CN119476027A 一种基于多源数据融合与集成算法驱动的城市道路co2浓度逐时模拟预测方法 （中国科学院生态环境研究中心）

一种基于多源数据融合与集成算法驱动的本发明公开了一种基于多源数据融合与集成算法驱动的城市道路CO2浓度逐时模拟预测方考虑到单一模型可能无法很好地准确性模拟的22.如权利要求1所述的一种基于多源数据融合与集成算法驱动的城市道路CO2浓度逐3.如权利要求1所述一种基于多源数据融合与集成算法驱动的城市道路CO2浓度逐时模其中，COZC表示t时刻重采样处理后的CO2浓度值CO2a-O)和34.如权利要求1所述的一种基于多源数据融合与集成算法驱动的城市道路CO2浓度逐时步骤32、使用标注好的样本数据对YOLOv8模型进步骤33、将训练好的YOLOv8模型应用于走航监测前时刻的车辆数量，将每一帧影像对应的车辆数量与CO2浓度监测数据按照监测时间进行5.如权利要求1所述的一种基于多源数据融合与集成算法驱动的城市道路CO2浓度逐时步骤44、针对道路拥堵状况数据与车辆平均行驶速度数6.如权利要求1所述的一种基于多源数据融合与集成算法驱动的城市道路CO2浓度逐时47.如权利要求1所述的一种基于多源数据融合与集成算法驱动的城市道路CO2浓度逐28.如权利要求1所述一种基于多源数据融合与集成算法驱动的城市道路CO2浓度逐时模步骤71、输入验证集数据选择决定系数和均方根误59.如权利要求1所述一种基于多源数据融合与集成算法驱动的城市道路CO2浓度逐时模6[0001]本发明涉及CO2浓度监测技术领域，具体涉及到一种基于多源数据融合与集成算术方案通过在车辆上安装大气CO2浓度监测系统，能够在车辆行驶过程中获取有关CO2浓度[0004]针对上述问题，本发明提供了一种实现了城市道路网络CO2浓度的连续动态模拟和实时预测的一种基于多源数据融合与集成算法驱动的城市道路CO2浓度逐时模拟预测方[0005]本发明提供了一种实现了城市道路网络CO2浓度的连续动态模拟和实时预测的一种基于多源数据融合与集成算法驱动的城市道路CO2浓度[0006]本发明的目的是提供一种基于多源数据融合与集成算法驱动的城市道路CO2浓度7到当前时刻的车辆数量，将每一帧影像对应的车辆数量与CO2浓度监测数据按照监测时间8[0030]步骤42、针对高空间分辨率土地利用数据，对每个CO2浓度监测点，设置半径为i为标准化之后的数值；[0038]步骤52、将标准化后的特征数据集和对应的CO2浓度真值随机划分为训练集和验离散的取值作为搜索空间，决策树数量设置在[300,800]范围内以50为步长生成一组离散9[0052]步骤81、基于训练与验证后的城市道路CO2浓度模拟随机森林模型与长短期记忆短期记忆网络(LSTM)模型集成算法的CO2浓度模拟模型，实现了城市道路网络CO2浓度的连[0055]本发明在模拟城市道路CO2浓度时，考虑到单一模型可能无法很好地准确性模拟[0058]本发明提供了一种基于多源数据融合与集成算法驱动的城市道路CO2浓度逐时模到当前时刻的车辆数量，将每一帧影像对应的车辆数量与CO2浓度监测数据按照监测时间[0082]步骤42、针对高空间分辨率土地利用数据，对每个CO2浓度监测点，设置半径为i为标准化之后的数值；[0090]步骤52、将标准化后的特征数据集和对应的CO2浓度真值随机划分为训练集和验离散的取值作为搜索空间，决策树数量设置在[300,800]范围内以50为步长生成一组离散