[发明专利]一种基于重构深度学习的道边空气污染物浓度预测方法

权利要求书

1.一种基于重构深度学习的道边空气污染物浓度预测方法，其特征在于步骤如下：

步骤1：基于重构深度学习方法，根据道边空气污染物的时空分布特点，形成道路空气污染物浓度数据集，构建深度重构Elman模型；所述道边空气污染物包括一氧化碳CO、二氧化碳CO2、氮氧化物NOx；所述道边空气污染物浓度数据集包括：路网信息、气象信息、交通信息因素、道边空气污染物浓度；路网信息包括路段车道数、道路绿化程度、道路建筑物高度、建筑物与道边距离；气象信息包括温度、湿度、天气、风速、风向；交通信息车种比例、车流量、通过时间、停止时间、拥塞时间；所述深度重构Elman模型包括：主网络和次网络；主网络具有前馈连接和反馈连接结构，含有局部记忆能力，主网络依次由输入层、承接层、中间层和输出层构成，每一层的单元个数分别为14、37、37、3；次网络用于主网络初始化，次网络含有一个可视层和一个隐含层，每一层的单元个数分别为14、37；其中次网络用于主网络的初始化；

步骤2：根据限制玻耳兹曼机的特征，从道边空气污染物浓度数据集中随机选取部分数据，完成深度重构Elman模型的初始化，具体实现如下：

2.1)对道路空气污染物浓度数据集中的数据进行归一化处理，并将数据集按照60％、20％、20％的比例划分为训练集、验证集、测试集；

2.2)对限制玻尔兹曼机设置重构误差阈值，利用训练集中的输入数据对限制玻尔兹曼机进行训练，其中可视层单元个数为14，隐含层单元个数为37，关于状态的损失函数J₁(v,h,θ)为：

J1(v,h,θ)=-ΣiNΣjLRijvihj-ΣiNaivi-ΣjLbihj]]>

其中，v_i为影响道边空气污染物浓度的因素之一，h_j为训练过程中对应输入v_i网络的输出即隐含层的第j个单元的状态，θ＝{R,a,b}，a、b分别为可视单元和隐含单元的偏差向量，R是权重矩阵，N、L分别为可视单元和隐含单元的数量；

限制玻尔兹曼机参数的梯度求解方法如下：

ΔRij=∂log p(v;θ)∂Rij=[vihj]data-[vihj]model]]>

Δai=∂log p(v;θ)∂ai=vi-Σvp(v;θ)vi]]>

Δbi=∂log p(v;θ)∂bi=p(hj=1|v;θ)-Σvp(v;θ)vip(hj=1|v;θ)]]>

其中，p(v；θ)是可视单元的概率，p(h_j＝1|v；θ)是隐含单元的条件概分布；

2.3)初始化Elman模型，其中用限制玻尔兹曼机中训练好的矩阵R初始化输入层权重W²，中间层权重W¹和承接层权重W³用零矩阵初始化；

步骤3：采用梯度下降算法，对深度重构Elman模型进行训练，得到能够对道边空气污染物浓度进行实时预测的深度重构Elman模型，以实时的路网信息、气象信息、交通信息因素作为Elman模型的输入，Elman模型输出为对应的实时道边空气污染物浓度，具体实现如下：

3.1)根据深度重构Elman模型的非线性状态空间表达式计算第p次迭代输出的道边空气污染物浓度y(p)；

3.2)根据梯度下降算法计算道边空气污染物浓度损失函数J₂(p)，若污染物浓度损失函数的值小于初始化中设置的误差阈值或者迭代次数p值大于等于初始化中设置的最大迭代次数，则训练结束，进入步骤3.5)，否则进去步骤3.3)；

3.3)根据梯度下降算法计算道边空气污染物浓度损失函数关于深度重构Elman模型的权重参数的偏导数计算方法如下：

ΔWlm1(p)=-η1∂J2(p)∂Wlm1(p)]]>

ΔWnl2(p)=-η2∂J2(p)∂Wnl2(p)]]>

ΔWkl3(p)=-η3∂J2(p)∂Wkl3(p)]]>

其中，J₂(p)是道边空气污染物浓度损失函数，n表示输入层的第n个单元，l表示中间层的第l个单元，k表示隐含层的第k个单元，p是迭代次数，是求偏导符号，是道边空气污染物浓度损失函数关于的偏导数，η₁、η₂、η₃分别是的学习率，分别是深度重构Elman模型的中间层到输出层权重参数、输入层到中间层权重参数、承接层到中间层权重参数；

3.4)然后根据权重参数的偏导数对权重参数进行更新，更新规则如下：

W¹(p+1)＝W¹(p)+ΔW¹(p)

W²(p+1)＝W²(p)+ΔW²(p)

W³(p+1)＝W³(p)+ΔW³(p)

更新完毕后，返回步骤3.1)；

3.5)训练结束，模型的权重参数确定，所得模型即为能够对道边空气污染物浓度进行实时预测的深度重构Elman模型，将实时的路网信息、气象信息、交通信息因素输入到模型中，通过模型即可输出预测的实时道边空气污染物浓度结果。