[发明专利]基于时空残差感知网络的区域尾气排放预测方法及系统

权利要求书

1.一种基于时空残差感知网络的区域尾气排放预测方法，其特征在于：

包括以下步骤：

S100、获取历史尾气时空监测数据以及外部环境数据，对所获数据进行数据预处理；

S200、根据尾气变化特性构建时序序列划分集合；

S300、基于事先构建并训练好的尾气污染时空预测模型，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序列数据，预测未来t+k时刻的尾气排放；

所述S300中尾气污染时空预测模型的构建步骤如下：

S301、获取历史尾气时空监测数据以及外部环境数据，对所获数据进行数据预处理；

S302、根据尾气变化特性构建时序序列划分集合；

S303、根据尾气划分序列数据和外部环境因素数据构建深度时空残差感知网络的区域尾气污染排放预测模型；

S304、利用预处理后的尾气监测数据和外部环境数据对深度时空残差感知网络进行训练，得到尾气污染时空预测模型；

所述S303根据尾气划分序列数据和外部环境因素数据构建深度时空残差感知网络的区域尾气污染排放预测模型包括：

S3031、时间依赖型特征提取，通过将临近性时间片段H_c、周期性时间片段H_p和趋势性时间片段H_s分别送入相同结构的卷积层单元进行浅层特征提取；

经过卷积操作，得到三种时间分割片段的尾气时空分布特征如下，

其中*代表卷积操作，f代表激活函数，具体为线性整流单元ReLU，f(z)＝max(0，z)；W⁽¹⁾,b⁽¹⁾分别是第一层卷积层待学习的权重矩阵和偏置向量参数；H_c⁽¹⁾,H_p⁽¹⁾,H_s⁽¹⁾分别是第一层卷积层临近性时间片段、周期性时间片段和趋势性时间片段的特征图；

然后该层输出分别被馈送到趋势性模块，周期性模块和临近性模块以提取尾气分布的时间依赖性；

其中，时间依赖性提取步骤如下：

对于临近性时间特征，考虑到短时内尾气变化较为相似，因此将临近性特征图保持原始输入；

对于周期性时间特征，通过引入自注意机制(self-attention)提取尾气时间变化上的周期不变性特征；

对于趋势性时间特征，通过引入平均池化操作，对趋势性时间片段特征层求平均得到趋势性特征子图；

其中，

时间依赖性提取操作如下：

其中表示残差连接操作，g是线性嵌入函数，W,W_θ,分别是待学习的嵌入权重矩阵，f_AP是平均池化操作，分别是临近性时间片段、周期性时间片段和趋势性时间片段进行时间依赖性处理后的特征图，并经过前端融合后送入残差卷积单元处理；

S3032、外部环境特征融合；

通过编码器将外部环境特征输入x映射到内部特征空间表示z，然后再经过解码器将z重构到输出y；

具体融合步骤包括：

首先将临近性时间片段、周期性时间片段和趋势性时间片段经过时间依赖性提取的特征图进行前端融合拼接后送到堆叠的卷积残差单元处理；

对时间依赖性提取的特征图进行前端融合操作记作：

其中和b⁽²⁾分别是待优化的学习参数；

对于尾气时空残差网络部分，对时间相关性特征通过时间处理组件前端融合输出H_st，并设计残差卷积单元提取空间依赖性，时空残差网络输出可记作：

对于外部环境因素，设在t时刻的外部环境因素E_t，包括路网结构信息E_road，气象环境因素E_weather，交通车流因素E_traffic和兴趣点信息E_POI具有不同数据维度结构，通过堆叠多个自编码器以学习外部环境因素影响尾气时空分布的深层特征，并利用全连接层将隐藏层特征映射到与网络输入层X_t相同维度的高维特征向量；

以上两部分即外部环境因素特征和尾气时空分布特征经后端融合后利用tanh激活函数输出t时刻的最终预测结果记作

其中X_Res是时空残差网络部分输出，X_Ext是外部环境因素特征提取网络输出，W_st和W_Ext分别是相应的待学习的权重参数矩阵；tanh激活函数将最终融合结果映射到[-1,1]之间；

通过最小化预测值与真实值X_t之间的平方误差(MSE)作为时空残差感知网络模型训练的损失函数，记作：

其中θ是时空残差感知网络模型中的所有待学习参数。