[发明专利]一种道路高排放源识别模型更新方法、终端及存储介质

权利要求书

1.一种道路高排放源识别模型更新方法，其特征在于，包括如下步骤：

S1、收集道路排放源的实时污染排放数据，并将收集的实时污染排放数据组成数据集X，并设定高排放源识别模型的最大更新次数T_upd以及当前的更新次数ζ＝1；

S2、根据当前的更新次数ζ，将数据集构建为标签数据集和无标签数据集；

S3、设定高排放源识别模型参数的值以及最大迭代次数T_iter，并根据有标签数据集和无标签数据集中的污染排放数据，计算图拉普拉斯矩阵以及计算模型隐藏层的输出；

S4、初始化模型输出层的权重为零，并设定当前的迭代次数ξ＝1；

S5、判断当前的迭代次数ξ是否小于最大迭代次数T_iter，若否执行步骤S8，若是执行步骤S6；

S6、利用有标签数据集中的污染排放数据、图拉普拉斯矩阵以及隐藏层的输出，基于目标函数最小化得到当前迭代次数下模型的输出层权重；

S7、判断是否满足ε为预先设定的阈值，若是则ξ自增1，并执行步骤S5，否则执行步骤S8；

S8、输出当前迭代次数下模型的输出层权重，得到当前的更新次数下的高排放源识别模型；

S9、判断当前的更新次数ζ是否小于最大更新次数T_upd，若是则执行步骤S2，否则执行步骤S10；

S10、模型更新过程结束；

所述步骤S1：收集道路排放源的实时污染排放数据，并将收集的实时污染排放数据组成数据集，包括如下步骤：

对每个道路排放源进行监测并记录对应排放源的编号，得到实时污染排放数据N_I为实时排放数据维度；

将所有收集到的实时排放数据组成数据集其中，N表示X中包含的实时排放数据总数，并定义有标签数据集定义无标签数据集X_u＝X，分别用n_l和n_u表示有标签数据集和无标签数据集X_u中包含的实时排放数据数量，当前n_l＝0，n_u＝N；

所述步骤S2：根据当前的更新次数ζ，构建标签数据集和无标签数据集，包括如下步骤：

S21、判断是否满足ζ1，若否执行步骤S22，若是执行步骤S23；

S22、采用k-means聚类方法将所述数据集X聚为n_e个簇，并取出每个簇中距离中心最近的数据点，得到n_e条实时排放数据以构成选取数据集X_e，然后执行步骤S24；

S23、将所述无标签数据集X_u输入所述高排放源识别模型F^(ζ-1)，得到n_u条实时排放数据的预测排放结果和置信度，根据n_u条实时排放数据的预测排放结果和置信度构建选取数据集X_e，然后执行步骤S24；

S24、根据选取数据集X_e，构建当前选取的有标签数据集

S25、令X_u＝X_u-X_e，n_l＝n_l+n_e，n_u＝n_u-n_e；

其中，所述根据n_u条实时排放数据的预测排放结果和置信度构建选取数据集X_e，包括：

将所述n_u条实时排放数据按照预测排放结果分为预测排放结果为超标的数据和预测排放结果为正常的数据；

将预测排放结果为超标的数据和预测排放结果为正常的数据分别按置信度从低到高排列，并分别取每部分里的前条数据，共取出n_e条数据构成所述选取数据集X_e；

所述根据选取数据集X_e，构建当前选取的有标签数据集包括：

对所述选取数据集X_e中实时污染排放数据对应的排放源在排放检测机构进行排放监测，得到对应的排放源排放是否超标的真实结果，构建排放结果向量其第i个元素表示第i条实时排放数据的排放结果是否超标，为1则表示超标，否则表示正常，i＝1,2,…,n_e；

利用n_e条实时污染排放数据X_e与其对应的排放结果向量Y_e形成当前选取的有标签数据集其中表示X_e中第i条实时排放数据，表示其对应的排放结果，i＝1,2,…,n_e；

所述根据有标签数据集和无标签数据集中的污染排放数据，计算图拉普拉斯矩阵以及计算模型隐藏层的输出，包括：

利用所述有标签数据集和无标签数据集中的污染排放数据，计算相似性矩阵A；

计算图拉普拉斯矩阵L＝D-A，其中D为一个对角矩阵；

随机生成所述高排放源识别模型的隐藏层神经元的权重和偏置，并根据隐藏层神经元的权重和偏置计算隐藏层的输出H；

所述利用有标签数据集中的污染排放数据、图拉普拉斯矩阵以及隐藏层的输出，基于目标函数最小化得到当前迭代次数下模型的输出层权重，包括：

计算所述有标签数据集中污染排放数据的预测误差e_j；

根据预测误差e_j计算N维对角矩阵Λ，第j个元素c表示高斯核函数的中心，j＝1,2,…,n_l；

利用N维对角矩阵Λ、图拉普拉斯矩阵以及隐藏层的输出，基于目标函数最小化得到当前迭代次数下模型的输出层权重β^(ξ)；

所述目标函数为：

其中，‖β‖_F表示β的Frobenius范数，ρ、λ分别为对应两项的权衡系数，表示一个函数，L为图拉普拉斯矩阵，H为隐藏层的输出，表示宽度为σ_q的高斯核函数，γ_q表示第q个高斯核函数的权重，ψ为一个常数，0≤γ_q≤1。