【技术实现步骤摘要】
本专利技术涉及一种基于深度学习的交通环境污染物浓度变化情景分析方法。
技术介绍
1、机动车行驶过程中会排放多种污染物，故交通环境中大气污染物浓度通常高于城市大气环境，对暴露于其中的人体会有直接或潜在的危害。为更好地监测交通环境中污染物浓度，路边环境空气质量监测站的建设越来越普遍，其监测对象包括典型污染物(pm2.5、pm10、co、so2、no2、nox、o3等)浓度、气象因子(风速、风向、温度、湿度等)、车流量(总车流量、大型车流量、重型车流量、小型车流量等)等。由于交通环境中污染物主要来自于机动车排放，如何建立交通环境中污染物浓度与车流量之间的响应关系，对于机动车管控措施制定及实施效果评价具有重要意义。目前有关交通环境中污染物浓度数据，多用来与城市大气普通站数据对比分析，但车流量与交通环境中污染物浓度之间的响应关系尚不明晰。
技术实现思路
1、为了解决以上难题，本专利技术提供一种基于深度学习的交通环境污染物浓度变化情景分析方法。
2、本专利技术采用以下技术方案：
3、一种基于深度学习的交通环境污染物浓度变化情景分析方法，包括：
4、获取监测点处的气象数据、车流量数据和大气污染物数据，构建融合数据集，所述融合数据集包括训练集和测试集；
5、构建基于lstm长短期记忆网络和cnn卷积神经网络的交通环境污染物浓度变化情景分析模型，根据所述融合数据集获取模型单次输入张量，对所述交通环境污染物浓度变化情景分析模型进行训练；
6、
7、确定情景分析交通流量衰减梯度集合，对所述情景分析数据集中的所述预设时间起点之后的车流量数据进行调整，并分别获取各个衰减系数所对应的标签大气污染物浓度预测值向量；
8、根据各个衰减系数所对应的标签大气污染物浓度预测值向量，计算得到各个衰减系数所对应的标签污染物浓度减小率。
9、进一步地，所述模型单次输入张量包括：除预测标签外的大气污染物浓度数据向量、预测标签大气污染物历史浓度向量、交通流量数据向量和气象数据向量。
10、进一步地，对所述交通环境污染物浓度变化情景分析模型进行训练，包括：
11、模型前向传播计算训练集中标签污染物浓度的预测值；
12、计算预测值与观测值之间的均方差作为模型的损失值；
13、模型朝着损失值变小的方向反向传播更新模型参数，直至损失值小于预设精确度；
14、输出训练好的交通环境污染物浓度变化情景分析模型；
15、使用测试集数据代入训练好的交通环境污染物浓度变化情景分析模型中计算模型预测值，使用rmse和pearson’s r两个评价指标评估交通环境污染物浓度变化情景分析模型在测试集的预测效果。
16、进一步地，所述情景分析数据集为：
17、
18、其中，x′表示包含预设时间起点t之前24h、预设时间起点t以及预设时间起点t之后的n个大气污染物浓度数据的大气污染物浓度数据向量；yhis,i′表示包含预设时间起点t之前24h的预测标签大气污染物浓度的预测标签大气污染物历史浓度向量；z′表示包含预设时间起点t之前24h、预设时间起点t以及预设时间起点t之后的n个交通流量数据的交通流量数据向量；u′表示包含预设时间起点t之前24h、预设时间起点t以及预设时间起点t之后的n个气象数据的气象数据向量。
19、进一步地，确定情景分析交通流量衰减梯度集合，对所述情景分析数据集中的所述预设时间起点之后的车流量数据进行调整，并分别获取各个衰减系数所对应的标签大气污染物浓度预测值向量，包括：
20、设定第一轮循环过程，包括：
21、从所述情景分析数据集中读取与预设时间节点t相对应的数据输入张量，包括所述情景分析数据集中的预设时间节点t及预设时间节点t之前24h的数据；
22、将与预设时间节点t相对应的数据输入张量输入到训练好的交通环境污染物浓度变化情景分析模型中得到与预设时间节点t相对应的标签大气污染物浓度预测值，并将与预设时间节点t相对应的标签大气污染物浓度预测值填补入所述情景分析数据集中更新所述情景分析数据集；
23、从更新后的所述情景分析数据集中读取与时间节点t+1相对应的数据输入张量，包括更新后的所述情景分析数据集中的时间节点t+1及时间节点t+1之前24h的数据；
24、将与时间节点t+1相对应的数据输入张量输入到训练好的交通环境污染物浓度变化情景分析模型中得到与时间节点t+1相对应的标签大气污染物浓度预测值，并将与时间节点t+1相对应的标签大气污染物浓度预测值填补入所述情景分析数据集中再次更新所述情景分析数据集；
25、从再次更新后的所述情景分析数据集中读取与时间节点t+2相对应的数据输入张量，包括再次更新后的所述情景分析数据集中的时间节点t+2及时间节点t+2之前24h的数据；
26、将与时间节点t+2相对应的数据输入张量输入到训练好的交通环境污染物浓度变化情景分析模型中得到与时间节点t+2相对应的标签大气污染物浓度预测值，并将与时间节点t+2相对应的标签大气污染物浓度预测值填补入所述情景分析数据集中再次更新所述情景分析数据集；
27、以此类推，得到n个标签大气污染物浓度预测值，构成标签大气污染物浓度预测值向量；其中，n为预设时间节点t之后的n个时间节点；
28、从预设时间起点t开始，循环进行如下第二轮循环过程，包括：
29、获取所述情景分析交通流量衰减梯度集合中的各个衰减系数，分别根据各个衰减系数对所述情景分析数据集中的所述预设时间起点t之后的车流量数据进行调整，得到调整后的情景分析数据集，并分别执行所述第一轮循环过程，得到与各个衰减系数对应的标签大气污染物浓度预测值向量。
30、进一步地，根据各个衰减系数对所述情景分析数据集中的所述预设时间起点t之后的车流量数据进行调整，包括：
31、计算数值1与各个衰减系数的差值，得到与各个衰减系数相对应的调整系数；
32、分别将各个调整系数乘以所述情景分析数据集中的所述预设时间起点t之后的车流量数据，得到调整后的情景分析数据集。
33、进一步地，根据各个衰减系数所对应的标签大气污染物浓度预测值向量，计算得到各个衰减系数所对应的标签污染物浓度减小率，包括：
34、对于第j个衰减系数，对应的标签污染物浓度减小率的计算公式如下：
35、
36、其中，λj为第j个衰减系数对应的标签污染物浓度减小率，yi为第一轮循环过程中时间节点i相对应的标签大气污染物浓度预测值，yi,j为第二轮循环过程中第j个衰减系数相对应的时间节点i对应的标签大气污染物浓度预测值。
37、本专利技术的有益效果包括：使用lstm和cnn搭建了能够实现精确预测交通环境污染物逐小时浓度值的深度学习模型；使用训练好的模型预测交通流本文档来自技高网...
【技术保护点】
1.一种基于深度学习的交通环境污染物浓度变化情景分析方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的交通环境污染物浓度变化情景分析方法，其特征在于，所述模型单次输入张量包括：除预测标签外的大气污染物浓度数据向量、预测标签大气污染物历史浓度向量、交通流量数据向量和气象数据向量。
3.根据权利要求1所述的基于深度学习的交通环境污染物浓度变化情景分析方法，其特征在于，对所述交通环境污染物浓度变化情景分析模型进行训练，包括：
4.根据权利要求1所述的基于深度学习的交通环境污染物浓度变化情景分析方法，其特征在于，所述情景分析数据集为：
5.根据权利要求1所述的基于深度学习的交通环境污染物浓度变化情景分析方法，其特征在于，确定情景分析交通流量衰减梯度集合，对所述情景分析数据集中的所述预设时间起点之后的车流量数据进行调整，并分别获取各个衰减系数所对应的标签大气污染物浓度预测值向量，包括：
6.根据权利要求5所述的基于深度学习的交通环境污染物浓度变化情景分析方法，其特征在于，根据各个衰减系数对所述情景分析数据集中的所述预
7.根据权利要求5所述的基于深度学习的交通环境污染物浓度变化情景分析方法，其特征在于，根据各个衰减系数所对应的标签大气污染物浓度预测值向量，计算得到各个衰减系数所对应的标签污染物浓度减小率，包括：
...【技术特征摘要】
1.一种基于深度学习的交通环境污染物浓度变化情景分析方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的交通环境污染物浓度变化情景分析方法，其特征在于，所述模型单次输入张量包括：除预测标签外的大气污染物浓度数据向量、预测标签大气污染物历史浓度向量、交通流量数据向量和气象数据向量。
3.根据权利要求1所述的基于深度学习的交通环境污染物浓度变化情景分析方法，其特征在于，对所述交通环境污染物浓度变化情景分析模型进行训练，包括：
4.根据权利要求1所述的基于深度学习的交通环境污染物浓度变化情景分析方法，其特征在于，所述情景分析数据集为：
5.根据权利要求1所述的基于...
【专利技术属性】
技术研发人员：朱仁成，张容硕，褚旸晰，李方，袁明浩，谢沛远，
申请(专利权)人：郑州大学，
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。