【技术实现步骤摘要】
本专利技术涉及面向深度学习的空气质量预测，尤其涉及一种基于交通拥堵指数和多源数据融合的空气质量预测方法。
技术介绍
1、空气污染是影响公共卫生的重要因素，空气质量预测是空气污染预警的关键，因此预测空气质量的走势已经成为现今科学研究的热点问题。但空气污染是个复杂的现象，在特定时间和地点空气污染物浓度受到许多因素影响，主要受到气象条件、时间依赖性和空间相关性的影响，例如温度、湿度、风速等自然因素以及道路交通状况、污染源排放情况等人为因素是主要影响因素，城市的人口密度、地形地貌和气象等也是影响空气质量的重要因素，这些因素加大了空气质量精准预测的难度。
2、城市交通状况对空气质量有着重要的影响和贡献，交通活动产生的尾气排放是城市空气污染的主要源之一，交通状况对空气质量的影响是动态变化的，包括交通流量、道路状况和交通运输模式的改变等。交通拥堵限制了空气中污染物的扩散，尤其是在密集的城市区域和狭窄的街道上，拥堵导致空气中的污染物停滞不前，增加了污染物的排放量和浓度，形成局部污染区域，对城市空气质量产生显著的负面影响，因此，通过将交通拥堵指数与气象数据和污染物数据结合，可以提高空气质量预测的准确性，并为城市空气质量管理和改善提供科学依据。
3、生态环境大数据存在来源高维、高复杂性及不确定性的特点，大数据技术能有效处理多来源、多类型、多尺度数据。对多源异构数据的集成、整合及分析是当前环境监测大数据研究面临的难题，深度学习模型对于大数据分析的性能优异，对特征提取与预测的能力远超传统算法。因此，在大数据时代的背景下，利用深度
技术实现思路
1、本专利技术目的就是为了弥补已有技术的缺陷，提供一种基于交通拥堵指数和多源数据融合的空气质量预测方法。本专利技术针对城市空气质量状况从时空特征，交通拥堵状况和污染来源等多方面及多指标开展耦合研究，将交通拥堵指数与气象数据和大气污染物数据相融合，揭示污染物浓度的时空分布特点，可以提高空气质量预测模型的准确性和可靠性，及时预警和预测环境污染事件的发生。
2、本专利技术是通过以下技术方案实现的：
3、一种基于交通拥堵指数和多源数据融合的空气质量预测方法，包括以下步骤：
4、s1:采集城市国控站点大气污染物和气象要素数据，添加交通拥堵指数等相关影响因子，并进行预处理，汇总生成多因素表达和多类型特征的大气污染物信息序列；
5、s2:构建图卷积神经网络模型(简称gcn模型)，通过自定义邻接关系实现监测站点空间关联特征的提取，各站点间交通敏感污染物与气象要素的相关性分析，并将站点覆盖范围内的道路拥堵指数映射到污染物波动趋势中，实现交通拥堵指数特征融合；
6、s3:利用tensorflow框架实现卷积神经网络与双向长短期记忆网络混合模型(简称cnn-bilstm模型)的搭建，通过捕获各特征间的时空关联性，解决长时序数据特征尺度不一致问题，全面刻画空气质量变化趋势；
7、s4:利用注意力机制集成gcn模型和cnn-bilstm模型，捕捉关键时间点污染物特征信息，精细化处理不同维度特征，并进行集成模型优化和训练；
8、s5:利用训练好的集成模型，采用气象因素，以及交通拥堵指数和空气质量状况对交通敏感污染物浓度进行综合预测，并选择误差指标定量分析集成模型预测效果；
9、所述步骤s1具体包括以下步骤：
10、s11:获取城市空气质量监测站常规污染物、气象要素以及交通拥堵指数历史数据，并收集大气污染传输和突发事件等信息，构成多源异构数据集；
11、s12:依据逻辑与因果关系对多源数据集进行拆分和筛选，降低数据特征数量，特征指标组合最优化；
12、多源异构数据集按特征属性被划分为原始特征和解释补充两种类型，原始特征数据集包含污染物和气象因素时间变化特征，解释补充数据集由各类污染事件构成，用来解释特征数据集出现异常峰值的原因，根据作用域大小进行分类编码，将文字型数据转换为数值型嵌入数据集中。
13、其中作用域表征对污染物峰值浓度波动的贡献大小，分类编码的目的是确立权重和优先级，将污染事件作为环境影响修正因子。
14、s13:对各类型大气污染物变化趋势进行对比分析，选择受交通拥堵状况影响明显波动的污染物种类，以此作为交通敏感污染物；
15、s14:对初步筛选的数据进行预处理，其中包括缺失值填充和离群值处理，再采用最大最小归一化处理，归一化指定区间为0到1,所述最大最小归一化公式为：
16、
17、式中，x为归一化后的最终结果，x为原始值，xmin为原始数据的最小值，xmax为原始数据的最大值。
18、步骤s14所述对数据进行缺失值处理，具体包括缺失的数据用均值填充，采用箱型图的方式对数据进行统计和展示，剔除明显偏离大部分数据的离群值。
19、所述步骤s2具体包括以下步骤：
20、s21:根据已采集站点的地理位置和覆盖半径，利用图卷积网络建立空间关联规则，提取各站点监测数据间的时空关联信息，解释监测站点间污染扩散和趋同现象；
21、s22:使用皮尔逊相关系数对站点的交通敏感污染物进行空间维度与时间维度上的相关性分析，掌握污染物浓度和气象因子数据特征相关性，并设置相关系数阈值；
22、皮尔逊相关系数的计算公式为：
23、
24、公式中，cov(x,y)是特征x和y之间的协方差，σx，σy分别为特征x和y的标准差。
25、步骤s21的图卷积网络，具体包括描述监测站间拓扑结构以及生成对应站点信息的特征矩阵。
26、根据各站点地理位置信息构建目标站点所在城市环境监测站点的拓扑图g并计算两两站点间的关联度存储在邻接矩阵a中。
27、其中拓扑图g:g＝(v,e)可用于描述多个城市监测站点间的拓扑结构，图中每个节点代表一个环境监测站点，v代表城市中所有站点的集合，v＝(v1,v2,…,vn)，e表示为各监测站点间边的集合，n为监测站点总数量。
28、通过计算两站点间距离的倒数来表示关联程度并作为对应站点连边权重值存储在邻接矩阵a中，a∈rn×n。
29、基于城市环境监测站点不同时刻的空气质量数据构建特征矩阵xn×p，其中p表示节点属性的数量特征，特征矩阵中存储着拓扑图中各节点自身信息。
30、对邻接矩阵a进行拉普拉斯变换生成矩阵
31、其中为自连接邻接矩阵，in为单位矩阵，为度矩阵。
32、通过自定义的关联规则聚合和转化相关联节点的特征，以获得邻接节点的最优特征组合，即提取站点间的空间关系。
33、s23:根据监测站点经纬度坐标，在地图上标记所选监测站点位置，通过站点与周边道路的距离匹配，可将采集到交通拥堵指数数据分配到城市路网中，实现交通拥堵指数与气象数据和交通敏感污染物数据的融本文档来自技高网...
【技术保护点】
1.一种基于交通拥堵指数和多源数据融合的空气质量预测方法,其特征在于：具体包括以下步骤：
2.根据权利要求1所述的一种基于交通拥堵指数和多源数据融合的空气质量预测方法，其特征在于：所述步骤S1包括以下步骤：
3.根据权利要求2所述的一种基于交通拥堵指数和多源数据融合预测疫情期间空气质量方法，其特征在于：步骤S14所述的对初步筛选的数据进行预处理，具体包括：
4.根据权利要求3所述的一种基于交通拥堵指数和多源数据融合的空气质量预测方法，其特征在于：所述步骤S2包括以下步骤：
5.根据权利要求4所述的一种基于交通拥堵指数和多源数据融合的空气质量预测方法，其特征在于：步骤S21所述的构建GCN模型，包括描述监测站间拓扑结构以及生成对应站点信息的特征矩阵，具体如下：
6.根据权利要求5所述的一种基于交通拥堵指数和多源数据融合的空气质量预测方法，其特征在于：步骤S23所述的交通拥堵指数的匹配融合，包括利用灰色关联模型将交通拥堵指数融合到污染物数据中，具体如下：
7.根据权利要求5所述的一种基于交通拥堵指数和多源数据融合
8.根据权利要求7所述的一种基于交通拥堵指数和多源数据融合的空气质量预测方法，其特征在于：所述步骤S4包括以下步骤：
9.根据权利要求8所述的一种基于交通拥堵指数和多源数据融合的空气质量预测方法，其特征在于：所述步骤S42的模型注意力权重计算：
10.根据权利要求9所述的一种基于交通拥堵指数和多源数据融合的空气质量预测方法，其特征在于：所述步骤S5包括以下步骤：
...【技术特征摘要】
1.一种基于交通拥堵指数和多源数据融合的空气质量预测方法,其特征在于：具体包括以下步骤：
2.根据权利要求1所述的一种基于交通拥堵指数和多源数据融合的空气质量预测方法，其特征在于：所述步骤s1包括以下步骤：
3.根据权利要求2所述的一种基于交通拥堵指数和多源数据融合预测疫情期间空气质量方法，其特征在于：步骤s14所述的对初步筛选的数据进行预处理，具体包括：
4.根据权利要求3所述的一种基于交通拥堵指数和多源数据融合的空气质量预测方法，其特征在于：所述步骤s2包括以下步骤：
5.根据权利要求4所述的一种基于交通拥堵指数和多源数据融合的空气质量预测方法，其特征在于：步骤s21所述的构建gcn模型，包括描述监测站间拓扑结构以及生成对应站点信息的特征矩阵，具体如下：
...
【专利技术属性】
技术研发人员：胡俊涛，张士诚，崔灿，孙海东，蒋炬波，张翔，方勇，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。