[发明专利]一种基于深度排放因子修正的移动源污染预测方法

说明书

本发明的一种基于深度排放因子修正的移动源污染预测方法，包括多源异构数据获取；自编码器特征抽取，通过构建三层自编码器网络结构，实现对所述多源异构数据特征降维抽取；将提取的各数据源的降维特征数据，代入尾气排放修正模型，得到预测的区域移动源污染排放修正结果。本发明的基于深度排放因子修正的移动源污染预测方法摒弃了传统模型的单点预测方法，深度时空修正模型考虑区域移动源污染排放的空间依赖性、历史数据时间相关性特征，以及复杂外部环境因素。基于自编码器的降维特征抽取方法，能够学习到路网信息、气象信息、交通流信息、POIs信息与区域尾气排放之间的本质特征映射，并且能够在真实遥测数据上实现更高精度的移动源污染预测。

技术领域

本发明涉及城市区域移动源污染预测技术领域，具体涉及一种基于深度排放因子修正的移动源污染预测方法。

背景技术

交通排放是城市空气污染的主要来源，主要污染物成分有一氧化碳CO、二氧化碳CO₂、氮氧化物NO₂等。CO不仅有毒，且与CO₂均为温室气体，产生的温室效应对全球环境有重要危害，NO₂是造成肺功能损害的主要物质，因此对城市区域移动源污染预测对环境管理和交通规划具有重要意义。

现有用于区域车辆尾气排放预测的方法可大致分为两类，即经典的扩散模型和卫星遥感。对于经典的扩散模型，例如高斯羽流模型，街道峡谷模型和计算流体动力学模型。美国和欧洲分别开发的MOBILE和COPERT模型是最常用的排放因子模型。这些模型通常关于气象信息，道路拓扑结构，地理位置，交通状况和车辆排放因子的复杂模型，并且基于许多经验假设和参数，可能不适用于所有城市地区。并且这些参数通常很难获得，由此模型产生的结果可能并不准确。基于卫星遥感的地表空气污染预测是一种自上而下的大气污染浓度预测方法，在过去几十年人们进行了深入研究。然而，这种方法受到大气云量的极大影响，并且会对其他环境因素敏感，例如湿度，温度，气压，风力和地理位置等。

由于城市中的车辆遥感监测设备建造和维护成本高昂。城市车辆排放因不同地理位置呈现非线性变化，并且取决于许多复杂的外部因素，如道路网络，气象，交通，绿化率和城市生活功能区类型。预测城市每个区域的车辆尾气排放面临如下四方面挑战性：1、数据稀疏性和空间异质性；2、空间依赖性；3、时间相关性；4、外部环境因素影响。

发明内容

本发明提出的一种基于深度排放因子修正的移动源污染预测方法，克服了现有技术的不足，能够在真实遥测数据上实现更高精度的区域尾气预测。

为实现上述目的，本发明采用了以下技术方案：

一种基于深度排放因子修正的移动源污染预测方法，包括：

步骤一、多源异构数据获取；

步骤二、自编码器特征抽取，通过构建三层自编码器网络结构，实现对所述多源异构数据特征降维抽取；

步骤三、尾气排放修正，将所述步骤二中提取的各数据源的降维特征数据，代入尾气排放修正模型得到移动源污染排放修正结果。

进一步地，所述多源异构数据集包括：气象数据、路网数据、交通流数据和POIs数据；

所述气象数据包括天气、温度、湿度、气压和风力，所述气象数据从公开气象网站按每小时进行采集；所述路网数据包括车道数、路段长度和道路等级，所述路网结构数据从数字地图获取；所述交通流数据包括车流量和平均速度，所述交通流数据从数字地图获取；所述POIs数据为区域内兴趣点公共设施特征分类，所述POIs数据从数字地图获取。

进一步地，所述自编码器网络结构，包括自编码器网络输入层x、结果输出层y和降维特征隐藏层h；

h＝f(w₁×x+b₁)，y＝f(w₂×x+b₂)；