[發(fā)明專利]基于時空殘差感知網(wǎng)絡(luò)的區(qū)域尾氣排放預(yù)測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202010953126.6
• 申請日: 2020-09-11
• 公開（公告）號: CN112132264B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計(jì)）人: 許鎮(zhèn)義;康宇;曹洋;劉斌琨;李澤瑞;呂文君;趙振怡;裴麗紅
• 申請（專利權(quán)）人: 合肥綜合性國家科學(xué)中心人工智能研究院（安徽省人工智能實(shí)驗(yàn)室）
• 主分類號: G06N3/0464
• 分類號: G06N3/0464;G06N3/048;G06N3/08;G06Q10/04;G06Q50/26
• 代理公司: 合肥天明專利事務(wù)所(普通合伙) 34115
• 代理人: 苗娟

1.一種基于時空殘差感知網(wǎng)絡(luò)的區(qū)域尾氣排放預(yù)測方法，其特征在于：

包括以下步驟：

S100、獲取歷史尾氣時空監(jiān)測數(shù)據(jù)以及外部環(huán)境數(shù)據(jù)，對所獲數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理；

S200、根據(jù)尾氣變化特性構(gòu)建時序序列劃分集合；

S300、基于事先構(gòu)建并訓(xùn)練好的尾氣污染時空預(yù)測模型，利用當(dāng)前時刻t的外部環(huán)境特征數(shù)據(jù)和t-1時刻前的歷史尾氣時空序列數(shù)據(jù)，預(yù)測未來t+k時刻的尾氣排放；

所述S300中尾氣污染時空預(yù)測模型的構(gòu)建步驟如下：

S301、獲取歷史尾氣時空監(jiān)測數(shù)據(jù)以及外部環(huán)境數(shù)據(jù)，對所獲數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理；

S302、根據(jù)尾氣變化特性構(gòu)建時序序列劃分集合；

S303、根據(jù)尾氣劃分序列數(shù)據(jù)和外部環(huán)境因素?cái)?shù)據(jù)構(gòu)建深度時空殘差感知網(wǎng)絡(luò)的區(qū)域尾氣污染排放預(yù)測模型；

S304、利用預(yù)處理后的尾氣監(jiān)測數(shù)據(jù)和外部環(huán)境數(shù)據(jù)對深度時空殘差感知網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到尾氣污染時空預(yù)測模型；

所述S303根據(jù)尾氣劃分序列數(shù)據(jù)和外部環(huán)境因素?cái)?shù)據(jù)構(gòu)建深度時空殘差感知網(wǎng)絡(luò)的區(qū)域尾氣污染排放預(yù)測模型包括：

S3031、時間依賴型特征提取，通過將臨近性時間片段H_c、周期性時間片段H_p和趨勢性時間片段H_s分別送入相同結(jié)構(gòu)的卷積層單元進(jìn)行淺層特征提取；

經(jīng)過卷積操作，得到三種時間分割片段的尾氣時空分布特征如下，

其中*代表卷積操作，f代表激活函數(shù)，具體為線性整流單元ReLU，f(z)＝max(0，z)；W⁽¹⁾,b⁽¹⁾分別是第一層卷積層待學(xué)習(xí)的權(quán)重矩陣和偏置向量參數(shù)；H_c⁽¹⁾,H_p⁽¹⁾,H_s⁽¹⁾分別是第一層卷積層臨近性時間片段、周期性時間片段和趨勢性時間片段的特征圖；

然后該層輸出分別被饋送到趨勢性模塊，周期性模塊和臨近性模塊以提取尾氣分布的時間依賴性；

其中，時間依賴性提取步驟如下：

對于臨近性時間特征，考慮到短時內(nèi)尾氣變化較為相似，因此將臨近性特征圖保持原始輸入；

對于周期性時間特征，通過引入自注意機(jī)制(self-attention)提取尾氣時間變化上的周期不變性特征；

對于趨勢性時間特征，通過引入平均池化操作，對趨勢性時間片段特征層求平均得到趨勢性特征子圖；

其中，

時間依賴性提取操作如下：

其中表示殘差連接操作，g是線性嵌入函數(shù)，W,W_θ,分別是待學(xué)習(xí)的嵌入權(quán)重矩陣，f_AP是平均池化操作，分別是臨近性時間片段、周期性時間片段和趨勢性時間片段進(jìn)行時間依賴性處理后的特征圖，并經(jīng)過前端融合后送入殘差卷積單元處理；

S3032、外部環(huán)境特征融合；

通過編碼器將外部環(huán)境特征輸入x映射到內(nèi)部特征空間表示z，然后再經(jīng)過解碼器將z重構(gòu)到輸出y；

具體融合步驟包括：

首先將臨近性時間片段、周期性時間片段和趨勢性時間片段經(jīng)過時間依賴性提取的特征圖進(jìn)行前端融合拼接后送到堆疊的卷積殘差單元處理；

對時間依賴性提取的特征圖進(jìn)行前端融合操作記作：

其中和b⁽²⁾分別是待優(yōu)化的學(xué)習(xí)參數(shù)；

對于尾氣時空殘差網(wǎng)絡(luò)部分，對時間相關(guān)性特征通過時間處理組件前端融合輸出H_st，并設(shè)計(jì)殘差卷積單元提取空間依賴性，時空殘差網(wǎng)絡(luò)輸出可記作：

對于外部環(huán)境因素，設(shè)在t時刻的外部環(huán)境因素E_t，包括路網(wǎng)結(jié)構(gòu)信息E_road，氣象環(huán)境因素E_weather，交通車流因素E_traffic和興趣點(diǎn)信息E_POI具有不同數(shù)據(jù)維度結(jié)構(gòu)，通過堆疊多個自編碼器以學(xué)習(xí)外部環(huán)境因素影響尾氣時空分布的深層特征，并利用全連接層將隱藏層特征映射到與網(wǎng)絡(luò)輸入層X_t相同維度的高維特征向量；

以上兩部分即外部環(huán)境因素特征和尾氣時空分布特征經(jīng)后端融合后利用tanh激活函數(shù)輸出t時刻的最終預(yù)測結(jié)果記作

其中X_Res是時空殘差網(wǎng)絡(luò)部分輸出，X_Ext是外部環(huán)境因素特征提取網(wǎng)絡(luò)輸出，W_st和W_Ext分別是相應(yīng)的待學(xué)習(xí)的權(quán)重參數(shù)矩陣；tanh激活函數(shù)將最終融合結(jié)果映射到[-1,1]之間；

通過最小化預(yù)測值與真實(shí)值X_t之間的平方誤差(MSE)作為時空殘差感知網(wǎng)絡(luò)模型訓(xùn)練的損失函數(shù)，記作：

其中θ是時空殘差感知網(wǎng)絡(luò)模型中的所有待學(xué)習(xí)參數(shù)。