为预测在测量站的有害物质浓度而生成用于神经网络的训练数据的计算机辅助方法技术

本发明专利技术规定了一种用于生成用于神经网络的训练数据的计算机辅助方法，其中，所述神经网络构造用于由至少一个有害物质排放确定在测量站处的有害物质浓度。为此，尤其通过有害物质浓度的已提供的、测得的测量系列的值C0的改变ΔC生成合成的测量系列作为训练数据，其中，借助由传播模型计算出的有害物质影响I0、I1的值的相对变化ΔI/I0实现所述改变ΔC。此外，本发明专利技术还涉及一种用于训练神经网络的计算机辅助方法以及用于借助由此训练的神经网络确定有害物质浓度的方法。确定有害物质浓度的方法。确定有害物质浓度的方法。

【技术实现步骤摘要】
【国外来华专利技术】为预测在测量站的有害物质浓度而生成用于神经网络的训练数据的计算机辅助方法
[0001]本专利技术涉及一种根据权利要求1的前序部分所述的生成用于神经网络的训练数据的方法、根据权利要求9的前序部分所述的用于训练神经网络的方法以及根据权利要求10的前序部分所述的用于借助神经网络确定有害物质浓度的方法。
[0002]在一些德国城市内，有害物质负荷、例如氮氧化物浓度在特定时间范围内可能会高于允许的极限值。
[0003]为了确保足够的空气质量，城市会采取多种措施、例如驾驶禁令。然而，要使这些措施有效，就必须在可能超过限值之前实施这些措施。为此，需要对污染物浓度进行可靠和尽可能精确的预测(预估)。
[0004]原则上，排放和影响(量纲为质量或每单位长度每单位时间的质量)和浓度(量纲为每单位体积的质量)是有区别的。排放物是有害物质的排放质量，例如在例如一小时的时间范围内来自交通参与者的排放质量。排放同样可以是基于长度(道路长度、路线长度等)和时间范围而言的，从而在此所述排放具有每单位长度每单位时间的质量的量纲。有害物质浓度例如由测量站在城市内的特定位置基于该出的排放被测量。原则上，排放、影响和污染物浓度与时间相关。
[0005]由于过程的复杂性，难以预测有害物质浓度，因此为此通常使用神经网络。
[0006]这种情况下，基本方法被一分为二。首先，借助模型计算排放。随后，借助神经网络根据由基于模型计算的排放确定有害物质浓度。
[0007]为此需要对神经网络进行训练，也就是说，需要有关有害物质浓度的训练数据。典型地，神经网络必须借助训练数据来学习如何由污染物排放得出有害物质浓度。通常，通过使用有害物质浓度的历史数据作为训练数据来训练神经网络。以这种方式训练的神经网络对于频繁发生的情况提供了良好的预测。因此，可以通过所述预测足够精度地预测平均有害物质浓度。
[0008]问题在于高负荷的事件或情况，因为它们通常很少发生。因此，只有很少的数据可用于训练神经网络。由于该问题，对于真感兴趣的高负荷的事件、也即对于罕见事件的预测较差。
[0009]由现有技术基本上已知两种用于改进对这种罕见事件的预测的方法。
[0010]首先，为训练所使用的数据或测量系列可以不同地加权。例如，高负荷的历史事件被多次使用。对此的弊端在于，由此导致对平均负担的预测变差。由此仍保持了固有的问题：对于高负荷的事件仅存在较少的测量系列或测量数据和由此的训练数据。
[0011]第二，有害物质排放和有害物质浓度可以通过完整的基于模型的方法来计算。这是巨大的工作，并且此外并非所有的关联性都是已知的。因此，已知的方法通常提供过低的有害物质浓度值。
[0012]本专利技术所要解决的技术问题在于，提供一种对神经网络的改进的训练，该训练设计用于由有害物质排放确定有害物质浓度。
[0013]所述技术问题通过一种具有独立权利要求1的技术特征的生成用于神经网络的训
练数据的方法、通过具有独立权利要求9的技术特征的用于训练神经网络的方法以及具有独立权利要求10的技术特征的用于借助神经网络确定有害物质浓度的方法解决。在从属权利要求中给出了本专利技术有利的设计方式和改进方案。
[0014]根据本专利技术的计算机辅助方法用来生成用于神经网络的训练数据，其中，所述神经网络构造用于由至少一个有害物质排放确定在测量站处的有害物质浓度，所述方法至少包括以下步骤：
[0015]‑
提供至少一个有害物质浓度的测量系列，所述测量系列具有至少一个测量值，该测量值高于定义的阈值；
[0016]‑
提供至少一个对应于测得的有害物质浓度的物理测量变量、尤其温度、风速和/或风向和/或化学物质浓度的测量系列；
[0017]‑
提供传播模型，其中，所述传播模型对有害物质排放、测量站处的测量变量和有害物质影响(或称为有害物质注入、有害物质样本)之间的关系进行建模；
[0018]‑
借助传播模型由有害物质排放计算有害物质影响的第一值I0，其中，为此使用测量变量的至少一个对应于已提供的测得的有害物质浓度的(原始)值C0的测量值；
[0019]‑
借助传播模型由有害物质排放计算有害物质影响的第二值I1，其中，测量变量的用于计算有害物质影响的第一值I0的测量值在数值上被改变；并且
[0020]‑
通过已提供的测得的有害物质浓度的测量系列的值C0的改变ΔC来生成合成的测量系列作为训练数据，其中，所述改变ΔC借助有害物质排放的计算值的相对变化ΔI/I0实现。
[0021]根据本专利技术的用于生成训练数据的方法提供了数据或者说有害物质浓度的时间系列，借助所述方法能够训练神经网络。该训练可以借助已知的方法、例如深度学习进行。
[0022]神经网络(英文：Artificial Neural Network)在此配置或构造用于由有害物质排放确定测量站处的有害物质浓度。一个有害物质影响或者说多个有害物质影响借助传播模型由一种有害物质排放或多种有害物质排放计算得出。由此，传播模型对所排放的有害物质从排放地、例如街道至影响地、也即测量点的传输进行建模。传播模型可以优选包括化学转化过程和相关的方程。
[0023]在根据本专利技术的用于生成训练数据的方法的第一步骤中提供有害物质浓度的测量系列，其中，至少一个有害物质浓度的值或者说测量值高于定义的阈值。换言之，提供了测量系列，该测量系列对应于至少一个在某个时刻的高有害物质浓度，并且由此对应于高有害物质负荷。由此发生了高有害物质负荷的罕见事件。
[0024]阈值通常由极限值定义，例如氮氧化物为200微克/立方米(μg/m3)。测量系列是有害物质浓度的测量值的时间顺序(连续或离散的)，例如单位为μg/m3。测量系列具有一个或多个测量值，其中，每个测量值已经在特定时刻被检测。时刻同样可以是时间范围，从而已经针对该时间范围检测或确定了测量值。例如，针对每小时确定、例如通过一次或多次测量来确定有害物质浓度的测量值。换言之，例如检测一天中每小时的有害物质浓度的测量值。然后，这些检测到的测量值的按时间顺序排列的序列形成有害物质浓度的示例性的测量系列。
[0025]在根据本专利技术的用于生成训练数据的方法的第二步骤中提供物理/技术测量变量的至少一个测量系列。在此，测量变量是物理/技术变量，例如温度、风速和/或风向和/或一
种或多种化学物质浓度。测量变量与所提供的测得的有害物质浓度相关，也即针对每个时刻都存在有害物质浓度的测量值和测量变量的测量值。可以设置多个测量变量和相应的测量系列。
[0026]例如，对于一天中的每个小时都检测平均有害物质浓度和针对该平均有害物质浓度存在的进而所属的平均温度、风速和/或风向。换言之，随时间检测至少两个测量变量，所述有害物质浓度和物理/技术测量变量，例如在测得有害物质浓度温度时存在或者说曾经存在的温度、风速和/或风向。测量变量是重要的，因为一个测量变量或多个测量变量，例如温度、风速和/或风向和/或空气的化学成分(化学物质浓度)主要本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于生成用于神经网络的训练数据的计算机辅助方法，其中，所述神经网络构造用于由至少一个有害物质排放确定在测量站处的有害物质浓度，其特征在于以下步骤：
‑
提供至少一个有害物质浓度的测量系列，所述测量系列具有至少一个测量值，该测量值高于定义的阈值；
‑
提供至少一个对应于测得的有害物质浓度的物理测量变量、尤其温度、风速和/或风向和/或化学物质浓度的测量系列；
‑
提供传播模型，其中，所述传播模型对有害物质排放、测量站处的测量变量和有害物质影响之间的关系进行建模；
‑
借助传播模型由有害物质排放计算有害物质影响的第一值I0，其中，为此使用测量变量的至少一个对应于已提供的测得的有害物质浓度的值C0的测量值；
‑
借助传播模型由有害物质排放计算有害物质影响的第二值I1，其中，为此，测量变量的用于计算有害物质影响的第一值I0的测量值在数值上被改变；并且
‑
通过已提供的测得的有害物质浓度的测量系列的值C0的改变ΔC来生成合成的测量系列作为训练数据，其中，所述改变ΔC借助有害物质排放的计算值的相对变化ΔI/I0实现。2.根据权利要求1所述的计算机辅助方法，其特征在于，还借助有害物质浓度的由交通所致的份额α实现有害物质浓度的已提供的测量系列的至少一个值C0的改变ΔC。3.根据权利要求2所述的计算机辅助方法，其特征在于，借助ΔC/C0＝αΔI/I0实现有害物质浓度的已提供的测量...

【专利技术属性】
技术研发人员：FA杰格，K米勒，
申请(专利权)人：西门子股份公司，
类型：发明
国别省市：