[发明专利]一种基于主动时空图卷积的机动车排污监测节点部署方法

摘要

本发明公开了一种基于主动时空图卷积的机动车排污监测节点部署方法，利用已部署节点监测数据、城市交通路网特征以及交通流量数据等去预测城市范围内全局的机动车尾气浓度时空分布及其不确定性指标，然后以预测预测不确定性指标以及各条未布点路段与已布设节点路段固有特征差异性来联合优化选择新的地点建立机动车尾气排放监测节点。本发明在已部署监测节点的情况下能够找到最合适的位置去布设监测节点，以至于最大限度地提高尾气排放分布预测的准确性，适用于多阶段施工场景。

主权项

1.一种基于主动时空图卷积的机动车排污监测节点部署方法，其特征在于包括以下步骤：步骤一：结构序列数据进行特征提取借鉴注意力机制的思想对邻接矩阵进行处理，得到自适应邻接矩阵：其中，A为邻接矩阵，I_N为单位矩阵，W_embed为一个可学习的嵌入矩阵，为逐元素相乘，ReLU为线性整流函数；将自适应邻接矩阵送入图卷积网络，得到自适应图卷积网络，即为其中，H^(l)为l^th层非线性变换输出，σ(·)为激活函数，H⁽⁰⁾＝X即特征输入；将速度特征输入设定为交通路网邻接矩阵设定为A_S∈R^n×n，其中t,n,C_speed分别为时间步数、路段数量和速度特征维度；Att_speed是一个三维张量，以上的图卷积只能处理二维数据，在时间轴上共享参数，即每个时间戳上的都做相同的图卷积，速度特征经过一次图卷积运算后得到的特征映射为：i∈{1,2,...,t}其中，为图卷积核；抛弃目标函数中的约束项，采用图卷积直接来编码数据的时间相关性：对时间序列进行构图，在每个路段的时间序列上连接近邻时间戳以及周期性时间戳来构造时间亲和图；对于一条时间序列的时间戳T_i点，该点的时间近邻表示为：其中p为一个超参，P_day与P_week分别表示一天和一周的时间周期，包含T_i表示自循环；将转置得到时间邻接矩阵设定为A_T∈R^t×t；在空间轴上共享参数，即每条路段的时间序列都做相同的时间图卷积，经过一次图卷积运算后得到的特征映射为：i∈{1,2,...,n}其中，为图卷积核；为了同时提取时空数据的空间相关性与时间依赖性，联合空间卷积与时间卷积对时空数据进行特征提取；步骤二：时间特征提取将天气状况，主要包括雨、晴、雾，定义为WeatherAtt；时间特征，主要包括一天中的什么时刻和周几，分别定义为TimeAtt和WeekAtt；在数据集中，将6:00～23:00分成17个时间戳，每个时间间隔也就对应1小时，因此TimeAtt∈{1,2,...,17}；这些特征都是类别特征；采用嵌入方法将这些类别特征转换为低维向量，取代常规的独热码；所述的嵌入方法是将类别值独热编码后生成的类别向量v∈R^1×C乘以一个可以学习的参数矩阵W∈R^C×O；步骤三：路网物理特征提取对路网特征中的车道数、道路等级这类类别特征进行嵌入方法处理，并对道路长度、POIs特征作归一化处理；之后，将预处理后的特征送入图卷积来提取空间相关性；步骤四：标签分布学习将预测模型的特征输入设定为X∈R^t×n×d，其中t,n,d分别为时间步数、路段数量和每条路段特征维度；标签分布学习的任务即为预测各条路段的车流量分布向量y∈R^|y|，其中v_max为训练数据中平均每个车道车流量的最大值；在交通流量时空分布预测问题中，假设标签的概率分布应该是集中于真实标签附近的，所以将交通流量真实值y用正太分布来量化为向量y，其期望μ为真实值y，方差σ²为一个超参；将节点观测值也转换为离散的标签分布后，通过最小化预测标签分布与观测标签分布的对称Kullback‑Leibler散度来对模型进行学习模型输出的是每条路段的交通流量概率分布向量如果需要知道交通流量具体的值，则取该概率分布向量的期望；在有标签样本损失函数中联合无标签样本的熵，让深度模型根据给定的任务去将原始特征学习表示为一组有区分性的特征，使训练的模型同时具备较高的预测准确性以及较小的不确定性；其中熵是通过标签概率分布来计算的无标签样本的熵计算如下：最终的损失函数定义如下所示：Loss＝minλLoss_L+(1‑λ)Loss_U其中λ为权衡系数；采用以上步骤进行训练，直至预测模型收敛，再进行步骤五；步骤五：节点选择选择度量分数最高的K个节点作为新增节点位置，此处的度量分数如下：其中，上式中的第一项取选择熵值最大的样本，从而降低模型的不确定性，而第二项则是确保选择的样本尽可能地不同于已标签样本，其中β为权衡系数，φ为高斯核函数。