本發(fā)明涉及空氣污染物預(yù)測，特別涉及一種基于attention機制的lstm城市交通路網(wǎng)co與nox排放預(yù)測方法及系統(tǒng)。

背景技術(shù)：

1、傳統(tǒng)的污染物監(jiān)測方法由于響應(yīng)速度慢、成本高，難以全面、實時地捕捉城市交通網(wǎng)絡(luò)中復(fù)雜、多變的污染物排放情況。因此，尋找高效、精準(zhǔn)的污染物排放預(yù)測方法成為亟待解決的問題。

2、隨著人工智能技術(shù)的不斷進步，深度學(xué)習(xí)特別是基于長短期記憶(long?short-term?memory，lstm)網(wǎng)絡(luò)的預(yù)測模型在處理時序數(shù)據(jù)方面顯示出了顯著的優(yōu)勢。lstm能夠有效捕捉序列數(shù)據(jù)中的長期依賴關(guān)系，從而提高預(yù)測精度。然而，單純依賴lstm網(wǎng)絡(luò)在處理大規(guī)模復(fù)雜交通數(shù)據(jù)時，仍可能面臨信息提取不充分的問題。為此，可以將注意力(attention)機制引入lstm模型，通過賦予不同交通輸入特征不同的權(quán)重，可以更好地捕捉關(guān)鍵特征，進一步提升路網(wǎng)排放模型的預(yù)測能力和穩(wěn)定性。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)中的部分或全部問題，本發(fā)明提供一種基于attention機制的lstm城市交通路網(wǎng)co與nox排放預(yù)測方法，該方法包括如下步驟：

2、收集道路監(jiān)測數(shù)據(jù)和車輛特征數(shù)據(jù)，作為輸入數(shù)據(jù)；

3、使用主成分分析和相關(guān)系數(shù)法對所述輸入數(shù)據(jù)進行特征分析，篩選出與co和nox排放量相關(guān)的特征變量作為輸入特征變量；

4、對所述輸入特征變量的數(shù)據(jù)集進行數(shù)據(jù)清洗以及歸一化處理，得到歸一化后的特征變量數(shù)據(jù)集；

5、將所述歸一化后的特征變量數(shù)據(jù)集劃分為訓(xùn)練集和測試集；

6、構(gòu)建包括attention機制層的attention-lstm模型，所述attention機制層包括squeeze層、extract層、全連接層以及relu層；

7、構(gòu)建attention-lstm模型的損失函數(shù)，配置attention-lstm模型的超參數(shù)，所述超參數(shù)包括學(xué)習(xí)率、批量大小、lstm層數(shù)以及神經(jīng)元數(shù)量；以及

8、將所述歸一化后的特征變量數(shù)據(jù)集輸入設(shè)置好超參數(shù)的attention-lstm模型中進行訓(xùn)練，得到用于交通路網(wǎng)co和nox的排放預(yù)測模型，使用評估指標(biāo)評估所述co和nox的排放預(yù)測模型。

9、進一步地，使用主成分分析和相關(guān)系數(shù)法對所述輸入數(shù)據(jù)進行特征分析，篩選出與co和nox排放量相關(guān)的特征變量作為輸入特征變量包括：

10、使用主成分分析將所述輸入數(shù)據(jù)映射到低維空間，篩選特征變量數(shù)據(jù)；以及

11、計算所述特征變量數(shù)據(jù)的皮爾遜相關(guān)系數(shù)，篩選出與co和nox排放量相關(guān)的特征變量數(shù)據(jù)作為輸入特征變量數(shù)據(jù)；

12、皮爾遜相關(guān)系數(shù)rho(m,n)為，

13、

14、其中，xm、xn分別為第m、第n個特征變量數(shù)據(jù)，分別為第m個和第n個特征變量數(shù)據(jù)的平均值，n為特征變量數(shù)據(jù)的數(shù)量；

15、所述輸入特征變量包括反饋速度、階段距離、dpf運行速度、過濾速度、預(yù)過濾溫度、過濾器迎風(fēng)面速度以及電池溫度。

16、進一步地，歸一化公式為，

17、

18、其中，xi為輸入特征變量數(shù)據(jù)，xmin和xmax分別為輸入特征變量數(shù)據(jù)的最大值以及最小值，yi為歸一化后的特征變量數(shù)據(jù)；

19、經(jīng)過歸一化后，得到歸一化后的特征變量數(shù)據(jù)集，所述歸一化后的特征變量數(shù)據(jù)集被縮放到[0,1]范圍內(nèi)。

20、進一步地，將所述歸一化后的特征變量數(shù)據(jù)集劃分為訓(xùn)練集和測試集包括：

21、將所述歸一化后的特征變量數(shù)據(jù)集按照8:2的比例劃分為訓(xùn)練集和測試集。

22、進一步地，構(gòu)建包括attention機制層的attention-lstm模型，所述attention機制層包括squeeze層、extract層、全連接層以及relu層包括：

23、輸入數(shù)據(jù)集以時間序列的形式進入lstm層，lstm層的輸入為x＝[x1,x2,...,xt]，序列長度為t，lstm層的隱藏狀態(tài)ht在時間步t上的更新公式為，

24、ht＝f(wxxt+whht-1+b)

25、其中，f為激活函數(shù)，wx為輸入權(quán)重矩陣，wh為隱藏狀態(tài)權(quán)重矩陣，b為偏置向量，xt為時間步t的輸入；

26、將lstm層時間步t的輸出殘差rt輸入注意力機制層；

27、在注意力機制層的squeeze層中，將lstm層時間步t的輸出殘差rt壓縮成全局描述特征向量v；

28、將所述全局描述特征向量v輸入到extract層；

29、將lstm權(quán)重和殘差輸入全連接層，全連接層輸出向量[ht,vt]；

30、將輸出向量[ht,vt]輸入relu層，得到最終的attention權(quán)重vt′；以及

31、最終的attention權(quán)重vt′用于加權(quán)l(xiāng)stm的輸出，以生成attention-lstm模型的最終預(yù)測yfinal；

32、其中，ht為參考向量，vt為注意力得分；

33、參考向量和注意力得分的計算公式為，

34、ht＝weht+be

35、vt＝softmax(ht)

36、其中，we和be為全連接層的權(quán)重和偏置，softmax用于將得分標(biāo)準(zhǔn)化為一個概率分布；

37、最終的attention權(quán)重vt′為，

38、vt′＝relu(vt)

39、attention-lstm模型的最終預(yù)測yfinal為，

40、

41、其中，ht為lstm的隱藏狀態(tài)，t為序列長度。

42、進一步地，構(gòu)建attention-lstm模型的損失函數(shù)，配置attention-lstm模型的超參數(shù)，所述超參數(shù)包括學(xué)習(xí)率、批量大小、lstm層數(shù)以及神經(jīng)元數(shù)量包括：

43、attention-lstm模型的損失函數(shù)loss為，

44、

45、其中，train_y為訓(xùn)練集，predict_y為預(yù)測集，n為訓(xùn)練集的樣本數(shù)量；

46、學(xué)習(xí)率為0.001，批量大小為30，lstm層數(shù)為單層，神經(jīng)元數(shù)量為128。

47、進一步地，評估指標(biāo)包括均方根誤差、平均絕對誤差、決定系數(shù)以及平均絕對百分比誤差。

48、本發(fā)明還提供一種用于所述的基于attention機制的lstm城市交通路網(wǎng)co與nox排放預(yù)測方法的系統(tǒng)，該系統(tǒng)包括以下模塊：

49、數(shù)據(jù)收集模塊，被配置為收集道路監(jiān)測數(shù)據(jù)和車輛特征數(shù)據(jù)，作為輸入數(shù)據(jù)；

50、特征變量篩選模塊，被配置為使用主成分分析和相關(guān)系數(shù)法對所述輸入數(shù)據(jù)進行特征分析，篩選出與co和nox排放量相關(guān)的特征變量作為輸入特征變量；

51、數(shù)據(jù)預(yù)處理模塊，被配置為對所述輸入特征變量的數(shù)據(jù)集進行數(shù)據(jù)清洗以及歸一化處理，得到歸一化后的特征變量數(shù)據(jù)集；

52、數(shù)據(jù)集劃分模塊，被配置為將所述歸一化后的特征變量數(shù)據(jù)集劃分為訓(xùn)練集和測試集；

53、attention-lstm模型構(gòu)建模塊，被配置為構(gòu)建包括attention機制層的attention-lstm模型，所述attention機制層包括squeeze層、extract層、全連接層以及relu層；

54、超參數(shù)配置模塊，被配置為構(gòu)建attention-lstm模型的損失函數(shù)，配置attention-lstm模型的超參數(shù)，所述超參數(shù)包括學(xué)習(xí)率、批量大小、lstm層數(shù)以及神經(jīng)元數(shù)量；以及

55、排放預(yù)測及評估模塊，被配置為將所述歸一化后的特征變量數(shù)據(jù)集輸入設(shè)置好超參數(shù)的attention-lstm模型中進行訓(xùn)練，得到用于交通路網(wǎng)co和nox的排放預(yù)測模型，使用評估指標(biāo)評估所述co和nox的排放預(yù)測模型。

56、本發(fā)明還提供一種計算機系統(tǒng)，包括：

57、處理器，其被配置為執(zhí)行機器可讀指令；

58、具有人工智能芯片的顯卡，其被配置為訓(xùn)練所述的基于attention機制的lstm城市交通路網(wǎng)co與nox排放預(yù)測方法；以及

59、存儲器，其被配置為存儲有機器可讀指令，所述機器可讀指令在被處理器和/或顯卡執(zhí)行時執(zhí)行所述的基于attention機制的lstm城市交通路網(wǎng)co與nox排放預(yù)測方法的步驟。

60、本發(fā)明還提供一種計算機可讀存儲介質(zhì)，其上存儲有機器可讀指令，所述機器可讀指令在被處理器執(zhí)行時執(zhí)行所述的基于attention機制的lstm城市交通路網(wǎng)co與nox排放預(yù)測方法的步驟。

61、本發(fā)明提供的技術(shù)方案具有以下優(yōu)點：

62、1.傳統(tǒng)預(yù)測模型依賴于專家的經(jīng)驗和主觀判斷，難以處理復(fù)雜的交通數(shù)據(jù)。本發(fā)明提出的基于attention機制的lstm城市交通路網(wǎng)co與nox排放預(yù)測方法，通過深度學(xué)習(xí)，能夠自動提取和學(xué)習(xí)交通數(shù)據(jù)中的關(guān)鍵特征，從而實現(xiàn)更加智能和精確的排放預(yù)測。

63、2.lstm模型擅長處理時間序列數(shù)據(jù)，但當(dāng)交通數(shù)據(jù)涉及復(fù)雜的空間關(guān)系時，單純的lstm模型不足以應(yīng)對。本發(fā)明提出的基于attention機制的lstm城市交通路網(wǎng)co與nox排放預(yù)測方法，能夠有效聚焦于重要的時間點和空間位置，捕捉到交通流量和排放之間的復(fù)雜關(guān)系，提高預(yù)測的準(zhǔn)確性和穩(wěn)定性。

64、3.本發(fā)明提出的基于attention機制的lstm城市交通路網(wǎng)co與nox排放預(yù)測方法，通過對整個交通路網(wǎng)的全局?jǐn)?shù)據(jù)進行建模和分析，實現(xiàn)全局性的預(yù)測機制，能夠更好地滿足城市整體交通管理和污染管控的需求。

65、4.本發(fā)明提出的基于attention機制的lstm城市交通路網(wǎng)co與nox排放預(yù)測方法，可以持續(xù)吸收和學(xué)習(xí)新的交通數(shù)據(jù)，動態(tài)更新預(yù)測模型，確保始終與實際情況高度吻合，提供實時有效的管理建議。

66、5.本發(fā)明提出的基于attention機制的lstm城市交通路網(wǎng)co與nox排放預(yù)測方法，允許靈活調(diào)整目標(biāo)函數(shù)，滿足不同的管理需求和環(huán)境政策，給交通控制策略的制定提供了更大的靈活性和選擇空間。

67、6.本發(fā)明提出的基于attention機制的lstm城市交通路網(wǎng)co與nox排放預(yù)測方法，不僅適用于co和nox排放預(yù)測，還可以擴展應(yīng)用于其他類型的交通污染物預(yù)測和管理，為城市交通污染物排放的精準(zhǔn)預(yù)測和管控策略提供了一種先進而高效的解決方案，具有廣泛的應(yīng)用前景。