基于时空卷积网络的机动车尾气遥测数据的多重补全方法技术

本发明专利技术涉及一种基于时空卷积网络的机动车尾气遥测数据的多重补全方法及系统，其中方法包括：步骤S1：获取检测区域路网遥测点拓扑结构信息和路网中遥测设备遥测的机动车尾气排放浓度多重缺失数据，并进行处理，分别构建空间路网的拓扑结构图数据和机动车尾气排放浓度时间序列数据；步骤S2：将空间路网的拓扑结构图数据和机动车尾气排放浓度时间序列数据输入到时空图卷积网络进行补全计算，得到最终补全的机动车尾气排放浓度时间序列数据。本发明专利技术通过获取检测区域路网遥测点拓扑结构信息，来实现对路网中遥测设备遥测的机动车尾气排放浓度多重缺失数据进行补全。排放浓度多重缺失数据进行补全。排放浓度多重缺失数据进行补全。

【技术实现步骤摘要】
基于时空卷积网络的机动车尾气遥测数据的多重补全方法


[0001]本专利技术属于数据处理领域，特别涉及了一种基于时空卷积网络的机动车尾气遥测数据的多重补全方法及系统。

技术介绍

[0002]随着城市机动车保有量增加，造成机动车尾气排放量的激增，即城市尾气排放所造成的自然和环境问题也日益严重，进而带来一个重大的社会问题，因此机动车排气污染监控工作面临着严峻的风险。机动车尾气排放产生的温室气体，是城市空气污染的主要源头，同时会对人体健康造成一定危害。尤其是老旧的排放未达标和机动车问题造成的尾气排放超标的机动车会产生大量对大气环境有害的气体，有必要进行对超标尾气排放有效的监管。
[0003]虽然国内遥测技术已经开始普及，但是考虑到遥测设备的复杂性、现场环境干扰，容易造成采集到的机动车尾气排放数据缺失，而缺失的数据会造成我们后续分析尾气排放等问题带来源头上的失真。现有的数据值数据补全，大多采用均值、众数或者中位数方法，或者采用回归方式对单个缺失数据进行补全，这些方法只是粗略的对缺失值部分进行了填充或者只是的单个数据的补全，无法给多重的缺失数据集进行有效填充。同时检测区域各个遥测点之间存在着地理联系和遥测数据的时间依赖性，没有考虑这些因素来补全数据会造成巨大的补全误差。因此，现有尾气排放浓度缺失数据补全的方法不能有效的进行对尾气排放缺失数据进行补全。

技术实现思路

[0004]为了解决上述技术问题，克服现有技术的不足。本专利技术提供一种基于时空卷积网络的机动车尾气遥测数据的多重补全方法及系统。基于检测区域的各个遥测设备点之间存在空间依赖性和时间依赖性，本专利技术引入了路网空间拓扑结构信息和尾气排放数据时间段内的周期时间段内的尾气排放数据对缺失数据浓度的影响，使得本专利技术能够获得对机动车尾气排放浓度缺失数据集更好的补全效果。
[0005]本专利技术技术解决方案为：一种基于时空卷积网络的机动车尾气遥测数据的多重补全方法，包括：
[0006]步骤S1：获取检测区域路网遥测点拓扑结构信息和路网中遥测设备遥测的机动车尾气排放浓度多重缺失数据，并进行处理，分别构建空间路网的拓扑结构图数据和机动车尾气排放浓度时间序列数据；
[0007]步骤S2：将所述空间路网的拓扑结构图数据和机动车尾气排放浓度时间序列数据输入到时空图卷积网络进行补全，所述的时空图卷积网络包括自注意力机制时空图卷积网络和改进型最近邻算法，所述的空间路网的拓扑结构图数据输入到所述自注意力机制时空图卷积网络得到路网的时空特征结果，所述的时空特征结果用于改进型最近邻算法中对机动车尾气排放浓度时间序列缺失数据进行多重缺失数据补全，得到最终完整的机动车尾气
排放浓度时间序列数据。
[0008]本专利技术与现有技术相比，具有以下优点：
[0009]1、本专利技术提供的基于时空卷积网络的机动车尾气遥测数据的多重补全方法及系统是基于检测区域遥测设备拓扑结构和一定时间段内的尾气排放时间序列数据。选择检测区域的拓扑结构信息来提取其中的时空特征；然后联合时空特征来处理尾气时间序列数据时间轴上的多个时间间隔周期(每小时、每日、每周)组建成尾气排放的时间序列缺失数据进行数据补全，提升了补全结果准确率。
[0010]2、本专利技术提供的基于时空卷积网络的机动车尾气遥测数据的多重补全方法及系统，可以补全遥测机动车尾气排放浓度缺失数据。首次使用时空图卷积和自注意力机制来提取空间和时间依赖性，生成带有权重的时空特征，而且基于时空特征结果使用改进型最近邻方法进行尾气排放浓度数据补全。
附图说明
[0011]图1为本专利技术实施例中一种基于时空卷积网络的机动车尾气遥测数据的多重补全方法的流程图；
[0012]图2为本专利技术实施例中一种基于时空卷积网络的机动车尾气遥测数据的多重补全方法中步骤S1：获取检测区域路网遥测点拓扑结构信息和路网中遥测设备遥测的机动车尾气排放浓度多重缺失数据，并进行处理，分别构建空间路网的拓扑结构图数据和机动车尾气排放浓度时间序列数据的流程图；
[0013]图3为本专利技术实施例中基于时空卷积网络的机动车尾气遥测数据的多重补全方法中步骤S2：所述空间路网的拓扑结构图数据和机动车尾气排放浓度时间序列数据输入到时空图卷积网络进行补全，其中，所述时空图卷积网络包括：自注意力机制时空图卷积网络和改进型最近邻算法；将所述空间路网的拓扑结构图数据输入到所述自注意力机制时空图卷积网络得到路网的时空特征结果，将所述时空特征结果用于所述改进型最近邻算法中对机动车尾气排放浓度时间序列缺失数据进行多重缺失数据补全，得到最终完整的机动车尾气排放浓度时间序列数据的流程图；
[0014]图4为本专利技术实施例中一种基于时空卷积网络的机动车尾气遥测数据的多重补全方法中步骤S21：将空间路网的拓扑结构图数据，输入自注意力机制时空图卷积网络，得到空间路网的自注意力时空图卷积的时空特征权重的流程图；
[0015]图5为本专利技术实施例中时空卷积网络的结构图；
[0016]图6为本专利技术实施例中一种基于时空卷积网络的机动车尾气遥测数据的多重补全系统的结构框图。
具体实施方式
[0017]本专利技术提供了一种基于时空卷积网络的机动车尾气遥测数据的多重补全方法及系统，可以补全路网中遥测设备遥测机动车尾气排放浓度的缺失数据。首次使用时空图卷积和自注意力机制来提取路网拓扑结构的空间和时间依赖性，生成带有权重的时空特征，而且基于时空特征应用于改进型最近邻方法进行尾气排放浓度数据补全。
[0018]为了使本专利技术的目的、技术方案及优点更加清楚，以下通过具体实施，并结合附
图，对本专利技术进一步详细说明。
[0019]实施例一
[0020]如图1所示，本专利技术实施例提供的一种基于时空卷积网络的机动车尾气遥测数据的多重补全方法，包括下述步骤：
[0021]步骤S1：获取检测区域路网遥测点拓扑结构信息和路网中遥测设备遥测的机动车尾气排放浓度多重缺失数据，并进行处理，分别构建空间路网的拓扑结构图数据和机动车尾气排放浓度时间序列数据；
[0022]步骤S2：将空间路网的拓扑结构图数据和机动车尾气排放浓度时间序列数据输入到时空图卷积网络进行补全，其中，时空图卷积网络包括：自注意力机制时空图卷积网络和改进型最近邻算法；将空间路网的拓扑结构图数据输入到所述自注意力机制时空图卷积网络得到路网的时空特征结果，将时空特征结果用于改进型最近邻算法中对机动车尾气排放浓度时间序列缺失数据进行多重缺失数据补全，得到最终完整的机动车尾气排放浓度时间序列数据。
[0023]本专利技术提供的基于时空卷积网络的机动车尾气遥测数据的多重补全方法是检测区域路网拓扑结构的时空依赖性。不仅使用检测区域路网拓扑结构的空间依赖性，同时还考虑到了时间依赖性对尾气排放浓度的数据补全。通过采用路网拓扑的时空信息新颖的方式来补全缺失的机动车尾气排放数据。
[0024]如图2所示，在一个实施例中，上述步骤S1：获取检测区域路网遥测点拓扑结构信息和路网中遥测设备遥测的机动车尾气排放浓度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空卷积网络的机动车尾气遥测数据的多重补全方法，其特征在于，包括：步骤S1：获取检测区域路网遥测点拓扑结构信息和路网中遥测设备遥测的机动车尾气排放浓度多重缺失数据，并进行处理，分别构建空间路网的拓扑结构图数据和机动车尾气排放浓度时间序列数据；步骤S2：将所述空间路网的拓扑结构图数据和机动车尾气排放浓度时间序列数据输入到时空图卷积网络进行补全，其中，所述时空图卷积网络包括：自注意力机制时空图卷积网络和改进型最近邻算法；将所述空间路网的拓扑结构图数据输入到所述自注意力机制时空图卷积网络得到路网的时空特征结果，将所述时空特征结果用于所述改进型最近邻算法中对机动车尾气排放浓度时间序列缺失数据进行多重缺失数据补全，得到最终完整的机动车尾气排放浓度时间序列数据。2.根据权利要求1所述的基于时空卷积网络的机动车尾气遥测数据的多重补全方法，其特征在于，所述步骤S1：获取检测区域路网遥测点拓扑结构信息和路网中遥测设备遥测的机动车尾气排放浓度多重缺失数据，并进行处理，分别构建空间路网的拓扑结构图数据和机动车尾气排放浓度时间序列数据，包括：步骤S11：获取检测区域空间路网遥测点拓扑结构信息，构建空间路网的拓扑结构图数据；步骤S12：采集路网中遥测设备遥测的机动车尾气排放浓度多重缺失数据，构建多时间周期的尾气浓度排放时间序列输入数据。3.根据权利要求2所述的基于时空卷积网络的机动车尾气遥测数据的多重补全方法，其特征在于，所述步骤S11：获取检测区域空间路网遥测点拓扑结构信息，构建空间路网的拓扑结构图数据，包括：步骤S111：获取检测区域路网遥感检测节点中在地图中的经纬度和检测点之间的近似距离，其中，所述遥感检测节点的个数为N，节点v
i
和v
j
之间的地理位置近似距离为l
i,j
，其中i,j∈N；步骤S112：构建空间路网的拓扑结构图数据，根据路网遥感检测节点拓扑图定义空间路网的拓扑结构图G＝(V,E,A)，其中，G为无向图；V为机动车尾气排放遥感检测节点集，|V|＝N为节点个数，E为遥测点的边集，表示节点的连通性，A∈R
N
×
N
为图G的权重邻接矩阵，其矩阵A元素数学表达式如公式(1)所示：其中，link(i,j)表示节点v
i
和v
j
之间的道路连接；当link(i,j)＝1时，表示节点v
i
和v
j
之间存在道路连接；参数θ表示控制加权邻接矩阵的尺寸和稀疏性。4.根据权利要求1所述的基于时空卷积网络的机动车尾气遥测数据的多重补全方法，其特征在于，所述步骤S2：将所述空间路网的拓扑结构图数据和机动车尾气排放浓度时间序列数据输入到时空图卷积网络进行补全，其中，所述时空图卷积网络包括自注意力机制时空图卷积网络和改进型最近邻算法；将所述空间路网的拓扑结构图数据输入到所述自注意力机制时空图卷积网络得到路网的时空特征结果，将所述时空特征结果用于所述改进型
最近邻算法中对机动车尾气排放浓度时间序列缺失数据进行多重缺失数据补全，得到最终完整的机动车尾气排放浓度时间序列数据，包括：步骤S21：将所述空间路网的拓扑结构图数据，输入所述自注意力机制时空图卷积网络，得到所述空间路网的自注意力时空图卷积的时空特征权重；步骤S22：将所述自注意力时空图卷积的时空特征权重和所述机动车尾气排放浓度时间序列缺失数据输入到改进型最近邻算法中，得到最终完整的机动车尾气排放浓度时间序列数据。5.根据权利要求4所述的基于时空卷积网络的机动车尾气遥测数据的多重补全方法，其特征在于...

【专利技术属性】
技术研发人员：凌强，费习宏，李峰，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：