交通污染排放量预测方法

摘要

本发明提供了交通污染排放量预测方法，该方法包括：接收待预测区域当前的综合实况数据；对综合实况数据进行特征提取，获得时空张量；其中，时空张量用于表征综合实况数据对应的特征元素在待预测区域内的时空变化；利用预先创建的交通排放预测模型对时空张量在预测时间内的污染物排放量进行预测，以获得预测结果；其中，预测结果中包括至少一种污染物在预测时间的任一时间窗时的预测排放量；其中，交通排放预测模型通过至少两组样本集训练得到，每一组样本集中包括作为输入的时空张量以及作为输出的该时空张量所属区域在预测时间的污染物排放量。本方案能够提高预测交通污染物排放量的准确性。

说明书

技术领域

本发明涉及智能交通技术领域，特别涉及交通污染排放量预测方法。

背景技术

随着城市化进程和机动化出行快速发展，机动车数量急剧增长，机动车尾气污染源排放已成为城市空气质量恶化的首要污染物，危害人们的身心健康和日常生活。由于道路单位时间内的车流量在一定程度上决定了附近区域该时段内的空气质量，因此为了帮助人们安排出行方式和出行时间，响应国家节能减排号召，需要对交通污染物排放进行有效的预测。

目前，针对交通污染排放量预测方法，主要采用一些列修正因子乘以基础排放率的简单数学形式，未考虑环境中残留的污染物，也未考虑气象条件对污染物扩散的影响，故导致针对交通污染物排放量的预测准确性较低。

发明内容

本发明实施例提供了交通污染排放量预测方法，能够提高预测交通污染物排放量的准确性。

第一方面，本发明提供了交通污染排放量预测方法，包括：

接收待预测区域当前的综合实况数据；

对所述综合实况数据进行特征提取，获得时空张量；其中，所述时空张量用于表征所述综合实况数据对应的特征元素在所述待预测区域内的时空变化；

利用预先创建的交通排放预测模型对所述时空张量在预测时间内的污染物排放量进行预测，以获得预测结果；其中，所述预测结果中包括至少一种污染物在所述预测时间的任一时间窗时的预测排放量；

其中，所述交通排放预测模型通过至少两组样本集训练得到，每一组样本集中包括作为输入的时空张量以及作为输出的该时空张量所属区域在预测时间的污染物排放量。

可选地，所述对所述综合实况数据进行特征提取，获得时空张量，包括：

对所述综合实况数据进行特征提取，获得特征数据；

对所述待预测区域进行空间方格化划分，得到至少两个空间方格；

将所述特征数据按照时间顺序填充在对应的空间方格内，生成所述时空张量。

可选地，所述综合实况数据包括交通数据、污染排放数据、气象数据中的至少两个；

当所述综合实况数据中包括交通数据时，所述对所述综合实况数据进行特征提取包括：对所述交通数据进行特征提取，获得特征交通数据；其中，所述特征交通数据包括所述待预测区域内车辆轨迹、车辆速度、交通信号状态中的至少一个；

当所述综合实况数据中包括污染排放数据时，所述对所述综合实况数据进行特征提取包括：对所述污染排放数据进行特征提取，获得特征污染排放数据；其中，所述特征污染排放数据包括所述待预测区域内的PM2.5、PM10、臭氧、二氧化硫、氮氧化物中至少一种污染物的排放量；

当所述综合实况数据中包括气象数据时，所述对所述综合实况数据进行特征提取包括：对所述气象数据进行特征提取，获得特征气象数据；其中，所述特征气象数据包括所述待预测区域内的风向、风速、温湿度、气压、雨量、能见度中的至少一个。

可选地，所述交通排放预测模型的创建方法包括：

获取至少两组历史实况数据；其中，每一组历史实况数据包括待预测区域在预设时长内的实况数据；

对所述至少两组历史实况数据进行特征提取，获得对应每一组历史实况数据的时空张量；

根据所述对应每一组历史实况数据的时空张量生成样本集；

基于时空图卷积网络，利用所述样本集进行模型训练，以获得训练后的所述交通排放预测模型。

可选地，对应每一组历史实况数据的时空张量包括交通时空张量、污染排放时空张量、气象时空张量中的至少两个；其中，任一时空张量的空间维度和时间维度均相同；

所述利用所述样本集进行模型训练，包括：

针对每一组历史实况数据，均执行：

利用决策树算法获取该组历史实况数据中各时空张量的信息增益；

利用所述信息增益计算得到对应各时空张量的权重；

将各时空张量按照所对应的权重进行融合，获得融合时空张量；

利用所述样本集中包括的对应每一组历史实况数据的融合时空张量进行模型训练，以获得训练后的所述交通排放预测模型。

可选地，所述利用所述样本集进行模型训练，以获得训练后的所述交通排放预测模型，包括：

对所获得的所述每一组历史实况数据的时空张量进行随机抽样，获得测试集；

将所述测试集中包括的所述时空张量输入训练后的交通排放预测模型中，得到对应所述测试集在目标预测时间内的预测结果；

获取所述测试集在该目标预测时间内的真实排放结果；

判断该预测结果与该真实排放结果之间的均方误差是否符合预设误差区间；

如果是，则获得训练成功的所述交通排放预测模型；

其中，所述该预测结果与该真实排放结果之间的均方误差的计算公式如下所示：

其中，S用于表征该预测结果与该真实排放结果之间的均方误差，a用于表征污染物的种类数；n用于表征该预测时间内时间窗的个数；m用于表征所述测试集的总时刻数；

可选地，在所述获得预测结果之后，进一步包括：

获取所述待预测区域对应的交通网络空间拓扑图；

将所述预测结果添加至所述交通网络空间拓扑图中，获得所述待预测区域在所述预测时间内的交通污染全时空画像。

第二方面，本发明提供了交通污染排放量预测装置，包括：

接收模块，用于接收待预测区域当前的综合实况数据；

时空张量获得模块，用于对由所述接收模块所接收的所述综合实况数据进行特征提取，获得时空张量；其中，所述时空张量用于表征所述综合实况数据对应的特征元素在所述待预测区域内的时空变化；

预测模块，用于利用预先创建的交通排放预测模型，对由所述时空张量获得模块所获得的所述时空张量在预测时间内的污染物排放量进行预测，以获得预测结果；其中，所述预测结果中包括至少一种污染物在所述预测时间的任一时间窗时的预测排放量；所述交通排放预测模型通过至少两组样本集训练得到，每一组样本集中包括作为输入的时空张量以及作为输出的该时空张量所属区域在预测时间的污染物排放量。

第三方面，本发明实施例提供了一种交通污染排放量预测装置，其特征在于，包括：至少一个存储器和至少一个处理器；

所述至少一个存储器，用于存储机器可读程序；

所述至少一个处理器，用于调用所述机器可读程序，执行上述第一方面或第一方面的任一可能的实现方式所提供的方法。

第四方面，本发明实施例提供了计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行上述第一方面或第一方面的任一可能的实现方式所提供的方法。

本发明提供了交通污染排放量预测方法，该方法通过接收待预测区域当前的综合实况数据，再对其进行特征提取，获得时空张量，该时空张量用于表征综合实况数据对应的特征元素在该待预测区域内的时空变化，然后利用预先训练的交通排放预测模型对该时空张量进行预测时间内的污染物排放量预测，获得至少一种污染物在预测时间内的预测结果。由此可见，基于该交通污染排放量预测方法，通过挖掘当前实时的综合实况数据，利用基于深度学习训练得到的交通排放预测模型，实现了预测至少一种污染物在预测时间的任一时间窗的排放量，因此能够获得预测时间内污染物的动态排放量的预测，建立了更加准确的交通污染物排放仿真体系，能够提高交通污染物排放量的预测准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一个实施例提供的一种交通污染排放量预测方法的流程图；

图2是本发明一个实施例提供的一种交通污染排放量预测装置所在设备的示意图；

图3是本发明一实施例提供的一种交通污染排放量预测装置的示意图；

图4是本发明一实施例提供的另一种交通污染排放量预测方法的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

如背景技术所述，现有交通污染排放量的预测方法并未考虑污染物的残留，以及风向、风速对污染物的扩散影响，因而各时段的预测结果缺乏连贯性，对于交通污染物排放量的预测准确率也较低。

由于当前城市交通建设已转化为信息化建设，各类传感器的出现，使得收集的数据可用性越来越高，因而为获取交通状态、环境数据、气象信息等海量数据提供了方便。此外交通污染物排放量的变化具有时间关联和空间关联特性，因此可以考虑基于海量交通、环境、气象历史数据挖掘交通污染物排放量的时空关联性，进而进行交通污染排放量的预测。

以上就是本发明所提供的构思，下面描述本发明所提供构思的具体实现方式。

如图1所示，本发明实施例提供了交通污染排放量预测方法，该方法可以包括以下步骤：

步骤101：接收待预测区域当前的综合实况数据；

步骤102：对综合实况数据进行特征提取，获得时空张量；其中，时空张量用于表征综合实况数据对应的特征元素在待预测区域内的时空变化；

步骤103：利用预先创建的交通排放预测模型对时空张量在预测时间内的污染物排放量进行预测，以获得预测结果；其中，预测结果中包括至少一种污染物在预测时间的任一时间窗时的预测排放量；其中，交通排放预测模型通过至少两组样本集训练得到，每一组样本集中包括作为输入的时空张量以及作为输出的该时空张量所属区域在预测时间的污染物排放量。

本发明实施例提供了交通污染排放量预测方法，通过接收待预测区域当前的综合实况数据，再对其进行特征提取，获得时空张量，该时空张量用于表征综合实况数据对应的特征元素在该待预测区域内的时空变化，然后利用预先训练的交通排放预测模型对该时空张量进行预测时间内的污染物排放量预测，获得至少一种污染物在预测时间内的预测结果。由此可见，基于该交通污染排放量预测方法，通过挖掘当前实时的综合实况数据，利用基于深度学习训练得到的交通排放预测模型，实现了预测至少一种污染物在预测时间的任一时间窗的排放量，因此能够获得预测时间内污染物的动态排放量的预测，建立了更加准确的交通污染物排放仿真体系，能够提高交通污染物排放量的预测准确性。

需要说明的是，综合实况数据由对应的各种检测器监测获得。

在本发明实施例中，预测结果中包括至少一种污染物在预测时间的任一时间窗时的预测排放量。具体地，预测时间可以划分为多个单步预测时间窗，并分别对每一个时间窗进行预测。例如，预测时间为1h，即对未来1小时内的交通污染物排放量进行预测，若单步预测时间窗为5min，则该预测时间内共有12个时间窗，预测结果中包括至少一种污染物从第1个时间窗至第12时间窗的预测排放量。

可选地，在图1所示交通污染排放量预测方法中，步骤102对综合实况数据进行特征提取，获得时空张量，包括：

对综合实况数据进行特征提取，获得特征数据；

对待预测区域进行空间方格化划分，得到至少两个空间方格；

将特征数据按照时间顺序填充在对应的空间方格内，生成时空张量。

在本发明实施例中，首先对接收到的综合实况数据进行预处理(包括异常值剔除、数据离散化及归一化等)之后，再进行特征提取，筛选出影响污染物排放量的特征数据，并根据该特征数据包含的空间位置信息，将该特征数据对应填充在待预测区域划分后的空间方格内，以生成时空张量。其中，特征数据在空间方格内按照时间顺序排列。

在本发明实施例中，综合实况数据中包括有空间位置信息(比如，经度、纬度、海拔高度)，特征数据所填充的空间方格内包含该空间位置信息，该空间方格通过将与实际道路交通网络空间结果一致的空间维度进行方格化划分得到，其中每一个空间方格中填充的特征数据均表示该空间范围的状态，从而据此确定空间关联特性。同时，将特征数据按照时间顺序填充至空间方格内，在保证数据时序性的前提下，将数据、时间和空间相关联，生成高维时空张量。如此，基于该高维度的时空张量更有利于获取各实况数据之间的内在联系，从而实现更准确的预测。

可选地，在图1所示交通污染排放量预测方法中，综合实况数据包括交通数据、污染排放数据、气象数据中的至少两个；

当综合实况数据中包括交通数据时，对综合实况数据进行特征提取包括：对交通数据进行特征提取，获得特征交通数据；其中，特征交通数据包括待预测区域内车辆轨迹、车辆速度、交通信号状态中的至少一个；

当综合实况数据中包括污染排放数据时，对综合实况数据进行特征提取包括：对污染排放数据进行特征提取，获得特征污染排放数据；其中，特征污染排放数据包括待预测区域内的PM2.5、PM10、臭氧、二氧化硫、氮氧化物中至少一种污染物的排放量；

当综合实况数据中包括气象数据时，对综合实况数据进行特征提取包括：对气象数据进行特征提取，获得特征气象数据；其中，特征气象数据包括待预测区域内的风向、风速、温湿度、气压、雨量、能见度中的至少一个。

在本发明实施例中，综合实况数据可以包括交通数据、污染排放数据、气象数据，如此可以通过充分挖掘交通、环境、气象监测大数据，更准确更全面地对交通排放污染物的排放量进行预测。

具体地，可以通过道路监测设备采集待预测区域内网联车辆轨迹数据、交通信号配时数据；可以通过环境检测站采集待预测区域内的污染排放数据；可以通过气象监测站监测待预测区域内的气象数据。

在本发明实施例中，对综合实况数据进行特征提取，获得特征数据。当综合实况数据为交通数据时，对应的特征交通数据可以包括待预测区域内车辆轨迹、车辆速度、车辆ID、时间戳、车辆空间位置信息、交通信号状态、信号路口ID、信号路口空间位置信息；当综合实况数据为污染排放数据时，对应的特征污染排放数据可以包括PM2.5、PM10、臭氧、二氧化硫、氮氧化物中至少一种污染物的排放量、时间戳、环境监测站空间位置信息；当综合实况数据为气象数据时，对应的特征气象数据可以包括风向、风速、温湿度、气压、雨量、能见度、时间戳、气象监测站空间位置信息。

在本发明实施例中，基于交通数据，考虑了预测时间内的不同交通信号状态和信号路口处车辆轨迹和车辆速度信息，能够据此确定待测区域内道路上的车流量情况，进而根据车流量情况确定污染物排放量的分布情况。基于环境监测站所监测到的污染排放数据，不仅可以实时获取待预测区域的污染物排放量，还可以基于前后时间上的对比确定当前待预测区域内的污染物残留情况，从而可以在预测污染物排放量时将该残留进行去除，得到更精确地预测结果；基于气象数据，考虑了预测时间内不同气象监测站所获取到的风向、风速、温湿度、气压、雨量、能见度等对污染物排放量的影响，如此，可以将预测与紧密地与现实情况结合，提高该交通排放预测模型的可塑性。

可选地，在图1所示交通污染排放量预测方法中，交通排放预测模型的创建方法包括：

获取至少两组历史实况数据；其中，每一组历史实况数据包括待预测区域在预设时长内的实况数据；

对至少两组历史实况数据进行特征提取，获得对应每一组历史实况数据的时空张量；

根据对应每一组历史实况数据的时空张量生成样本集；

基于时空图卷积网络，利用样本集进行模型训练，以获得训练后的交通排放预测模型。

在本发明实施例中，通过对获取到的至少两组历史实况数据进行特征提取，获得对应每一组历史实况数据的时空张量，根据该时空张量生成样本集。基于时空图卷积网络，通过至少两组该样本集进行模型训练，可以获得交通排放预测模型，其中，该交通排放预测模型的输入为对历史实况数据进行特征提取获得的时空张量，输出的该时空张量所属区域在预测时间的污染物排放量。

具体地，对历史实况数据进行特征提取同样可以采用步骤102中的方法。

在本发明实施例中，基于时空图卷积网络，不仅能够实现对污染物排放量同时进行空间建模、时间建模，还能表示时空信息之间的连通性，对综合实况数据之间复杂和高度非线性的时空相关性进行深度学习，从而能够在海量综合实况数据中获得优异的预测准确率，且具备良好的泛化性能。

可选地，在图1所示交通污染排放量预测方法中，对应每一组历史实况数据的时空张量包括交通时空张量、污染排放时空张量、气象时空张量中的至少两个；其中，任一时空张量的空间维度和时间维度均相同；

利用样本集进行模型训练，包括：

针对每一组历史实况数据，均执行：

利用决策树算法获取该组历史实况数据中各时空张量的信息增益；利用信息增益计算得到对应各时空张量的权重；

将各时空张量按照所对应的权重进行融合，获得融合时空张量；

利用样本集中包括的对应每一组历史实况数据的融合时空张量进行模型训练，以获得训练后的交通排放预测模型。

在本发明实施例中，为了最大限度地提取有利信息，克服单一时空向量的局限性和差异性，获取更为全面和准确的信息，降低信息的冗余度，需要将各时空张量进行融合，以提高该时空张量的利用率，以便进一步基于该融合后的时空张量实现精准可靠的预测。首先，利用决策树算法获取该组历史实况数据中各时空张量的信息增益；利用信息增益计算得到对应各时空张量的权重；将各时空张量按照所对应的权重进行融合，获得融合时空张量。

具体地，每一组历史实况数据的时空张量可以包括交通时空张量、污染排放时空张量、气象时空张量，且任一时空张量的空间维度和时间维度均相同，如此，可以确保后续各时空张量基于相同的空间维度和时间维度进行融合。

在本发明实施例中，通过信息增益以及权重的计算，将各时空张量按照不同的权重进行融合，获得融合时空张量，从而可以保证该融合时空张量具有信息量大、独立性高、信息重叠度小的特征，进而可以降低预测过程中的数据处理难度，并提高运算速度，从而提高了获得预测结果的效率以及预测结果的准确性。

可选地，在图1所示交通污染排放量预测方法中，利用样本集进行模型训练，以获得训练后的交通排放预测模型，包括：

对所获得的每一组历史实况数据的时空张量进行随机抽样，获得测试集；

将测试集中包括的时空张量输入训练后的交通排放预测模型中，得到对应测试集在目标预测时间内的预测结果；

获取测试集在该目标预测时间内的真实排放结果；

判断该预测结果与该真实排放结果之间的均方误差是否符合预设误差区间；

如果是，则获得训练成功的交通排放预测模型；

其中，该预测结果与该真实排放结果之间的均方误差的计算公式如下所示：

其中，S用于表征该预测结果与该真实排放结果之间的均方误差，a用于表征污染物的种类数；n用于表征该预测时间内时间窗的个数；m用于表征测试集的总时刻数；

在本发明实施例中，为了确保所获得的交通排放预测模型的准确性和可靠性，需要对所获得的该模型进行检验。具体地，从所获得的历史实况数据中确定测试集，并该测试集在目标预测时间内的真实排放结果，将对应该测试集的时空张量输入训练后的交通排放预测模型中，得到该模型输出的对应目标预测时间内的预测结果，并在判断预测结果与该真实排放结果之间的均方误差符合预设误差区间时，确定成功获得交通排放预测模型。

在本发明实施例中，当判断结果不符合预设误差区间时，则需对该交通排放预测模型进行动态调整，返回利用样本集进行模型训练，直至判断结果符合预设误差区间为止。

例如，接前例所述，预测时间(nΔ)为1h，单步预测时间窗Δ为5min，则该预测时间内共有12个时间窗(即n＝12)。预测结果包括五种污染物(即a＝5)的排放量，分别是

可选地，在图1所示交通污染排放量预测方法中，在获得预测结果之后，进一步包括：

获取待预测区域对应的交通网络空间拓扑图；

将预测结果添加至交通网络空间拓扑图中，获得待预测区域在预测时间内的交通污染全时空画像。

在本发明实施例中，在获得预测结果之后，通过获取待预测区域对应的交通网络空间拓扑图，并将所确定的预测结果添加至该交通网络空间拓扑图中，可以获得该待预测区域在预测时间内的交通污染全时空画像。如此，使得交通排放的真实时空演化更贴切，在时间和空间维度上对交通排放情况予以刻画，建立了更加精确的交通污染全时空画像，更为直观，能够为交通管理者提供管控预判，为交通出行者提供信息服务，具有重要应用价值。

如图2、图3所示，本发明实施例提供了交通污染排放量预测装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图2所示，为本发明实施例提供的交通污染排放量预测装置所在设备的一种硬件结构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在设备的CPU将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。本实施例提供的交通污染排放量预测装置，包括：

接收模块301，用于接收待预测区域当前的综合实况数据；

时空张量获得模块302，用于对由接收模块301所接收的综合实况数据进行特征提取，获得时空张量；其中，时空张量用于表征综合实况数据对应的特征元素在待预测区域内的时空变化；

预测模块303，用于利用预先创建的交通排放预测模型，对由时空张量获得模块302所获得的时空张量在预测时间内的污染物排放量进行预测，以获得预测结果；其中，预测结果中包括至少一种污染物在预测时间的任一时间窗时的预测排放量；交通排放预测模型通过至少两组样本集训练得到，每一组样本集中包括作为输入的时空张量以及作为输出的该时空张量所属区域在预测时间的污染物排放量。

可选地，在图3所示交通污染排放量预测装置的基础上，时空张量获得模块302，还用于执行如下操作：

对综合实况数据进行特征提取，获得特征数据；

对待预测区域进行空间方格化划分，得到至少两个空间方格；

将特征数据按照时间顺序填充在对应的空间方格内，生成时空张量。

可选地，在图3所示交通污染排放量预测装置的基础上，综合实况数据包括交通数据、污染排放数据、气象数据中的至少两个；

时空张量获得模块302，还用于执行如下操作：

当综合实况数据中包括交通数据时，对交通数据进行特征提取，获得特征交通数据；其中，特征交通数据包括待预测区域内车辆轨迹、车辆速度、交通信号状态中的至少一个；

当综合实况数据中包括污染排放数据时，对污染排放数据进行特征提取，获得特征污染排放数据；其中，特征污染排放数据包括待预测区域内的PM2.5、PM10、臭氧、二氧化硫、氮氧化物中至少一种污染物的排放量；

当综合实况数据中包括气象数据时，对气象数据进行特征提取，获得特征气象数据；其中，特征气象数据包括待预测区域内的风向、风速、温湿度、气压、雨量、能见度中的至少一个。

可选地，在图3所示交通污染排放量预测装置的基础上，该装置进一步包括创建模块，该创建模块用于执行如下操作：

获取至少两组历史实况数据；其中，每一组历史实况数据包括待预测区域在预设时长内的实况数据；

对至少两组历史实况数据进行特征提取，获得对应每一组历史实况数据的时空张量；

根据对应每一组历史实况数据的时空张量生成样本集；

基于时空图卷积网络，利用样本集进行模型训练，以获得训练后的交通排放预测模型。

可选地，在图3所示交通污染排放量预测装置的基础上，对应每一组历史实况数据的时空张量包括交通时空张量、污染排放时空张量、气象时空张量中的至少两个；其中，任一时空张量的空间维度和时间维度均相同；

创建模块，还用于执行如下操作：

针对每一组历史实况数据，均执行：

利用决策树算法获取该组历史实况数据中各时空张量的信息增益；

利用信息增益计算得到对应各时空张量的权重；

将各时空张量按照所对应的权重进行融合，获得融合时空张量；

利用样本集中包括的对应每一组历史实况数据的融合时空张量进行模型训练，以获得训练后的交通排放预测模型。

可选地，在图3所示交通污染排放量预测装置的基础上，创建模块，还用于执行如下操作：

对所获得的每一组历史实况数据的时空张量进行随机抽样，获得测试集；

将测试集中包括的时空张量输入训练后的交通排放预测模型中，得到对应测试集在目标预测时间内的预测结果；

获取测试集在该目标预测时间内的真实排放结果；

判断该预测结果与该真实排放结果之间的均方误差是否符合预设误差区间；

如果是，则获得训练成功的交通排放预测模型；

其中，该预测结果与该真实排放结果之间的均方误差的计算公式如下所示：

其中，S用于表征该预测结果与该真实排放结果之间的均方误差，a用于表征污染物的种类数；n用于表征该预测时间内时间窗的个数；m用于表征测试集的总时刻数；

可选地，在图3所示交通污染排放量预测装置的基础上，该装置进一步包括：可视化模块，该可视化模块用于执行如下操作：

获取待预测区域对应的交通网络空间拓扑图；

将预测结果添加至交通网络空间拓扑图中，获得待预测区域在预测时间内的交通污染全时空画像。

上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

为了更加清楚地说明本发明的技术方案及优点，如图4所示，下面对本发明实施例提供的交通污染排放量预测方法进行详细的说明，具体包括：

步骤401：创建交通排放预测模型。

具体地，获取至少两组历史实况数据；其中，每一组历史实况数据包括待预测区域在预设时长内的实况数据；历史实况数据包括交通数据、污染排放数据、气象数据；

对至少两组历史实况数据进行特征提取，获得特征数据，对待预测区域进行空间方格化划分，得到至少两个空间方格；将特征数据按照时间顺序填充在对应的空间方格内，生成对应每一组历史实况数据的时空张量；对应每一组历史实况数据的时空张量包括交通时空张量、污染排放时空张量、气象时空张量；其中，任一时空张量的空间维度和时间维度均相同；

根据对应每一组历史实况数据的时空张量生成样本集；其中，样本集中包括作为输入的时空张量以及作为输出的该时空张量所属区域在预测时间的污染物排放量；

基于时空图卷积网络，针对每一组历史实况数据，均执行：

利用决策树算法获取该组历史实况数据中各时空张量的信息增益；

利用信息增益计算得到对应各时空张量的权重；

将各时空张量按照所对应的权重进行融合，获得融合时空张量；

利用样本集中包括的对应每一组历史实况数据的融合时空张量进行模型训练，以获得训练后的交通排放预测模型；

对所获得的每一组历史实况数据的时空张量进行随机抽样，获得测试集；

将测试集中包括的时空张量输入训练后的交通排放预测模型中，得到对应测试集在目标预测时间内的预测结果；

获取测试集在该目标预测时间内的真实排放结果；

判断该预测结果与该真实排放结果之间的均方误差是否符合预设误差区间；

如果是，则获得训练成功的交通排放预测模型；

其中，该预测结果与该真实排放结果之间的均方误差的计算公式如下所示：

其中，S用于表征该预测结果与该真实排放结果之间的均方误差，5用于表征污染物的种类数；n用于表征该预测时间内时间窗的个数；m用于表征测试集的总时刻数；

步骤402：接收待预测区域当前的综合实况数据。

具体地，综合实况数据包括交通数据、污染排放数据、气象数据；

通过道路监测设备采集待预测区域内网联车辆轨迹数据、交通信号配时数据等交通数据；通过环境检测站采集待预测区域内的污染排放数据；通过气象监测站监测待预测区域内的气象数据。

步骤403：对综合实况数据进行特征提取，获得时空张量。

具体地，对综合实况数据进行特征提取，获得特征数据；其中，综合实况数据包括交通数据、污染排放数据、气象数据；

对待预测区域进行空间方格化划分，得到至少两个空间方格；

将特征数据按照时间顺序填充在对应的空间方格内，生成时空张量；

其中，

对交通数据进行特征提取，获得特征交通数据；其中，特征交通数据包括待预测区域内车辆轨迹、车辆速度、交通信号状态；

对污染排放数据进行特征提取，获得特征污染排放数据；其中，特征污染排放数据包括待预测区域内的PM2.5、PM10、臭氧、二氧化硫、氮氧化物污染物的排放量；

对气象数据进行特征提取，获得特征气象数据；其中，特征气象数据包括待预测区域内的风向、风速、温湿度、气压、雨量、能见度。

步骤404：利用预先创建的交通排放预测模型预测预测时间内的污染物排放量。

具体地，将步骤403所获得的时空张量输入该交通排放预测模型中，获得由该交通排放预测模型输出的预测结果；其中，预测结果中包括五种污染物在预测时间的任一时间窗时的预测排放量。

步骤405：获得交通污染全时空画像。

具体地，获取待预测区域对应的交通网络空间拓扑图；

将预测结果添加至交通网络空间拓扑图中，获得待预测区域在预测时间内的交通污染全时空画像。

本发明实施例还提供了一种交通污染排放量预测装置，包括：至少一个存储器和至少一个处理器；

所述至少一个存储器，用于存储机器可读程序；

所述至少一个处理器，用于调用所述机器可读程序，执行本发明任一实施例所述的方法。

本发明实施例还提供了交通污染排放量预测装置，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行本发明任一实施例所述的方法。

可以理解的是，本发明实施例示意的结构并不构成对交通污染排放量预测装置的具体限定。在本发明的另一些实施例中，交通污染排放量预测装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。

具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。

在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。

用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。

此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。

此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。

需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个······”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。

最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。