随着移动污染源的保有量不断增加,尾气排放所造成的生态环境问题日益突出,实时获取尾气中的污染物信息对于城市交通污染控制和环境保护具有重要意义,这可以通过移动污染源遥测网络对移动污染源尾气排放进行监控来实现。移动污染源遥测网络由广泛分布于交通路网中的遥测节点组成,能够对布控区域中的在路车辆尾气排放进行实时监测。在理想情况下,布设的遥测节点越多,监测网络性能越好,然而由于每个终端安装、维护成本高,其数量受到了经济预算的限制,所以对遥测节点进行科学合理的部署是组建移动污染源排放遥测网络的关键。针对不同的移动污染源尾气排放检测目标,本文采取了不同的遥测网络节点部署策略:(1)以普查移动污染源尾气排放水平为目标,将节点部署问题映射为组合优化问题,并利用经典的优化方法求解;(2)以监控城市范围内的移动污染源尾气排放时空分布为目标,采用图卷积神经网络与主动学习相结合的方法来解决。现有的基于图论的机动车尾气监测节点部署方法是将节点部署优化问题巧妙地转化为组合优化问题,为解决移动污染源排放监测节点的部署问题提供了新思路,但同时也存在一些不足,如选址结果存在冗余、未考虑监控区域边界问题等。对此,本文以部署最少的节点对在路车辆进行普查为目的,提出了一种考虑布控区域边界点的移动污染源排放监测节点选址布设方法。该方法充分考虑了外界车辆驶入监控区域以及内部车辆驶出监控区域的情况,能够识别进入布控区域的超标排放车辆,有利于减轻高排放车辆带来的城市空气污染问题。在保证布控区域中所有在路机动车至少被检测一次的前提下,该方法得到了无冗余的选址结果,而且能够处理存在交通流量非平衡点的路网模型,更加贴合实际。上述方法主要是以机动车个体尾气排放为目标进行普查,无法实现对城市范围内机动车尾气排放情况的全局监控。对此,本文以提高城市范围内的机动车尾气排放时空分布预测准确率为目标,提出了一种基于主动时空图卷积的机动车尾气排放监测网络部署算法。依靠稀疏的节点数据,并不能很好的预测未部署节点位置的尾气排放水平,因此本文采用预测算法与主动学习相结合的策略去增加布设新的节点,所提出的布点算法主要包括两个部分:1)时空图卷积神经网络(Spatio-Temporal Graph Convolutional Network,STGCN)模型:针对路网拓扑结构对交通状态的影响,采用图卷积神经网络预测布控区域内每一条路段在任意时间戳上的机动车尾气排放情况,即未部署节点路段上的尾气排放预测;2)主动学习(Active Learning,AL)模型:添加部署新的监测节点以最大限度地提高机动车尾气排放预测的准确性。该方法以提高城市范围内的尾气排放时空分布预测准确性作为新增遥测节点的选址部署依据,实现了对未布点路段上的机动车尾气排放时空分布态势的有效预测。