The invention provides a prediction method of urban area tail gas pollution based on deep space-time correction model, which includes: multi-source heterogeneous data acquisition; self-encoder feature extraction; dimensionality reduction extraction of multi-source heterogeneous data features by constructing a three-layer self-encoder network structure; tail gas emission correction, and substituting dimensionality reduction feature data of each data source extracted in step 2, to realize dimensionality reduction extraction of the multi-source heterogeneous data features. Exhaust Emission Correction Model; Spatio-temporal Series Data Generation; Pre-training of Deep Spatio-temporal Network Model; Replacing Telemetry Data of Real Monitoring Points with Corrected Model Data, Retraining the Corrected Regional Exhaust Emission Prediction Model; Determining the Weight Parameters of the Model, Obtaining the Deep Spatio-temporal Network Model, Inputting the Multi-source Heterogeneous Data, Obtaining the Predicted Regional Result.
【技术实现步骤摘要】
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
本专利技术涉及城市区域尾气污染预测
,具体涉及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。
技术介绍
城市污染物主要是由交通排放产生的,主要污染物有一氧化碳CO、二氧化碳CO2、氮氧化物NO2等。CO不仅有毒,且与CO2均为温室气体,产生的温室效应对全球环境有重要危害,NO2是造成肺功能损害的主要物质,因此对城市区域尾气污染预测对环境管理和交通规划具有重要意义。现有用于区域车辆尾气排放预测的方法可大致分为两类,即经典的扩散模型和卫星遥感。对于经典的扩散模型,例如高斯羽流模型,街道峡谷模型和计算流体动力学模型。美国和欧洲分别开发的MOBILE和COPERT模型是最常用的排放因子模型。这些模型通常关于气象信息,道路拓扑结构,地理位置,交通状况和车辆排放因子的复杂模型,并且基于许多经验假设和参数,可能不适用于所有城市地区。并且这些参数通常很难获得,由此模型产生的结果可能并不准确。基于卫星遥感的地表空气污染预测是一种自上而下的大气污染浓度预测方法,在过去几十年人们进行了深入研究。然而,这种方法受到大气云量的极大影响,并且会对其他环境因素敏感,例如湿度,温度,气压,风力和地理位置等。由于城市中的车辆遥感监测设备建造和维护成本高昂。城市车辆排放因不同地理位置呈现非线性变化,并且取决于许多复杂的外部因素,如道路网络,气象,交通,绿化率和城市生活功能区类型。预测城市每个区域的车辆尾气排放面临如下四方面挑战性:1、数据稀疏性和空间异质性;2、空间依赖性;3、时间相关性;4、外部环境因素影响。
技术实现思路
针对现 ...
【技术保护点】
1.一种基于深度时空修正模型的城市区域尾气污染预测方法,其特征在于,所述方法包括步骤:步骤一、多源异构数据获取;步骤二、自编码器特征抽取,通过构建三层自编码器网络结构,实现对所述多源异构数据特征降维抽取;步骤三、尾气排放修正,将所述步骤二中提取的各数据源的降维特征数据,代入尾气排放修正模型;步骤四、时空序列数据生成;步骤五、深度时空网络模型预训练;步骤六、将真实监测点位的遥测数据替换修正模型数据,重新训练得到修正的区域尾气排放预测模型;确定模型的权重参数,得到深度时空网络模型,输入所述多源异构数据,得到预测的区域尾气污染排放结果。
【技术特征摘要】
1.一种基于深度时空修正模型的城市区域尾气污染预测方法,其特征在于,所述方法包括步骤:步骤一、多源异构数据获取;步骤二、自编码器特征抽取,通过构建三层自编码器网络结构,实现对所述多源异构数据特征降维抽取;步骤三、尾气排放修正,将所述步骤二中提取的各数据源的降维特征数据,代入尾气排放修正模型;步骤四、时空序列数据生成;步骤五、深度时空网络模型预训练;步骤六、将真实监测点位的遥测数据替换修正模型数据,重新训练得到修正的区域尾气排放预测模型;确定模型的权重参数,得到深度时空网络模型,输入所述多源异构数据,得到预测的区域尾气污染排放结果。2.根据权利要求1所述的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,其特征在于,所述多源异构数据集包括:气象数据、路网数据、交通流数据和POIs数据;所述气象数据包括天气、温度、湿度、气压和风力,所述气象数据从公开气象网站按每小时进行采集;所述路网数据包括车道数、路段长度和道路等级,所述路网结构数据从数字地图获取;所述交通流数据包括车流量和平均速度,所述交通流数据从数字地图获取;所述POIs数据为区域内兴趣点公共设施特征分类,所述POIs数据从数字地图获取。3.根据权利要求1所述的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,其特征在于:所述自编码器网络结构,包括自编码器网络输入层x、结果输出层y和降维特征隐藏层h;h=f(w1×x+b1),y=f(w2×x+b2);其中,w1、w2、b1、b2为自编码器网络结构参数。4.根据权利要求1-3所述的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,其特征在于:所述尾气排放修正模型为:E=βpoi×lnt×e-w×EF×Rna×Rn×Rlen+ΔE(t,w,poi);其中,Numng为目标区域POIs中非绿化功能区域数量,Numg为目标区域POIs中绿化功能区数量;t为温度特征,w为风力特征,Rna为路...
【专利技术属性】
技术研发人员:许镇义,杜晓冬,
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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。