[發明專利]一種城市路網尾氣污染分布預測的方法及系統

在審

• 申請號: 201811020339.2
• 申請日: 2018-09-03
• 公開（公告）號: CN109165690A
• 公開（公告）日: 2019-01-08
• 發明（設計）人: 許鎮義;杜曉冬
• 申請（專利權）人: 安徽優思天成智能科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q10/04
• 代理公司: 合肥匯融專利代理有限公司 34141
• 代理人: 趙宗海

1.一種城市路網尾氣污染分布預測的方法，其特征在于，所述方法包括步驟：

步驟一、多源異構數據獲取；

步驟二、棧式自編碼器特征降維，通過構建多層稀疏自編碼器網絡結構，對所述多源異構數據特征降維抽取；

步驟三、基于時空半監督學習生成序列數據；

步驟四、深度時空網絡模型預訓練；

步驟五、將真實監測點位的遙測數據替換修正模型數據，重新訓練得到修正的區域尾氣排放預測模型；確定模型的權重參數，得到深度時空網絡模型，輸入所述多源異構數據，得到預測的區域尾氣污染排放結果。

2.根據權利要求1所述的一種城市路網尾氣污染分布預測的方法，其特征在于，所述多源異構數據集包括：氣象數據、路網數據、交通流數據和POIs數據；

所述氣象數據包括天氣、溫度、濕度、氣壓和風力，所述氣象數據從公開氣象網站按每小時進行采集；所述路網數據包括車道數、路段長度和道路等級，所述路網結構數據從數字地圖獲取；所述交通流數據包括車流量和平均速度，所述交通流數據從數字地圖獲取；所述POIs數據為區域內興趣點公共設施特征分類，所述POIs數據從數字地圖獲取。

3.根據權利要求1所述的一種城市路網尾氣污染分布預測的方法，其特征在于，所述步驟三具體包括：

將目標區域劃分為多個柵格，規定每個柵格不同時間的尾氣排放量作為標簽數據；

選取多個空間鄰域中的所述數據標簽、時間近鄰的多個所述標簽數據和所述降維特征作為時空半監督網絡輸入，構建訓練樣本集進行訓練；

利用訓練的時空半監督網絡對于所述標簽數據進行估計，完成所述目標區域內的柵格數據插值。

4.根據權利要求1所述的一種城市路網尾氣污染分布預測的方法，其特征在于，所述步驟四具體包括：

構建歷史觀測數據集和外部特征數據集，確定周期間隔、趨勢間隔、臨近序列長度、周期序列長度和趨勢序列長度；

根據所述歷史觀測數據集和所述臨近序列長度構建臨近觀測集，根據所述歷史觀測數據集、所述周期序列長度和所述周期間隔構建周期觀測集，根據所述歷史觀測數據集、所述趨勢序列長度和所述趨勢間隔構建趨勢觀測集，根據臨近觀測集、周期觀測集、趨勢觀測集、歷史觀測數據集和外部特征數據集創建訓練樣本集；

初始化深度時空網絡中的優化參數；

從所述訓練樣本集中隨機選取一批實例作為訓練集；

搜索所述優化參數使得損失函數在所述訓練集上最小，得到深度時空網絡預訓練模型。

5.根據權利要求1-4所述的一種城市路網尾氣污染分布預測的方法，其特征在于，所述步驟五包括：根據當前時刻的所述外部特征數據集和前一時刻的所述歷史觀測數據集，對當前時刻的區域尾氣排放量進行預測。

6.一種城市路網尾氣污染分布預測系統，其特征在于，所述系統包括：

數據獲取模塊，用于多源異構數據獲取；

特征降維模塊，用于棧式自編碼器特征降維，通過構建多層稀疏自編碼器網絡結構，對所述多源異構數據特征降維抽取；

序列數據生成模塊，用于基于時空半監督學習生成序列數據；

網絡訓練模塊，用于深度時空網絡模型預訓練；

預測輸出模塊，用于將真實監測點位的遙測數據替換修正模型數據，重新訓練得到修正的區域尾氣排放預測模型；確定模型的權重參數，得到深度時空網絡模型，輸入所述多源異構數據，得到預測的區域尾氣污染排放結果。