[发明专利]一种基于图半监督学习的机动车尾气遥测设备布点方法

权利要求书

1.一种基于图半监督学习的机动车尾气遥测设备布点方法，其特征在于，具体包括以下步骤：

步骤S1：收集欲布设机动车尾气遥测设备区域的交通路网路段、车流量、天气特征信息以及已经布设的尾气遥测设备获得的机动车尾气遥测设备所处路段的机动车尾气浓度值信息；

步骤S2：根据步骤S1获取的信息，构建路段半监督图；

步骤S3：计算步骤S2中路段半监督图的亲和矩阵W和浓度分布矩阵Y；

步骤S4：计算步骤S2中路段半监督图中未知节点u的尾气浓度预测分布P_u以及P_u的不确定性指标χ_u；

步骤S5：选取步骤S4中P_u的不确定性指标χ_u最小的未知节点，将其标记为已知节点，加入到已知节点的集合，同时将其从未知节点的集合中剔除，更新路段半监督图及其浓度分布矩阵Y；

步骤S6：重复步骤S5直到标记了k个未知节点，即得出需要布设机动车尾气遥测设备的基本路段，其中k表示预期的机动车尾气遥测设备布点数目。

2.根据权利要求1所述的一种基于图半监督学习的机动车尾气遥测设备布点方法，其特征在于，所述步骤S2中路段半监督图的构建方法如下：

设城市路网中的每个基本路段对应一个机动车尾气浓度分布，构建路段半监督图G＝(ν，E)，其中ν表示G中的节点集，节点总数为N，每个节点对应一个基本路段，E表示G中的边集；

集合ν＝V+U，其中V表示包含尾气遥测设备的基本路段称为已知节点的集合，集合V的元素个数记为|V|，U表示不包含尾气遥测设备的基本路段称为未知节点的集合，集合U的元素个数记为|U|；

集合E包含未知节点和已知节点的连线以及相近未知节点间的连线。

3.根据权利要求1所述的一种基于图半监督学习的机动车尾气遥测设备布点方法，其特征在于，所述步骤S3中路段半监督图的亲和矩阵W的计算方法为：

i，j为G中相连的节点

其中，亲和矩阵W是一个N×N的方阵，w_i，j为W中的元素，x_i，x_j为节点i，j的特征信息，σ＞0为给定的带宽参数。

4.根据权利要求1所述的一种基于图半监督学习的机动车尾气遥测设备布点方法，其特征在于，所述步骤S3中路段半监督图的浓度分布矩阵Y的计算方法为：

其中，浓度分布矩阵Y是一个N×(p_m+1)的矩阵，p_m∈N^*为所有节点尾气浓度的最大值，y_s，t为Y中的元素，P_v为已知节点v的尾气浓度分布，X为随机变量，X＝1，2，…，p_m。

5.根据权利要求1所述的一种基于图半监督学习的机动车尾气遥测设备布点方法，其特征在于，所述步骤S4中未知节点u的尾气浓度预测分布P_u的计算方法为：

Pu(X=t)=fu,tΣi=1pmfu,i,t=1,2,...,pm]]>

其中，f_u，t为矩阵中的元素，这里I为N×N的单位阵，

6.根据权利要求1所述的一种基于图半监督学习的机动车尾气遥测设备布点方法，其特征在于，所述步骤S4中P_u的不确定性指标χ_u的计算方法为：

χu=Σt=1pm-Pu(X=t)log2(Pu(X=t)).]]>