[发明专利]基于域适应的区域尾气迁移预测方法、系统及存储介质

说明书

本发明的一种基于域适应的区域尾气迁移预测方法、系统及存储介质，包括获取源区域和目标区域的历史尾气数据以及外部因素数据并处理，对源域数据和目标域数据以监测点为节点，两两相连，把权重为监测点距离的倒数构建图结构数据，并根据源区域和目标区域的尾气浓度变化特性划分时间序列集合；构建尾气时空特征提取模块，对源区域和目标区域的时间序列数据进行浅层特征提取与融合；构建自动编码器，利用编码器将属于不同特征空间的源域和目标域浅层时空特征非线性映射到同一特征空间；对浅层特征进行深度提取，并输出预测结果。本发明通过利用域适应方法实现源域数据的高效利用，从而实现对缺乏数据的目标域更高精度的区域尾气预测。

技术领域

本发明涉及环境检测领域中城市区域尾气污染预测技术领域，具体涉及一种基于域适应的区域尾气迁移预测方法、系统及存储介质。

背景技术

近年来，政府对机动车尾气污染越来越重视，对机动车尾气污染的预测和实时估计可以有效辅助政府对机动车尾气污染的治理以及相关政策的制定。由于交通流具有空间相关性和时间依赖性的特点，而尾气与交通流往往是强相关的，因此机动车尾气同样受到邻近区域尾气浓度和前一时刻该区域尾气浓度的影响。同时尾气浓度也易受气象因素等外部条件的影响。已有方法往往基于大量的尾气数据从而对下一时刻的尾气浓度进行预测，然而对于缺乏数据的地区，一般难以取得比较良好的实验结果。因此可以考虑利用有充足尾气数据的区域辅助缺乏数据的区域进行预测。

考虑到尾气浓度与路网结构、天气变化等因素具有高度相关性，而区域间路网结构，天气因素差别较大，从而导致不同区域间尾气的时空分布存在较大的差异，此外不同区域监测点数量也不相同，导致源域和目标域提取的特征分属不同特征空间，因此无法直接利用源域数据辅助目标域数据学习。针对上述挑战，本发明提出了一种基于域适应的区域尾气迁移学习预测方法旨在克服源区域和目标区域之间的尾气时空分布差异和监测点数目不同带来的影响，从而利用具有丰富数据的源域区域向数据稀缺的目标域区域进行知识迁移，以实现数据稀缺的目标区域的尾气浓度预测。

发明内容

本发明提出的一种基于域适应的区域尾气迁移预测方法、系统及存储介质，可解决现有方法在数据量较少的情况下，误差较大的技术问题。

为实现上述目的，本发明采用了以下技术方案：

一种基于域适应的区域尾气迁移预测方法，包括以下步骤：

S1：获取源区域和目标区域的历史尾气数据以及外部因素数据，并对进行数据预处理得到源域数据和目标域数据；

S2：对源域数据和目标域数据以监测点为节点，两两相连，边权重为监测点距离的倒数构建图结构数据，并根据源区域和目标区域的尾气浓度变化特性划分时间序列集合；

S3：构建尾气时空特征提取模块，对源区域和目标区域的时间序列数据进行浅层特征提取与融合；

S4：构建自动编码器，利用编码器将S3后属于不同特征空间的源域和目标域浅层时空特征非线性映射到同一特征空间，在共同特征空间内对源域和目标域的时空特征差异进行刻画，并利用解码器将源域和目标域特征映射到各自的特征空间；

S5：对解码器映射后的源域和目标域时空特征进行深度提取，并输出预测结果。

进一步的，S1的具体步骤如下：

S11：分别获取源区域和目标区域的历史尾气数据以及相应的外部因素数据；

S12：对源区域和目标区域的历史尾气数据进行插值，异常值处理，归一化化等预处理操作。

进一步的，所述S2具体包括：