基于深度学习网络及多源异构数据的城市健康状态估计方法

本发明属于城市交通领域，具体涉及一种基于深度学习网络及多源异构数据的城市健康状态估计方法。

背景技术：

1、智慧城市通常采用与数据相结合的传感器基础设施，实时监测和检测可能发生异常或城市中感兴趣的事件，如交通事故、航空事故和污染等。传感器设备正在成为智能城市基础设施的一部分，可以是嵌入式城市基础设施(例如监控相机)，也可以是移动设备(例如智能手机或移动应用程序)，还可以是静态设备(例如污染监测站)，以提供改善公共福利和居民生活质量的服务。这些服务涉及交通管理、环境监测、智能交通、家政服务等方面。智能城市系统通常会生成大量数据，在其运行过程中，这些数据使我们能够研究、了解和模拟城市的多个参数，如交通模式、人群行为、动态以及整个城市的空气污染扩散情况。

2、因此，数字技术正在改变智慧城市的规划和监控方式。其中一个具有挑战性的问题是如何综合考虑空间和时间因素来评估城市区域内居民的健康状况，包括交通状况和空气污染等因素。通过监测空气污染排放和传递这些信息给公众，可以了解城市的健康状况对人们在城市环境中的生活、行为和选择产生的影响。例如，儿童、老年人或进行户外运动的人(如骑自行车或慢跑)可以借助这些信息避开污染水平较高或拥挤地方，从而受益。同时，这些信息还可以鼓励人们使用替代交通工具，并避开可能导致交通拥堵的地区压力和拥堵程度。因此，辨识和利用城市异构数据类型在提升公众福利和增强公众意识方面发挥着重要作用。

3、之前的研究已经分析了城市生活问题的各种观点。比如，利用地理信息确定新零售店最佳位置的标准，其中考虑了不同类型和附近地区的密度特征，以及用户流动性标准，包括场馆之间的过渡和来自远处地区的移动用户。过去已经有一些工作专注于基于众包方案或环形传感器网络来推断交通信息，以及使用城市数据来评估城市的环境足迹。然而，这些研究的局限性在于它们关注城市生活问题的特定方面(如交通或空气污染)，而没有考虑到多种类型的城市数据，我们的目标是利用异构的多源城市数据，即污染和交通数据，来评估城市的健康状况。交通数据是从多个大规模来源获取的，包括北京交通发展研究院、清华大学数据科学研究院交通大数据研究中心、赛文交通网和百度地图智能交通联合实验室等多家机构。这些数据可能存在噪声、缺失值和测量误差。城市空气质量的数据来源于中国环境监测总站，中国生态环境部负责收集全国空气质量数据并向市民提供有关空气污染的信息。空气质量并不是固定不变的，它每小时都在变化，甚至每个社区的空气质量也会有很大的差异。因此，利用空气污染和交通数据来评估城市的健康状况是一项具有挑战性的任务。

技术实现思路

1、为了解决上述现有技术存在的问题，本发明提出了一种基于深度学习网络及多源异构数据的城市健康状态估计方法。我们提出了一个hotp的框架，通过整合城市数据的异构来源来识别城市的健康状态。首先对空气质量数据进行数据预处理和数据特征处理。然后我们对交通拥堵数据进行预处理和数据特征处理。最后把以上两种数据特征提取结果进行数据融合，以推理评判断城市健康状况，预测结果符合实际城市运行规律，说明我们提出的htop方法有机融合了城市的交通数据与空气污染数据，能准确评估整个城市的健康水平。

2、本发明提出了一种基于深度学习网络及多源异构数据的城市健康状态估计方法，具体包括如下步骤：

3、步骤1：采集城市空气质量数据；

4、步骤2：获取城市交通拥堵情况；

5、步骤3：对城市空气质量数据预处理；

6、步骤4：对城市交通拥堵情况进行预处理；

7、步骤5：获得空气质量预处理数据和城市交通拥堵情况预处理数据，整合两个预处理数据；

8、步骤6：对城市健康状况进行推理和评估。

9、进一步地，步骤1具体为：

10、精确采集目标城市的空气质量数据，涵盖pm2.5、pm10、so2、no2、co、o3等关键污染物的浓度数据，确保数据的全面性和准确性。

11、采集的数据表示为向量形式：

12、

13、其中cx表示污染物x的浓度。

14、进一步地，步骤2具体为：

15、系统性地获取目标城市的交通拥堵情况数据，包括道路拥堵指数、交通流量、平均车速等核心交通参数，以全面反映城市交通状况。

16、交通拥堵情况用以下向量表示：

17、交通拥堵数据＝(i拥堵指数，f交通流量，v平均车速)

18、其中i拥堵指数、f交通流量、v平均车速分别表示拥堵指数、交通流量和平均车速。

19、进一步地，步骤3具体为：

20、综合空气中各污染物的含量浓度值，共同计算出空气质量指数。单项污染物的空气质量指数，即空气质量分指数(iaqi)，由公式(1)计算：

21、

22、其中，iaqi为单项污染物的空气质量指数，cp为污染物项目的质量浓度值，bph为cp相近的污染物浓度限值的高位值，bph为cp相近的污染物浓度限值的高位值，bpl为cp相近的污染物浓度限值的低位值，iaqih为与bph对应的空气质量分指数，iaqil为与bpl对应的空气质量分指数。那么空气质量指数(aqi)为

23、aqi＝max{iaqi1，iaqi2，iaqi3，...，iaqin}

24、最后利用区域c在当前t时刻的空气质量指数除以标注危险污染条件的阈值,得到用以评估空气质量的影响因子。

25、

26、进一步地，步骤4具体为：

27、利用交通数据来评估一下交通状况。选用拥堵指数来作为交通状况的评估标准。拥堵指数为实际行程时间与畅通行程时间的比值，拥堵指数越大代表拥堵程度越高。拥堵指数可以由下式计算：

28、

29、其中vf为该路段自由流速度，v为该路段当前车速，f为可变参数。

30、进一步地，步骤5具体为：

31、结合空气污染数据与交通运输数据，可以对城市的健康状况进行预测：

32、

33、其中，ωt为交通指数权重参数，ωp为空气指数权重参数，kt为交通拥堵指数归一值，kp为空气指数归一值。当得到空气污染数据和交通拥堵数据的准确预测值后，将预测值进行融合，即可对城市的健康状态进行预测。

34、进一步地，步骤6具体为：

35、根据交通数据和空气数据的不同特点，分别使用gbdt决策树算法和长短期记忆网络lstm算法预测出未来的交通拥堵状态和空气污染指数。选取mad(median absolutedeviation，绝对中位差)、mae(mean absolute error，平均绝对误差)、rmse(root meansquare error，均方根误差)、std(standard deviation，标准偏差)四个参数来评估预测的准确性。最后将交通拥堵数据与空气污染数据进行融合共同对城市的健康状态进行评估。

36、相对于现有技术，本专利具有如下有益效果：

37、本发明提出的一种基于深度学习网络及多源异构数据的城市健康状态估计方法，针对当前研究主要聚焦于分析来自单一来源的数据以及近来利用异构数据源但未判断污染信息和交通数据这两个因素及其相互作用从而判断城市健康水平的见解，重点是通过污染信息与交通数据结合来判断城市健康水平。在步骤一中，我们根据城市不同地区的污染程度与污染源的不同选取主要的污染信息。这对于理解影响城市污染的因素至关重要。在步骤二中，我们对于不同地区的交通状况有所不同这一特性，选取来自集体交通监测网络的数据,这些数据的时空分布或统计特征有助于识别典型交通状况,并提取有助于交通规划的信息。在步骤三、四中我们对于获取到的空气质量数据与城市交通拥堵情况根据我们方法的需要进行预处理，将这两种数据通过数字的形式表现出来以便后续实验的进一步进行。对数据预处理之后将空气污染数据与交通拥堵数据相融合，共同计算出一个城市的健康状态。这一创新策略突破了当前大部分学者只利用单一数据源推断交通或污染状态，有机融合了城市的交通数据与空气污染数据，能够清楚的了解到整个城市的健康水平并对判断预测算法的优异提供了基础；此外，为了更加精确地判断预测算法的误差，选取了mad(median absolute deviation，绝对中位差)、mae(mean absolute error，平均绝对误差)、rmse(root mean square error，均方根误差)、std(standard deviation，标准偏差)四个参数来评估预测的准确性，进一步提高了预测算法的可靠性。