[发明专利]一种基于深度残差网络的交通尾气排放量预测方法

权利要求书

1.一种基于深度残差网络的交通尾气排放量预测方法，其特征在于，包括下述步骤：

步骤1：将待预测区域划分成网格区域A＝(A_ij)_I×J；

其中，A_ij为网格区域中第i行第j列的网格，i∈{1,2,...,I}，j∈{1,2,...,J}，网格区域中的每个网格均为正方形且面积相等；

步骤2：采集第t个时间段内待预测区域的车辆GPS轨迹数据构成车辆GPS轨迹数据集并采集第t个时间段内待预测区域的节假日状况数据H_t、天气状况数据G_t；

其中，t∈{1,2,...,T}，T为采集数据的时间段总数，每个时间段的时间长度均为Δth；p_tl为第t个时间段内第l条车辆GPS轨迹数据，l∈{1,2,...,L_t}，L_t为第t个时间段内车辆GPS轨迹总数；g_tlk为第t个时间段内第l条车辆GPS轨迹中第k个点的地理空间坐标，k∈{1,2,...,K_tl}，K_tl为第t个时间段内第l条车辆GPS轨迹中的总点数；

步骤3：根据车辆GPS轨迹数据集P_t，计算第t个时间段内每个网格A_ij的交通流量为计算第t个时间段内每个网格A_ij的交通尾气排放量为

其中，分别为第t个时间段内网格A_ij的进车流量、出车流量，in(p_tl,A_ij)、out(p_tl,A_ij)分别为车辆GPS轨迹p_tl为网格A_ij带来的进车流量、出车流量，in(p_tl,A_ij)等于车辆GPS轨迹p_tl中满足条件{且g_tlk∈A_ij且k＞1}的点g_tlk的总数，out(p_tl,A_ij)等于车辆GPS轨迹p_tl中满足条件{g_tlk∈A_ij且且k≥1}的点g_tlk的总数，g_tlk∈A_ij代表点g_tlk位于网格A_ij内，代表点g_tl,k-1不位于网格A_ij内；a、b、c、d均为预设的常数参数；L为车辆GPS轨迹总数；

步骤4：构建第t个时间段内网格A_ij的节假日-天气-排放量样本为形成节假日-天气-排放量样本集为

利用第t个时间段内网格A_ij的交通尾气排放量数据及上一个时间段内网格A_ij的节假日-天气-排放量数据构建第t个时间段内网格A_ij的最近时间样本为形成最近时间样本集为

利用第t个时间段内网格A_ij的交通尾气排放量数据及一天前相同时间段内网格A_ij的节假日-天气-排放量数据构建第t个时间段内网格A_ij的邻近时间样本为形成邻近时间样本集为

利用第t个时间段内网格A_ij的交通尾气排放量数据及一周前相同时间段内网格A_ij的节假日-天气-排放量数据构建第t个时间段内网格A_ij的遥远时间样本为形成遥远时间样本集为

步骤5：分别对节假日-天气-排放量数据样本集DATA、最近时间样本集DATA₁、邻近时间样本集DATA₂、遥远时间样本集DATA₃进行预处理，得到预处理后的节假日-天气-排放量数据样本集DATA'、最近时间样本集DATA₁'、邻近时间样本集DATA₂'、遥远时间样本集DATA₃'；

步骤6：构建基于深度残差网络的交通排放预测模型包括邻近性结构子模型、周期性结构子模型、趋势性结构子模型、额外因素结构子模型、哈达吗积函数Fusion、Tanh函数，并利用样本集DATA₁'、DATA₂'、DATA₃'、DATA'对基于深度残差网络的交通排放预测模型进行训练；

所述邻近性结构子模型以上一个时间段内网格的节假日-天气-排放量数据为输入、当前时间段内网格的交通尾气排放量数据为输出，所述周期性结构子模型以一天前相同时间段内网格的节假日-天气-排放量数据为输入、当前时间段内网格的交通尾气排放量数据为输出，所述趋势性结构子模型以一周前相同时间段内网格的节假日-天气-排放量数据为输入、当前时间段内网格的交通尾气排放量数据为输出，所述额外因素结构子模型以当前时间段内网格的节假日-天气数据为输入、当前时间段内网格的交通尾气排放量数据为输出；哈达吗积函数Fusion用于对邻近性结构子模型、周期性结构子模型、趋势性结构子模型的输出进行聚合，得到聚合后的输出为是哈达吗积，W₁、W₂、W₃均为预设的可学习参数；所述Tanh函数用于对聚合后的输出及额外因素结构子模型的输出进行融合，得到融合后的输出为为最终的交通尾气排放量预测值；

步骤7：实时采集待预测时间段内待预测区域的车辆GPS轨迹数据集、节假日状况数据、天气状况数据，采用步骤3中相同的方法计算待预测时间段内待预测区域内每个网格的交通尾气排放量；将待预测时间段内每个网格的节假日-天气数据分别输入训练后的额外因素结构子模型，将待预测时间段的上一个时间段内每个网格的节假日-天气-排放量数据分别输入训练后的邻近性结构子模型，将待预测时间段的一天前相同时间段内每个网格的节假日-天气-排放量数据分别输入训练后的周期性结构子模型，将待预测时间段的一周前相同时间段内每个网格的节假日-天气-排放量数据分别输入训练后的趋势性结构子模型，通过基于深度残差网络的交通排放预测模型输出待预测时间段内每个网格的交通尾气排放量预测值得到待预测时间段内待预测区域的交通尾气排放量预测值为