买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西南交通大学

摘要：本发明公开了一种基于深度集成学习的运渣车活动水平短时预测方法，具体为：首先是研究数据的获取以及预处理，包括轨迹点获取、停驻点筛选、流量统计、网格降采样和活动水平阈值设定；其次构建时空特征，包括地理依赖性、语义依赖性、时间依赖性和时间周期性；最后建立运渣车活动水平短时预测模型，规定相应的基模型、集成策略和损失函数，完成运渣车活动水平短时预测。本发明为重污染期间的运渣车管控提供了科学的决策支持，有效地指导相关部门进行精细化管理，从而缓解与运渣车相关的空气污染问题。

主权项：1.一种基于深度集成学习的运渣车活动水平短时预测方法，其特征在于，包括以下步骤：步骤1：研究数据的获取以及预处理；1轨迹点获取：通过搭载在运渣车上的高精度传感器获取车辆的轨迹点；轨迹点信息包括时间戳ti，纬度lati和经度信息loni；2停驻点筛选：停驻点的定义为：Distlat1,lon1,latj,lonj≤δtn-t1≥θ其中，Distx，y为轨迹点x和y之间的距离；δ和θ分别为200米和10分钟；3流量统计：将研究区域栅格化为1km*1km的正方形网格，并将停驻点精确地匹配到各个网格中；每个网格中的停驻点将按车辆进行去重，确保每辆车在同一时间窗口内仅被计数一次，以此来获得运渣车流量其中，t为时间戳，s为网格的编号；4网格降采样：对网格进行降采样处理，首先统计每个网格在重污染期间的平均运渣车流量其次，基于绘制累积分布函数CDF的曲线图；最后，选择属于前25％的网格作为研究区域；5活动水平阈值设定：基于研究区域内所有网格的绘制了CDF的折线图；通过分析CDF折线图，确定对应于运渣车流量前10％的阈值；这个阈值将用来区分高活动水平和中活动水平的网格，使相关部门能够更有效地针对高风险区域进行管理和干预；运渣车活动水平的定义为： 其中，表示时间戳为t时网格s的运渣车活动水平，0，1，2分别表示运渣车活动水平为无，中和高；步骤2：构建时空特征；1地理依赖性：当一辆运渣车在两个连续的轨迹点上从一个网格迁移到相邻的另一个网格时，表明这两个网格之间存在直接的地理联系；基于此，构建一个邻接矩阵A，用于表示网格之间的地理依赖关系： 2语义依赖性：采用快速动态时间规整FastDTW方法，快速动态时间规整通过动态匹配不同长度序列中的点，找到最佳对应关系；基于FastDTW，构建一个语义关联矩阵Di，j，用以表示网格间的语义依赖关系：Di,j＝Disti，+min{Di-1,j，Di，j-1,Di-1,j-1}其中，Di，j表示序列i和j之间的一阶关系；3时间依赖性：采用滑动时间窗口的方法来提取运渣车数据中的时间依赖性，通过设置特定的时间窗口，模型捕捉到关键的时间序列特征，从而更好地理解运渣车在不同时间段内的运动趋势和模式变化；4时间周期性：从时间戳数据中提取了日周期和周周期这两个重要信息作为特征；步骤3：建立运渣车活动水平短时预测模型；1基模型：在构建预测框架时，选择了四种具有代表性的神经网络模型：双向长短时记忆神经网络BI-LSTM、时序卷积神经网络TCN、时空图卷积神经网络STGCN以及传播延迟感知的动态长距离变换器PDFormer；BI-LSTM通过其双向结构能够有效捕捉时间序列数据中的前后依赖关系；TCN通过其特有的卷积结构优化对时间序列的处理；STGCN则结合了图卷积网络与时间卷积，能够同时处理空间和时间上的依赖性；PDFormer引入了动态长距离依赖的处理能力；2集成策略：采用软投票方法来提升模型的准确性和稳定性，其定义为： 其中，wmodel为基模型的权重，为模型的输出；3损失函数：采用权重损失的方法，在损失函数中为少数类分配了更高的权重以提高模型对少数类的识别能力，其定义如下： 其中，wi和pi为运渣车活动水平时的权重和概率。

全文数据：

权利要求：

百度查询： 西南交通大学 一种基于深度集成学习的运渣车活动水平短时预测方法