D100(图5中仅示出一个处理器)、存储器D101以及存储在所述存储器D101中并可在所述至少一个处理器D100上运行的计算机程序D102,所述处理器D100执行所述计算机程序D102时实现上述任意各个方法实施例中的步骤。
具体的,所述处理器D100执行所述计算机程序D102时,通过将目标区域划分为多个网格区域,并构建目标区域的无向图,然后根据所有网格区域中每个网格区域的路网状态、兴趣点分布状态、气象属性在个历史时间段的状态、轨迹属性在/>个历史时间段的状态和PM2.5浓度在/>个历史时间段的状态,获取目标区域的属性矩阵,再基于目标区域的无向图和属性矩阵,获取目标区域的最终潜在特征矩阵,然后对最终潜在特征矩阵进行计算得到所有网格区域的最优PM2.5浓度预测结果,最后分别针对多个网格区域中的每个网格区域,基于最终潜在特征矩阵,获取网格区域的最优PM2.5浓度预测结果的不确定值。其中,根据所有网格区域中每个网格区域的多种状态,获取目标区域的属性矩阵,考虑了多种状态,而不受限于每种状态的数据数量,能在多种状态中每种状态的数据量少的情况下,提高PM2.5浓度预测结果的精确性,获取网格区域的最优PM2.5浓度预测结果的不确定值,能够对最优PM2.5浓度预测结果的不确定性进行描述,避免对PM2.5浓度预测结果存疑。
所称处理器D100可以是中央处理单元(CPU,Central Processing Unit),该处理器D100还可以是其他通用处理器、数字信号处理器 (DSP,Digital Signal Processor)、专用集成电路 (ASIC,Application Specific Integrated Circuit)、现成可编程门阵列(FPGA,Field-Programmable Gate Array) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器D101在一些实施例中可以是所述终端设备D10的内部存储单元,例如终端设备D10的硬盘或内存。所述存储器D101在另一些实施例中也可以是所述终端设备D10的外部存储设备,例如所述终端设备D10上配备的插接式硬盘,智能存储卡(SMC,SmartMedia Card ),安全数字(SD,Secure Digital)卡,闪存卡(Flash Card)等。进一步地,所述存储器D101还可以既包括所述终端设备D10的内部存储单元也包括外部存储设备。所述存储器D101用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器D101还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质,所述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实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到PM2.5浓度预测结果的不确定性评估方法装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
以上所述是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种PM2.5浓度预测结果的不确定性评估方法,其特征在于,包括:
将目标区域划分为多个网格区域,并构建所述目标区域的无向图;所述无向图的多个节点与所述多个网格区域一一对应,每两个节点之间的边表示对应的两个网格区域之间的相邻关系;
根据所有网格区域中每个网格区域的路网状态、兴趣点分布状态、气象属性在个历史时间段的状态、轨迹属性在/>个历史时间段的状态和PM2.5浓度在/>个历史时间段的状态,获取所述目标区域的属性矩阵;所述属性矩阵中的每个元素用于描述所述元素对应的网格区域的环境状态;第/>个历史时间段的终止时刻为当前时刻;
基于所述目标区域的无向图和所述属性矩阵,获取所述目标区域的最终潜在特征矩阵;所述最终潜在特征矩阵用于描述所述目标区域的PM2.5浓度在时间和空间上的状态;
对所述最终潜在特征矩阵进行计算得到所有网格区域的最优PM2.5浓度预测结果;
分别针对所述多个网格区域中的每个网格区域,基于所述最终潜在特征矩阵,获取所述网格区域的最优PM2.5浓度预测结果的不确定值;
其中,基于所述目标区域的无向图和所述属性矩阵,获取所述目标区域的最终潜在特征矩阵的步骤具体包括:
基于所述目标区域的无向图和所述属性矩阵,获取所述目标区域的潜在空间依赖性特征;
对所述潜在空间依赖性特征和所述属性矩阵进行计算,获取所述目标区域的最终潜在特征矩阵;
所述对所述最终潜在特征矩阵进行计算得到所有网格区域的最优PM2.5浓度预测结果的步骤具体包括:
通过预测公式计算所有网格区域的PM2.5浓度预测结果;所述预测公式为:
其中,表示所述目标区域的最终潜在特征矩阵,/>表示投影函数;
通过公式:
计算投影函数的损失函数值;
其中,表示第/>个观测站点对应的网格区域的PM2.5浓度预测结果,/>表示第/>个观测站点对应的网格区域的PM2.5浓度实际结果,/>,/>,/>表示所述观测站点的总数;
判断所述投影函数的损失函数值是否达到所述投影函数的预设损失值,若是,则将所述投影函数作为预测模型,将所述目标区域的PM2.5浓度预测结果作为所述目标区域的最优PM2.5浓度预测结果,否则,调整所述投影函数中的参数,返回所述通过预测公式计算所有网格区域的PM2.5浓度预测结果/>的步骤;
所述分别针对所述多个网格区域中的每个网格区域,基于所述最终潜在特征矩阵,获取所述网格区域的最优PM2.5浓度预测结果的不确定值的步骤具体包括:
通过信息编码公式计算第个网格区域的信息编码/>;所述信息编码公式为:
其中,表示所述第/>个网格区域的最终潜在特征,/>,/>表示最终潜在特征矩阵,/>,/>表示所述网格区域的总数,/>表示编码器运算:
其中,表示参数,/>的取值范围为0到1,/>表示均值向量,/>表示方差向量:
其中,、/>、/>和/>均表示参数,/>表示激活函数;
通过公式:
计算所述第个网格区域的解码的最终潜在特征/>;
其中,表示解码器运算,/>、/>、/>和/>均表示参数;
通过不确定性程度公式计算所述第个网格区域的最优PM2.5浓度预测结果的不准确性程度/>;所述不确定性程度公式为:
其中,表示判别器运算,/>、/>、/>和/>均表示参数;
通过公式:
计算第一损失值;
其中,表示对矩阵中的元素进行求和运算,/>表示常数;
通过公式:
计算第二损失值;其中,表示观测站点的总数;
判断所述第一损失值是否达到第一预设损失值;
若所述第一损失值达到所述第一预设损失值,则判断所述第二损失值是否达到第二预设损失值,若所述第二损失值达到第二预设损失值,则将所述第个网格区域的最优PM2.5浓度预测结果的不准确性程度/>作为所述第/>个网格区域的最优PM2.5浓度预测结果的不确定值,若所述第二损失值未达到所述第二预设损失值,则调整所述判别器的参数,返回所述通过不确定性程度公式计算所述第/>个网格区域的最优PM2.5浓度预测结果的不准确性程度/>的步骤;
若所述第一损失值未达到所述第一预设损失值,则调整所述编码器和解码器的参数,返回所述通过信息编码公式计算第个网格区域的信息编码/>的步骤。
2.根据权利要求1所述的不确定性评估方法,其特征在于,所述路网状态为道路的类型、长度以及交叉口的数量;
所述兴趣点分布状态用于描述城市设施兴趣点的位置;
所述气象属性为气象在不同时间段的气象特征;
所述轨迹属性为浮空车的轨迹条数和浮空车经过轨迹时的速度。
3.根据权利要求2所述的不确定性评估方法,其特征在于,所述根据所有网格区域中每个网格区域的路网状态、兴趣点分布状态、气象属性在个历史时间段的状态、轨迹属性在个历史时间段的状态和PM2.5浓度在/>个历史时间段的状态,获取所述目标区域的属性矩阵,包括;
通过公式构建所述目标区域的路网属性矩阵/>;
其中,,/>表示矩阵维度,/>表示所述网格区域的总数,/>表示第1个网格区域中路网的总长度,/>表示所述第1个网格区域中高速路段的长度,/>表示所述第1个网格区域中交叉口的数量,/>表示第/>个网格区域中路网的总长度,/>表示所述第/>个网格区域中高速路段的长度,/>表示所述第/>个网格区域中交叉口的数量,/>表示第/>个网格区域中路网的总长度,/>表示所述第/>个网格区域中高速路段的长度,/>表示所述第/>个网格区域中交叉口的数量,/>;
通过公式:
构建所述目标区域的兴趣点分布矩阵;
其中,,/>表示矩阵维度,/>表示城市设施兴趣点的类别总数,/>表示所述第1个网格区域中第1类城市设施兴趣点的数量,/>表示所述第1个网格区域中第/>类城市设施兴趣点的数量,/>表示所述第/>个网格区域中第1类城市设施兴趣点的数量,/>表示所述第/>个网格区域中第/>类城市设施兴趣点的数量;
通过公式:
构建所述目标区域的气象属性矩阵;
其中,,/>表示矩阵维度,/>表示所述第1个网格区域在第1个历史时间段内的气象矩阵,/>表示所述第1个网格区域在第/>个历史时间段内的气象矩阵,/>表示所述第/>个网格区域在第1个历史时间段内的气象矩阵,/>表示所述第个网格区域在第1个历史时间段内的气象矩阵,/>表示所述第/>个网格区域在第/>个历史时间段内的气象矩阵,/>表示所述第/>个网格区域在第/>个历史时间段内的气象矩阵,/>表示所述第/>个网格区域在第/>个历史时间段内的气象矩阵,/>表示所述第/>个网格区域在第/>个历史时间段内的第1类气象的气象特征,/>表示所述第/>个网格区域在第/>个历史时间段内的第2类气象的气象特征,/>表示所述第/>个网格区域在第/>个历史时间段内的第3类气象的气象特征,/>表示所述第/>个网格区域在第/>个历史时间段内的第4类气象的气象特征,/>;
通过公式:
构建所述目标区域的轨迹属性矩阵;
其中,,/>表示矩阵维度,/>表示所述第1个网格区域在第1个历史时间段内的轨迹矩阵,/>表示所述第1个网格区域在第/>个历史时间段内的轨迹矩阵,/>表示所述第/>个网格区域在第1个历史时间段内的轨迹矩阵,/>表示所述第个网格区域在第1个历史时间段内的轨迹矩阵,/>表示所述第/>个网格区域在第/>个历史时间段内的轨迹矩阵,/>表示所述第/>个网格区域在第/>个历史时间段内的轨迹矩阵,/>表示所述第/>个网格区域在第/>个历史时间段内的轨迹矩阵,/>表示所述第个网格区域中的浮动车在第/>个历史时间段内的平均速度,/>表示所述第/>个网格区域中的浮动车在第/>个历史时间段内的速度方差,/>表示所述第/>个网格区域中的浮动车在第/>个历史时间段内速度小于第一预设速度的轨迹条数,/>表示所述第/>个网格区域中的浮动车在第/>个历史时间段内速度小于第二预设速度且大于第一预设速度的轨迹条数,/>表示所述第/>个网格区域中的浮动车在第/>个历史时间段内速度大于第二预设速度的轨迹条数,第一预设速度小于第二预设速度;
通过公式:
构建所述目标区域的PM2.5浓度分布矩阵;
其中,,/>表示矩阵维度,/>表示第1个观测站点在第1个历史时间段内的PM2.5浓度观测值,/>表示第/>个观测站点在第1个历史时间段内的PM2.5浓度观测值,/>表示第1个观测站点在第/>个历史时间段内的PM2.5浓度观测值,/>表示第/>个观测站点在第/>个历史时间段内的PM2.5浓度观测值;
将所述路网属性矩阵、所述兴趣点分布矩阵/>、所述气象属性矩阵/>、所述轨迹属性矩阵/>和所述PM2.5浓度分布矩阵/>进行矩阵拼接,得到所述目标区域的属性矩阵/>。
4.根据权利要求1所述的不确定性评估方法,其特征在于,所述基于所述目标区域的无向图和所述属性矩阵,获取所述目标区域的潜在空间依赖性特征,包括:
通过公式:
计算所述目标区域在第个历史时间段内的潜在空间依赖性特征/>;
其中,表示所述属性矩阵/>中第/>个历史时间段对应的所有元素,/>表示所述目标区域的无向图的度矩阵,所述度矩阵中的元素为与无向图的节点相连的边的数量,/>表示所述目标区域的无向图的邻接矩阵,所述邻接矩阵中的元素为所述无向图的边的值,/>表示激活函数,/>和/>均为参数,/>,/>表示第/>个历史时间段。
5.根据权利要求1所述的不确定性评估方法,其特征在于,所述对所述潜在空间依赖性特征进行计算,获取所述目标区域的最终潜在特征矩阵,包括:
通过公式:
计算所述目标区域的最终潜在特征矩阵;
其中,表示所述目标区域在第1个历史时间段的最终潜在特征,/>表示所述目标区域在第/>个历史时间段的最终潜在特征,/>表示所述目标区域在第/>个历史时间段的最终潜在特征,/>,/>表示第/>个历史时间段,/>表示所述目标区域在第/>个历史时间段内的潜在空间依赖性特征,/>表示所述目标区域在第/>个历史时间段的最终潜在特征,/>表示所述属性矩阵/>中第/>个历史时间段对应的所有元素,/>表示哈达马积运算,/>表示第/>个历史时间段的更新门控,/>表示第/>个历史时间段的重置门控,/>表示第/>个历史时间段的信息,/>、/>、/>、/>、/>和/>均为参数。
6.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的PM2.5浓度预测结果的不确定性评估方法。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的PM2.5浓度预测结果的不确定性评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311550749.9A CN117271959B (zh) | 2023-11-21 | 2023-11-21 | 一种pm2.5浓度预测结果的不确定性评估方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311550749.9A CN117271959B (zh) | 2023-11-21 | 2023-11-21 | 一种pm2.5浓度预测结果的不确定性评估方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117271959A CN117271959A (zh) | 2023-12-22 |
CN117271959B true CN117271959B (zh) | 2024-02-20 |
Family
ID=89202901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311550749.9A Active CN117271959B (zh) | 2023-11-21 | 2023-11-21 | 一种pm2.5浓度预测结果的不确定性评估方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117271959B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109710595A (zh) * | 2018-11-30 | 2019-05-03 | 广东工业大学 | 基于有限信息的输电走廊鸟害热点图的构建方法 |
CN110751038A (zh) * | 2019-09-17 | 2020-02-04 | 北京理工大学 | 一种基于图注意力机制的pdf表格结构识别方法 |
WO2020083402A1 (zh) * | 2018-10-26 | 2020-04-30 | 江苏智通交通科技有限公司 | 城市道路交通执勤警力部署方法 |
CN112329973A (zh) * | 2020-08-20 | 2021-02-05 | 国网湖北省电力有限公司襄阳供电公司 | 一种基于图神经网络和区域网格化的时空负荷预测方法 |
CN115204445A (zh) * | 2022-05-17 | 2022-10-18 | 青岛大学 | 城市功能区之间交互的出行需求预测方法及系统 |
WO2023000261A1 (zh) * | 2021-07-22 | 2023-01-26 | 深圳先进技术研究院 | 一种区域交通的预测方法以及设备 |
CN116187203A (zh) * | 2023-04-20 | 2023-05-30 | 武汉大学 | 一种流域水质预测方法、系统、电子设备及存储介质 |
CN116822382A (zh) * | 2023-08-30 | 2023-09-29 | 中国海洋大学 | 基于时空多重特性图卷积的海表面温度预测方法及网络 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738064B (zh) * | 2020-05-11 | 2022-08-05 | 南京邮电大学 | 一种雾霾图像的雾浓度识别方法 |
EP4186014A1 (en) * | 2020-07-24 | 2023-05-31 | The Regents of The University of Michigan | Spatial power outage estimation for natural hazards leveraging optimal synthetic power networks |
-
2023
- 2023-11-21 CN CN202311550749.9A patent/CN117271959B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020083402A1 (zh) * | 2018-10-26 | 2020-04-30 | 江苏智通交通科技有限公司 | 城市道路交通执勤警力部署方法 |
CN109710595A (zh) * | 2018-11-30 | 2019-05-03 | 广东工业大学 | 基于有限信息的输电走廊鸟害热点图的构建方法 |
CN110751038A (zh) * | 2019-09-17 | 2020-02-04 | 北京理工大学 | 一种基于图注意力机制的pdf表格结构识别方法 |
CN112329973A (zh) * | 2020-08-20 | 2021-02-05 | 国网湖北省电力有限公司襄阳供电公司 | 一种基于图神经网络和区域网格化的时空负荷预测方法 |
WO2023000261A1 (zh) * | 2021-07-22 | 2023-01-26 | 深圳先进技术研究院 | 一种区域交通的预测方法以及设备 |
CN115204445A (zh) * | 2022-05-17 | 2022-10-18 | 青岛大学 | 城市功能区之间交互的出行需求预测方法及系统 |
CN116187203A (zh) * | 2023-04-20 | 2023-05-30 | 武汉大学 | 一种流域水质预测方法、系统、电子设备及存储介质 |
CN116822382A (zh) * | 2023-08-30 | 2023-09-29 | 中国海洋大学 | 基于时空多重特性图卷积的海表面温度预测方法及网络 |
Non-Patent Citations (1)
Title |
---|
多尺度空间同位模式挖掘的点过程分解方法;谌恺祺等;《测绘学报》;正文第258-269页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117271959A (zh) | 2023-12-22 |
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 | |
CN115240425B (zh) | 一种基于多尺度时空融合图网络的交通预测方法 | |
CN111784041B (zh) | 一种基于图卷积神经网络的风电功率预测方法及系统 | |
CN114220271A (zh) | 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质 | |
Meng et al. | A hybrid VMD-SVM model for practical streamflow prediction using an innovative input selection framework | |
Jalalkamali | Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters | |
CN114802296A (zh) | 一种基于动态交互图卷积的车辆轨迹预测方法 | |
CN111767517B (zh) | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 | |
Abrahart et al. | Using pruning algorithms and genetic algorithms to optimise network architectures and forecasting inputs in a neural network rainfall-runoff model | |
CN113379107B (zh) | 基于lstm和gcn的区域电离层tec预报方法 | |
CN114240000A (zh) | 一种基于时空图卷积网络的空气质量预测方法 | |
CN115578852A (zh) | 一种基于dstgcn的交通预测方法 | |
CN114565187A (zh) | 一种基于图时空自编码网络的交通路网数据预测方法 | |
CN115953907A (zh) | 基于时空门控图卷积网络的交通速度预测方法及其应用 | |
Toharudin et al. | Boosting Algorithm to handle Unbalanced Classification of PM2. 5 Concentration Levels by Observing Meteorological Parameters in Jakarta-Indonesia using AdaBoost, XGBoost, CatBoost, and LightGBM | |
CN117271959B (zh) | 一种pm2.5浓度预测结果的不确定性评估方法及设备 | |
CN117371571A (zh) | 一种基于多尺度动态同步图机制的区域空气质量预测模型 | |
CN117237475A (zh) | 一种基于扩散生成模型的车辆交通轨迹生成方法及装置 | |
CN111428405A (zh) | 细颗粒物浓度仿真方法、装置、存储介质及电子设备 | |
CN116166642A (zh) | 基于引导信息的时空数据填补方法、系统、设备及介质 | |
CN115830865A (zh) | 基于自适应超图卷积神经网络的车流量预测方法及装置 | |
CN115829163A (zh) | 基于多模式集成的长江中下游流域径流预测方法和系统 | |
Nguyen et al. | Uncertainty Quantification of Water Level Predictions from Radar‐based Areal Rainfall Using an Adaptive MCMC Algorithm | |
Abotaleb et al. | Forecasting and modeling on average rainwater and vapor pressure in Chelyabinsk Russia using deep learning models | |
Ziat et al. | Learning Embeddings for Completion and Prediction of Relationnal Multivariate Time-Series. |
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 |