[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

说明书

技术领域

本发明涉及环境检测领域中道边空气污染物浓度相关问题，具体涉及一种基于重构深度学习的道边空气污染物浓度预测方法。

背景技术

城市污染物主要是由交通排放产生的，主要污染物有一氧化碳CO、二氧化碳CO2、氮氧化物NOx等。CO是稳定的物质，不会在空气中与其他污染物或物质发生化学反应，NO能与臭氧O₃反映生成NO₂，而NO₂也能转变为NO。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，因此对道边空气污染物浓度进行实时预测对环境管理和交通规划具有重要意义。

受经济水平和科研能力的限制，我国空气质量监测工作起步较晚，自上世纪七十年代开始到现在，经过四十多年的发展，目前我国很多省市已经建立起空气质量监测系统，但针对道边空气污染物浓度的检测仍存在很大的进步空间。其中的主要原因有：一、目前用于道边空气污染物浓度检测的设备主要为空气监测站，该设备价格昂贵，只能在城市内布设有限数量的站点，然而城市路网庞大，拓扑结构和周围环境复杂，通过检测设备实现城市各区域道边空气污染物浓度的实时预测可行性很低。二、基于设备全面检测的低可行性，各国学者力图通过预测方法来解决这个问题，目前国内外针对道边空气污染物浓度的研究中，采用的方法主要分两大类：1、高斯模型以及后续的以高斯模型为基础的一系列线源模型，这类方法针对不同状态的道路需采用不同的模型，且对复杂道路的模型准确性不高；2、基于神经网络的道边污染物浓度检测，这类方法能通过识别输入、输出数据之间简单的非线性关系，但在学习输入、输出数据内部之间更本质的特征映射方面有很大局限性，每个神经网络只能表征一种污染物与输入的关系，在实时性和迁移性上存在很大缺陷。

发明内容

本发明技术解决问题：克服现有技术的不足，提供一种基于重构深度学习的道边空气污染物浓度预测方法，能够实现具有良好迁移性的更高精度的实时预测。

本发明技术解决方案：一种基于重构深度学习的道边空气污染物浓度预测方法包括以下步骤：

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，构建深度重构Elman模型；所述污染物包括一氧化碳CO、二氧化碳CO2、氮氧化物NOx；

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；

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)对限制玻尔兹曼机设置合适的重构误差阈值，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：

其中，v_i为影响道边空气污染物浓度的因素之一即可视层的第i个单元的状态，h_j为v_i的另一种表达即隐藏层的第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，a_i表示可视层的第i个单元的偏差，b_j表示隐含层的第j个单元的偏差，R是权重矩阵，R_ij表示可视层的第i个单元与隐含层的第j个单元的连接权重，N、L分别为可视单元和隐含单元的数量，Σ为求和符号，J₁(v,h,θ)为限制玻尔兹曼机关于状态v、h、θ的损失函数。

限制玻尔兹曼机参数的梯度求解方法如下：

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，logp(v,θ)为p(v；θ)的对数似然估计，log表示取对数操作，是求偏导符号，Σ为求和符号，ΔR_ij、Δa_i、Δb_i分别是对数似然估计对权重参数、可视单元偏差、隐含单元偏差的偏导数，v_i为影响道边空气污染物浓度的因素之一即可视层的第i个单元的状态，R_ij表示可视层的第i个单元与隐含层的第j个单元的连接权重，a_i表示可视层的第i个单元的偏差，b_j表示隐含层的第j个单元的偏差，θ＝{R,a,b}。