数字城市多源时空大数据融合与城市计算.pdf

多源时空大数据融合与城市计算Multi-source Big Spatiotemporal Fusion&Urban ComputingCONTENT ii时空大数据与城市计算多源时空大数据优化算法 并行遥感影像时空融合算法cuFSDAF 并行遥感影像时序重建算法cuSTSG多源时空大数据融合模型 遥感影像+时序电力数据识别城市功能用地 遥感影像+POI+道路数据构建城市混合功能 用地结构 多个数据网络融合的社区结构探测 多源时空数据预测空气质量总结CONTENT1 iiA时空大数据与城市计算A多源时空大数据优化算法 并行遥感影像时空融合算法cuFSDAF 并行遥感影像时序重建算法cuSTSGA多源时空大数据融合模型 遥感影像+时序电力数据识别城市功能用地 遥感影像+POI+道路数据构建城市混合功能 用地结构 多个数据网络融合的社区结构探测 多源时空数据预测空气质量总结1.1时空大数据大数据指无法在一定时间范围内用常规软件工 具进行捕捉、管理和处理的数据集合；需要新处 理模式才能具有更强决策力、洞察发现力和流程 优化能力来适应海量、高增长率和多样化的信息 资产。A时空大数据是大数据与地理信息数据的融合体,是指包括空间、时间、属性等信息的大数据。时空 大数据时间特征41.1时空大数据分类对地观测大数据遥感影像数据地面测绘数据社交与行为大数据 社交媒体数据（签到、兴趣点、消费、微博等）轨迹数据（人、车、智能设备）手机信令数据（智能设备、手机定位、基站定位）城市基础设施数据（水、电、气）物联网数据媒体人口、y14,4、3 Ar星物流电商水电师 糖据无人机调查统计数据woW置 轨途账 八处文 车道量物流电商用卡故。故据故fl51.1 时空大数据特征来自中科院地理科学与资源研究所裴韬研究员大数据“5V特征大数据（足迹全记录）小数据（目的性采样）数据量大（Volume）数量大小更新快速（Velocity）快慢种类繁多（Variety）种类多少可信度弱（Veracity）真实弱强价值密度低（Value）价值低高时空属性特点小大粒度(Granularity)密度高低密度(Density)广度竟窄广度(Coverage)偏度重轻偏度(Bias)精度低高精度(Precision)目的间接（不做筛选）直接（有选择的）61.1 时空大数据科学问题如何从多源、多粒度、多模态的时空大数据中多尺度、多维度、深度挖掘地理现 象的时空模式，揭示地理要素互作用与协同机制，发现地理系统的动态演化规律?挖掘内容：人地来自中科院也里科学与资源研究所裴韬研究员71.1 时空大数据数据优化卫星遥感影像的信息量受影像的空间分辨率、时间分辨率和光谱分辨率的约束。由于卫星轨道、观测模式及传感器性能限制，空间、时间与光谱分辨率相互制约，不能同时实现看得清、测得快与算得准，难以实现对复杂地学现象空 间格局与演变过程的精细刻画。(张良培et al.z 2022)多时相/多角度融合：高质量高分辨率影像空-谱融合：高空间分辨率+高光谱分辨率影像 时-空融合：高时间分辨率+高空间分辨率影像 点-面数据融合：高精度、广覆盖、空间连续的定量产品张良培何江杨倩倩，肖屹，袁强强.数据驱动的多源遥感信息融合研究进展几测绘学报,2022,51(07):1317-1337.81.1 时空大数据数据融合通过数据挖掘、复杂网络、机器学习等方法对多源时空大数据进行融合和集成,实现从空间形态、建成环境、人类活动、群体情绪，到空间-行为交互的多维城市动态感知。（涂伟et al.z 2020）城市动态感知手段*卫星遥感 斡EK飕感 一 移动感知 R 社会感知 餐众包感知多源时空大 数据融合城市动态感知应用空间动态人类行为动态空间行为交互动态（涂伟 et al.,2020）涂伟，曹劲舟,高琦丽，曹瑞，方志祥，乐阳李清泉.融合多源时空大数据感知城市动态几武汉大学学报（信息科学版）,2020,45（12）:1875-1883.DOI:10.13203/j.wh u g is20200535.1.2 城市计算城市计算是一个交叉学 科，是计算机科学以城市为 背景，跟城市规划、交通、能源、环境、社会学和经济 等学科融合的新兴领域。城市计算是一个通过不 断获取、整合和分析城市中 多源异构的大数据来解决城 市所面临的挑战的过程。（郑宇，2015）郑宇城市计算概述几武汉大学学报（信息科学版）,2015,40（01）:l-13.DOI:10.13203/j.wh u g is20140718.101.2 城市计算基本框架QH-gh，performance complying a n d d a s process一ng Techniques服务提供改进城市规划，缓解交通拥堵,节约能耗,降低空气污染,.城市数据分析数据挖掘、模式识别、机器学习和可视化城市数据管理时空索引，流数据、轨迹数据和图数据管理，异构数据索引C3QQOOQQQ 人的移动点.萩”空气气象社交能耗道路兴趣 性数据乂殂“质量数据媒体数据结构点城市感知和数据获取参与感知，群体感知和移动感知计算distributionMachine learning modelsBuilding VBoW and virtual dictionaryGoogle Word2Vec Continuous language modelFeatures extraction and data clusteringDemand of land useOfficial data RS dataFine-scale simulation of urban land-use changeFine-scale urban land-use patterns recognitionHigh-level semantic vectors of POI and TAZMapping fine-scaleMapping fine-scaleA urban population-housing pricePopulation distribution at the building levelBuilding-population gravity modellapping HSR urban residential distributionRFA-based fitting modelPearson correlation analysisdistributionMachine learning fitting modelImpact analysis of driving factorsConvolutional neural network for united mining(UMCNN)Multi-scale land parcels extractionData cleaning and transformationMulti-source geospatial big dataihborhooa effe!Resident s behaviorsVector-based CA with Dynamic land parcels simulation(DLPS-VCA)._7Urban land-use change extractioncaku-af-on process con_ro-and mode-accuracy evacaf-onDeep mining single-source data-Multi-source data fusion(Official data,HSR data,social media data)11CONTENT1 iiA时空大数据与城市计算A多源时空大数据优化算法 并行遥感影像时空融合算法cuFSDAF 并行遥感影像时序重建算法cuSTSG多源时空大数据融合模型 遥感影像+时序电力数据识别城市功能用地 遥感影像+POI+道路数据构建城市混合功能 用地结构 多个数据网络融合的社区结构探测 多源时空数据预测空气质量总结2.1 并行遥感影像时空融合算法cuFSDAF高时空分辨率遥感影像对大尺度地表动态学研究至关重要。然而，单一 来源的遥感影像数据难以低成本地获得同时具备高空间分辨率和高时间分辨率 的地表信息。MOD09A1Landsat空间分辨率500m30m时间分辨率8 Day16 Day提升遥感影像时空分辨率的方法硬件 提高卫星传感器性能 发射更多的卫星 成本高，周期长软件遥感时空融合算法 融合多源遥感影像数据，模拟出高时空分辨率的遥感影像成本低132.1 并行遥感影像时空融合算法cuFSDAF遥感影像时空融合算法FSDAF(Flexible Spatiotemporal DAta Fusion)利用两期MODIS影像和一期Landsat影像生成一期类Landsat影像复杂算法导致计算效率低下，难以应用于大规模长时序产品生产La n d sa t影像14Ga o,H.,Zh u,X.,Gu a n,Q.*,Ya n g,X.,Ya o,Y,Zen g,W.,Pen g,X.,2021.c u FSDAF:An En h a n c ed Fl exibl e Spa t io t empo r a l Da t a Fu sio n Al g o r it h m Pa r a l l el izedUsin g Gr a ph ic s Pr o c essin g Un it s.IEEE Tr a n sa c t io n s o n Geo sc ien c e a n d Remo t e Sen sin g.h t t ps:/d o i.o r g/10.1109/TGRS.2021.308038415源代码：h t t ps:/g it h u b.c o m/HPSCIL/c u FSDAF2.1并行遥感影像时空融合算法cu FSDAF原理改进 cuFSDAF使用了改进型反距离加权(IDW)插值，在保证精度的同时，大幅提高了计算效率Accuracy assessment of the fusion images by FSDAF-TPS and FSDAF-IDW.Units are reflectance.(RMSE=root mean square ERROR,AD=AVERAGE DIFFERENCE=CORRELATION COEFFICIENT).FSDAF-TPSFSDAF-IDWRMSEADrRMSEADrba n d l0.0280.0260.7070.0280.0260.707ba n d 20.0350.0310.7320.0350.0310.732ba n d 30.0550.0500.7360.0550.0500.736ba n d 40.0660.0590.7190.066().0590.718FSDAF-TPSFSDAF-IDW改进前(FSDAF-TPS)后(FSDAF-IDW)算法精度对比插值算法时间复杂度并行化难度插值计算用时FSDAF-TPSO(nA3)困难670.5FSDAF-IDW0(n)简单0.2改进前(FSDAF-TPS)后(FSDAF-IDW)算法效率对比162.1并行遥感影像时空融合算法cu FSDAF计算流程改进（数据自适应分块）对不同硬件设备的适配 根据硬件配置确定影像分块大小提高分块边缘部分的融合精度 分块边缘向外扩张，提供必要的邻域信息Do ma in o f t a r g et pixel sSu b-d o ma inIn pu t ima g e并行加速 G PU多线程并行适合栅格计算任务 多线程同时处理多个栅格的计算对计算密集的步骤进行了并行化处理 IDW插值 残差重分配 使用邻域信息降低算法误差(a)Neighborhood for the first level(b)Neighborhood for the second levelTa r g et pixel o n t h e ed g eSimil a r pixelNeig h bo r h o o d f o r a pixelNeig h bo r h o o d sc o pe f o r t h e f ir st l evelNeig h bo r h o o d sc o pe f o r t h e sec o n d l evelDo ma in o f t a r g et pixel s172.1 并行遥感影像时空融合算法cuFSDAF实验结果 cuFSDAF在保证精度的同时，大幅提升了计算效率真实影像 FSDAFc u FSDAFFSDAFc u FSDAFRMSEADrRMSEADrba n d l0.0280.0260.7070.0280.0260.704ba n d 20.0350.0310.7320.0350.0310.731ba n d 30.0550.0500.7360.0550.0500.732ba n d 40.0660.0590.7190.0660.0590.714cuFSDAF在精度、效率和自适应性方面的表现，表明其可以更好地应用于大尺度.长时 间序列的地表动态监测中 182.2 并行遥感影像时序重建算法cuSTSG植被归一化指数(Normalized Difference Vegetation Index,NDVI)能 够反映陆地表面植被变化，广泛应用于植被活动监测、土地覆盖类型分类以及植 被物候探测等。已有去噪算法存在问题：主要原理为插值，适用于缺失数 据较少的情况，不适用时序数据 连续缺失的情况；重建过程中容易过度纠正，且在 某些情况下(例如农作物收获阶 段)会错误地将低值看作噪声。192.2 并行遥感影像时序重建算法cuSTSG Spatial-Temporal Savitzky-Golay(STSG)算法基于SG滤波，融合目标像素多年数据及邻域相似像素数 据生成高质量NDV：时序数据;优点：1、有效解决时序数据连续缺失问题；2、有效提高某些区域的低值，同时避免过度纠正；存在不足：1、依赖NDVI时序产品的数据质量标记，错误的数 据质量标记会影响目标像素及其邻域像素计算结果；2、需多次遍历影像所有像素、所有年份进行计算，过程复杂，耗时久。8镰聆202.2 并行遥感影像时序重建算法cuSTSG并行遥感影像时序重建算法cuSTSG原始NDVI时序数据传输到GPU内存中：估算每行像素的所有临时变量所需空间，并根据GPU 内存空间分割原始数据传输到GPU内存；GPU的每个线程都负责一个像素的计算，所有线程完 成季节生长趋势计算后同步（步骤L1）:减轻数据质量标记依赖；目标像素与邻域像素的相关系数（步骤1.2）:减少冗余计算；完成所有其余步骤（步骤L3、2和3）,并将高质量 N DVI时序数据从G PU内存传输回C PU内存。2.2 并行遥感影像时序重建算法cuSTSG减轻数据质量标记依赖 计算各年份的平均年际相似度（R!）及所有年份的年际相似度平均值（R）和标准差（deu）,判断 不相似年份：a R-deu或序V阈值；利用滑动窗口判断不相似年份中的某一天NDVI值是否错误标记：计算该中心点的平均年际相似度（R”#）及所有相似年份的年际相似度平均值（R）,判断被错误标记的数据：R#(23)(J.1)3 33)3.3)(3.4)H.2)4.31(OA(3.4 H.2)24x64ker n el:3X 3Hig h-spa t ia l r eso l u t io n ima g esTime-ser ies el ec t r ic ih d a t aLa n d Use Ma ppin gTime-scries electricity data-based LS1KI-ECN12x12*512ker n el:l xl&3x3La n d Use Pa t t er n An a l y sisHigh spatial no lutio nImage-based RcsNctl8 48 人48 2048 ker n el:l-3I2XDimen sio n 128x12O 256*116 128 14 ix 128Sl mf f l c ke r n e l ke me l:5x5 ker n el:3X3：Cl a ssif ic a t io n Resu l t市政数据：居民时序用电数据 空间分辨率和时间分辨率高 人口和社会经济活动覆盖率高 时效性强、时间跨度长基于TR-CNN模型的城市土地利 用分类 ResNetl8：提取高分遥感影像 中的地表物理特征；LSTM-FCN:提取时序用电数 据中社会经济特征。Ya o,Y,Ya n,X.,Lu o,P,Lia n g,Y,Ren,S.,Hu,Y,Ha n,J.,Gu a n,Q.,2022.Cl a ssif y in g l a n d-u se pa t t er n s by in t eg r a t in g t ime-ser ies el ec t r ic it y d a t a a n dh ig h-spa t ia l r eso l u t io n r emo t e sen sin g ima g er y.In t er n a t io n a l Jo u r n a l o f Appl ied Ea r t h Obser va t io n a n d Geo in f br ma t io n 106,102664.h t t ps:/d o i.Or g/10.1016/j.ja g.2021.102664293.1 遥感影像+时序电力数据识别城市功能用地对比实验结果LSTM-FCNRes Com Edu Grc Pub PredictedRes1.0ResNetl894%29%Predicted(.re(C)一。I U 2TR-CNN100%Co mModelInput Da taTest Accura cyKa ppaLSTM-FCNEl ec t r ic it y d a t a0.8750.831ResNet l 8HSR0.8950.859TR-CNNEl ec t r ic it y d a t a+HSR0.9340.912与仅使用单一数据源相比，耦合高分遥感影像与时序电力数据 的TR-CNN模型在城市土地利用分类方面表现更加良好。ReMdentia l(D)303.1遥感影像+时序电力数据识别城市功能用地消融实验结果城市土地利用分类结果Time-series electricity da taHSRTest a ccura cyKa ppa1(Pr o po sed in t h is st u d y)LSTM-FCNResNet l 80.9340.9122LSTM(DS)-FCNResNet l 80.9200.8933LSTMResNet l 80.9140.8854FCNResNet l 80.9020.8705LSTM-FCNVGG160.9210.8986LSTM-FCNAl exNet0.9070.876TR-CNN模型其优异的多源特征提取能力，可以充分融合用电行为-社会经济 特征和遥感图像-物理属性特征。313.2遥感影像+POI+道路数据分析城市混合功能用地结构针对的问题 以往城市功能用地研究的大多基于大空间尺度，如城市路网分割单元（Ya。et al.z 2017）、大尺度网格（Zhang et al.,201 9）、规划的地块（Zhang et al.z 2021）等，忽略了内部 要素的详细空间分布，无法满足城市精细化管理和规划的需求。单对遥感数据解混仅能获得像元内各土地覆盖类型（如不透水面、植被、水体等）的丰度，难以获取土地利用的社会经济功能用地的分布结构。研究内容 耦合遥感影像数据和多源空间数据，在较高空间分辨率下（如30m）提取多类功能用地的 混合结构和组分信息。Ya o,Y,Liu,X.,Li,X.,Zh a n g,J.,Lia n g,Z.,Ma i,K.,Zh a n g,Y,2017.Ma ppin g f in e-sc a l e po pu l a t io n d ist r ibu t io n s a t t h e bu il d in g l evel by in t eg r a t in g mu l t iso u r c e g eo spa t ia l big d a t a.In t er n a t io n a l Jo u r n a l o f Geo g r a ph ic a l In f o r ma t io n Sc ien c e 1-25.h t t ps:/d o i.o r g/10.1080/13658816.2017.1290252 Zh a n g,J.,Li,X.,Ya o,Y,Ho n g,Y,He,J.,Jia n g,Z.,Su n,J.,2021.Th e Tr a j2Vec mo d el t o q u a n t if y r esid en t s5 spa t ia l t r a jec t o r ies a n d est ima t e t h e pr o po r t io n s o f u r ba n l a n d-u se t y pes.In t er n a t io n a l Jo u r n a l o f Geo g r a ph ic a l In f o r ma t io n Sc ien c e 35,193-211.h t t ps:/d o i.o r g/10.1080/13658816.2020.1726923Zh a n g,Y,Li,Q.,Tu,W.,Ma i,K.,Ya o,Y,Ch en,Y,2019.Fu n c t io n a l u r ba n l a n d u se r ec o g n it io n in t eg r a t in g mu l t i-so u r c e g eo spa t ia l d a t a a n d c r o ss-c o r r el a t io n s.Co mpu t er s,En vir o n men t a n d Ur ba n Sy st ems 78,101374.h t t ps:/d o i.o r g/10.1016/j.c o mpen vu r bsy s.2019.101374 323.2遥感影像+POI+道路数据构建城市混合功能用地结构研究方法将混合像元分解和多源数据挖掘交叉结合，可以对较高分辨率像元内部的城市混合功能用地结 构进行分解，获取混合功能用地的丰度情况。混合像元分解多源数据城市混合功能用地结构创新点提出耦合遥感影像和多源空间数据的亚像元尺度城市混合功能用地结构的分解方法333.2遥感影像+POI+道路数据构建城市混合功能用地结构1、构建综合波谱 2、城市混合功能用地结构分解rHu a n g,C.,Lia n g,X.,Ya n g,Z.,Gu a n,Q.,2021 h t t ps:/d o i.o r g/10.1 007/978-3-030-85462-1_18纯净单元组合.A Fin e-Gr a in ed Mixed La n d Use Dec o mpo sit io n Met h o d Ba sed o n Mu l t i-so u r c e Geo spa t ia l Da t a.pp.197-204.043.2遥感影像+POI+道路数据构建城市混合功能用地结构实验区域实验区域是中国广东省深圳市实验数据 2018年深圳市Landsat8卫星遥感影像：USGS网站 2018年深圳市POI数据：高德地图 路网数据集：OpenStreetM叩Huang C,Liang X,Yang Z,&Gua n,Q.A Fine-Grained Mixed Land Use Decomposi-tion Method Based on Multi-source Geospatial DataC/lnternational Conferen ce on Spatial Data and Intelligence.Springer,Cham,2021:197-204.3.2遥感影像+POI+道路数据构建城市混合功能用地结构实验结果商业用地丰度在罗湖区、福田区、南山区呈现显著的中心聚类趋势；公共用地的空间分布呈现碎片化分布 格局；居住用地呈现多中心聚类-外围稀疏的分布格局；工业用地总体呈现在城市外围集聚的分布趋势精度评价表IndicatorPAUACommercial0.8330.652Public0.8120.906Residential0.8150.91Work0.8380.781OA=0.833Kappa=0.763363.2遥感影像+POI+道路数据构建城市混合功能用地结构结论L该方法扩展了传统光谱分解方法的应用领域，通过引入POI和OSM道路 数据扩展了光谱波段，对影像数据起到了补充作用，解决了遥感影像难以 体现社会经济功能信息的问题。2、该方法可以在更精细的空间尺度上拾掘多功能城市土地的混合情况和详 细的丰度信息，使决策者能够更准确地规范已有的城市土地利用数据，为 进一步的规划工作提供参考依据。373.3 多元网络融合的社区结构探测=匕口可立城市之间存在着不同类型的关系（网络）,它们从不同的角度揭示和刻画了城市间联系 的紧密程度。城市网络社区探测，是发现城市间关联结构的途径。当前集成多个网络进行社区结构探测的方式：,通过线性加权方法将多个网络集成为单个网络;,将基于单个网络的社区发现算法扩展到多个网络上因此，如何集成多个网络以从综合的视角来揭示城市的组织结构是一个亟待研究的问题383.3 多元网络融合的社区结构探测解决问题&研究目标开展集成多个空间网络的社区结构探测框架研究，需要解决如下两个问题:,是否需要对所有的空间网络进行集成?,如何集成多个空间网络进行社区结构探测？针对上述问题，本研究基于信息嫡、统计方法和图谱理论，提出了一个集成多个空间网络的社区结构探测框架，从综合的视角来研究城市的组织结构，旨在实现如下目标:,量化多个网络之间的冗余性，移除冗余度较高的网络，以减少后续聚类的有偏性;,集成多个网络进行社区结构探测，以结合各个网络中包含的信息393.3多元网络融合的社区结构探测技术框架图Stepl:构建网络Step2_l:引入冯诺依曼燧来量化多个网络之间的结构冗 余性当两个网络具有较大的结构冗余性时，二者的合并会 导致相对烯q(M)值的增加，因此，这里主要来寻找最大 的相对焙Step2_2:采用皮尔逊相关系数来量化多个网络之间的链 接强度冗余性Step3:采用谱正则化的谱聚类方法(SC-SR),从谱域 对多个网络进行集成，得到集成后的向量；Step4:采用K-means得到最后的聚类结果。Yu e,H.;Gu a n,Q.*;Pa n,Y.;Zh a i,Y.A f r a mewo r k f o r c o mmu n it y st r u c t u r e d et ec t io n by in t eg r a t in g mu l t ipl e spa t ia l n et wo r ks.In t er n a t io n a l Jo u r n a l o f Geo g r a ph ic a l In f o r ma t io n Sc ien c e.Un d er r eview多个空间网络数据 集Net wo r kNet wo r kNetwork多个空间网络上较低的结构冗余性和链接强度冗余性SC-SR方法集成多个空间网络社区结构探测403.3多元网络融合的社区结构探测数据多个空间网络-BST-Network:/时间范围：2017年1月1日-30日/空间粒度：地级及以上城市火车线路网路(TL-Network)城际长途客车线路网络(FL-Network)交通网络(TF-Network)百度指数网络，BST-Network(BI-Network)新闻地名共现网络(SN-Network)423.3 多元网络融合的社区结构探测433.3多元网络融合的社区结构探测果七35 4 3 2 1 0so.。s,躯轻槛sf0:BI-Network1:SN-Network2:TF-Network0.040.431(0.000)Q*Bl-NetworkSN-NetworkTF-Networkt.*t Bl-Network10.580.56Q QSN-Network0.5810.31.(0.007),二,(OSDTF-Network0.560.3110 1BST-Network2A I Aooo ooi o rq(M)443.3 多元网络融合的社区结构探测结果,除了西部的几个省份以及内蒙古外，其 余省份的边界与省级边界基本一致,北京.天津.上海.重庆,陕西省的榆林、宝鸡,新疆.内蒙古.甘肃.西藏、四川453.3 多元网络融合的社区结构探测结果,辽中南.京津冀、山东半岛和珠三角,呼包鄂榆,剩余城市群都形成了2个以上的社区473.4 多源时空数据预测空气质量核心思想A科学问题：如何将PM2.5浓度以及其他影响因素（气象与排放因素）的空间相关性和时间相关性 进行更好地融合，构建一个PM2.5浓度时空预测模型，以实现在时间和空间模式不同站点位置的 未来时段PM2.5浓度的短期预测研究内容：建立融合多因素时空相关性的PM2.5浓度短期预测模型,以达到准确且高效的城市特 定目标的未来时段短期预测关键及难点：将不规则图与深度学习模型结合，实现：（1）单个因素时间相关 性与空间相关性的融合；（2）多个因素时空相关性的再次融合483.4 多源时空数据预测空气质量 MB-TGCN框架pm25浓度相关因素fa ctor-1相关因素fa ctor-2相关因素fa ctor-m一!数据预处理将PM2.5浓度数据和影响因素（气 象因素、POIss路网密度、交 通因子）构建成完整的特征矩阵构建无向图，和特征矩阵一起输入多分支时空相关特征提取模型多分支时空相关特征提取将多维特征预测值进行多分支时空 融合，输出站点未来时段PM2.5浓 度值493.4 多源时空数据预测空气质量基于时空相关性建模的时空图卷积网络r-,为了同时获取P M 2.5浓度或相 关因素的时间和空间相关性，通过将GCN结构嵌入到GRU 中，构成一个时空图卷积单元(Zh a o et a l.,2020)GCN+GRU(a)GRU结构,(b)TGCN Cell的具体结构,(c)时空预测的过程Zh a o,L.,So n g,Y,Zh a n g,C.,Liu,Y,Wa n g,P,Lin,T.,Den g,M.,Li,H.,2020.T-GCN:A Tempo r a l Gr a ph Co n vo l u t io n a l Net wo r k f o r Tr a f f ic Pr ed ic t io n.IEEE Tr a n sa c t io n s o n In t el l ig en t Tr a n spo r t a t io n Sy st ems 21,3848-3858.h t t ps:/d o i.o r g/10.1109/TITS.2019.29351523.4 多源时空数据预测空气质量多分支建模和时空融合方法(Muti-branch TGCNs)特征矩阵输入 多分支时空特征提取 多分支时空融合 PM2.5预测输出将PM2.5和相关因素构 建为特征矩阵，依次输 入多分支时空相关特征 提取模型MB-TGCN 由多个 TGCN组成，每个 TGCN提取一个变量的 时空特征将多变量的时空预测值 输出多个站点在多个预 组合起来形成FC的输入测时间尺度上的最终 完成多分支时空融合 PM2.5浓度预测值/根据监测站点的历史PM2.5浓度数据,相关因素数据和拓扑图(G),MB-TGCN旨在预测多个站点 在未来时段的小时PM2.5浓度。因此，本研究的PM2.5浓度预测问题可以表述为学习一个映射函 数N):握!”#,X!”$!=F(区$芭，X!;M!%$“#,M;GM E,A)513.4 多源时空数据预测空气质量APM2.5浓度数据北京市35个空气质量监测站点，2017年1月1日2018年3月27日气象数据 18个气象监测站，2017年1月1日2018年3月27日湿度、压强、温度、风向和风速五种气象因素25-0-250-风速025-0-100-50-度1025-1000-500-0u r f度T-1 I PMaMuUAiMiAmHmLuiA.山.11加0怀柔区平谷区可u海淀区石景山区?PM2.5（Mg/m3）46.17-48.09 48.09-54.71 54.71-60.33 60.33-67.79 67.79-80.55 气象监测站点0200040006000PM2.5和气象因素可视化800010000523.4 多源时空数据预测空气质量预测结果不同的模型在不同预测时间尺度上的整体预测精度TCNNGCNLSTMMB-TGCNRMSEMAER2RMSEMAER2RMSEMAER2RMSEMAER2+l h33.30621.4500.72520.62112.2290.90119.36512.2450.90516.2098.7680.939+2h35.39022.6550.69024.03113.8230.86523.27714.2730.86420.08710.750.906+3h37.34223.8140.65526.36915.1200.83726.29315.9550.82723.42712.9250.872+4h39.04924.8690.62329.16017.0090.80128.92917.4940.79225.85714.4350.844+5h40.63225.8610.59231.43318.7670.76931.30818.9010.75728.36316.1970.812+6h42.12826.8020.56234.85421.1660.71533.40420.1820.72430.56517.6990.781+7h43.56827.7230.53238.92924.4750.64535.29321.3530.69232.71719.2020.749+8h44.93528.5970.50240.89825.9720.60737.07722.4730.66134.91520.7380.714+9h46.28029.4600.47242.46926.6860.57638.72023.5280.63036.66722.0540.684+10h47.60330.3200.44243.02226.7910.56540.21724.5270.60238.65023.4630.649+l l h48.89931.1530.41147.33129.7760.47341.60625.4830.57440.43425.1080.616+12h50.13231.9520.38245.75428.4700.50742.88026.3840.54842.10826.3800.583533.4 多源时空数据预测空气质量关键及难点：将不规则图数据与深度学习模型结合，实现：（1）单个因素时间相关性与空间相 关性的融合；（2）多个因素时空相关性的再次融合本研究构建了一个基于空气质量监测站的无向图来表示站点间的空间关系：（1）将图数据与深 度学习模型（GCN+GRU）相结合一时空融合；（2）多分支建模（Multi-branch）一多因 素融合。MB-TCGN是一个灵活的多分支框架，实现城市