[发明专利]一种城市区域尾气污染预测方法

说明书

本发明公开了一种城市区域尾气污染预测方法，属于环境检测技术领域，包括：利用历史尾气时空分布图序列数据和外部环境特征数据，创建训练样本集；利用训练样本集对深度时空图卷积网络模型进行训练，得到深度时空图卷积网络预测模型；基于深度时空图卷积网络预测模型，利用当前时刻t的外部环境特征数据和t‑1时刻前的历史尾气时空分布图序列数据，对t时刻的区域尾气排放量进行预测。本发明利用路网连通性数据将尾气时空分布构建成图结构数据，从而把区域尾气排放预测问题转换为时空图序列预测问题，并采用深度时空图卷积模型，能够在真实遥测数据上实现更高精度的区域尾气预测。

技术领域

本发明涉及环境检测技术领域，特别涉及一种城市区域尾气污染预测方法。

背景技术

过去几年里，随着机动车保有量的快速增长，机动车尾气所造成的生态环境问题引起社会的广泛关注。尾气排放中的温室气体，一氧化碳(CO)，二氧化碳(CO₂)，碳氢化物(HC)，氮氧化物(NO_x)，以及固体颗粒物(PM2.5)等也成为城市空气污染的主要来源。实时获取城市区域尾气的时空分布信息对机动车污染防治以及环境保护大有裨益。如果可以获取任意时刻的城市区域尾气时空分布，则可以提供城市区域尾气污染预警以及为交通市政部门的城市交通规划提供决策支持。

目前有关机动车尾气排放估计方法主要分为两类：“自下而上”和“自上而下”方法。“自下而上”方法利用车辆详细的行驶工况数据以及行驶里程数据进行高精度的尾气时空分布估计。MOBILE，COPERT，IVE以及MOVES等是最常用的基于“自下而上”的尾气排放因子估计模型。“自上而下”方法利用时间和空间尺度下汇总的交通流数据以及车队组成数据以及一般排放因子模型计算区域内尾气排放总量。相比于“自下而上”的方法，“自上而下”模型参数更少，计算代价小也易于实施。

由于城市交通网络是图结构数据，具有全局连通性，使得道路间车辆尾气分布存在空间交互影响。当前的相关工作通过将区域进行标准栅格化后进行尾气时空分布估计，没有考虑到路网结构信息对车流分布的影响，以及连通路段间尾气分布的空间交互作用。此外由于机动车尾气的累计扩散效应，城市区域内尾气时空分布具有时空依赖性，而且区域内尾气的时空分布受到气象，交通流，车辆行驶工况，城市功能区分布等多种复杂外部环境因素影响。

发明内容

本发明的目的在于克服上述背景技术中的不足，实现更高精度的区域尾气预测。

为实现以上目的，本发明采用一种城市区域尾气污染预测方法，包括：

利用历史尾气时空分布图序列数据和外部环境特征数据，创建训练样本集；

利用训练样本集对深度时空图卷积网络模型进行训练，得到深度时空图卷积网络预测模型；

基于深度时空图卷积网络预测模型，利用当前时刻t的外部环境特征数据和t-1时刻前的历史尾气时空分布图序列数据，对t时刻的区域尾气排放量进行预测。

进一步地，所述利用历史尾气时空分布图序列数据和外部环境特征数据，创建训练样本集，包括：

基于城市地理信息对历史尾气监测数据进行栅格化处理，得到历史尾气时空分布图序列数据；

根据历史尾气时空分布图序列数据的周期间隔p、趋势间隔s、临近图序列长度lc、周期图序列长度lp和趋势图序列长度ls，构建临近观测图序列、周期观测图序列和趋势观测图序列；

根据临近观测图序列、周期观测图序列、趋势观测图序列以及历史尾气时空分布图序列数据和外部环境特征数据，创建所述训练样本集。

进一步地，所述基于城市地理信息对历史尾气监测数据和外部环境特征数据进行栅格化处理，得到历史尾气时空分布图序列数据，包括：

根据道路连通性，计算划分栅格间连通权重的邻接矩阵；