【技术实现步骤摘要】
基于子图分割的跨城市尾气迁移预测方法、系统及介质
[0001]本专利技术涉及环境检测领域中城市尾气污染迁移预测
,具体涉及一种基于子图分割的跨城市尾气迁移预测方法、系统及介质。
技术介绍
[0002]近年来,随着机动车保有量的增加,机动车尾气污染也日益严峻,受到越来越多的重视。对机动车污染的预测和实时估计可以帮助政府有效治理机动车尾气污染。考虑到尾气污染具有空间相关性和时间依赖性的特点。目前已有方法往往利用大量的历史数据对未来的污染值进行预测,然而对于数据不足的地区,一般难以进行比较准确地预测。因此可以考虑利用有充足尾气数据的区域辅助缺乏数据的区域进行预测。
[0003]考虑到尾气污染与城市布局、路网结构具有高度相关性,而不同城市的上述因素差别较大,从而导致不同城市间尾气的时空分布存在较大的差异,因此无法直接利用源域城市的尾气时空分布特点辅助目标域尾气的预测。考虑到尾气分布与城市功能区具有非常强的相关性,我们提出了一种基于子图分割的跨城市尾气迁移学习预测方法旨在根据城市功能区将城市切割成若干对应的子图,将源域和目标域的子图分别对齐,克服源区域和目标区域之间的尾气时空分布差异,从而利用具有丰富数据的源域城市向数据稀缺的目标域城市进行知识迁移,以实现数据不足的目标城市的尾气浓度预测。
技术实现思路
[0004]本专利技术提出的一种基于子图分割的跨城市尾气迁移预测方法、系统及介质,可解决现有方法在数据量较少的情况下,误差较大的技术问题。
[0005]为实现上述目的,本专利技术采用了以下 ...
【技术保护点】
【技术特征摘要】
1.一种基于子图分割的跨城市尾气迁移预测方法,其特征在于,包括以下步骤,S10、获取源城市和目标城市的历史尾气数据并对进行数据预处理;S20、对城市按照功能区进行划分,将每个功能区内的监测点构建为子图,每个子图的节点数应保持一致;S30、针对每个子图构建尾气时空特征提取模块,对源城市和目标城市的所有子图进行浅层特征提取;S40、计算目标城市和源城市中的任意两个子图的最大均值差异,对每个目标城市子图确定一个最大均值差异最小的源城市子图作为匹配子图;最小化目标子图和匹配子图的差异;S50、对浅层特征进行深度提取,并输出预测结果。2.根据权利要求1所述的基于子图分割的跨城市尾气迁移预测方法,其特征在于:所述S10获取源城市和目标城市的历史尾气数据并对进行数据预处理,具体包括,S11:获取源城市和目标城市的历史尾气数据;S12:对历史尾气数据进行插值,异常值处理,归一化预处理操作。3.根据权利要求1所述的基于子图分割的跨城市尾气迁移预测方法,其特征在于:所述S20对城市按照功能区进行划分,将每个功能区内的监测点构建为子图,每个子图的节点数应保持一致,具体包括:S21:将城市按照中心商业区、行政区、工业区、文化娱乐区、居住区、仓库码头区、游憩区和郊区进行划分;对每个划分区域内的尾气监测点构建为子图对每个划分区域内的尾气监测点构建为子图表示t时刻的第i个图数据,V,E,A分别表示图的节点,边和邻接矩阵;对于图节点数||V||为固定值,对于子图划分,通过共用设定量节点或者补零实现节点数保持一致;子图的邻接矩阵为任意两节点之间距离倒数所构成的矩阵;S22:将尾气历史数据按照时间顺序以时间间隔Δt划分成历史观测序列;根据时间序列长度将源区域和目标区域历史观测序列划分成和分别用和表示;N
s
和N
t
分别表示源城市和目标城市划分子图的数量,4.根据权利要求3所述的基于子图分割的跨城市尾气迁移预测方法,其特征在于:所述S30针对每个子图构建尾气时空特征提取模块,对源城市和目标城市的所有子图进行浅层特征提取,具体包括:S31:分别构建N
s
个源域时空图卷积网络和N
t
个目标域时空图卷积网络;针对源域和目标域的子图序列H
s
和H
t
利用对应的时空图卷积网络进行特征提取;时空图卷积网络由单层时空图卷积层构成,每层时空图卷积层的结构为两层门控卷积层夹一层空间图卷积层;
f
i,s
和f
i,t
是源域和目标域第i个子图和第j个子图对应的的时空图卷积网络的表示函数,和是源域和目标域经过提取的时空特征。5.根据权利要求4所述的基于子图分割的跨城市尾气迁移预测方法,其特征在于:所述S40计算...
【专利技术属性】
技术研发人员:许镇义,刘斌琨,康宇,曹洋,张聪,赵振怡,裴丽红,鲁晔,
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:
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。