基于时空残差感知网络的区域尾气排放预测方法及系统技术方案

本发明专利技术的一种基于时空残差感知网络的区域尾气排放预测方法及系统，可解决现有方法多为基于试验车数据，外部影响因素考虑也不够，相对误差较大的技术问题。包括以下步骤：S100、获取历史尾气时空监测数据以及外部环境数据，对所获数据进行数据预处理；S200、根据尾气变化特性构建时序序列划分集合；S300、基于事先构建并训练好的尾气污染时空预测模型，利用当前时刻t的外部环境特征数据和t‑1时刻前的历史尾气时空序列数据，预测未来t+k时刻的尾气排放。本发明专利技术通过时空残差感知网络考虑到尾气排放具有时空异质性以及受多种外部复杂环境因素影响，并且能够在真实遥测数据上实现更高精度的区域尾气预测。

【技术实现步骤摘要】
基于时空残差感知网络的区域尾气排放预测方法及系统
本专利技术涉及环境检测
，具体涉及一种基于时空残差感知网络的区域尾气排放预测方法及系统。
技术介绍
北方城市受大范围天气影响，空气质量明显下降，灰霾面积达130万平方公里。机动车尾气是PM2.5的来源之一，实时获取城市区域尾气的时空分布信息对机动车污染防治以及环境保护大有裨益。有必要建立监测预警体系，获取任意时刻的城市区域尾气时空分布可以提供城市区域尾气污染预警以及为交通市政部门的城市交通规划提供决策支持。由于城市各区域实际交通状况不同以及环境因素影响，都会对车辆的行驶工况造成影响，同时考虑尾气在空间扩散影响，给定区域内尾气分布会受到其临近区域影响，在时间尺度上，由于区域内车流量的周期性、趋势性变化导致尾气在时间上也呈现类似变化特征，但已有方法大多基于试验车测试数据建立尾气排放因子估计模型，并不能真实反映路网中运行车辆尾气的真实排放情况，适用于所有区域。此外尾气排放具有时空异质性以及受多种外部复杂环境因素影响。
技术实现思路
本专利技术提出的一种基于时空残差感知本文档来自技高网...

【技术保护点】
1.一种基于时空残差感知网络的区域尾气排放预测方法，其特征在于：/n包括以下步骤：/nS100、获取历史尾气时空监测数据以及外部环境数据，对所获数据进行数据预处理；/nS200、根据尾气变化特性构建时序序列划分集合；/nS300、基于事先构建并训练好的尾气污染时空预测模型，利用当前时刻t的外部环境特征数据和t-1时刻前的历史尾气时空序列数据，预测未来t+k时刻的尾气排放。/n

【技术特征摘要】
1.一种基于时空残差感知网络的区域尾气排放预测方法，其特征在于：
包括以下步骤：
S100、获取历史尾气时空监测数据以及外部环境数据，对所获数据进行数据预处理；
S200、根据尾气变化特性构建时序序列划分集合；
S300、基于事先构建并训练好的尾气污染时空预测模型，利用当前时刻t的外部环境特征数据和t-1时刻前的历史尾气时空序列数据，预测未来t+k时刻的尾气排放。


2.根据权利要求1所述的基于时空残差感知网络的区域尾气排放预测方法，其特征在于：所述S300中尾气污染时空预测模型的构建步骤如下：
S301、获取历史尾气时空监测数据以及外部环境数据，对所获数据进行数据预处理；
S302、根据尾气变化特性构建时序序列划分集合；
S303、根据尾气划分序列数据和外部环境因素数据构建深度时空残差感知网络的区域尾气污染排放预测模型；
S304、利用预处理后的尾气监测数据和外部环境数据对深度时空残差感知网络进行训练，得到尾气污染时空预测模型。


3.根据权利要求2所述的基于时空残差感知网络的区域尾气排放预测方法，其特征在于：所述S100获取历史尾气时空监测数据以及外部环境数据，对所获数据进行数据预处理具体包括：
S101、利用非接触测量尾气遥感监测设备获取车辆的历史尾气时空监测数据以及路网交通、气象环境、城市兴趣点分布外部环境数据；
S102、对所获监测数据进行缺失值补全、异常值舍弃和数据归一化处理。


4.根据权利要求3所述的基于时空残差感知网络的区域尾气排放预测方法，其特征在于：所述S200根据尾气变化特性构建时序序列划分集合具体包括：
S201、根据临近性时间片段序列长度lc构建临近性时间片段
S202、根据周期性时间片段序列长度lp构建周期性时间片段p是周期性时间片段的时间间隔；
S203、根据趋势性时间片段序列长度ls构建趋势性时间片段s是趋势性时间片段序列的时间间隔。


5.根据权利要求4所述的基于时空残差感知网络的区域尾气排放预测方法，其特征在于：所述S303根据尾气划分序列数据和外部环境因素数据构建深度时空残差感知网络的区域尾气污染排放预测模型包括：
S3031、时间依赖型特征提取，通过将临近性时间片段Hc、周期性时间片段Hp和趋势性时间片段Hs分别送入相同结构的卷积层单元进行浅层特征提取；
经过卷积操作，得到三种时间分割片段的尾气时空分布特征如下，









其中*代表卷积操作，f代表激活函数，具体为线性整流单元ReLU，f(z)＝max(0，z)；W(1)，b(1)分别是第一层卷积层待学习的权重矩阵和偏置向量参数；Hc(1)，Hp(1)，Hs(1)分别是第一层卷积层临近性时间片段、周期性时间片段和趋势性时间片段的特征图；
然后该层输出分别被馈送到趋势性模块，周期性模块和临近性模块以提取尾气分布的时间依赖性；
其中，时间依赖性提取步骤如下：
对于临近性时间特征，考虑到短时内尾气变化较为相似，因此将临近性特征图保持原始输入；
对于周期性时间特征，通过引入自注意机制(self-attention)提取尾气时间变化上的周期不变性特征；
对于趋势性时间特征，通过引入平均池化操作，对趋势性时间片段特征层求平均得到趋势性特征子图；
其中，
时间依赖性提取操作如下：



其中表示残差连接操作，g是线性嵌入函数，W，Wθ，分别是待学习的嵌入权重矩阵，fAP是平均池化操作，分别是临近性时间片段、周期性时间片段和趋势性时间片段进行时间依赖性处理后的特征图，并经过前端融合后送入残差卷积单元处理；
S3032、外部环境特征融合；
通过编码器将外部环境特征输入x映射到内部特征空间表示z，然后再经过解码器将z重构到输出y；
具体融合步骤包括：
首先将临近性时间片段、周期性时间片段和趋势性时间片段经过时间依赖性提取的特征图进行前端融合拼接后送到堆叠的卷积残差单元处理；
对时间依赖性提取的特征图进行前端...

【专利技术属性】
技术研发人员：许镇义，康宇，曹洋，刘斌琨，李泽瑞，吕文君，赵振怡，裴丽红，
申请(专利权)人：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，
类型：发明
国别省市：安徽;34