本发明专利技术公开了一种基于进化图自监督学习的运渣车高危污染源分类方法，涉及污染源分类技术领域。该方法包括获取扬尘污染源数据；以扬尘污染源为节点，以运渣车转移线路为边，构建扬尘污染源的动态离散图；根据扬尘污染源的动态离散图，采用多任务自监督学习方法预测其它特征节点的目标标签，得到运渣车高危污染源分类结果。本发明专利技术提高了拓扑结构的利用效率并减少了对标签的依赖，提高运渣车扬尘污染源的预测精度。
【技术实现步骤摘要】
本专利技术涉及污染源分类，具体涉及一种基于进化图自监督学习的运渣车高危污染源分类方法。
技术介绍
1、在城市环境管理中，扬尘污染源的识别和分类是一项重要的任务。已有技术通常基于遥感数据、传感器技术等数据，人工监测和识别扬尘污染源，或者利用传统的机器学习模型识别扬尘污染源类型。这些技术在取得了一定的成就，但也存在一些缺点和挑战。
2、a.人工排查方法的缺陷：传统方法过度依赖于人工排查，排查成本高。并且过度依赖于固定的监测设备，这些设备在城市各处分布不均匀，无法实时全面地监测扬尘污染源。数据的准确性与时效性也会严重影响识别效率。
3、b.传统机器学习模型的缺陷：传统机器学习模型比人工排查的效率更高，但是传统的机器学习忽略了扬尘污染源之间的运渣车转移，即忽略了动态图结构拓朴信息，导致样本特征信息丢失。并且扬尘污染源点位的标签较少，也会极大的影响预测进度，传统分类模型一般忽略了此限制。
4、因此，迫切需要一种创新性方法，提供高质量、准确的预测结果。
技术实现思路
>1、针对现有技术中本文档来自技高网...
【技术保护点】
1.一种基于进化图自监督学习的运渣车高危污染源分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于进化图自监督学习的运渣车高危污染源分类方法，其特征在于，扬尘污染源数据包括：
3.根据权利要求1所述的一种基于进化图自监督学习的运渣车高危污染源分类方法，其特征在于，根据扬尘污染源的动态离散图，采用多任务自监督学习方法预测其它特征节点的目标标签，得到运渣车高危污染源分类结果，包括以下步骤：
4.根据权利要求3所述的一种基于进化图自监督学习的运渣车高危污染源分类方法，其特征在于，预训练多任务包括：
5.根据权利要求4所述的一种基...
【技术特征摘要】
1.一种基于进化图自监督学习的运渣车高危污染源分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于进化图自监督学习的运渣车高危污染源分类方法，其特征在于，扬尘污染源数据包括：
3.根据权利要求1所述的一种基于进化图自监督学习的运渣车高危污染源分类方法，其特征在于，根据扬尘污染源的动态离散图，采用多任务自监督学习方法预测其它特征节点的目标标签，得到运渣车高危污染源分类结果，包括以下步骤：
4.根据权利要求3所述的一种基于进化图自监督学习的运渣车高危污染源分类方法，其特征在于，预训练多任务包括：
5.根据权利要求4所述的一种基于进化图自监督学习的运渣车高危污染源分类方法，其特征在于，计算扬尘污染源的动态离散图中节点的基尼重要性，包括以下步骤：...
【专利技术属性】
技术研发人员：韩科，喻磊，
申请(专利权)人：西南交通大学，
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。