论文部分内容阅读
近年来,随着城市机动车数量的增加,由机动车尾气排放引起的生态和环境问题变得越来越突出,并成为了社会关注的热点问题。城市路网中行驶的机动车、工程器械等移动污染源排放出的大量对人体有害的气体如一氧化碳、二氧化碳、碳氢化合物、氮氧化物已成为形成大气污染的主要来源。获取实时的车辆排放信息和不同区域的大气污染情况,对移动污染源尾气排放控制和大气污染治理有着重大的意义。本文从移动污染源排放尾气造成的大气污染背景出发,以统计学习和深度学习等方法为基础,针对单站点和多站点区域的大气污染预测,提出了两种预测模型。本文的主要工作及研究成果如下:(1)针对道边监测站点大气污染数据存在的类别不平衡和有标记样本稀疏性的问题,本文提出一种基于不平衡修正的半监督超限学习机(Semi-supervised Extreme Learning Machine,SS-ELM)大气污染预测算法。利用改进的人工过采样技术(Majority Weighted Minority Oversampling Technique,MWMOTE)对类别不平衡进行修正,并结合有标记样本和无标记样本一起训练预测模型。该模型在杭州市下沙监测站点的数据集上进行了实验,相比于ELM、SMOTE-ELM、MWMOTE-ELM,所提算法获得了最高的F-measure和G-mean指标,提高了类别不平衡情形下的大气污染预测性能。(2)大多数城市的监测站点非常稀疏,并且大气污染受各种内部和外部因素的影响,预测城市区域的大气污染存在一定的挑战。本文首先引入了反距离权重(Inverse Distance Weighted,IDW)空间插值算法,旨在构建站位记录不足的历史排放观测数据。然后,将区域大气污染预测作为一个时空序列预测问题,并基于时空数据的特征,提出了一个深度密集网络大气污染预测模型,以预测城市每个区域的大气污染。最后,该模型在杭州市的真实数据集上进行了多次实验。结果表明,将反距离权重空间插值和深度时空密集网络模型相结合可以有效地预测城市每个区域的大气污染情况,性能优于ARIMA、CNN、ST-Res Net、CNN-LSTM。(3)本文以移动污染源排放监测为研究对象,在研制的遥测设备基础上搭建了在线监控软件平台。进一步,针对识别超标移动污染源的需求,设计并实现了排放等级分类模块。最后将把本文提出的算法嵌入到监控平台上并进行了测试,实现了对移动污染源排放等级的细粒度划分。