[发明专利]一种城市机动车尾气浓度的时空预测方法

说明书

本发明公开了一种城市机动车尾气浓度的时空预测方法，首先收集目标城市一年时间内机动车尾气浓度的时空数据，并对其进行预处理，然后构造基于Encoder‑Decoder的LSTM神经网络模型的训练、验证、测试数据集，之后将训练数据集送入模型中训练，得到预训练的模型参数，再通过验证数据集和测试数据集，对预训练所得的模型参数进行微调，进一步修正模型，提高模型精度，该修正后的模型即为城市机动车尾气浓度的时空预测模型，将预处理后的目标城市较长时间内的空气污染物浓度数据作为模型的输入数据，便可以由模型的输出得到未来某一时刻城市某一区域的机动车尾气浓度，实现尾气浓度的时空预测。

技术领域

本发明属于环境监测技术领域,涉及一种机动车尾气浓度预测方法，具体是一种城市机动车尾气浓度的时空预测方法。

背景技术

随着社会发展和城市进步，近年来，城市区域中机动车数量持续增加，诸多社会问题随之产生，如城市交通拥堵现象严重、交通事故增多、机动车尾气污染、酒驾等。在北京、上海、广州等大城市，机动车已成为排放一氧化碳、氮氧化物、碳氢化合物等污染物的第一大污染源。由于汽车废气的排放主要在0.3米至2米之间，正好是人体的呼吸范围，对人体的健康损害非常严重——刺激呼吸道，使呼吸系统的免疫力下降，导致暴露人群慢性气管炎、支气管炎及呼吸困难的发病率升高、肺功能下降等一系列症状。尾气中所含的强致癌物质——苯类物质，会引发肺癌、甲状腺癌等。

为了改善这些机动车尾气产生的社会问题，及时准确地了解城市道路中机动车尾气的排放情况，建立适用于城市区域机动车尾气浓度预测模型，可以实现对城市路网各路段尾气排放的实时预测和趋势估计，为制定城市移动源大气污染物排放的监管提供决策依据。当某区域的有害气体成分浓度达到一定污染值时，平台可以向政府决策部门发出限号、分流、限行等建议，从而可减少由于在路机动车引起的空气污染。

由于机动车尾气排放具有高度非线性，污染物浓度受周围环境多个要素的影响，包括气象条件、空气环境、地理环境、道路状况、交通流因素等，现有技术只能从时间或空间的单一维度进行污染物浓度预测预测，

发明内容

本发明针对现有技术的不足，提出了一种城市机动车尾气浓度的时空预测方法，基于Encoder-Decoder的LSTM神经网络模型，用各时刻的城市机动车尾气浓度分布图来训练该模型，进而通过训练好的模型进行城市机动车尾气浓度的时空预测。

本发明的目的可以通过以下技术方案实现：

一种城市机动车尾气浓度的时空预测方法，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。

进一步地，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：