论文部分内容阅读
改革开放以来,中国社会经济和工业化进程发生了巨大的变革,移动污染源的保有量日益剧增,由此产生大量空气污染物,对环境带来严重的负面影响,可以通过监测站对其有效监控。移动污染源监测站带有定位设备,获得时空轨迹数据十分便捷,时空轨迹数据中包含移动对象、位置以及时间三种属性。在城市计算、移动对象的位置预测等范畴中时空轨迹数据已经被广泛使用。通过对监测站获取的移动污染源GPS时空轨迹序列数据展开研究,可以实时地跟踪匹配移动污染源的行驶轨迹和预测出移动污染源短期的轨迹路径,给有关部门提供有效的监管技术。本文分析了影响移动污染源跟踪匹配算法匹配精度的因素,并对现有算法进行研究与总结,针对GPS采样误差、相对位置误差等因素导致移动污染源行驶轨迹与实际路网存在不匹配的问题,提出了一种基于路网拓扑和权重的实时轨迹跟踪匹配算法。起先构造道路网络的拓扑结构使用广度优先遍历算法,接着利用拓扑约束与空间约束遴选出跟踪匹配轨迹的相近待选路段集合。然后将每条待选路段各自的距离权重、方向权重以及相对位置关系权重相加,总权重值当作最短路径求解的权重条件。最后,使用Dijkstra算法计算出最佳跟踪匹配路段序列。通过仿真实验对比传统的2种算法,在同一数据源下本文提出的算法准确率更高且耗时更短。进一步地,针对移动污染源轨迹的精准与实时预测问题,通过对现有轨迹预测算法研究与总结,提出了一种基于混合智能遗传粒子群的优化超限学习机算法。传统的超限学习机(Extreme Learning Machine,ELM)存在小数据集泛化性能较差的问题。虽然优化超限学习机(Optimized Extreme Learning Machine,OELM)克服了该缺点,但由于受到输入权值和隐藏层节点偏置赋值随机性的影响,它在预测过程中往往无法达到最优结果。故采用混合智能遗传粒子群算法(Hybrid Genetic Particle Swarm Optimization,HGPSO)动态寻优找出OELM模型最佳的参数组(输入权值和隐藏层节点偏置),针对模型建立的随机性进行改进。模型在达到满意的预测性能时,所需要的隐藏层神经元个数更少,网络的泛化性被提高。通过仿真实验对比现有5种算法,本算法拥有更好的预测准确性和实时性且在此基础上实现多步时间序列的预测。最后,本文将移动污染源轨迹的跟踪匹配算法和预测算法分别工程化实现到移动污染源在线监测系统中,算法在生产环境中长时间运行,有较好的实时性与稳定性。