[发明专利]高分辨率城市移动源污染时空预测方法、系统及存储介质

权利要求书

1.一种高分辨率城市移动源污染时空预测方法，其特征在于：包括以下步骤，

步骤S1：对历史移动源污染监测数据和外部环境因素数据按指定空间分辨率处理成低分辨率移动源污染、外部环境因素观测序列，以及高分辨率移动源污染观测序列；

步骤S2：对低分辨率移动源污染数据、外部环境因素数据，以及高分辨率移动源污染数据进行标准化处理；

步骤S3：将标准化后的低分辨率历史移动源污染数据按指定时间间隔长度进行切分与当前时刻外部环境因素数据、高分辨率移动源污染数据组合构建历史移动源污染数据样本集；

步骤S4：构建高分辨率城市移动源污染时空预测模型，包括低分辨率污染时空特征提取模块、外部影响因素融合模块、高分辨分布式上采样特征映射模块；

步骤S5：将移动源历史污染数据样本集的训练集用于高分辨率城市移动源污染时空预测模型训练，并用测试集进行模型测试，得到性能稳定的高分辨率城市移动源污染时空预测模型；

步骤S6：利用训练好的高分辨率城市移动源污染时空预测模型对未来时段的高分辨率移动源污染时空分布进行预测；

所述步骤S4包括：

S4.1：构建低分辨率污染时空特征提取模块，该模块包括二维卷积层，ReLU激活函数层，残差单元和融合层；

时空特征提取表示为

其中，Conv2D是2D卷积操作，l_2D是2D卷积层数，分别是第l层残差单元的输入和输出单元，k∈{c，p，s}；f是残差映射函数；θ^l是学习参数；c，p，s分别是三种类型时间片段间隔；

S4.2：构建外部影响因素融合模块，包括特征维度变换和特征融合；

将标准化天气数据E_weather和采用独热编码处理的节假日数据E_holiday经全连接层并重整映射到与相同张量形状大小表示为

然后采用权重矩阵对提取的三种时空变化特征进行融合，采用门限激活融合外部因素与污染时空特征，如式(2)所示

其中，W_c，W_p，W_s分别是临近时间片段、短时周期时间片段和长时趋势时间片段低分辨率污染时空特征的权重矩阵，表示Hadamard乘积，H_fc是融合后的低分辨率污染时空特征；

S4.3：构建高分辨分布式上采样特征映射模块，包括最近邻插值单元和分布式上采样单元；

最近邻插值单元中根据低分辨率和高分辨率污染数据空间尺度确定低分辨率数据扩充倍数N，N是4的n次幂，采用最近邻插值操作将融合后的低分辨率污染时空特征H_fc上采样至高分辨率尺度H_ff；

H_ff＝NearestNeighborUp(H_fc，N) (3)

在分布式上采样单元中，采用n个子像素块、卷积层和N²标准化层N²_Norm对低分辨率特征进行上采样重构；

每个子像素块SubPixel将输入特征尺寸扩大4倍，特征通道数缩小4倍，N²标准化层将每个通道特征图按低分辨与高分辨污染数据的空间结构约束关系进行标准化，分布式上采样操作具体表示如下，

其中，H_fo即为高分辨污染时空特征概率分布，结合最近邻插值高分辨率尺度污染数据H_ff得到高分辨污染时空特分布预测如下，

2.根据权利要求1所述的高分辨率城市移动源污染时空预测方法，其特征在于：所述步骤S1包括：

S1.1：将各移动源污染排放观测点的指定时间间隔内的污染监测数据分别进行累加，得到各观测点指定时间间隔的污染监测数据，按照不同空间分辨率尺度分别利用反距离加权插值生成低分辨率移动源污染数据和高分辨移动源污染数据；

S1.2：通过收集与高分辨率移动源污染数据时间相对应的天气信息和节假日信息得到外部环境因素数据。