当前我国空气质量形势严峻,《2018中国生态环境状况公报》显示,338个地级以上城市中,217个城市环境空气质量超标,占64.2%。根据2019年《中国移动源环境管理年报》,全国机动车保有量达3.07亿辆,四项污染物排放总量初步核算为4065.3万吨。移动源污染在城市大气污染物中占比中,一氧化碳和碳氢化物占比超过80%,氮氧化物和固体颗粒物超过90%。移动源污染排放已经成为城市大气污染的主要来源,并对社会生态环境造成严重影响。因此对城市移动源污染排放进行全时监测和综合监管对于改善城市大气环境和保护公众健康具有重大意义。然而,一方面由于移动源污染监测站点的建造维护费用高昂,城市中布设的移动源污染监测设备站点稀疏,难以通过在全区域布设检测设备实现城市全区域移动源污染物实时监测;另一方面影响城市移动源污染时空分布变化的因素复杂繁多,从长期污染排放清单核算考虑,主要取决于城市的机动车保有量和车辆类型组成,但从短期或实时交通污染变化状态而言,却又受到城市道路拓扑结构、交通流状况和外部气象环境因素的严重影响。这一系列因素导致对实现城市移动源污染排放的全时监测和综合监管具有很大的挑战性。针对上述挑战,本文考虑了移动源污染监测数据的空间稀疏性和异质性、复杂的时空动态特性以及城市路网联通性等外部环境因素影响,开展了基于时空数据挖掘的城市移动源污染综合监管问题研究,主要研究内容包括:(1)针对道路移动源污染排放监测数据的空间稀疏性和异质性问题,提出了一种融合排放因子模型和对抗学习策略的数据增强方法。综合考虑交通流、路网结构、车辆工况等外部环境信息影响,建立了移动源污染排放因子修正模型确定污染监测数据的先验分布;分析有限点位监测数据的空间分布特征,设计先验约束损失函数和条件约束损失函数,构建融合排放因子模型的数据生成网络,设计二分类判别网络检验输入数据是否为污染监测数据;通过数据生成网络和判别网络的互相对抗学习,得到能够逼近实际污染排放监测数据分布的监测约束生成对抗网络模型。实验结果表明,该方法考虑了移动源污染监测数据分布的空间异质性影响,合成数据能够覆盖真实监测数据分布空间。(2)针对城市区域移动源污染时空变化特性与多源环境因素影响,提出了一种基于时空残差网络的污染趋势分析方法。采用网格化数据表示关联移动源污染与外部环境因素,设计多时间依赖性处理单元分别提取污染监测序列的临近性、周期性、趋势性时变特征,采用前后端融合策略融合移动源污染和外部环境因素的时空变化特征,在深层特征空间内实现粗粒度城市网格区域移动源污染排放趋势预测。实验结果表明,该方法在不同污染物的预测精度上均优于已有方法,能够有效处理城市网格区域污染分布的时空异质性,以及多种复杂外部环境因素影响。(3)针对城市路网移动源污染时空分布精细化需求,提出一种基于多特征融合时空图卷积网络的污染预测方法。利用图结构表示构建移动源污染与路网结构和交通流状态关联,设计时空图卷积单元提取路网节点间污染变化的时空交互特征,采用多特征融合策略对污染时空变化特征与复杂环境特征进行融合,实现细粒度城市路网移动源污染时空分布预测。实验结果表明,该方法能够有效利用路网连通结构信息克服外部因素对污染时空变化分布的影响,在不同路网移动源污染物预测上表现出较低的预测误差,同时能够对不同规模数据集具有良好适应性。(4)针对传统移动源污染监管中的模型依赖问题,提出了一种基于深度强化学习的城市道路移动源污染监管方法。通过设计混合环境状态与组合收益回报函数,构建基于深度回报估值网络的移动源污染监管强化学习模型;利用实际道路污染监测数据建立污染序列经验样本池,通过对长期回报估值网络的离线训练,构建道路移动源污染监管策略模型,实现道路污染排放的在线监管。最后在合肥实际道路污染监测数据集上评估所设计策略,实验结果表明该方法可以有效降低道路移动源污染排放。基于上述研究,本文实现了城市移动源污染排放的“监测数据增强-时空特性分析-监管策略生成”的全技术链条,构建基于时空数据挖掘的城市移动源污染排放监管理论方法体系,为城市移动源污染综合监管提供了可靠的数据支持和科学的决策依据。