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。