基于双注意力融合网络的机动车多元尾气预测方法及系统技术方案

本发明专利技术涉及一种基于双注意力融合网络的机动车多元尾气预测方法及系统，其中方法包括：步骤S1：收集机动车尾气固定点遥测装置检测到的历史机动车多元尾气浓度和外部影响因素，并进行预处理，分别构建多元尾气浓度时间序列数据和外部因素数据；步骤S2：将多元尾气浓度时间序列数据和外部因素数据输入到双注意力融合网络进行多元尾气浓度预测，得到非线性成分特征结果、线性特征结果和外部因素特征结果；步骤S3：将非线性成分特征结果、线性特征结果和外部因素特征结果进行融合，得到未来时刻长短期机动车多元尾气浓度。本发明专利技术通过联合历史机动车多元尾气浓度和外部影响因素对未来时刻的机动车多元尾气浓度进行预测，提升了预测准确率和精度。预测准确率和精度。预测准确率和精度。

【技术实现步骤摘要】
基于双注意力融合网络的机动车多元尾气预测方法及系统


[0001]本专利技术属于机动车尾气排放浓度预测和模式识别领域，特别涉及了一种基于双注意力融合网络的机动车多元尾气预测方法及系统。

技术介绍

[0002]汽车尾气排放污染是一个重要的大气环境问题。近年来，快速的城市化、人口增长和经济发展大大增加了登记车辆的数量。随着机动车数量激增造成尾气排放量的急剧增加，城市尾气排放所造成的自然和环境问题也日益严重，进而带来一个重大的社会问题。车辆尾气排放生成的温室气体(例如一氧化碳、碳化氢和氮氧化合物)，会对人体健康造成一定危害。
[0003]多变量汽车尾气排放预测是一个时间序列预测问题，如何获取多变量气体的动态时空相关性是一个重大的研究挑战。车辆排放数据在长短期中包含重复的时间模式。其中，长期模式反映了每日和每周的重复时间模式，而短期模式则反映了外部因素的影响，如汽车尾气排放量的变化，这可能是由交通流量引起的。一个优秀的机动车排放预测模型应该能够同时捕捉到短期和长期的重复时间模式，并提高预测精度。传统的预测方法，如自回归模型在这方面做不到，因为他们无法成功捕获两者显式和动态特性，并对它们的交互进行建模。Prophet模型对时间序列中的趋势变化、季节性和节假日有较好的拟合效果，但不能有效地捕捉长期时间序列。现有技术采用基于相关特征选择、支持向量回归和地理信息系统(GIS)的混合模型对未来汽车排放进行预测，以及利用一种基于注意力机制的长短期并行记忆，使用便携式排放测量系统(PEMS)和车载诊断建立车辆排放预测模型。然而，受限于时间序列的平稳性假设，这些模型可能无法考虑长期相关性，无法很好地处理高度复杂的尾气排放数据。此外，还采用基于时空数据的独特属性构建的深度时空残差早
‑
晚融合网络来预测汽车排放；或者采用基于深度学习的多组件融合时间网络的新框架来共同预测汽车排放浓度。然而，这些基于机器学习的模型不能有效地处理尾气排放数据的复杂相关性，因为它们忽略了多变量汽车排放浓度的内在相关性。
[0004]因此，现有机动车多元尾气排放浓度预测的缺陷和人工智能技术预测机动车多元尾气浓度准确率不高的缺点，亟需一种新的多元尾气排放浓度预测方法来进一步提高长短期多元尾气排放浓度的预测准确率和精度。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提供一种基于双注意力融合网络的机动车多元尾气预测方法及系统。由于气象因素和交通流固有的随机性和不平衡性，汽车尾气排放具有很强的非平稳和非线性特性。本专利技术引入了历史时间段的多元尾气排放浓度数据对未来时刻预测多元尾气浓度的影响，同时将外部影响因素考虑其中，使得本专利技术能够获得更好的预测精度。本专利技术提供的方法可以预测未来时刻多元机动车尾气排放浓度信息，对于支持城市交通污染治理和环境保护具有重要意义，通过预测未来时刻城市中的一些远程监测站
的尾气排放浓度情况，及时控制道路和环保区域车辆行驶数量，帮助改善城市的交通基础设施设计布局和城市机动车尾气排放污染控制。
[0006]本专利技术技术解决方案为：一种基于双注意力融合网络的机动车多元尾气预测方法，包括：
[0007]步骤S1：收集机动车尾气固定点遥测装置检测到的历史机动车多元尾气浓度和外部影响因素，并进行预处理，分别构建多元尾气浓度时间序列数据和外部因素数据；
[0008]步骤S2：将多元尾气浓度时间序列数据和外部因素数据输入到双注意力融合网络进行多元尾气浓度预测；其中，所述双注意力融合网络包括非线性成分模型、线性成分模型和外部成分模型，所述多元尾气浓度时间序列数据经过所述非线性成分模型、线性成分模型分别得到非线性成分特征结果和线性成分特征结果，所述外部因素数据经过所述外部成分模型得到外部因素特征结果；
[0009]步骤S3：将所述非线性成分特征结果、线性成分特征结果和外部因素特征结果融合，得到未来时刻的长短期机动车多元尾气浓度
[0010]本专利技术与现有技术相比，具有以下优点：
[0011]1、本专利技术提供的基于双注意力融合网络的机动车多元尾气预测方法是基于历史时间段内的机动车多元尾气浓度时间序列和外部因素的输入数据。经过预处理，将机动车尾气固定点遥测装置检测到的历史机动车多元尾气浓度构建成多元尾气浓度时间序列数据；同时考虑到了环境因素和车流量的外部因素对机动车多元尾气浓度的影响。通过联合两种输入数据对机动车多元尾气排放进行预测，提升了准确率。
[0012]2、本专利技术提供的基于双注意力融合网络的机动车多元尾气预测方法可以预测未来时刻的机动车多元尾气浓度。本专利技术首次考虑了多元尾气浓度的非线性成分、线性成分的特征结果和外部因素的特征结果进行融合来提升模型的机动车多元尾气排放浓度预测精度。
附图说明
[0013]图1为本专利技术实施例中一种基于双注意力融合网络的机动车多元尾气预测方法的流程图；
[0014]图2为本专利技术实施例中双注意力融合网络的结构示意图；
[0015]图3为本专利技术实施例中一种基于双注意力融合网络的机动车多元尾气预测系统的结构框图。
具体实施方式
[0016]本专利技术提供了一种基于双注意力融合网络的机动车多元尾气预测方法及系统，通过联合多元尾气浓度时间序列和外部因素的输入数据对未来时刻的机动车多元尾气浓度进行预测，提升了准确率，并捕捉了多元尾气浓度的非线性成分、线性成分的特征结果和外部因素的特征结果的融合来提升尾气排放浓度预测精度。
[0017]为了使本专利技术的目的、技术方案及优点更加清楚，以下通过具体实施，并结合附图，对本专利技术进一步详细说明。
[0018]实施例一
[0019]如图1所示，本专利技术实施例提供的一种基于双注意力融合网络的机动车多元尾气预测方法，包括下述步骤：
[0020]步骤S1：收集机动车尾气固定点遥测装置检测到的历史机动车多元尾气浓度和外部影响因素，并进行预处理，分别构建多元尾气浓度时间序列数据和外部因素数据；
[0021]步骤S2：将多元尾气浓度时间序列数据和外部因素数据输入到双注意力融合网络进行多元尾气浓度预测；其中，双注意力融合网络包括：非线性成分模型、线性成分模型和外部成分模型，多元尾气浓度时间序列数据经过非线性成分模型和线性成分模型分别得到非线性成分特征结果和线性成分特征结果，外部因素数据经过外部成分模型得到外部因素特征结果；
[0022]步骤S3：将非线性成分特征结果、线性成分特征结果和外部因素特征结果进行融合，得到未来时刻的长短期机动车多元尾气浓度。
[0023]本专利技术提供的基于双注意力融合网络的机动车多元尾气预测方法是基于历史时间段内的多元尾气浓度时间序列和外部因素数据。不仅使用多元尾气排放浓度时间序列输入数据，同时还考虑到了环境因素和车流量的外部因素数据对尾气排放浓度的影响。通过联合两种输入数据对车辆尾气排放浓度进行预测，提升了准确率。
[0024]在一个实施例中，上述步骤S1：收集机动车尾气固定点遥测装置检测到的历史机动车多元尾气浓度和外部影响因本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双注意力融合网络的机动车多元尾气预测方法，其特征在于，包括：步骤S1：收集机动车尾气固定点遥测装置检测到的历史机动车多元尾气浓度和外部影响因素，并进行预处理，分别构建多元尾气浓度时间序列数据和外部因素数据；步骤S2：将所述多元尾气浓度时间序列数据和所述外部因素数据输入到双注意力融合网络进行多元尾气浓度预测；其中，所述双注意力融合网络包括：非线性成分模型、线性成分模型和外部成分模型，所述多元尾气浓度时间序列数据经过所述非线性成分模型和所述线性成分模型分别得到非线性成分特征结果和线性成分特征结果，所述外部因素数据经过所述外部成分模型得到外部因素特征结果；步骤S3：将所述非线性成分特征结果、线性成分特征结果和外部因素特征结果进行融合，得到未来时刻的长短期机动车多元尾气浓度。2.根据权利要求1所述基于双注意力融合网络的机动车多元尾气预测方法，其特征在于，所述步骤S1：收集机动车尾气固定点遥测装置检测到的历史机动车多元尾气浓度和外部影响因素，并进行预处理，分别构建多元尾气浓度时间序列数据和外部因素数据，包括：步骤S11：收集历史机动车多元尾气浓度，并进行预处理，构建多元尾气浓度时间序列数据步骤S12：收集外部影响因素，并进行预处理，构建外部因素数据3.根据权利要求2所述基于双注意力融合网络的机动车多元尾气预测方法，其特征在于，所述步骤S2：将所述多元尾气浓度时间序列数据和所述外部因素数据输入到双注意力融合网络进行多元尾气浓度预测；其中，所述双注意力融合网络包括：非线性成分模型、线性成分模型和外部成分模型，所述多元尾气浓度时间序列数据经过所述非线性成分模型和所述线性成分模型分别得到非线性成分特征结果和线性成分特征结果，所述外部因素数据经过所述外部成分模型得到外部因素特征结果，包括：步骤S21：将所述多元尾气浓度时间序列数据，输入所述非线性成分模型，其中非线性成分模型包括两个子模型，分别得到两个非线性成分特征子结果和步骤S22：将所述多元尾气浓度时间序列数据，输入所述线性成分模型，其中线性成分模型为自回归模型，得到所述线性成分特征结果步骤S23：将所述外部因素数据，输入所述外部成分模型，其中外部成分模型为多层感知机，得到所述外部因素特征结果4.据权利要求3所述基于双注意力融合网络的机动车多元尾气预测方法，其特征在于，所述步骤S21：将所述多元尾气浓度时间序列数据，输入所述非线性成分模型，其中非线性成分模型包括两个子模型，分别得到两个非线性成分特征子结果和包括：步骤S211：将所述多元尾气浓度时间序列数据根据下述公式(1)，经过所述非线性成分子模型中的时间卷积网络和自注意力机制计算，输出非线性成分特征子结果性成分子模型中的时间卷积网络和自注意力机制计算，输出非线性成分特征子结果
其中，表示膨胀系数为d的卷积操作，*表示卷积运算符，表示第t时刻多元机动车尾气浓度，f
k
表示滤波器，K表示第K个滤波器，k表示滤波器尺寸大小，t
‑
(K
‑
k)
·
d表示从t到过去的时间步数，f(
·
)表示激活函数，表示时间卷积网络中的卷积操作结果，表示时间卷积网络中残差连接输出结果，表示时间卷积网络的输出结果，Softmax(
·

【专利技术属性】
技术研发人员：凌强，费习宏，方毅，李峰，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：