基于协同时空卷积网络的城市碳排放预测方法和设备技术

本发明专利技术公开了一种基于协同时空卷积网络的城市碳排放预测方法和设备，方法包括：以城市网格为节点，分别以网格之间的空间连通性、地理邻近性和碳排放时间相似性为视角，构建城市多视角相关性的异质图；将城市碳排放和交通密度数据并行输入至异质图，各使用1个时空卷积模块分别从带碳排放和交通密度数据的异质图中提取碳排放的时空特征和交通密度的时空特征；从交通密度的时空特征中提取交通密度对碳排放的依赖性，并将交通密度对碳排放的依赖性与碳排放的时空特征融合，得到碳排放全局时空特征；将碳排放全局时空特征与外部因素结合，对城市碳排放进行协同预测。本发明专利技术以协同方法预测城市基于私家车的碳排放，可以提高城市碳排放预测精准度。市碳排放预测精准度。市碳排放预测精准度。

【技术实现步骤摘要】
基于协同时空卷积网络的城市碳排放预测方法和设备


[0001]本专利技术属于数据处理
，尤其涉及一种基于协同时空卷积网络的城市碳排放预测方法和设备。

技术介绍

[0002]目前，随着汽车数量特别是私家车数量的不断增加，产生了交通拥堵、过量二氧化碳和其他污染物排放等一系列问题。汽车尾气排放带来的生态环境问题日益突出，已成为社会关注的热点话题。
[0003]国内外有研究表示，CO2等温室气体的过度排放是造成温室效应根本原因。据联合国政府间气候变化专门委员会(IPCC)发布报告显示，2019年的碳排放量达到590亿吨,全球气候已进入紧急状态。其中，城市交通(绝大部分是私家车)一直被认为是温室气体排放的主要来源，所造成的碳排放占城市空气污染比重的90％。换句话说，私家车是城市碳排放的最大产生者。私家车的大量碳排放造成了严重的城市环境问题，给实现城市减排目标带来了巨大压力。
[0004]从这个角度来说，城市私家车造成的碳排放是造成严重气候变化和严重环境问题的根本原因。因此，对城市碳排放进行精细监测和预测，对于控制城市交通污染，实现碳中和具有重要意义。此外，私家车的碳排放预测有助于交通管理者和决策者改进城市交通基础设施的设计。例如，如果能够实时获取城市区域的车辆排放情况，就可以对区域污染进行预警，帮助相关政府完善城市的交通基础设施设计。根据预测的城市环境中的碳排放，交通管理者可以在一个城市或地区实施策略，如使用低碳能源取代汽车燃油，从而实现正负碳排放中和。
[0005]由于私家车所产生的碳排放具有复杂的时空依赖性，在时空维度上表现出空间不确定性和时间变化非线性，传统的预测模型并不能很好地对碳排放进行准预测。同时，现有的研究大部分都没有考虑驾驶特征以及其他外部因素的影响，如天气、节假日、事件、事故等，其预测结果有效性不能得到保证。
[0006]近年来，当前研究问题主要的挑战在于如何充分挖掘城市间碳排放时空变化特征，捕捉其高度非线性的空间相关性和时域上的动态变化性。此外，城市交通网络是复杂的、巨大的系统。不同类型的交通数据从不同的角度记录了碳排放的变化信息。随着数据挖掘技术的快速发展，如何从多方面收集的辅助数据中深入和充分地挖掘潜在的城市碳排放变化的模式和动态进行碳排放协作预测，进而提高其预测性能的有效性，这些问题是亟需进一步研究的。

技术实现思路

[0007]本专利技术提供一种基于协同时空卷积网络的城市碳排放预测方法，构建基于城市碳排放和交通密度的多视角异质图，基于该多视角异质图对城市的碳排放进行协同预测。
[0008]为实现上述技术目的，本专利技术采用如下技术方案：
[0009]一种基于协同时空卷积网络的城市碳排放预测方法，包括：
[0010]以城市网格为节点，分别以网格之间的空间连通性、地理邻近性和碳排放时间相似性为视角，构建城市多视角相关性的异质图；
[0011]将城市碳排放和交通密度数据分别输入至异质图，各使用1个时空卷积模块分别提取碳排放的时空特征和交通密度的时空特征；
[0012]从交通密度的时空特征中提取交通密度对碳排放的依赖性，并将交通密度对碳排放的依赖性与碳排放的时空特征融合，得到碳排放的全局时空特征；
[0013]将碳排放的全局时空特征再与当前外部因素结合，对城市碳排放进行协同预测。
[0014]进一步地，采用离散网格技术将城市地图划分为若干个网格，具体地：遍历所有私家车轨迹的起始点位置，以上下左右最边缘点作为城市的四个方向的边界，给定网格大小s，将城市地图平均划分为N个网格。
[0015]进一步地，以网格之间的空间连通性为视角构建的拓扑结构图表示为G
c
＝(V,E
c
)；其中V为节点集，E
c
为图G
c
中节点之间的权重集，权重使用轨迹数量的归一化值表征；
[0016]以网格之间的地理邻近性为视角构建的拓扑结构图表示为G
d
＝(V,E
d
)，其中E
d
为图G
d
中节点之间的权重集，从实际物理距离的角度确定权重集元素表示的相关性，即：
[0017][0018]式中，A
d
(i,j)为图G
d
中网格节点i,j之间连接边的权重；Haversine(i
c
,j
c
)为网格节点i,j基于区域质心坐标i
c
,j
c
之间的Haversine距离函数，d为图G
d
中所有连接节点之间基于区域质心坐标之间的Haversine距离平均值；
[0019]以网格之间的碳排放时间相似性为视角构建的拓扑结构图表示为G
t
＝(V,E
t
)，其中E
t
为图G
t
中连接边的权重集，利用动态时间规整函数计算不同网格节点所示区域之间的距离来表征碳排放时间相似性：
[0020][0021]式中，A
t
(i,j)为网格节点i,j之间的碳排放时间相似性，x
i
,x
j
分别为网格节点i,j的碳排放时间变化的序列，DTW(x
i
,x
j
)为x
i
,x
j
之间的动态时间规整函数值，ε为距离衰减参数。
[0022]进一步地，所述时空卷积模块包括时间门控卷积、空间卷积和时间注意机制。
[0023]进一步地，所述时间门控卷积利用扩张因果卷积和门控线性单元GLU，从碳排放和交通密度数据中捕获各自在时间维度上的相关性，具体地：
[0024]1)对于采用大小为K的卷积核，输入为的扩张因果卷积过程表示为：
[0025][0026]式中，代表碳排放，u＝a代表交通密度；f(t)表示t阶扩张因果卷积的滤波器，t为输入的时间序列信息，d为扩张因果卷积的膨胀速率；t
‑
d
×
s表示对当前历史时刻信息的定位
[0027]2)门控线性单元对每一层扩张因果卷积输出传递的信息进行过滤，表示为：
[0028][0029]式中，Θ1和Θ2是一组核，b1和b2是模型偏差，
⊙
是向量乘积，g和σ都是激活函数，为门控线性单元过滤得到的碳排放或交通密度特征，其中包括在时间维度上的相关性；
[0030]进一步地，所述空间卷积通过图卷积运算，分别从输入数据中捕获对应的空间异质性特征，具体地，各视角的拓扑结构图G
r
对应使用一个图卷积网络GCN
r
进行特征提取，表示为：
[0031][0032][0033]式中，下标r代表空间连通性、地理邻近性和碳排放时间相似性各种视角；表示图G
r
的邻接张量矩阵，是原始邻接矩阵，I
N
为单位矩阵，是GCN
r
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于协同时空卷积网络的城市碳排放预测方法，其特征在于，包括：以城市网格为节点，分别以网格之间的空间连通性、地理邻近性和碳排放时间相似性为视角，构建城市多视角相关性的异质图；将城市碳排放和交通密度数据分别输入至异质图，各使用1个时空卷积模块分别提取碳排放的时空特征和交通密度的时空特征；从交通密度的时空特征中提取交通密度对碳排放的依赖性，并将交通密度对碳排放的依赖性与碳排放的时空特征融合，得到碳排放的全局时空特征；将碳排放的全局时空特征再与当前外部因素结合，对城市碳排放进行协同预测。2.根据权利要求1所述的城市碳排放预测方法，其特征在于，采用离散网格技术将城市地图划分为若干个网格，具体地：遍历所有私家车轨迹的起始点位置，以上下左右最边缘点作为城市的四个方向的边界，给定网格大小s，将城市地图平均划分为N个网格。3.根据权利要求1所述的城市碳排放预测方法，其特征在于，以网格之间的空间连通性为视角构建的拓扑结构图表示为G
c
＝(V,E
c
)；其中V为节点集，E
c
为图G
c
中节点之间的权重集，权重使用轨迹数量的归一化值表征；以网格之间的地理邻近性为视角构建的拓扑结构图表示为G
d
＝(V,E
d
)，其中E
d
为图G
d
中节点之间的权重集，从实际物理距离的角度确定权重集元素表示的相关性，即：式中，A
d
(i,j)为图G
d
中网格节点i,j之间连接边的权重；Haversine(i
c
,j
c
)为网格节点i,j基于区域质心坐标i
c
,j
c
之间的Haversine距离函数，d为图G
d
中所有连接节点之间基于区域质心坐标之间的Haversine距离平均值；以网格之间的碳排放时间相似性为视角构建的拓扑结构图表示为G
t
＝(V,E
t
)，其中E
t
为图G
t
中连接边的权重集，利用动态时间规整函数计算不同网格节点所示区域之间的距离来表征碳排放时间相似性：式中，A
t
(i,j)为网格节点i,j之间的碳排放时间相似性，x
i
,x
j
分别为网格节点i,j的碳排放时间变化的序列，DTW(x
i
,x
j
)为x
i
,x
j
之间的动态时间规整函数值，ε为距离衰减参数。4.根据权利要求1所述的城市碳排放预测方法，其特征在于，所述时空卷积模块包括时间门控卷积、空间卷积和时间注意机制。5.根据权利要求4所述的城市碳排放预测方法，其特征在于，所述时间门控卷积利用扩张因果卷积和门控线性单元GLU，从碳排放和交通密度数据中捕获各自在时间维度上的相关性，具体地：1)对于采用大小为K的卷积核，输入为的扩张因果卷积过程表示为：式中，u＝p代表碳排放，u＝a代表交通密度；f(t)表示t阶扩张因果卷积的滤波器，t为输入的时间序列信息，d为扩张因果卷积的膨胀速率；t
‑
d
×
s表示对当前历史时刻信息的定位
2)门控线性单元对每一层扩张因...

【专利技术属性】
技术研发人员：肖竹，李昊，蒋洪波，曾凡仔，陈文婕，
申请(专利权)人：湖南大学，
类型：发明
国别省市：