[发明专利]一种城市机动车尾气浓度的时空预测方法

摘要

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。

主权项

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。