CN114036135A - 利用不完全信息估计城市移动源污染排放方法及*** - Google Patents

利用不完全信息估计城市移动源污染排放方法及*** Download PDF

Info

Publication number
CN114036135A
CN114036135A CN202111192115.1A CN202111192115A CN114036135A CN 114036135 A CN114036135 A CN 114036135A CN 202111192115 A CN202111192115 A CN 202111192115A CN 114036135 A CN114036135 A CN 114036135A
Authority
CN
China
Prior art keywords
emission
road
information
data
road section
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111192115.1A
Other languages
English (en)
Inventor
康宇
赵振怡
曹洋
许镇义
裴丽红
吕文君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202111192115.1A priority Critical patent/CN114036135A/zh
Publication of CN114036135A publication Critical patent/CN114036135A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Remote Sensing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明的一种利用不完全信息估计城市移动源污染排放方法及***，包括根据路段上获得的数据密集程度，将路段分为2类：由于采集数据稀疏而缺失交通模式信息的信息缺失路段和数据足够密集的信息完全路段；通过上述机动车行驶相关数据对信息完全路段构造连续速度场和推断流量值，并以此通过微观排放因子模型计算相应的交通排放值；利用图卷积单元和门控线性单元分别提取路网的拓扑特征和信息完全路段上机动车排放序列的时序依赖性，从而重构信息缺失路段上的排放序列，填补缺失的排放分布信息。本发明利用较少的城市交通数据挖掘出更多的交通模式和排放分布特点，实现城市路段级的交通污染排放精细化估计任务。

Description

利用不完全信息估计城市移动源污染排放方法及***
技术领域
本发明涉及环境检测处理技术领域，具体涉及一种利用不完全信息估计城市移动源污染排放方法及***。
背景技术
当前我国大气环境形势严峻，以细颗粒物为特征污染物的区域性大气环境问题日益突出，其中以机动车为代表的移动污染源对空气质量影响巨大，尤其是在北京、上海等特大型城市和东部人口密集区域，移动源排放对于空气污染占比高达20％至50％以上。尽管我国不断制定相关政策来防治机动车尾气污染，如淘汰不合格车辆，升级油品质量等，但当前移动源污染形势仍然比较严峻。城市交通网络中的污染排放信息可为城市高污染排放区域识别等任务的实现提供理论依托，为后续政府相关部分的管控和决策提供理论依据。
交通排放模型是交通领域中被广泛用来量化机动车排放、计算机动车排放因子的一种主要手段。按照主要应用参数划分的话，排放模型分为基于平均速度的排放模型、基于行驶工况的排放模型。前者主要对特定车型的机动车行驶数据中蕴含的总体行驶特征进行提取出一个具有代表性的机动车平均速度值，并以此计算相应的排放值。因此，模型通常侧重于宏观层面研究，被用于估计或者预测一个特定区域内(通常是区或者城市)在一个特定时间段(通常是一个季度或者一年)的交通总排放量。基于行驶工况的排放模型通常侧重微观层面的研究。该类模型主要根据机动车行驶时获得的瞬态逐秒数据，通过完整的行驶过程分析机动车的排放情况，通常适用于分析单车排放或特定若干条道路排放计算的任务。但是，上述两种方法在城市范围内的精细化排放估计任务上分别存在缺陷，存在较大误差或者数据量无法支撑等挑战。
发明内容
本发明提出的一种利用不完全信息估计城市移动源污染排放方法及***，可解决现有方法在数据量较少的情况下，估计污染值误差较大的问题。
为实现上述目的，本发明采用了以下技术方案：
一种利用不完全信息估计城市移动源污染排放方法，包括以下步骤，
S10、获取城市交通中机动车行驶相关数据和城市交通网络数据预处理和构造数据空间；
根据路段上获得的数据密集程度，将路段分为2类：由于采集数据稀疏而缺失交通模式信息的信息缺失路段和数据足够密集的信息完全路段；
S20、通过上述机动车行驶相关数据对信息完全路段构造连续速度场和推断流量值，并以此通过微观排放因子模型计算相应的交通排放值；
S30、利用图卷积单元和门控线性单元分别提取路网的拓扑特征和信息完全路段上机动车排放序列的时序依赖性，从而重构信息缺失路段上的排放序列，填补缺失的排放分布信息。
进一步的，所述S10获取城市交通中机动车行驶相关数据和城市交通网络数据预处理和构造数据空间；根据路段上获得的数据密集程度，将路段分为2类：由于采集数据稀疏而缺失交通模式信息的信息缺失路段和数据足够密集的信息完全路段具体包括：
S11：城市路网数据构造成一个有向图
Figure BDA0003301602690000022
给定一个路网，首先将所有的道路岔口的集合作为图中连接路段的边ε，则两条边之间的顶点
Figure BDA0003301602690000021
代表N个路段的合集，每个路段r都有自己属性，包括车道最大速度值r.vm、车道数r.n和路段长度r.len；邻接矩阵W抽象成顶点之间的邻接相关性，用W表示路段之间的连通性：若路段i,j相连接，则Wi,j＝1，否则Wi,j＝0；
S12：机动车行驶相关数据即采样机动车的GPS轨迹，每条GPS轨迹P包含一系列的时序GPS点，其中每个GPS点p包含时间戳t和地理空间坐标g，即p＝(t,g)；首先根据地理位置和时间的变化来计算GPS点的即时速度：给定两个GPS点p1和p2，则点p1的速度值为：
Figure BDA0003301602690000031
其中dist(·)是计算两点之间距离的函数，本发明中为曼哈顿距离，即一阶范数；利用地图匹配算法将每个GPS点匹配到对应的路段，因此每个轨迹点的属性拓展为p＝(t,g,v,r)；
S13：接下来，定义一个概念采样密度；首先统计一小时内路段r上记录的GPS点总数qr，则该路段的采样密度dr：
dr＝qr/r.len
通过分析，将采样密度小于20的路段认作信息缺失路段
Figure BDA0003301602690000033
采样密度大于等于20的路段作为信息完全路段
Figure BDA0003301602690000034
进一步的，所述S20、通过上述机动车行驶相关数据对信息完全路段构造连续速度场和推断流量值，并以此通过微观排放因子模型计算相应的交通排放具体包括：
S21：给定路段
Figure BDA0003301602690000032
上的GPS点集{p1,p2,…,pi,…,pn|pi＝(ti,gi,vi,r)}作为输入，首先通过高斯自适应滑动方法，重构出该路段的连续速度场Vr(t)：
Figure BDA0003301602690000041
其中，平滑核函数φi(t)的值随着时间距离增大而衰减，即当数据点距离目标计算点很远时，该函数将生成较小的权重系数；因此，核函数的形式为：
Figure BDA0003301602690000042
其中，τ是时间宽度，τ的值越大，数据点对目标计算点的影响越大；归一化函数Φ(t)是所有核函数的和：
Figure BDA0003301602690000043
因此，城市路网中所有的路段都根据上述公式构建其连续速度场；
S22：给定路段r的连续速度场Vr，利用EMIT微观排放因子模型计算出连续排放率TPl(t)；EMIT模型由两个模块组成：发动机排放模块和尾气管排放模块；首先定义机动车牵引力Ptract：
Figure BDA0003301602690000044
其中各项参数定义分别如下：
A：滚动阻力项；B：滚动阻力项的速度修正；C：空气阻力项；M：发动机质量；g：重力常数；θ：道路坡度；定义l为通用的排放物种类(l＝CO,HC,NOx)，则排放物l的发动机排放率EOl表达式为：
Figure BDA0003301602690000045
其中各项参数取值如下表：
CO HC NO<sub>x</sub>
α 0.0316 0.00916 -0.00391
β 0.0 0.0 0.000305
δ 1.09e-07 7.55e-09 2.27e-08
ζ 0.00883 0.00111 0.00307
α′ 0.0261 0.00528 0.00323
尾气管排放模块下不同污染物的尾气排放率TPl分别有不同的计算公式：
Figure BDA0003301602690000051
Figure BDA0003301602690000052
Figure BDA0003301602690000053
其中各项参数取值如下表：
Figure BDA0003301602690000054
S23：给定路段r的连续速度场，根据交通理论的相关模型估计出相应的交通流量：路段r的交通流Qr(t)与密度kr(t)和速度Vr(t)的关系为：
Qr(t)＝kr(t)×Vr(t)
由于密度是未知的，通过速度推断出密度值，再通过上式计算出交通流量值；使用速度-密度模型：
Figure BDA0003301602690000061
其中，vm是最大速度，kc是最佳密度；因此，密度
Figure BDA0003301602690000062
根据上式可得：
Figure BDA0003301602690000063
因此，城市路网中所有的路段都根据上述公式估计出交通流量；
S24：给定路段r的连续排放率TPl(t)、交通流Qr(t)和路段属性，则路段的机动车排放变化由下面函数描述，其排放值为：
Figure BDA0003301602690000064
进一步的，所述S30利用图卷积单元和门控线性单元分别提取路网的拓扑特征和信息完全路段上机动车排放序列的时序依赖性，从而重构信息缺失路段上的排放序列，填补缺失的排放分布信息，具体包括：
S31：首先，在第T个时段构造图结构的顶点特征矩阵
Figure BDA0003301602690000065
其中信息完全路段的集合为
Figure BDA0003301602690000066
其顶点特征矩阵中对应路段
Figure BDA0003301602690000067
的特征值计算利用步骤S20中求取的排放值Er(t)，计算出路段的各类污染物排放值：
Figure BDA0003301602690000071
对于顶点特征矩阵中对应信息缺失路段
Figure BDA0003301602690000072
设定其特征值为0；
从信息完全路段集
Figure BDA0003301602690000073
中随机删除20％的顶点特征值，并将删除的顶点的特征值置0，从而获得新的特征矩阵
Figure BDA0003301602690000074
其中，被删除特征值的顶点集为
Figure BDA0003301602690000075
保留下来的顶点集为
Figure BDA0003301602690000076
由于网络任务是估计6个时间间隔的机动车历史排放，因此构造网络输入特征矩阵
Figure BDA0003301602690000077
其目标输出矩阵为
Figure BDA0003301602690000078
Figure BDA0003301602690000079
S32：在给定交通路网的拓扑结构和部分特征信息的情况下，设计了一种基于生成对抗网络的时空数据插补模型，为路网中信息缺失路段生成真实的特征值即排放值；该对抗模型由两个对抗神经网络组成，即基于自编码器的特征生成器和特征判别器：特征生成器捕捉数据分布，尽可能生成与真实样本相似的数据以迷惑判别器；判别器将真实样本与生成器生成的样本区分开；两个网络都参与了对抗学习的最大-最小博弈，以提高生成的图特征的真实性；在通过训练对网络参数进行微调后，生成器根据输入的部分特征数据提供完整、真实的节点特征作为输出；
S33：在基于自编码器的特征生成器中：首先将网络的输入图特征矩阵
Figure BDA00033016026900000710
归一化到[0,1]范围；生成器首先由3个连续的时空编码块串联而成，用于特征学习；每个时空编码块由一个门控线性单元和图卷积单元串联组成：其中，门控线性单元是一个没有非线性化的卷积层输出乘上一个经过非线性激活的卷积层输出；因此，给定一个输入矩阵
Figure BDA0003301602690000081
门控线性单元操作
Figure BDA0003301602690000082
的输出
Figure BDA0003301602690000083
为：
Figure BDA0003301602690000084
其中
Figure BDA0003301602690000085
为卷积核参数；
同时图卷积单元采用了图的连通性，即邻接矩阵，作为邻域混合的卷积滤波器；基于谱图卷积的概念，图卷积单元操作
Figure BDA0003301602690000086
表示为对于图信号
Figure BDA0003301602690000087
的非线性函数，其输出
Figure BDA0003301602690000088
等于
Figure BDA0003301602690000089
其中，图傅里叶基
Figure BDA00033016026900000810
是归一化图拉普拉斯矩阵L的特征向量矩阵；拉普拉斯矩阵
Figure BDA00033016026900000811
其中
Figure BDA00033016026900000812
是单元矩阵，
Figure BDA00033016026900000813
是对角度矩阵，其对角元素值dii＝∑jWij；
Figure BDA00033016026900000814
是矩阵L的特征值对角矩阵，因此Θ(Λ)也是对角矩阵，Θ是图卷积核参数；
给定上述门控线性单元和图卷积单元操作，则时空编码块定义成
Figure BDA00033016026900000815
操作，即给定第j个时空编码块的输入矩阵
Figure BDA00033016026900000816
和核参数Ξj＝[ΓjΘj]，时空编码块的输出
Figure BDA00033016026900000817
为：
Figure BDA00033016026900000818
其中，σ1(·),σ2(·)是激活函数；因此，上述三个时空编码块后的输出为：
Figure BDA00033016026900000819
Figure BDA00033016026900000820
Figure BDA00033016026900000821
其中，所有的激活函数皆为elu激活函数；经过三个时空编码块后，输入的部分图特征转换为N×512的中间特征矩阵；该矩阵随后有三个时空解码块解码；时空解码块的结构与时空编码块的结构相同，其网络结构用公式表示为：
Figure BDA0003301602690000091
Figure BDA0003301602690000092
上述所有激活函数为elu函数，
Figure BDA0003301602690000093
该步骤中的激活函数σ2为sigmoid激活函数；通过三个时空解码块重建图特征；
S34：图特征判别器用于区分上述特征生成器生成的图特征矩阵
Figure BDA0003301602690000098
和真实的图特征矩阵X；该网络从一个时空编码块开始，其输出被展开成一个一维矩阵后馈入三个全连接层，即利用时空编码块从输入数据中提取隐藏的图特征，随后各全连接层中完全联通的神经元协同对提取的特征进行分类，判断输入数据是否真实；最后使用一个sigmoid函数来产生一个介于0和1中间的概率，表明判别器对输入特征判别的真实概率；
在时空编码块里的每一个操作和每个全连接层后都增加了一个LayerNorm层，对于输入
Figure BDA0003301602690000094
或X，时空编码块的输出为：
Figure BDA0003301602690000095
其中LN(·)表示LayerNorm层，将
Figure BDA0003301602690000096
展开成一维矩阵
Figure BDA0003301602690000097
并将其作为后续三个全连接层的输入，每层激活函数皆为elu激活函数并增加一个LayerNorm操作，最后一层全连接的激活函数为sigmoid函数，最终判别器的输出为
Figure BDA0003301602690000101
对于输入
Figure BDA0003301602690000102
判别器的输出为
Figure BDA0003301602690000103
对于输入X，判别器的输出为
Figure BDA0003301602690000104
S35：对抗学习中生成对抗网络训练中，特征生成器的训练目标表示为：
Figure BDA0003301602690000105
特征判别器的训练目标表示为：
Figure BDA0003301602690000106
进一步的，所述步骤S35中在训练过程中在特征判别器的损失函数中加入梯度惩罚项，因此特征判别器的损失函数LD为：
Figure BDA0003301602690000107
其中λ为调整参数。
进一步的，所述步骤S35中λ为调整参数，其值为10。
进一步的，所述步骤S35中在生成器的损失函数中加入估计均方误差项，因此特征生成器的损失函数LG为：
Figure BDA0003301602690000108
使用Adam优化器交替训练特征生成器和特征判别器，直到两个损失函数收敛至平稳状态。
另一方面，本发明还公开一种利用不完全信息估计城市移动源污染排放***，包括以下单元，
数据获取及处理单元，用于获取城市交通中机动车行驶相关数据和城市交通网络数据预处理和构造数据空间；
交通排放值计算单元，用于根据路段上获得的数据密集程度，将路段分为2类：由于采集数据稀疏而缺失交通模式信息的信息缺失路段和数据足够密集的信息完全路段；通过上述机动车行驶相关数据对信息完全路段构造连续速度场和推断流量值，并以此通过微观排放因子模型计算相应的交通排放值；
排放分布信息填补单元，用于利用图卷积单元和门控线性单元分别提取路网的拓扑特征和信息完全路段上机动车排放序列的时序依赖性，从而重构信息缺失路段上的排放序列，填补缺失的排放分布信息。
第三方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
由上述技术方案可知，本发明的利用不完全信息估计城市移动源污染排放方法及***，旨在利用较少的城市交通数据挖掘出更多的交通模式和排放分布特点，以克服现有方法的不足，实现城市路段级的交通污染排放精细化估计任务。
本实施例中通过将路段按所获得的机动车行驶信息的完全度分为两类，并对两类路段的机动车排放的计算设计不同的思路。对于信息完全路段，能够基于所获得的数据重构出较为准确的连续速度场和流量变化，并利用微观排放因子计算模型尽可能准确的计算出路段的机动车排放值；对于信息缺失路段，通过由图卷积单元和门控线性单元组成的生成对抗网络，利用路网的空间拓扑特征和信息完全路段中机动车排放的时序依赖性，估算出路段的排放序列，从而计算出城市路网中所有路段历史数小时内的交通排放序列。
附图说明
图1和图2是城市移动源排放估计方法流程；
图3是基于图卷积和门控线性单元的生成对抗网络。
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和图2所示，本实施例所述的利用不完全信息估计城市移动源污染排放方法，包括以下步骤：
步骤1：对城市交通中机动车行驶相关数据和城市交通网络数据预处理和构造数据空间。根据路段上获得的数据密集程度，将路段分为2类：由于采集数据稀疏而缺失交通模式信息的信息缺失路段和数据足够密集的信息完全路段。
步骤2：通过上述机动车行驶相关数据对信息完全路段构造连续速度场和推断流量值，并以此通过微观排放因子模型计算相应的交通排放。
步骤3：为了重构信息缺失路段历史数小时的排放分布，利用对抗生成学习的思想，利用图卷积单元和门控线性单元分别提取路网的拓扑特征和信息完全路段上机动车排放序列的时序依赖性，从而重构信息缺失路段上的排放序列，填补缺失的排放分布信息。
以下具体说明：
进一步地，上述步骤S1：对城市交通中机动车行驶相关数据和城市交通路网数据预处理和构造数据空间。根据路段上获得的数据密集程度，将路段分为2类：由于采集数据稀疏而缺失交通模式信息的信息缺失路段和数据点足够密集的信息完全路段，具体包括如下细分步骤S11至S13：
S11：城市路网数据可以构造成一个有向图
Figure BDA0003301602690000121
给定一个路网，首先将所有的道路岔口的集合作为图中连接路段的边ε，则两条边之间的顶点
Figure BDA0003301602690000131
代表N个路段的合集，每个路段r都有自己属性，包括车道最大速度值r.vm、车道数r.n和路段长度r.len。邻接矩阵W可抽象成顶点之间的邻接相关性，在本发明中用W表示路段之间的连通性：若路段i,j相连接，则Wi,j＝1，否则Wi,j＝0。
S12：机动车行驶相关数据即采样机动车的GPS轨迹，每条GPS轨迹P包含一系列的时序GPS点，其中每个GPS点p包含时间戳t和地理空间坐标g，即p＝(t,g)。首先根据地理位置和时间的变化来计算GPS点的即时速度：给定两个GPS点p1和p2，则点p1的速度值为：
Figure BDA0003301602690000132
其中dist(·)是计算两点之间距离的函数，本发明中为曼哈顿距离，即一阶范数。利用地图匹配算法将每个GPS点匹配到对应的路段，因此每个轨迹点的属性可拓展为p＝(t,g,v,r)。
S13：接下来，定义一个概念：采样密度。首先统计一小时内路段r上记录的GPS点总数qr，则该路段的采样密度dr：
dr＝qr/r.len
通过分析，将采样密度小于20的路段认作信息缺失路段
Figure BDA0003301602690000135
采样密度大于等于20的路段作为信息完全路段
Figure BDA0003301602690000134
上述步骤S2：通过上述机动车行驶相关数据对信息完全路段构造连续速度场和推断流量值，并以此通过微观排放因子模型计算相应的交通排放。具体包括如下细分步骤S21至S24：
S21：给定路段
Figure BDA0003301602690000133
上的GPS点集{p1,p2,…,pi,…,pn|pi＝(ti,gi,vi,r)}作为输入，首先通过高斯自适应滑动方法，重构出该路段的连续速度场Vr(t)：
Figure BDA0003301602690000141
其中，平滑核函数φi(t)的值随着时间距离增大而衰减，即当数据点距离目标计算点很远时，该函数将生成较小的权重系数。因此，核函数的形式为：
Figure BDA0003301602690000142
其中，τ是时间宽度，τ的值越大，数据点对目标计算点的影响越大。
归一化函数Φ(t)是所有核函数的和：
Figure BDA0003301602690000143
因此，城市路网中所有的路段都可以根据上述公式构建其连续速度场。
S22：给定路段r的连续速度场Vr，利用EMIT微观排放因子模型计算出连续排放率TPl(t)。EMIT模型由两个模块组成：发动机排放模块和尾气管排放模块。首先定义机动车牵引力Ptract：
Figure BDA0003301602690000144
其中各项参数定义分别如下：
A：滚动阻力项；B：滚动阻力项的速度修正；C：空气阻力项；M：发动机质量；g：重力常数；θ：道路坡度；定义l为通用的排放物种类(l＝CO,HC,NOx)，则排放物l的发动机排放率EOl表达式为：
Figure BDA0003301602690000151
其中各项参数取值如下表：
CO HC NO<sub>x</sub>
α 0.0316 0.00916 -0.00391
β 0.0 0.0 0.000305
δ 1.09e-07 7.55e-09 2.27e-08
ζ 0.00883 0.00111 0.00307
α′ 0.0261 0.00528 0.00323
尾气管排放模块下不同污染物的尾气排放率TPl分别有不同的计算公式：
Figure BDA0003301602690000152
Figure BDA0003301602690000153
Figure BDA0003301602690000154
其中各项参数取值如下表：
Figure BDA0003301602690000155
Figure BDA0003301602690000161
S23：给定路段r的连续速度场，能够根据交通理论的相关模型估计出相应的交通流量：路段r的交通流Qr(t)与密度kr(t)和速度Vr(t的关系为：
Qr(t)＝kr(t)×Vr(t)
由于密度是未知的，首先需要通过速度推断出密度值，再通过上式计算出交通流量值。本发明中，使用速度-密度模型：
Figure BDA0003301602690000162
其中，vm是最大速度，kc是最佳密度。因此，密度
Figure BDA0003301602690000163
根据上式可得：
Figure BDA0003301602690000164
因此，城市路网中所有的路段都可以根据上述公式估计出交通流量。
S24：给定路段r的连续排放率TPl(t)、交通流Qr(t)和路段属性，则路段的机动车排放变化由下面函数描述，其排放值为：
Figure BDA0003301602690000165
进一步地，上述步骤S3：为了重构信息缺失路段历史数小时的排放分布，利用对抗生成学习的思想，利用图卷积单元和门控线性单元分别提取路网的拓扑特征和信息完全路段上机动车排放序列的时序依赖性，从而重构信息缺失路段上的排放序列，填补缺失的排放分布信息。具体包括如下细分步骤S31至S35：
S31：首先，在第T个时段(每个时段为1小时)构造图结构的顶点特征矩阵
Figure BDA0003301602690000171
其中信息完全路段的集合为
Figure BDA0003301602690000172
其顶点特征矩阵中对应路段
Figure BDA0003301602690000173
的特征值计算利用步骤2中求取的排放值Er(t)，计算出路段的各类污染物排放值：
Figure BDA0003301602690000174
对于顶点特征矩阵中对应信息缺失路段
Figure BDA0003301602690000175
设定其特征值为0。
为了训练网络，从信息完全路段集
Figure BDA0003301602690000176
中随机删除20％的顶点特征值，并将删除的顶点的特征值置0，从而获得新的特征矩阵
Figure BDA0003301602690000177
其中，被删除特征值的顶点集为
Figure BDA0003301602690000178
保留下来的顶点集为
Figure BDA0003301602690000179
由于网络任务是估计6个时间间隔的机动车历史排放，因此构造网络输入特征矩阵
Figure BDA00033016026900001710
其目标输出矩阵为
Figure BDA00033016026900001711
Figure BDA00033016026900001712
S32：在给定交通路网的拓扑结构和部分特征信息的情况下，设计了一种基于生成对抗网络的时空数据插补模型，为路网中信息缺失路段生成真实的特征值(排放值)。该对抗模型由两个对抗神经网络组成，即基于自编码器的特征生成器和特征判别器：特征生成器捕捉数据分布，尽可能生成与真实样本相似的数据以迷惑判别器；判别器将真实样本与生成器生成的样本区分开。两个网络都参与了对抗学习的最大-最小博弈，以提高生成的图特征的真实性。在通过训练对网络参数进行微调后，生成器根据输入的部分特征数据提供完整、真实的节点特征作为输出。
S33：在基于自编码器的特征生成器中：首先将网络的输入图特征矩阵
Figure BDA0003301602690000181
归一化到[0,1]范围。生成器首先由3个连续的时空编码块串联而成，用于特征学习。每个时空编码块由一个门控线性单元和图卷积单元串联组成：(1)门控线性单元的原理是一个没有非线性化的卷积层输出乘上一个经过非线性激活的卷积层输出。因此，给定一个输入矩阵
Figure BDA0003301602690000182
门控线性单元操作
Figure BDA0003301602690000183
的输出
Figure BDA0003301602690000184
为：
Figure BDA0003301602690000185
其中
Figure BDA0003301602690000186
为卷积核参数；(2)图卷积单元采用了图的连通性，即邻接矩阵，作为邻域混合的卷积滤波器。基于谱图卷积的概念，图卷积单元操作
Figure BDA0003301602690000187
可以表示为对于图信号
Figure BDA0003301602690000188
的非线性函数，其输出
Figure BDA0003301602690000189
等于
Figure BDA00033016026900001810
其中，图傅里叶基
Figure BDA00033016026900001811
是归一化图拉普拉斯矩阵L的特征向量矩阵。拉普拉斯矩阵
Figure BDA00033016026900001812
其中
Figure BDA00033016026900001813
是单元矩阵，
Figure BDA00033016026900001814
是对角度矩阵，其对角元素值dii＝∑jWij；
Figure BDA00033016026900001815
是矩阵L的特征值对角矩阵，因此Θ(Λ)也是对角矩阵，Θ是图卷积核参数。在图卷积操作中，通常I＝M。
给定上述门控线性单元和图卷积单元操作，则时空编码块可定义成
Figure BDA00033016026900001816
操作，即给定第j个时空编码块的输入矩阵
Figure BDA00033016026900001817
和核参数Ξj＝[ΓjΘj]，时空编码块的输出
Figure BDA00033016026900001818
为：
Figure BDA00033016026900001819
其中，σ1(·),σ2(·)是激活函数。因此，上述三个时空编码块后的输出为：
Figure BDA00033016026900001820
Figure BDA0003301602690000191
Figure BDA0003301602690000192
其中，所有的激活函数皆为elu激活函数。经过三个时空编码块后，输入的部分图特征转换为N×512的中间特征矩阵。该矩阵随后有三个时空解码块解码。时空解码块的结构与时空编码块的结构相同，其网络结构用公式表示为：
Figure BDA0003301602690000193
Figure BDA0003301602690000194
上述所有激活函数为elu函数，
Figure BDA0003301602690000195
该步骤中的激活函数σ2为sigmoid激活函数。通过三个时空解码块重建图特征。从本质上说，上述由三个时空编码块和三个时空解码块组成的特征生成器是一个自编码器，它将输入的部分数据编码成高维特征映射，然后将它们解码成完整的图特征矩阵
Figure BDA0003301602690000196
S34：图特征判别器的目的是区分上述特征生成器生成的图特征矩阵
Figure BDA0003301602690000197
和真实的图特征矩阵X。该网络从一个时空编码块开始，其输出被展开成一个一维矩阵后馈入三个全连接层，即利用时空编码块从输入数据中提取隐藏的图特征，随后各全连接层中完全联通的神经元协同对提取的特征进行分类，判断输入数据是否真实。最后使用一个sigmoid函数来产生一个介于0和1中间的概率，表明判别器对输入特征判别的真实概率。
在时空编码块里的每一个操作和每个全连接层后都增加了一个LayerNorm层，用以解决对抗学习中梯度消失和参数两极化的问题。对于输入
Figure BDA0003301602690000201
或X，时空编码块的输出为：
Figure BDA0003301602690000202
其中LN(·)表示LayerNorm层。将
Figure BDA0003301602690000203
展开成一维矩阵
Figure BDA0003301602690000204
并将其作为后续三个全连接层的输入，每层激活函数皆为elu激活函数并增加一个LayerNorm操作，最后一层全连接的激活函数为sigmoid函数，最终判别器的输出为
Figure BDA0003301602690000205
对于输入
Figure BDA0003301602690000206
判别器的输出为
Figure BDA0003301602690000207
对于输入X，判别器的输出为
Figure BDA0003301602690000208
S35：对抗学习中生成对抗网络训练中，特征生成器的训练目标通常表示为：
Figure BDA0003301602690000209
特征判别器的训练目标通常表示为：
Figure BDA00033016026900002010
在实际训练过程中，为了克服梯度消失的问题，在特征判别器的损失函数中加入了梯度惩罚项，因此特征判别器的损失函数LD为：
Figure BDA00033016026900002011
其中λ为调整参数，本专利中其值为10。此外，为了提高特征生成器生成样本的质量，在生成器的损失函数中加入估计均方误差项，因此特征生成器的损失函数LG为：
Figure BDA00033016026900002012
使用Adam优化器交替训练特征生成器和特征判别器，直到两个损失函数收敛至平稳状态。
本发明实施例的主要特点如下：
1.为了解决交通状态信息在空间上的不均衡问题，将路网中的路段根据采集到的GPS密度的大小分成两种路段：信息完全路段和信息缺失路段，并且对于两种路段，分别使用不同的思路来估计其交通排放值。
2.对于信息完全路段：为了克服时序上的信息不连续和存在误差等噪声，应用高斯自适应平滑模型通过离散的GPS点构建连续速度域，其每个时刻的速度通过其他采样点与该时刻速度值的时序相关性修正得出，从而抵消了误差噪声。之后，根据其速度域估计路段交通流量，从而利用微观排放模型计算出相应的交通排放序列。
3.对于信息缺失路段：由于城市路网中具有连通性，两种路段的交通状态存在相互依赖关系，在交通模式和排放分布中具有相似的规律。因此提出基于时空自编码的生成对抗网络，设计了由图卷积层和门控线性单元组成的时空编码块和时空解码块，以此构建上述信息完全路段的交通排放序列的时序依赖特征和城市路网的空间邻近特征空间，从而通过对抗生成网络强大的特征学习能力实现对信息非完全路段上的交通排放值的估计任务。
综上所述，本实施例中通过将路段按所获得的机动车行驶信息的完全度分为两类，并对两类路段的机动车排放的计算设计不同的思路。对于信息完全路段，能够基于所获得的数据重构出较为准确的连续速度场和流量变化，并利用微观排放因子计算模型尽可能准确的计算出路段的机动车排放值；对于信息缺失路段，通过由图卷积单元和门控线性单元组成的生成对抗网络，利用路网的空间拓扑特征和信息完全路段中机动车排放的时序依赖性，估算出路段的排放序列，从而计算出城市路网中所有路段历史数小时内的交通排放序列。
另一方面，本发明还公开一种利用不完全信息估计城市移动源污染排放***，包括以下单元，
数据获取及处理单元，用于获取城市交通中机动车行驶相关数据和城市交通网络数据预处理和构造数据空间；
交通排放值计算单元，用于根据路段上获得的数据密集程度，将路段分为2类：由于采集数据稀疏而缺失交通模式信息的信息缺失路段和数据足够密集的信息完全路段；通过上述机动车行驶相关数据对信息完全路段构造连续速度场和推断流量值，并以此通过微观排放因子模型计算相应的交通排放值；
排放分布信息填补单元，用于利用图卷积单元和门控线性单元分别提取路网的拓扑特征和信息完全路段上机动车排放序列的时序依赖性，从而重构信息缺失路段上的排放序列，填补缺失的排放分布信息。
第三方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
可理解的是，本发明实施例提供的***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、***、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(***)、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。

Claims (8)

1.一种利用不完全信息估计城市移动源污染排放方法，其特征在于，包括以下步骤，
S10、获取城市交通中机动车行驶相关数据和城市交通网络数据预处理和构造数据空间；
根据路段上获得的数据密集程度，将路段分为2类：由于采集数据稀疏而缺失交通模式信息的信息缺失路段和数据足够密集的信息完全路段；
S20、通过上述机动车行驶相关数据对信息完全路段构造连续速度场和推断流量值，并以此通过微观排放因子模型计算相应的交通排放值；
S30、利用图卷积单元和门控线性单元分别提取路网的拓扑特征和信息完全路段上机动车排放序列的时序依赖性，从而重构信息缺失路段上的排放序列，填补缺失的排放分布信息。
2.根据权利要求1所述的利用不完全信息估计城市移动源污染排放方法，其特征在于：所述S10获取城市交通中机动车行驶相关数据和城市交通网络数据预处理和构造数据空间；根据路段上获得的数据密集程度，将路段分为2类：由于采集数据稀疏而缺失交通模式信息的信息缺失路段和数据足够密集的信息完全路段具体包括：
S11：城市路网数据构造成一个有向图
Figure FDA0003301602680000011
给定一个路网，首先将所有的道路岔口的集合作为图中连接路段的边ε，则两条边之间的顶点
Figure FDA0003301602680000012
Figure FDA0003301602680000013
代表N个路段的合集，每个路段r都有自已属性，包括车道最大速度值r.vm、车道数r.n和路段长度r.len；邻接矩阵W抽象成顶点之间的邻接相关性，用W表示路段之间的连通性：若路段i，j相连接，则Wi，j＝1，否则Wi，j＝0；
S12：机动车行驶相关数据即采样机动车的GPS轨迹，每条GPS轨迹P包含一系列的时序GPS点，其中每个GPS点p包含时间戳t和地理空间坐标g，即p＝(t，g)；首先根据地理位置和时间的变化来计算GPS点的即时速度：给定两个GPS点p1和p2，则点p1的速度值为：
Figure FDA0003301602680000021
其中dist(·)是计算两点之间距离的函数，本发明中为曼哈顿距离，即一阶范数；利用地图匹配算法将每个GPS点匹配到对应的路段，因此每个轨迹点的属性拓展为p＝(t，g，v，r)；
S13：接下来，定义一个概念采样密度；首先统计一小时内路段r上记录的GPS点总数qr，则该路段的采样密度dr：
dr＝qr/r.len
通过分析，将采样密度小于20的路段认作信息缺失路段
Figure FDA0003301602680000024
采样密度大于等于20的路段作为信息完全路段
Figure FDA0003301602680000025
3.根据权利要求2所述的利用不完全信息估计城市移动源污染排放方法，其特征在于：所述S20、通过上述机动车行驶相关数据对信息完全路段构造连续速度场和推断流量值，并以此通过微观排放因子模型计算相应的交通排放具体包括：
S21：给定路段
Figure FDA0003301602680000026
上的GPS点集{p1，p2，...，pi，...，pn|pi＝(ti，gi，vi，r)}作为输入，首先通过高斯自适应滑动方法，重构出该路段的连续速度场Vr(t)：
Figure FDA0003301602680000022
其中，平滑核函数φi(t)的值随着时间距离增大而衰减，即当数据点距离目标计算点很远时，该函数将生成较小的权重系数；因此，核函数的形式为：
Figure FDA0003301602680000023
其中，τ是时间宽度，τ的值越大，数据点对目标计算点的影响越大；归一化函数Φ(t)是所有核函数的和：
Figure FDA0003301602680000031
因此，城市路网中所有的路段都根据上述公式构建其连续速度场；
S22：给定路段r的连续速度场Vr，利用EMIT微观排放因子模型计算出连续排放率TPl(t)；EMIT模型由两个模块组成：发动机排放模块和尾气管排放模块；首先定义机动车牵引力Ptract：
Figure FDA0003301602680000032
其中各项参数定义分别如下：
A：滚动阻力项；B：滚动阻力项的速度修正；C：空气阻力项；M：发动机质量；g：重力常数；θ：道路坡度；定义l为通用的排放物种类(l＝CO，HC，NOx)，则排放物l的发动机排放率EOl表达式为：
Figure FDA0003301602680000033
其中各项参数取值如下表：
CO HC NO<sub>x</sub> α 0.0316 0.00916 -0.00391 β 0.0 0.0 0.000305 δ 1.09e-07 7.55e-09 2.27e-08 ζ 0.00883 0.00111 0.00307 α′ 0.0261 0.00528 0.00323
尾气管排放模块下不同污染物的尾气排放率TPl分别有不同的计算公式：
Figure FDA0003301602680000041
Figure FDA0003301602680000042
Figure FDA0003301602680000043
其中各项参数取值如下表：
Figure FDA0003301602680000044
S23：给定路段r的连续速度场，根据交通理论的相关模型估计出相应的交通流量：路段r的交通流Qr(t)与密度kr(t)和速度Vr(t)的关系为：
Qr(t)＝kr(t)×Vr(t)
由于密度是未知的，通过速度推断出密度值，再通过上式计算出交通流量值；使用速度-密度模型：
Figure FDA0003301602680000045
其中，vm是最大速度，kc是最佳密度；因此，密度
Figure FDA0003301602680000046
根据上式可得：
Figure FDA0003301602680000047
因此，城市路网中所有的路段都根据上述公式估计出交通流量；
S24：给定路段r的连续排放率TPl(t)、交通流Qr(t)和路段属性，则路段的机动车排放变化由下面函数描述，其排放值为：
Figure FDA0003301602680000051
4.根据权利要求3所述的利用不完全信息估计城市移动源污染排放方法，其特征在于：所述S30利用图卷积单元和门控线性单元分别提取路网的拓扑特征和信息完全路段上机动车排放序列的时序依赖性，从而重构信息缺失路段上的排放序列，填补缺失的排放分布信息，具体包括：
S31：首先，在第T个时段构造图结构的顶点特征矩阵
Figure FDA0003301602680000052
其中信息完全路段的集合为
Figure FDA0003301602680000053
其顶点特征矩阵中对应路段
Figure FDA0003301602680000054
的特征值计算利用步骤S20中求取的排放值Er(t)，计算出路段的各类污染物排放值：
Figure FDA0003301602680000055
对于顶点特征矩阵中对应信息缺失路段
Figure FDA0003301602680000056
设定其特征值为0；
从信息完全路段集
Figure FDA0003301602680000057
中随机删除20％的顶点特征值，并将删除的顶点的特征值置0，从而获得新的特征矩阵
Figure FDA0003301602680000058
其中，被删除特征值的顶点集为
Figure FDA0003301602680000059
Figure FDA00033016026800000510
保留下来的顶点集为
Figure FDA00033016026800000511
由于网络任务是估计6个时间间隔的机动车历史排放，因此构造网络输入特征矩阵
Figure FDA00033016026800000512
其目标输出矩阵为
Figure FDA00033016026800000513
S32：在给定交通路网的拓扑结构和部分特征信息的情况下，设计了一种基于生成对抗网络的时空数据插补模型，为路网中信息缺失路段生成真实的特征值即排放值；该对抗模型由两个对抗神经网络组成，即基于自编码器的特征生成器和特征判别器：特征生成器捕捉数据分布，尽可能生成与真实样本相似的数据以迷惑判别器；判别器将真实样本与生成器生成的样本区分开；两个网络都参与了对抗学习的最大-最小博弈，以提高生成的图特征的真实性；在通过训练对网络参数进行微调后，生成器根据输入的部分特征数据提供完整、真实的节点特征作为输出；
S33：在基于自编码器的特征生成器中：首先将网络的输入图特征矩阵
Figure FDA0003301602680000061
Figure FDA0003301602680000062
归一化到[0，1]范围；生成器首先由3个连续的时空编码块串联而成，用于特征学习；每个时空编码块由一个门控线性单元和图卷积单元串联组成：其中，门控线性单元是一个没有非线性化的卷积层输出乘上一个经过非线性激活的卷积层输出；因此，给定一个输入矩阵
Figure FDA0003301602680000063
门控线性单元操作
Figure FDA0003301602680000064
的输出
Figure FDA0003301602680000065
为：
Figure FDA0003301602680000066
其中
Figure FDA0003301602680000067
为卷积核参数；
同时图卷积单元采用了图的连通性，即邻接矩阵，作为邻域混合的卷积滤波器；基于谱图卷积的概念，图卷积单元操作
Figure FDA0003301602680000068
表示为对于图信号
Figure FDA0003301602680000069
的非线性函数，其输出
Figure FDA00033016026800000610
等于
Figure FDA00033016026800000611
其中，图傅里叶基
Figure FDA00033016026800000612
是归一化图拉普拉斯矩阵L的特征向量矩阵；拉普拉斯矩阵
Figure FDA00033016026800000613
其中
Figure FDA00033016026800000614
是单元矩阵，
Figure FDA00033016026800000615
Figure FDA00033016026800000616
是对角度矩阵，其对角元素值dii＝∑jWij；
Figure FDA00033016026800000617
是矩阵L的特征值对角矩阵，因此Θ(Λ)也是对角矩阵，Θ是图卷积核参数；
给定上述门控线性单元和图卷积单元操作，则时空编码块定义成
Figure FDA00033016026800000618
操作，即给定第j个时空编码块的输入矩阵
Figure FDA00033016026800000619
和核参数Ξj＝[ΓjΘj]，时空编码块的输出
Figure FDA00033016026800000620
为：
Figure FDA0003301602680000071
其中，σ1(·)，σ2(·)是激活函数；因此，上述三个时空编码块后的输出为：
Figure FDA0003301602680000072
Figure FDA0003301602680000073
Figure FDA0003301602680000074
其中，所有的激活函数皆为elu激活函数；经过三个时空编码块后，输入的部分图特征转换为N×512的中间特征矩阵；该矩阵随后有三个时空解码块解码；时空解码块的结构与时空编码块的结构相同，其网络结构用公式表示为：
Figure FDA0003301602680000075
Figure FDA0003301602680000076
上述所有激活函数为elu函数，
Figure FDA0003301602680000077
该步骤中的激活函数σ2为sigmoid激活函数；通过三个时空解码块重建图特征；
S34：图特征判别器用于区分上述特征生成器生成的图特征矩阵
Figure FDA0003301602680000078
和真实的图特征矩阵X；该网络从一个时空编码块开始，其输出被展开成一个一维矩阵后馈入三个全连接层，即利用时空编码块从输入数据中提取隐藏的图特征，随后各全连接层中完全联通的神经元协同对提取的特征进行分类，判断输入数据是否真实；最后使用一个sigmoid函数来产生一个介于0和1中间的概率，表明判别器对输入特征判别的真实概率；
在时空编码块里的每一个操作和每个全连接层后都增加了一个LayerNorm层，对于输入
Figure FDA0003301602680000079
或X，时空编码块的输出为：
Figure FDA00033016026800000710
其中LN(·)表示LayerNorm层，将
Figure FDA00033016026800000711
展开成一维矩阵
Figure FDA00033016026800000712
并将其作为后续三个全连接层的输入，每层激活函数皆为elu激活函数并增加一个LayerNorm操作，最后一层全连接的激活函数为sigmoid函数，最终判别器的输出为
Figure FDA0003301602680000081
对于输入
Figure FDA0003301602680000082
判别器的输出为
Figure FDA0003301602680000083
对于输入X，判别器的输出为
Figure FDA0003301602680000084
S35：对抗学习中生成对抗网络训练中，特征生成器的训练目标表示为：
Figure FDA0003301602680000085
特征判别器的训练目标表示为：
Figure FDA0003301602680000086
5.根据权利要求4所述的利用不完全信息估计城市移动源污染排放方法，其特征在于：所述步骤S35中在训练过程中在特征判别器的损失函数中加入梯度惩罚项，因此特征判别器的损失函数LD为：
Figure FDA0003301602680000087
其中λ为调整参数。
6.根据权利要求5所述的利用不完全信息估计城市移动源污染排放方法，其特征在于：所述步骤S35中λ为调整参数，其值为10。
7.根据权利要求5所述的利用不完全信息估计城市移动源污染排放方法，其特征在于：所述步骤S35中在生成器的损失函数中加入估计均方误差项，因此特征生成器的损失函数LG为：
Figure FDA0003301602680000088
使用Adam优化器交替训练特征生成器和特征判别器，直到两个损失函数收敛至平稳状态。
8.一种利用不完全信息估计城市移动源污染排放***，其特征在于：包括以下单元，
数据获取及处理单元，用于获取城市交通中机动车行驶相关数据和城市交通网络数据预处理和构造数据空间；
交通排放值计算单元，用于根据路段上获得的数据密集程度，将路段分为2类：由于采集数据稀疏而缺失交通模式信息的信息缺失路段和数据足够密集的信息完全路段；通过上述机动车行驶相关数据对信息完全路段构造连续速度场和推断流量值，并以此通过微观排放因子模型计算相应的交通排放值；
排放分布信息填补单元，用于利用图卷积单元和门控线性单元分别提取路网的拓扑特征和信息完全路段上机动车排放序列的时序依赖性，从而重构信息缺失路段上的排放序列，填补缺失的排放分布信息。
CN202111192115.1A 2021-10-13 2021-10-13 利用不完全信息估计城市移动源污染排放方法及*** Pending CN114036135A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111192115.1A CN114036135A (zh) 2021-10-13 2021-10-13 利用不完全信息估计城市移动源污染排放方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111192115.1A CN114036135A (zh) 2021-10-13 2021-10-13 利用不完全信息估计城市移动源污染排放方法及***

Publications (1)

Publication Number Publication Date
CN114036135A true CN114036135A (zh) 2022-02-11

Family

ID=80141172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111192115.1A Pending CN114036135A (zh) 2021-10-13 2021-10-13 利用不完全信息估计城市移动源污染排放方法及***

Country Status (1)

Country Link
CN (1) CN114036135A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114626169A (zh) * 2022-03-03 2022-06-14 北京百度网讯科技有限公司 交通路网优化方法、装置、设备、可读存储介质及产品
CN115422694A (zh) * 2022-11-03 2022-12-02 深圳市城市交通规划设计研究中心股份有限公司 一种路段缺失流量推算方法、电子设备及存储介质
CN115964621A (zh) * 2023-03-17 2023-04-14 中国科学技术大学 区域路网尾气排放数据补全方法
CN116910569A (zh) * 2023-09-13 2023-10-20 中电车联信安科技有限公司 一种车辆碳排放大数据监测方法、***、装置及存储介质
CN117576918A (zh) * 2024-01-17 2024-02-20 四川国蓝中天环境科技集团有限公司 一种基于多源数据的城市道路流量全域预测方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114626169A (zh) * 2022-03-03 2022-06-14 北京百度网讯科技有限公司 交通路网优化方法、装置、设备、可读存储介质及产品
CN115422694A (zh) * 2022-11-03 2022-12-02 深圳市城市交通规划设计研究中心股份有限公司 一种路段缺失流量推算方法、电子设备及存储介质
CN115964621A (zh) * 2023-03-17 2023-04-14 中国科学技术大学 区域路网尾气排放数据补全方法
CN115964621B (zh) * 2023-03-17 2023-05-09 中国科学技术大学 区域路网尾气排放数据补全方法
CN116910569A (zh) * 2023-09-13 2023-10-20 中电车联信安科技有限公司 一种车辆碳排放大数据监测方法、***、装置及存储介质
CN116910569B (zh) * 2023-09-13 2023-12-19 中电车联信安科技有限公司 一种车辆碳排放大数据监测方法、***、装置及存储介质
CN117576918A (zh) * 2024-01-17 2024-02-20 四川国蓝中天环境科技集团有限公司 一种基于多源数据的城市道路流量全域预测方法
CN117576918B (zh) * 2024-01-17 2024-04-02 四川国蓝中天环境科技集团有限公司 一种基于多源数据的城市道路流量全域预测方法

Similar Documents

Publication Publication Date Title
CN114036135A (zh) 利用不完全信息估计城市移动源污染排放方法及***
Liao et al. Deep learning for air quality forecasts: a review
Yu et al. Real-time traffic speed estimation with graph convolutional generative autoencoder
Duan et al. An efficient realization of deep learning for traffic data imputation
CN111080070B (zh) 一种基于空间误差的城市土地利用模拟元胞自动机方法
US20160125307A1 (en) Air quality inference using multiple data sources
CN113591380B (zh) 基于图高斯过程的交通流预测方法、介质及设备
Torrens Calibrating and validating cellular automata models of urbanization
CN113723715B (zh) 公交线网自动匹配道路网络方法、***、设备及存储介质
Ou et al. Learn, assign, and search: real-time estimation of dynamic origin-destination flows using machine learning algorithms
Ye et al. Short-term prediction of available parking space based on machine learning approaches
CN108090624B (zh) 一种改进元胞自动机的城市生态安全模拟与预测的方法
Huang et al. Physics-informed deep learning for traffic state estimation: Illustrations with LWR and CTM models
CN110826244B (zh) 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法
CN113779169B (zh) 时空数据流模型自增强方法
James Citywide estimation of travel time distributions with Bayesian deep graph learning
Iskandaryan et al. Graph neural network for air quality prediction: A case study in madrid
Taghavi et al. Identifying truck stops from a large stream of gps data via a hidden markov chain model
Chen et al. A novel predictor for exploring PM2. 5 spatiotemporal propagation by using convolutional recursive neural networks
Wang et al. Abnormal trajectory detection based on geospatial consistent modeling
Zhong et al. Estimating link flows in road networks with synthetic trajectory data generation: Inverse reinforcement learning approach
Mead Hybrid CNN and LSTM Model (HCLM) for Short-Term Traffic Volume Prediction
Zhao et al. Traffic emission estimation under incomplete information with spatiotemporal convolutional GAN
CN115905434A (zh) 一种基于学习插值预测的道路网轨迹补全方法
Wu et al. Hierarchical Bayesian network based incremental model for flood prediction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination