Table of contents 圖形(節點、邊緣、加權等)為靜態、節點特徵值則為動態 單一特徵 項目 METRO_LA 2019.nc_NO2 說明 data source LA交通局數據 2019.nc CMAQ公版模式背景濃度模擬結果 節點 速度監測站點 島內各網格點 前者較少、後者較多 特徵值 交通速度 空氣污染濃度值 分部有顯著差異(詳下) 時間頻率特徵 每5分鐘一筆 每小時一筆 邊緣加權 站點間的距離(作為邊緣的加權量) 網格點間距離-0.25
項目 METRO_LA 2019.nc_NO2 說明 seq_len 10 72 pre_len 12 24 gc_layer_sizes [16, 10] [16, 72] gc_activations relu relu lstm_layer_sizes [20, 10] [20, 72] lstm_activations tanh tanh epochs 100 200 batch_size 60 60 MASE 0.698 0.650 同一數量級
METR_LA速度預報訓練 2019.nc_NO2
speed training and testing resultstraining及testing都是扁胖形分布、訓練組更胖一些。表示原始數據可以符合高斯分布，並沒有顯著的極端值。訓練組的符合度更好一些。 測試組之模擬誤差略為偏低 METR_LA速度預報測試結果 2019.nc_NO2
NO2原始數據與高斯模式的符合度不高。訓練及測試組皆然。(空氣品質的分布特性為對數高斯分布。) training及testing都有強烈的趨中性質 二者的平均絕對誤差值還蠻接近的 測試組之誤差略為偏低 METR_LA速度預報測試結果 2019.nc_NO2(部分值)
NO2 predictions可以抓到日變化的趨勢 對高值毫無預測能力。還需借助於其他模型、如預先分類再予訓練
import geopandas as gpd
root = '/nas2/cmaqruns/2022fcst/fusion/Voronoi/'
boundary = gpd . read_file ( root + 'boundary_shape.shp' )
boundary_shape = boundary . geometry [ 0 ]
此處使用shapely.geometry.Polygon.within函數 先篩出符合的點的名稱標籤(name) DataFrame.loc中設定boolean將原來資料表篩減，減省至少2/3。 x1d = [ nc . XORIG + nc . XCELL * ( i + 0.5 ) for i in range ( ncol )]
y1d = [ nc . YORIG + nc . YCELL * ( i + 0.5 ) for i in range ( nrow )]
X , Y = np . meshgrid ( x1d , y1d )
X , Y = X . flatten (), Y . flatten ()
lons , lats = pnyc ( X , Y , inverse = True )
pnts = [ Point ( lon , lat ) for lon , lat in zip ( lons , lats )]
dfNod = pd . DataFrame ({ 'geometry' : pnts , 'name' :[ str ( i ) for i in range ( NM )]})
name_inside = dfNod . loc [ dfNod . geometry . map ( lambda p : p . within ( boundary_shape )), 'name' ]
...
s = set ( name_inside )
n = len ( s )
dfNod2 = dfNod . loc [ dfNod . name . map ( lambda x : x in s )]. reset_index ( drop = True ) "
這個問題如果用迴圈來設計，將會是一個災難。用shapely.geometry.Point.distance函數、完全沒有幫助 即使計算對角線上(或下)一半，在映射到另一半，可以減省一半的計算時間，還是沒有太大的幫助。 可以利用None維度的技巧 ，來重複2維矩陣中特定的一個部分。(參矩陣階層numpy.newaxis(None)的用法 ) 下列程式段落中的n即為網格點個數，因為是計算兩兩距離(d)，因此d的維度是2維，大小都是n。預先將網格點X、Y值處理成1維向量，其長度為n X,Y=np.array(dfNod2.X),np.array(dfNod2.Y) 設定終點為第0個維度、起點則為第1個(另一個)維度 用矩陣標示法直接計算這個d[n,n]的方法，就是定義相對應的終點(X1,Y1)與起點(X2,Y2)，進行差值計算、取平方、相加、再取根號。d[:,:]=np.sqrt((X1-X2)**2+(Y1-Y2)**2)因此X1、X2、Y1、Y2的形狀，也必須完全與d相同 先予以填充0值，預留記憶體(空的容器)。 起點為第0個維度，因此X1、Y1第0個維度的內容必須完全與X,Y相同，另一個維度則複製即可。此處以None將向量複製擴張成矩陣。 同理應用在終點(X2、Y2)，維度設定與起點(X1、Y1)相反即可。 交錯寫法，是因為複製、貼上、將X改成Y，是最快的編輯方式 d = np . zeros ( shape = ( n , n ))
X1 = np . zeros ( shape = ( n , n ))
Y1 = np . zeros ( shape = ( n , n ))
X2 = np . zeros ( shape = ( n , n ))
Y2 = np . zeros ( shape = ( n , n ))
X , Y = np . array ( dfNod2 . X ), np . array ( dfNod2 . Y )
X1 [:,:], X2 [:,:] = X [:, None ], X [ None ,:]
Y1 [:,:], Y2 [:,:] = Y [:, None ], Y [ None ,:]
d [:,:] = np . sqrt (( X1 - X2 ) ** 2 + ( Y1 - Y2 ) ** 2 ) #dfNod2.geometry[j].distance(dfNod2.geometry[i])
#for j in range(n):
# for i in range(0,j):
# d[j,i]=d[i,j]
原範例是用交通速度測點間的距離來加權，距離越大的路段速度會越快，加權越重。通過2個測點的速度比較容易相近(車輛運動的慣性物理性質)，越近的測點，車速會降低，加減速的敏感性就越高(作者認定的模型)。 此處空氣品質則相反，距離越遠的點差異可能就越大，越相近的點差異會越小。因此使用距離的倒數來加權 同一點的距離為0，倒數無意義，且不能參與取極值過程。因此取倒數後直接令其為1(足夠小的暫定值)。 取極值之後，再將對角線值全都設為最大值，再除以此最大值，以使最大值為1。 取0.25次方的用意是讓空間上的漸變過程趨緩一些 d = 1 / d * 1000.
for j in range ( n ):
d [ j , j ] = 1.
dmax = d . max ()
for j in range ( n ):
d [ j , j ] = dmax
d = np . sqrt ( np . sqrt ( d / dmax ))
