[發明專利]一種基于重構深度學習的道邊空氣污染物濃度預測方法

有效

• 申請號: 201611267909.9
• 申請日: 2016-12-31
• 公開（公告）號: CN106611090B
• 公開（公告）日: 2018-04-10
• 發明（設計）人: 康宇;陳紹馮;李澤瑞;崔藝;王雪峰
• 申請（專利權）人: 中國科學技術大學
• 主分類號: G06F17/50
• 分類號: G06F17/50
• 代理公司: 北京科迪生專利代理有限責任公司11251
• 代理人: 楊學明,顧煒

1.一種基于重構深度學習的道邊空氣污染物濃度預測方法，其特征在于步驟如下：

步驟1：基于重構深度學習方法，根據道邊空氣污染物的時空分布特點，形成道路空氣污染物濃度數據集，構建深度重構Elman模型；所述道邊空氣污染物包括一氧化碳CO、二氧化碳CO2、氮氧化物NOx；所述道邊空氣污染物濃度數據集包括：路網信息、氣象信息、交通信息因素、道邊空氣污染物濃度；路網信息包括路段車道數、道路綠化程度、道路建筑物高度、建筑物與道邊距離；氣象信息包括溫度、濕度、天氣、風速、風向；交通信息車種比例、車流量、通過時間、停止時間、擁塞時間；所述深度重構Elman模型包括：主網絡和次網絡；主網絡具有前饋連接和反饋連接結構，含有局部記憶能力，主網絡依次由輸入層、承接層、中間層和輸出層構成，每一層的單元個數分別為14、37、37、3；次網絡用于主網絡初始化，次網絡含有一個可視層和一個隱含層，每一層的單元個數分別為14、37；其中次網絡用于主網絡的初始化；

步驟2：根據限制玻耳茲曼機的特征，從道邊空氣污染物濃度數據集中隨機選取部分數據，完成深度重構Elman模型的初始化，具體實現如下：

2.1)對道路空氣污染物濃度數據集中的數據進行歸一化處理，并將數據集按照60％、20％、20％的比例劃分為訓練集、驗證集、測試集；

2.2)對限制玻爾茲曼機設置重構誤差閾值，利用訓練集中的輸入數據對限制玻爾茲曼機進行訓練，其中可視層單元個數為14，隱含層單元個數為37，關于狀態的損失函數J₁(v,h,θ)為：

J1(v,h,θ)=-ΣiNΣjLRijvihj-ΣiNaivi-ΣjLbihj]]>

其中，v_i為影響道邊空氣污染物濃度的因素之一，h_j為訓練過程中對應輸入v_i網絡的輸出即隱含層的第j個單元的狀態，θ＝{R,a,b}，a、b分別為可視單元和隱含單元的偏差向量，R是權重矩陣，N、L分別為可視單元和隱含單元的數量；

限制玻爾茲曼機參數的梯度求解方法如下：

ΔRij=∂log p(v;θ)∂Rij=[vihj]data-[vihj]model]]>

Δai=∂log p(v;θ)∂ai=vi-Σvp(v;θ)vi]]>

Δbi=∂log p(v;θ)∂bi=p(hj=1|v;θ)-Σvp(v;θ)vip(hj=1|v;θ)]]>

其中，p(v；θ)是可視單元的概率，p(h_j＝1|v；θ)是隱含單元的條件概分布；

2.3)初始化Elman模型，其中用限制玻爾茲曼機中訓練好的矩陣R初始化輸入層權重W²，中間層權重W¹和承接層權重W³用零矩陣初始化；

步驟3：采用梯度下降算法，對深度重構Elman模型進行訓練，得到能夠對道邊空氣污染物濃度進行實時預測的深度重構Elman模型，以實時的路網信息、氣象信息、交通信息因素作為Elman模型的輸入，Elman模型輸出為對應的實時道邊空氣污染物濃度，具體實現如下：

3.1)根據深度重構Elman模型的非線性狀態空間表達式計算第p次迭代輸出的道邊空氣污染物濃度y(p)；

3.2)根據梯度下降算法計算道邊空氣污染物濃度損失函數J₂(p)，若污染物濃度損失函數的值小于初始化中設置的誤差閾值或者迭代次數p值大于等于初始化中設置的最大迭代次數，則訓練結束，進入步驟3.5)，否則進去步驟3.3)；

3.3)根據梯度下降算法計算道邊空氣污染物濃度損失函數關于深度重構Elman模型的權重參數的偏導數計算方法如下：

ΔWlm1(p)=-η1∂J2(p)∂Wlm1(p)]]>

ΔWnl2(p)=-η2∂J2(p)∂Wnl2(p)]]>

ΔWkl3(p)=-η3∂J2(p)∂Wkl3(p)]]>

其中，J₂(p)是道邊空氣污染物濃度損失函數，n表示輸入層的第n個單元，l表示中間層的第l個單元，k表示隱含層的第k個單元，p是迭代次數，是求偏導符號，是道邊空氣污染物濃度損失函數關于的偏導數，η₁、η₂、η₃分別是的學習率，分別是深度重構Elman模型的中間層到輸出層權重參數、輸入層到中間層權重參數、承接層到中間層權重參數；

3.4)然后根據權重參數的偏導數對權重參數進行更新，更新規則如下：

W¹(p+1)＝W¹(p)+ΔW¹(p)

W²(p+1)＝W²(p)+ΔW²(p)

W³(p+1)＝W³(p)+ΔW³(p)

更新完畢后，返回步驟3.1)；

3.5)訓練結束，模型的權重參數確定，所得模型即為能夠對道邊空氣污染物濃度進行實時預測的深度重構Elman模型，將實時的路網信息、氣象信息、交通信息因素輸入到模型中，通過模型即可輸出預測的實時道邊空氣污染物濃度結果。