[发明专利]一种城市机动车尾气浓度的时空预测方法

权利要求书

1.一种城市机动车尾气浓度的时空预测方法，其特征在于，具体包括以下步骤：

步骤S1，采集目标城市一定时间内的机动车尾气浓度的时空数据；

步骤S2，对步骤S1所采集的数据进行数据预处理；

步骤S3，构造基于Encoder-Decoder的LSTM神经网络模型；

步骤S4，根据步骤S2预处理后的数据和步骤S3中构造的基于Encoder-Decoder的LSTM神经网络模型，构造基于Encoder-Decoder的LSTM神经网络的训练数据集、验证数据集和测试数据集；

步骤S5，将步骤S4中的训练数据集送入步骤S3中构造的基于Encoder-Decoder的LSTM神经网络模型中，进行预训练，然后采用步骤S4中的验证数据集和测试数据集对预训练所得的模型参数进行调整，逐步提高预测精度；

步骤S6，将经过步骤S5中预训练、验证、测试后的基于Encoder-Decoder的LSTM神经网络模型作为城市机动车尾气浓度的预测模型，把预处理后的目标城市预定时间内的机动车尾气时空数据输入该模型，最终可得到未来某一时刻该城市或其某一区域的机动车尾气排放预报结果。

2.根据权利要求1所述的一种城市机动车尾气浓度的时空预测方法，其特征在于，所述步骤S1中目标城市机动车尾气浓度的时空数据的采集方法具体包括：

步骤S11，将目标城市区域从地理上均分为100×100的栅格；

步骤S12，分别采集各个栅格每5分钟的机动车尾气时空数据，每个栅格采集一年内的数据量，共计12×24×365＝105124条数据，每条数据为一个二维数组，相当于一帧图像。

3.根据权利要求1所述的一种城市机动车尾气浓度的时空预测方法，其特征在于，所述步骤S2中的数据预处理具体包括两个方面：

A、缺失值填补：对于部分缺失的数据，采用缺失数据栅格区域的前m个与后m个尾气排放数据取平均值的方法进行填补；

B、归一化处理：以各栅格为单位，对该区域一年的全部数据按下式进行归一化处理：

其中，是第i个栅格归一化后的数据，x⁽ⁱ⁾是第i个栅格归一化之前的原始数据，和分别是第i个栅格所有数据中的最大值和最小值。

4.根据权利要求1所述的一种城市机动车尾气浓度的时空预测方法，其特征在于，所述步骤S3中的基于Encoder-Decoder的LSTM神经网络模型包括Encoder编码器、LSTM核心预测层、Decoder解码器和skip-layer跨层结构。

5.根据权利要求4所述的一种城市机动车尾气浓度的时空预测方法，其特征在于，所述编码器Encoder包含三组卷积-池化层，第一个卷积层含有16个大小为5×5的卷积核，第二个卷积层含有40个3×3的卷积核，第三个卷积层含有20个3×3的卷积核，三个卷积层后各跟有一个感受野为2×2大小的最大池化层；

所述解码器Decoder包含三个卷积层，第一个卷积层含有20个3×3的卷积核，且与Encoder编码器的第三个卷积层的卷积核相同，第二个卷积层含有40个3×3的卷积核，且与Encoder编码器的第二个卷积层的卷积核相同，第三个卷积层含有16个大小为5×5的卷积核，且与Encoder编码器的第一个卷积层的卷积核相同；

编码器Encoder的三个卷积层和解码器Decoder的前两个卷积层均采用线性修正单元ReLU作为激活函数，其表达式为f(x)＝max(0,x)，其中x是输入的数据；解码器Decoder的最后一个卷积层使用Tanh作为激活函数，其表达式为其中x是输入的数据；

编码器Encoder的三组卷积-池化层均连接一个全连接层，输出的一维数据长度为20。