基于LSTM深度时空残差网络的机动车尾气浓度预测方法技术

本发明专利技术提供了一种基于LSTM深度时空残差网络的机动车尾气浓度预测方法，利用深度学习方法强大的数据非线性逼近能力和自学习能力，建立基于LSTM深度时空残差网络结构，实现城市机动车尾气浓度的时空预测，采集城市机动车尾气时空数据和外部影响因素数据，将城市机动车尾气时空数据进行存储、训练、预测，直接进行时间‑空间双维度的预测分析，同时考虑天气、节假日等外部条件，用一个两层的全连接网络模拟外部影响因素特征，使预测结果更加全面准确。

Prediction method of vehicle exhaust concentration based on LSTM deep space time residual network

The invention provides a vehicle exhaust concentration prediction method based on the LSTM depth spatio-temporal residual network. Using the powerful data nonlinear approximation ability and self-learning ability of the depth learning method, the LSTM depth spatio-temporal residual network structure is set up to realize the spatial and temporal prediction of urban vehicle exhaust concentration and to collect urban motor vehicles. The spatial and temporal data of the tail gas and the external factors are used to store, train and predict the spatial and temporal data of the urban motor vehicle exhaust. The prediction analysis of the spatial dual dimension of the time is carried out directly. At the same time, the external conditions such as weather and holidays are considered, and a two layer full connection network is used to simulate the external factors of the external factors, so that the prediction knot is made. The fruit is more comprehensive and accurate.

【技术实现步骤摘要】
基于LSTM深度时空残差网络的机动车尾气浓度预测方法
本专利技术属于环境监测
，涉及一种机动车尾气浓度预测方法，具体是一种基于LSTM深度时空残差网络的机动车尾气浓度预测方法。
技术介绍
随着社会发展和城市进步，近年来，城市区域中机动车数量持续增加，诸多社会问题随之产生，如城市交通拥堵现象严重、交通事故增多、机动车尾气污染、酒驾等。在北京、上海、广州等大城市，机动车已成为排放一氧化碳、氮氧化物、碳氢化合物等污染物的第一大污染源。由于汽车废气的排放主要在0.3米至2米之间，正好是人体的呼吸范围，对人体的健康损害非常严重——刺激呼吸道，使呼吸系统的免疫力下降，导致暴露人群慢性气管炎、支气管炎及呼吸困难的发病率升高、肺功能下降等一系列症状。尾气中所含的强致癌物质——苯类物质，会引发肺癌、甲状腺癌等。为了改善这些机动车尾气产生的社会问题，及时准确地了解城市道路中机动车尾气的排放情况，建立适用于城市区域机动车尾气浓度预测模型，可以实现对城市路网各路段尾气排放的实时预测和趋势估计，为制定城市移动源大气污染物排放的监管提供决策依据。当某区域的有害气体成分浓度达到一定污染值时，平台可以向政府决策部门发出限号、分流、限行等建议，从而可减少由于在路机动车引起的空气污染。机动车尾气排放具有高度非线性，污染物浓度受周围环境多个要素的影响，包括气象条件、空气环境、地理环境、道路状况、交通流因素等，而现有技术只能从时间或空间的单一维度进行污染物浓度预测预测，预测效果不理想。
技术实现思路
本专利技术针对现有技术的不足，提供了一种基于LSTM深度时空残差网络的机动车尾气浓度预测方法，将机动车尾气浓度数据以二维时空分布栅格图的形式直接进行存储、训练、预测，直接进行时间-空间双维度的预测分析，同时考虑天气、节假日等外部条件，用一个两层的全连接网络模拟外部影响因素特征，使预测结果更加全面准确。本专利技术的目的可以通过以下技术方案实现：基于LSTM深度时空残差网络的机动车尾气浓度预测方法，包括以下步骤：步骤S1，采集目标城市指定时间内指定时间间隔的城市机动车尾气时空数据和外部影响因素数据；步骤S2，对步骤S1所采集的全部数据进行预处理；步骤S3，构造基于LSTM的深度时空残差网络结构；步骤S4，根据步骤S2预处理后的数据和步骤S3中构造的基于LSTM的深度时空残差网络结构，构造基于LSTM的深度时空残差网络结构的训练数据集、验证数据集和测试数据集；步骤S5，将步骤S4中的训练数据集送入步骤S3中构造的基于LSTM的深度时空残差网络结构中，进行网络训练，然后采用步骤S4中的验证数据集和测试数据集对训练所得的参数进行调整，逐步提高预测精度；步骤S6，将经过步骤S5中网络训练、验证、测试后的基于LSTM的深度时空残差网络结构作为城市机动车尾气浓度的预测模型，将预处理后的目标城市指定时间内指定时间间隔的城市机动车尾气时空数据和外部影响因素数据输入该网络结构，最终可得到未来某一时刻该城市或其某一区域的机动车尾气排放预报结果。进一步地，所述步骤S1中采集的城市机动车尾气时空数据具体为采集一年时间内，每30分钟的城市机动车尾气时空数据，首先将目标城市区域从地理上均分为64*64的栅格，然后采集各栅格每30分钟的机动车尾气数据，即得到一个单通道的类似图片的矩阵所述步骤S1中采集的外部影响因素数据为与城市机动车尾气时空数据相同时间内的天气数据、气温数据、风速数据和节假日数据。进一步地，所述步骤S2中的数据预处理具体包括独热编码、缺失值处理和归一化处理三个方面。进一步地，所述步骤S3中的基于LSTM的深度时空残差网络结构包括模拟机动车尾气浓度空间特性与时间特性的时空残差子网络、模拟外部因素对尾气浓度影响的外部因素神经网络以及输出融合模块。进一步地，所述时空残差子网络，按时间上距离预测时刻的远近，由近及远，将数据依次分为当前组、近期组和远期组，分别送入三个结构相同的时空残差子网络；三段时间下的时空残差子网络具有相同的结构，共有L+2层，第1层为卷积层Conv1，含有64个3×3的卷积核，第2层到第L+1层为残差单元，第L+2层为卷积层Conv2，含有2个3×3的卷积核；当前组对应的时空残差子网络的输入序列为lc为当前组数据序列的长度，c是表示近期组的下标，输出为近期组对应的时空残差子网络的输入序列为lp是近期组数据序列的长度，p是表示近期组的下标，输出为远期组对应的时空残差子网络的输入序列为lq是远期组数据序列的长度，q是表示远期组的下标，输出为进一步地，所述外部因素神经网络用一长度为12的向量表示某时刻某栅格的外部因素数据，其中，向量的前5个值表示天气，第6个值为气温，第7个值为风速，后5个值表示节假日数据；所述外部因素神经网络由两个全连接层构成，第一层为每个子因素的嵌入层，其后有激活函数，第二层进行维度转化使其输出XExt和Xt维度相同。进一步地，所述输出融合模块进行当前组、近期组、远期组三个时空残差子网络输出的融合，采用一种基于参数的矩阵融合方法，公式如下：其中XRes是三个时空残差子网络融合后的输出，Wc、Wp、Wq是分别受到三段时间影响的可学习参数，°表示Hadamard乘积运算，即两个矩阵中对应的元素相乘；然后将融合后的结果XRes与神经网络的输出XExt进行直接相加融合，相加后的结果通过tanh激活函数得到总网络的输出，即第t时间间隔的预测值其中tanh作为激活函数，表达式如下：其中x是输入的数据。输出结果在[-1,1]区间上。本专利技术的有益效果：本专利技术提供了一种基于LSTM深度时空残差网络的机动车尾气浓度预测方法，利用深度学习方法强大的数据非线性逼近能力和自学习能力，建立基于LSTM深度时空残差网络结构，实现城市机动车尾气浓度的时空预测，采集城市机动车尾气时空数据和外部影响因素数据，将城市机动车尾气时空数据进行存储、训练、预测，直接进行时间-空间双维度的预测分析，同时考虑天气、节假日等外部条件，用一个两层的全连接网络模拟外部影响因素特征，使预测结果更加全面准确。附图说明图1为本专利技术的方法流程图。图2为本专利技术基于LSTM的深度时空残差网络结构示意图。图3为本专利技术基于LSTM的残差单元的示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。如图1所示，本专利技术提供了一种基于LSTM深度时空残差网络的城市机动车尾气浓度预测方法，具体包括以下步骤：步骤S1，采集目标城市指定时间内指定时间间隔的城市机动车尾气时空数据和外部影响因素数据。其中，城市机动车尾气时空数据具体为采集一年时间内，每30分钟的城市机动车尾气时空数据，首先将目标城市区域从地理上均分为64*64的栅格，然后采集各栅格每30分钟的机动车尾气数据，即得到一个单通道的类似图片的矩阵其中，外部影响因素数据为采集与城市机动车尾气时空数据相同时间内的天气数据、气温数据、风速数据和节假日数据。具体的，天气数据分为16类：晴、阴、晴转多云、雾、雨夹雪、雷阵雨、小雨、大雨、中雨、暴雨本文档来自技高网...

【技术保护点】
1.基于LSTM深度时空残差网络的机动车尾气浓度预测方法，其特征在于，包括以下步骤：步骤S1，采集目标城市指定时间内指定时间间隔的城市机动车尾气时空数据和外部影响因素数据；步骤S2，对步骤S1所采集的全部数据进行预处理；步骤S3，构造基于LSTM的深度时空残差网络结构；步骤S4，根据步骤S2预处理后的数据和步骤S3中构造的基于LSTM的深度时空残差网络结构，构造基于LSTM的深度时空残差网络结构的训练数据集、验证数据集和测试数据集；步骤S5，将步骤S4中的训练数据集送入步骤S3中构造的基于LSTM的深度时空残差网络结构中，进行网络训练，然后采用步骤S4中的验证数据集和测试数据集对训练所得的参数进行调整，逐步提高预测精度；步骤S6，将经过步骤S5中网络训练、验证、测试后的基于LSTM的深度时空残差网络结构作为城市机动车尾气浓度的预测模型，将预处理后的目标城市指定时间内指定时间间隔的城市机动车尾气时空数据和外部影响因素数据输入该网络结构，最终可得到未来某一时刻该城市或其某一区域的机动车尾气排放预报结果。

【技术特征摘要】
1.基于LSTM深度时空残差网络的机动车尾气浓度预测方法，其特征在于，包括以下步骤：步骤S1，采集目标城市指定时间内指定时间间隔的城市机动车尾气时空数据和外部影响因素数据；步骤S2，对步骤S1所采集的全部数据进行预处理；步骤S3，构造基于LSTM的深度时空残差网络结构；步骤S4，根据步骤S2预处理后的数据和步骤S3中构造的基于LSTM的深度时空残差网络结构，构造基于LSTM的深度时空残差网络结构的训练数据集、验证数据集和测试数据集；步骤S5，将步骤S4中的训练数据集送入步骤S3中构造的基于LSTM的深度时空残差网络结构中，进行网络训练，然后采用步骤S4中的验证数据集和测试数据集对训练所得的参数进行调整，逐步提高预测精度；步骤S6，将经过步骤S5中网络训练、验证、测试后的基于LSTM的深度时空残差网络结构作为城市机动车尾气浓度的预测模型，将预处理后的目标城市指定时间内指定时间间隔的城市机动车尾气时空数据和外部影响因素数据输入该网络结构，最终可得到未来某一时刻该城市或其某一区域的机动车尾气排放预报结果。2.根据权利要求1中的基于LSTM深度时空残差网络的机动车尾气浓度预测方法，其特征在于：所述步骤S1中采集的城市机动车尾气时空数据具体为采集一年时间内，每30分钟的城市机动车尾气时空数据，首先将目标城市区域从地理上均分为64*64的栅格，然后采集各栅格每30分钟的机动车尾气数据，即得到一个单通道的类似图片的矩阵所述步骤S1中采集的外部影响因素数据为与城市机动车尾气时空数据相同时间内的天气数据、气温数据、风速数据和节假日数据。3.根据权利要求1中的基于LSTM深度时空残差网络的机动车尾气浓度预测方法，其特征在于：所述步骤S2中的数据预处理具体包括独热编码、缺失值处理和归一化处理三个方面。4.根据权利要求1中的基于LSTM深度时空残差网络的机动车尾气浓度预测方法，其特征在于：所述步骤S3中的基于LSTM的深度时空残差网络结构包括模拟机动车尾气浓度空间特性与时间特性的时空残差子网络、模拟外部因素...

【专利技术属性】
技术研发人员：杨钰潇，李泽瑞，杜晓冬，吕文君，
申请(专利权)人：安徽优思天成智能科技有限公司，
类型：发明
国别省市：安徽,34