数据分布自适应的跨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数据分布自适应的跨区域尾气排放预测方法及系统包括以下步骤，对已知区域站点的尾气数据以及与尾气排放相关的数据，进行预处理得到目标域数据；使用卷积神经网络在该数据集上构建尾气浓度预测模型；训练得到目标区域尾气浓度的估计值数据，并按照设定标准将尾气浓度划分等级；基于数据分布自适应最小化源域尾气数据和目标域尾气浓度估计值数据的边缘和条件概率，消除两个域之间的差异；再次将目标区域数据输入训练过后的尾气浓度预测模型，得到预测结果。本发明专利技术基于数据分布自适应尽可能地缩小源域和目标区域的差异，使训练模型能够更好地适用于不易直接获取尾气数据的目标区域，实现对目标区域的尾气浓度预测效果。

【技术实现步骤摘要】
数据分布自适应的跨区域尾气排放预测方法及系统
本专利技术涉及环境检测
，具体涉及一种数据分布自适应的跨区域尾气排放预测方法及系统。
技术介绍
研究表明，在某个特定的时空区域内机动车排放尾气的量与该段区域内交通流的密集程度、道路的路况信息、天气的好坏程度以及相关联区域的污染物排放量等等密切相关。现有的方法大多基于已有的尾气测量数据对将来某一时刻的尾气排放量进行相应预测，这种方法适用于布满尾气监测站点且能有效提供尾气浓度的区域。然而并不是所有的监测站点都可以有效测量尾气浓度，例如路况信息监测站点以及空气质量指数(AQI)监测站点，对于具有这些站点的区域，不易直接获得具体的尾气浓度。因此，期望利用易监测地区的交通流情况、空气质量指数等相关数据并与尾气浓度结合，对不易直接获得尾气浓度的区域进行尾气浓度预测分析。
技术实现思路
本专利技术提出的一种数据分布自适应的跨区域尾气排放预测方法及系统，可解决现有方法在目标区域无尾气浓度数据但具有AQI等其他相关数据的情况下，区域尾气预测的技术问题。为实现上述目的，本专利技术采用了本文档来自技高网...

【技术保护点】
1.一种数据分布自适应的跨区域尾气排放预测方法，其特征在于，包括以下步骤，/nS10、对已知区域站点的尾气数据以及与尾气排放相关的数据，进行获取、整理、预处理，得到源域数据；对目标区域的相关数据进行获取与预处理，得到目标域数据；/nS20、对源域尾气浓度及相关数据进行时间序列划分，并使用卷积神经网络在该数据集上构建尾气浓度预测模型；/nS30、利用尾气浓度预测模型对目标域数据进行训练得到目标区域尾气浓度的估计值数据，并按照设定标准将尾气浓度划分为优、良、轻度污染、中度污染、重度污染五个等级；/nS40、基于数据分布自适应最小化源域尾气数据和目标域尾气浓度估计值数据的边缘和条件概率，消除两个域之...

【技术特征摘要】
1.一种数据分布自适应的跨区域尾气排放预测方法，其特征在于，包括以下步骤，
S10、对已知区域站点的尾气数据以及与尾气排放相关的数据，进行获取、整理、预处理，得到源域数据；对目标区域的相关数据进行获取与预处理，得到目标域数据；
S20、对源域尾气浓度及相关数据进行时间序列划分，并使用卷积神经网络在该数据集上构建尾气浓度预测模型；
S30、利用尾气浓度预测模型对目标域数据进行训练得到目标区域尾气浓度的估计值数据，并按照设定标准将尾气浓度划分为优、良、轻度污染、中度污染、重度污染五个等级；
S40、基于数据分布自适应最小化源域尾气数据和目标域尾气浓度估计值数据的边缘和条件概率，消除两个域之间的差异；
S50、再次将目标区域数据输入训练过后的尾气浓度预测模型，得到目标域尾气浓度的预测结果。


2.根据权利要求1所述的数据分布自适应的跨区域尾气排放预测方法，其特征在于：所述S10对已知区域站点的尾气数据以及与尾气排放相关的数据，进行获取、整理、预处理，得到源域数据；对目标区域的相关数据进行获取与预处理，得到目标域数据，具体包括以下步骤：
S11：从指定官方网站分别获取源区域和目标区域的历史尾气数据以及与尾气浓度有关的外部因素数据，将同一时间段同一路段内各类污染物的最高浓度记为该路段特定时空下的尾气浓度；
S12：对源区域和目标区域的历史尾气数据进行插值，利用箱线图法对异常值进行识别并对其进行处理，零-均值规范化预处理操作，消除指标之间的量纲和取值范围差异的影响，将数据按照比例进行缩放，使之落入一个特定的区域。


3.根据权利要求2所述的数据分布自适应的跨区域尾气排放预测方法，其特征在于：所述S20对源域尾气浓度及相关数据进行时间序列划分，并使用卷积神经网络在该数据集上构建尾气浓度预测模型，具体包括：
S21：将源域的尾气历史观测数据按照时间顺序以时间间隔Δt划分成观测数据序列；根据时间序列长度l，将源域观测数据序列划分成用Hs表示；
S22：要使用卷积神经网络，需要提供二维的特征数据，将某段时间路段内尾气及其相关数据组织成二维数据，总共5行对应5个影响因子，10列对应尾气各主要成分浓度、总浓度，得到每天的上千组区域尾气分布图；
S23：随机选取数据集的80％作为训练集，使用卷积神经网络对训练集进行模型训练；神经网络使用Conv2D层和MaxPooling2D层的堆叠，使用均方损失函数MSE作为损失函数loss：



上式中，yi为第i个数据的准确数值，而y′i为卷积神经网络给出的估计值；
将数据集的剩余20％作为验证集，在训练的同时观察卷积神经网络在验证集上的表现，当验证集上的损失函数loss达到最小时，停止训练，得到适用于源域数据集的尾气预测模型。


4.根据权利要求3所述的数据分布自适应的跨区域尾气排放预测方法，其特征在于：步骤S23中在训练过程中随机将部分神经元的权重置为0(dropout)，即让一些神经元失效。


5.根据权利要求3所述的数据分布自适应的跨区域尾气排放预测方法，其特征在于：所述S30利用尾气浓度预测模型对目标域数据进行训练得到目标区域尾气浓度的估计值数据，并按照设定标准将尾气浓度划分为优、良、轻度污染、中度污染、重度污染五个等级，具体包括：
S31：处理目标域中与尾气相关的数据，按照时间顺序以时间间隔Δt划分成观测数据序列；根据时间序列长度l，将目...

【专利技术属性】
技术研发人员：康宇，鲁晔，曹洋，许镇义，夏秀山，李兵兵，
申请(专利权)人：中国科学技术大学先进技术研究院，安徽省生态环境监测中心安徽省重污染天气预报预警中心，
类型：发明
国别省市：安徽;34