一种基于深度排放因子修正的移动源污染预测方法

本发明涉及城市区域移动源污染预测技术领域，具体涉及一种基于深度排放因子修正的移动源污染预测方法。

背景技术：

交通排放是城市空气污染的主要来源，主要污染物成分有一氧化碳co、二氧化碳co2、氮氧化物no2等。co不仅有毒，且与co2均为温室气体，产生的温室效应对全球环境有重要危害，no2是造成肺功能损害的主要物质，因此对城市区域移动源污染预测对环境管理和交通规划具有重要意义。

现有用于区域车辆尾气排放预测的方法可大致分为两类，即经典的扩散模型和卫星遥感。对于经典的扩散模型，例如高斯羽流模型，街道峡谷模型和计算流体动力学模型。美国和欧洲分别开发的mobile和copert模型是最常用的排放因子模型。这些模型通常关于气象信息，道路拓扑结构，地理位置，交通状况和车辆排放因子的复杂模型，并且基于许多经验假设和参数，可能不适用于所有城市地区。并且这些参数通常很难获得，由此模型产生的结果可能并不准确。基于卫星遥感的地表空气污染预测是一种自上而下的大气污染浓度预测方法，在过去几十年人们进行了深入研究。然而，这种方法受到大气云量的极大影响，并且会对其他环境因素敏感，例如湿度，温度，气压，风力和地理位置等。

由于城市中的车辆遥感监测设备建造和维护成本高昂。城市车辆排放因不同地理位置呈现非线性变化，并且取决于许多复杂的外部因素，如道路网络，气象，交通，绿化率和城市生活功能区类型。预测城市每个区域的车辆尾气排放面临如下四方面挑战性：1、数据稀疏性和空间异质性；2、空间依赖性；3、时间相关性；4、外部环境因素影响。

技术实现要素：

本发明提出的一种基于深度排放因子修正的移动源污染预测方法，克服了现有技术的不足，能够在真实遥测数据上实现更高精度的区域尾气预测。

为实现上述目的，本发明采用了以下技术方案：

一种基于深度排放因子修正的移动源污染预测方法，包括：

步骤一、多源异构数据获取；

步骤二、自编码器特征抽取，通过构建三层自编码器网络结构，实现对所述多源异构数据特征降维抽取；

步骤三、尾气排放修正，将所述步骤二中提取的各数据源的降维特征数据，代入尾气排放修正模型得到移动源污染排放修正结果。

进一步地，所述多源异构数据集包括：气象数据、路网数据、交通流数据和pois数据；

所述气象数据包括天气、温度、湿度、气压和风力，所述气象数据从公开气象网站按每小时进行采集；所述路网数据包括车道数、路段长度和道路等级，所述路网结构数据从数字地图获取；所述交通流数据包括车流量和平均速度，所述交通流数据从数字地图获取；所述pois数据为区域内兴趣点公共设施特征分类，所述pois数据从数字地图获取。

进一步地，所述自编码器网络结构，包括自编码器网络输入层x、结果输出层y和降维特征隐藏层h；

h＝f(w1×x+b1)，y＝f(w2×x+b2)；

其中，w1、w2、b1、b2为自编码器网络结构参数。

进一步地，所述尾气排放修正模型为：

e＝βpoi×lnt×e^-w×ef×rna×rn×rlen+δe(t，w，poi)；

其中，numng为目标区域pois中非绿化功能区域数量，numg为目标区域pois中绿化功能区数量；t为温度特征，w为风力特征，rna为路段车流量，rn为车道数，rlen为路段长度，ef为单一车辆污染排放。

由上述技术方案可知，本发明的基于深度排放因子修正的移动源污染预测方法具有以下有益效果：

本发明摒弃了传统模型的单点预测方法，深度时空修正模型考虑区域移动源污染排放的空间依赖性、历史数据时间相关性特征，以及复杂外部环境因素。基于自编码器的降维特征抽取方法，能够学习到路网信息、气象信息、交通流信息、pois信息与区域尾气排放之间的本质特征映射，并且能够在真实遥测数据上实现更高精度的移动源污染预测。

附图说明

图1是本发明的方法流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

如图1所示，本实施例所述的基于深度排放因子修正的移动源污染预测方法，包括：

s1、多源异构数据获取；

s2、自编码器特征抽取，通过构建三层自编码器网络结构，实现对所述多源异构数据特征降维抽取；

s3、尾气排放修正，将所述步骤二中提取的各数据源的降维特征数据，代入尾气排放修正模型；

具体地，所述多源异构数据集包括：气象数据、路网数据、交通流数据和pois数据；

所述气象数据包括天气、温度、湿度、气压和风力，所述气象数据从公开气象网站按每小时进行采集；所述路网数据包括车道数、路段长度和道路等级，所述路网结构数据从数字地图获取；所述交通流数据包括车流量和平均速度，所述交通流数据从数字地图获取；所述pois数据为区域内兴趣点公共设施特征分类，如学校、医院、娱乐设施等，所述pois数据从数字地图获取。

具体地，所述自编码器网络结构，包括自编码器网络输入层x、结果输出层y和降维特征隐藏层h；

h＝f(w1×x+b1)，y＝f(w2×x+b2)；

其中，w1、w2、b1、b2为自编码器网络结构参数。

所述尾气排放修正模型为：

e＝βpoi×lnt×e^-w×ef×rna×rn×rlen+y(t，w，poi)；

其中，numng为目标区域pois中非绿化功能区域数量，numg为目标区域pois中绿化功能区数量；t为温度特征，w为风力特征，rna为路段车流量，rn为车道数，rlen为路段长度，ef为单一车辆污染排放。

由上所述，本发明摒弃了传统模型的单点预测方法，深度时空修正模型考虑区域移动源污染排放的空间依赖性、历史数据时间相关性特征，以及复杂外部环境因素。基于自编码器的降维特征抽取方法，能够学习到路网信息、气象信息、交通流信息、pois信息与区域尾气排放之间的本质特征映射，并且能够在真实遥测数据上实现更高精度的移动源污染预测。

同时本发明实施例还公开一种基于深度排放因子修正的移动源污染预测系统，包括以下单元：

数据获取单元，用于获取多源异构数据；

特征抽取单元，用于抽取自编码器特征，通过构建三层自编码器网络结构，实现对所述多源异构数据特征降维抽取；

修正单元，用于尾气排放修正，将特征抽取单元中提取的各数据源的降维特征数据，代入尾气排放修正模型；

其中，所述尾气排放修正模型为：

e＝βpoi×lnt×e^-w×ef×rna×rn×rlen+y(t，w，poi)；

其中，numng为目标区域pois中非绿化功能区域数量，numg为目标区域pois中绿化功能区数量；t为温度特征，w为风力特征，rna为路段车流量，rn为车道数，rlen为路段长度，ef为单一车辆污染排放。

可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。