CN106650825B - 一种机动车尾气排放数据融合系统 - Google Patents

Abstract

本发明公开了一种机动车尾气排放数据融合系统，包括道边空气污染物浓度估计模块、道边空气污染物浓度预报模块、城市全局大气环境预测模块、机动车尾气排放因子估计模块与机动车尾气排放特征分析模块；五个模块分别实现不同的数据分析功能，选择不同的模块即可实现不同的功能；可以单独使用，也可两个或两个以上组合作用，实现对机动车尾气遥测数据及机动车属性、行驶工况、检测时间、气象条件数据的存储、分析与融合，结合车载诊断系统数据库、便携式排放测试系统数据库、车检所离线数据库、交通信息数据库与地理信息数据库，对机动车尾气遥测数据进行分析处理，获取最具辨识力的关键性指标和统计数据，从而为政府部门制定相关决策提供有效支撑。

Description

一种机动车尾气排放数据融合系统

技术领域

本发明具体涉及一种机动车尾气排放数据融合系统，属于环境监测技术领域。

背景技术

由于近年来全国机动车保有量迅猛增长，致使市区以及各地交通拥堵现象日趋严重，大气环境质量也呈现出恶化趋势，机动车排气污染监控工作正面临着严峻的挑战。机动车尾气是城市大气环境污染的重要污染物，是城市空气污染的主要源头，在城市环境污染监测方面，机动车尾气监测所占比例越来越高，已经成为环境保护与管理的重要组成部分。

从2000年以来，环保部门对于机动车尾气的监管不断加强，一方面，通过提高排放标准加速老旧机动车淘汰的速度：机动车尾气排放标准不断提高，从欧I、欧II到国五标准，仅仅经过了10余年的时间。另一方面，机动车尾气检测手段和技术不断发展，先后经历双怠速法、简易工况法、模拟工况法、遥感监测法等阶段，检测设备也从手持式、便携式、检测场固定式发展到了车载移动式、路侧固定式。其中，由于新兴的遥感监测法具有检测周期短、无需人工参与、准确度高与不影响交通的特点，已渐渐成为机动车尾气检测的重要技术手段，得到了业界的普遍认同。机动车尾气遥测设备布设于城市路网，可获取海量监测数据，如何分析、处理这些海量数据是环境监测的一个难点，通过有效的数据挖掘可获取大量关于机动车尾气排放的信息。

由于空气污染物浓度的影响因素复杂繁多，从长期或平均状态来说，取决于城市的能源结构、交通和工业排放污染物的多少，但从短期或实时状态而言，却主要与当地、当时的气象条件有关。这一系列的因素导致对空气污染物浓度进行预报具有一定的挑战性，因此目前国内外还没有有效的技术方法对重污染过程进行准确的预报，高浓度污染的预报成为了国内外亟待克服的重要难题。发明专利《基于数值模式与统计分析结合的大气重污染预报方法》(申请号：CN201310038573.9)提出了一种基于数值模式与统计分析结合的大气重污染预报方法。该方法将数值预报方法与统计预报方法相结合，一定程度上克服了两种预报方法单独使用时存在的缺点，即数值预报方法对非重污染时段预报效果较好，但对由于复杂气象条件导致污染物输送、扩散、转化的重污染时段预报误差高达400％；而统计预报方法准确率和计算效率较高，但对历史资料依赖性较强，并缺乏一定物理意义。发明专利《一种基于特征向量和最小二乘支持向量机的PM25浓度预测方法》(申请号：CN201410201739.9)、《一种基于多领域特征的城市空气质量等级预测方法》(申请号：CN201410452557.9)与《一种空气污染物浓度预测方法》(申请号：CN201510767342.0)均实现了依据历史空气污染物浓度监测数据对当前或未来某一时刻空气污染物浓度进行预报，但是他们共有的问题是：预测方法较为复杂，对历史数据的利用、整合有待加强，泛化能力及预报准确率都有待提高。

机动车尾气排放因子可反映机动车的排放水平，对机动车尾气排放因子的传统评估方法是建立影响机动车排放的参数与污染物排放之间的关系，称之为排放因子模型。国外研究排放因子模型的时间较长，已经建立了MOBOLE、EMFAC、IVE、CMEM、COPERT等多个模型。而大部分都是通过台架试验的方法得到数据建立模型，由于实际道路情况复杂，这样的模型无法真实反映在实际道路上行驶的机动车的尾气排放。近年来，利用隧道试验来评估排放因子的方法得到了广泛的应用，该方法通过现场收集车流和气象数据，测量隧道进出口污染物浓度，利用质量平衡计算出各种污染物的排放因子，从而反映出实际路况下机动车污染物的排放特性。但由此得到的往往是平均行驶速度下的排放因子或总测试时段内的平均排放因子，因此无法考察机动车行驶工况(不同瞬态车速和加/减速度)对排放特性及排放因子的影响。发明专利《一种基于机动车比功率的速度对车辆排放因子修正方法》(申请号：201510745166.0)根据车辆行驶速度计算机动车比功率，得到不同速度区间的比功率分布情况，并利用平均速度计算的修正系数对其进行修正。该方法在计算过程中不仅需要车辆的速度、加速度数据，还需要基本排放因子、MOVES数据库中的排放率等数据的输入，计算过程较复杂；另一方面，该方法只考虑行驶工况，并未将气象条件对机动车尾气排放的影响考虑在内。

受经济水平和科研能力的限制，我国空气质量监测工作起步较晚，自上世纪七十年代开始到现在，经过四十多年的发展，目前我国很多省市已经建立起空气质量监测系统，但针对道边空气污染物浓度的检测仍存在很大的进步空间。其中的主要原因有：一、目前用于道边空气污染物浓度检测的设备主要为空气监测站，该设备价格昂贵，只能在城市内布设有限数量的站点，然而城市路网庞大，拓扑结构和周围环境复杂，通过检测设备实现城市各区域道边空气污染物浓度的实时预测可行性很低。二、基于设备全面检测的低可行性，各国学者力图通过预测方法来解决这个问题，目前国内外针对道边空气污染物浓度的研究中，采用的方法主要分两大类：1、高斯模型以及后续的以高斯模型为基础的一系列线源模型，如王炜等在《城市交通规划理论及其应用》(东南大学出版社,1998年)所述，这类方法针对不同状态的道路需采用不同的模型，且对复杂道路的模型准确性不高；2、基于神经网络的道边污染物浓度检测，如杨忠振等在《基于神经网络的道路交通污染物浓度预测》(吉林大学学报(工),2007年37期)所述，这类方法能通过识别输入、输出数据之间简单的非线性关系，但在学习输入、输出数据内部之间更本质的特征映射方面有很大局限性，每个神经网络只能表征一种污染物与输入的关系，在实时性和迁移性上存在很大缺陷。

虽然国内遥感监测法已经慢慢开始发展普及，但是其后续工作仍比较空白。虽然许多地方也建立了相关的数据平台，但是数据存储分散，不能有效地结合在一起，也没有得到统一的管理。同时，得到的数据缺乏多样性，与车主、实时天气、当前路况信息等数据没有紧密结合在一起。这些都给后续的数据分析和环保政策的提出造成了巨大的困难。因此，针对机动车遥测项目对数据方面的需求，本发明公开一种机动车尾气排放数据融合系统，旨在高效地处理、分析机动车排放数据，推动我国机动车尾气遥测产业快速发展，为环境污染地域的联防联控和氮氧化物总量减排的政策提供强有力的技术支撑。

发明内容

传统的遥感监测法只能对其中极少部分车辆进行检测，且各监测点分散，没有充分利用各监测点数据的相互联系，无法实现更高层面的监管，为有关部门提供决策依据或建议。本发明技术能克服上述缺点，真正发挥尾气遥测设备的优势，提供一种机动车尾气排放数据融合系统。

本发明技术解决方案：一种机动车尾气排放数据融合系统，实现对机动车尾气遥测数据及机动车属性、行驶工况、检测时间、气象条件数据的存储、分析与融合，结合车载诊断系统数据库、便携式排放测试系统数据库、车检所离线数据库、交通信息数据库与地理信息数据库，对机动车尾气遥测数据进行分析处理，实现机动车尾气排放因子估计、机动车尾气排放特征分析、道边空气污染物浓度估计、道边空气污染物浓度预测及城市全局环境预测，为环保部门的政策制定与执法提供科学依据。

机动车尾气排放数据融合系统包括道边空气污染物浓度估计模块、道边空气污染物浓度预报模块、城市全局大气环境预测模块、机动车尾气排放因子估计模块与机动车尾气排放特征分析模块；

道边空气污染物浓度估计模块，使用一种基于重构深度学习的道边空气污染物浓度预测方法来实现，根据道边空气污染物的时空分布特点，基于重构深度学习方法对深度重构Elman模型进行训练，当训练完成后，输入实时的路网信息、气象信息和交通信息，即可获得实时的道边空气污染物浓度估计值；

道边空气污染物浓度预报模块，使用一种基于LSTM-RNN模型的空气污染物浓度预报方法来实现，根据历史空气污染物浓度数据，提出基于LSTM-RNN模型的预报方法，模型训练完成后，该模型可预报当前或未来某一时刻的空气污染物浓度；

城市全局大气环境预测模块，使用一种基于CFD及多数据源的城市实时全局环境估计方法来实现，结合城市环境监测站点历史数据、全球中尺度气象预测结果、国家气象数据、城市重点污染源数据、城市地理三维模型及机动车尾气遥测设备的实时监测数据，利用流体力学CFD作为计算引擎，根据气象信息自适应切换环境质量模式，采用多尺度网格离散化城市模型并引入多组分污染模型，实现城市全局大气环境的实时预测；

机动车尾气排放因子估计模块，使用一种基于MLP神经网络的机动车尾气排放因子估计方法来实现，利用机动车尾气遥测设备采集的实际道路上的机动车尾气排放数据以及其他相关数据建立机动车尾气CO、HC及NO的排放因子数据库，并据此建立针对于CO、HC和NO的MLP神经网络模型，实现机动车尾气排放因子的实时在线估计；

机动车尾气排放特征分析模块，使用一种基于聚类分析的车辆尾气排放特征分析处理方法来实现，采用灰色关联分析方法从车辆类型、行驶工况、燃料类型、车辆使用年限、风速、气温中找出影响尾气排放的主要影响因素，作为车辆尾气排放特征分析的核心维度特征参数，利用基于密度的聚类算法对机动车进行尾气排放贡献程度的分类；

上述五个模块分别实现不同的数据分析功能，选择不同的模块即可实现不同的功能；可以单独使用，也可以两个或两个以上组合作用；

在需要获得实时的道边空气污染物浓度估计值时，采用道边空气污染物浓度估计模块；

在根据历史空气污染物浓度数据预报当前或未来某一时刻的空气污染物浓度时，采用道边空气污染物浓度预报模块；

在需要城市全局大气环境的实时预测时，采用城市全局大气环境预测模块；

在需要进行机动车尾气排放因子的实时在线估计时，采用机动车尾气排放因子估计模块；

在分析影响尾气排放的主要影响因素，或对机动车进行尾气排放贡献程度的分类时采用机动车尾气排放特征分析模块。

所述道边空气污染物浓度估计模块中，一种基于重构深度学习的道边空气污染物浓度实时预测方法包含以下步骤：

步骤1：基于重构深度学习方法，根据道边空气污染物的时空分布特点，形成道路空气污染物浓度数据集，构建深度重构Elman模型；所述道边空气污染物包括一氧化碳CO、二氧化碳CO2、氮氧化物NOx；所述深度重构Elman模型包括：主网络和次网络；主网络具有前馈连接和反馈连接结构，含有局部记忆能力，主网络依次由输入层、承接层、中间层和输出层构成；次网络用于主网络初始化，次网络含有一个可视层和一个隐含层；

步骤2：根据限制玻耳兹曼机的特征，从道边空气污染物浓度数据集中随机选取部分数据，完成深度重构Elman模型的初始化；

步骤3：采用梯度下降算法，对深度重构Elman模型进行训练，得到能够对道边空气污染物浓度进行实时预测的深度重构Elman模型，以实时的路网信息、气象信息、交通信息因素作为Elman模型的输入，Elman模型输出为对应的实时道边空气污染物浓度；所述路网信息包括路段车道数、道路绿化程度、道路建筑物高度、建筑物与道边距离；所述气象信息包括温度、湿度、天气、风速和风向；所述交通信息车种比例、车流量、通过时间、停止时间和拥塞时间。

所述一种基于重构深度学习的道边空气污染物浓度实时预测方法中，所述步骤2实现如下：

(1)对道路空气污染物浓度数据集中的数据进行归一化处理，并将数据集按照60％、20％、20％的比例划分为训练集、验证集、测试集；

(2)对限制玻尔兹曼机设置重构误差阈值，利用训练集中的输入数据对限制玻尔兹曼机进行训练，其中可视层单元个数为14，隐含层单元个数为37，关于状态的损失函数J_res(x_pol,h_pol,θ)为：

其中，x_pol,i为影响道边空气污染物浓度的因素之一，h_pol,j为x_pol,i的另一种表达，θ_rac＝{ω_rac,i,j,α_rac,i,β_rac,j}，α_rac,i、β_rac,j分别为可视单元和隐含单元的偏差向量，ω_rac,i,j是权重矩阵，N₉、L₉分别为可视单元和隐含单元的数量；

限制玻尔兹曼机参数的梯度求解方法如下：

其中，prob(x_pol,θ)是可视单元的概率，prob(h_rac,j＝1|x_pol,θ)是隐含单元的条件概分布；

(3)初始化Elman模型，其中用限制玻尔兹曼机中训练好的矩阵ω_rac初始化输入层权重

中间层权重

和承接层权重

用零矩阵初始化。

所述一种基于重构深度学习的道边空气污染物浓度实时预测方法中，所述步骤3实现如下：

(1)根据深度重构Elman模型的非线性状态空间表达式计算第m次迭代输出的道边空气污染物浓度y_rac(m)；

(2)根据梯度下降算法计算道边空气污染物浓度损失函数J_rac，若污染物浓度损失函数的值小于初始化中设置的误差阈值或者迭代次数值m大于等于初始化中设置的最大迭代次数，则训练结束，进入步骤(5)，否则进去步骤(3)；

(3)根据梯度下降算法计算道边空气污染物浓度损失函数关于深度重构Elman模型的权重参数

的偏导数，计算方法如下：

其中，J_rac(m)是道边空气污染物浓度损失函数，n表示输入层的第n个单元，j表示输出层的第j个单元，l表示中间层的第l个单元，

表示隐含层的第

个单元，m是迭代次数，

是求偏导符号，

是道边空气污染物浓度损失函数关于

的偏导数，η₁、η₂、η₃分别是

的学习率，

分别是深度重构Elman模型的中间层到输出层权重参数、输入层到中间层权重参数、承接层到中间层权重参数；

(4)然后根据权重参数的偏导数对权重参数进行更新，更新规则如下：

更新完毕后，返回步骤(1)；

(5)训练结束，模型的权重参数确定，所得模型即为能够对道边空气污染物浓度进行实时预测的深度重构Elman模型，将实时的路网信息、气象信息、交通信息因素输入到模型中，通过模型即可输出预测的实时道边空气污染物浓度结果。

道边空气污染物浓度预报模块中，一种基于LSTM-RNN模型的空气污染物浓度预报方法包含以下步骤：

步骤一，首先收集目标城市较长时间内的空气污染物浓度数据，作为历史数据，并存入数据库；

步骤二，然后通过对收集到的历史数据进行预处理，构造待训练的LSTM-RNN(LongShort-Term Memory，长短时记忆)模型的训练样本数据、验证样本数据和测试样本数据；

步骤三，通过训练样本数据得到预先训练的LSTM-RNN模型，然后通过构造的验证样本数据和测试样本数据微调训练得到的LSTM-RNN模型参数，通过进一步修正LSTM-RNN模型参数，提高LSTM-RNN模型精度，将该修正后的LSTM-RNN模型作为空气污染物浓度预报模型；

步骤四，将预处理后的目标城市较长时间内的空气污染物浓度数据作为LSTM-RNN模型的输入数据，通过LSTM-RNN模型对输入数据进行学习，最终LSTM-RNN模型输出得到当前或未来某一时刻的空气污染物浓度预报的结果。

所述一种基于LSTM-RNN模型的空气污染物浓度预报方法中，所述步骤一中，收集目标城市较长时间内，即一年的空气污染物浓度数据，选取与空气污染物浓度有关的数据进行汇总，对于其中部分缺失的数据，采用平均值法填补缺失数据，并存入数据库。

所述一种基于LSTM-RNN模型的空气污染物浓度预报方法中，所述步骤一中的平均值法为：采用缺失数据前N₁₀个与后N₁₀个数据取平均值的方法，N₁₀表示前后取数的个数，取值为20-30个。

所述一种基于LSTM-RNN模型的空气污染物浓度预报方法中，所述步骤二中，构造待训练的LSTM-RNN模型的训练样本数据：从数据库中读出目标城市的污染数据，进行归一化处理，构成LSTM-RNN模型的输入特征向量，并按照75％、15％、10％的比例划分为训练样本数据、验证样本数据和测试样本数据。

所述一种基于LSTM-RNN模型的空气污染物浓度预报方法中，步骤二中所述归一化处理方法为min-max归一化方法，对收集到的目标城市较长时间内的空气污染物浓度数据做归一化处理，使其值在0到1之间。

所述一种基于LSTM-RNN模型的空气污染物浓度预报方法中，所述步骤三中，LSTM-RNN模型采用具有1个输入层、5个隐藏层，输出层，使用identity函数来执行回归。

所述一种基于LSTM-RNN模型的空气污染物浓度预报方法中，所述步骤三中的5个隐藏层采用LSTM(长短时记忆)单元，该单元具有三个门：输入门表示是否允许采集的新的污染物浓度数据信息加入到当前隐藏层节点中，如果为1即门开，则允许输入，如果为0，即门关，则不允许，这样就可以摒弃掉一些没用的输入信息；遗忘门表示是否保留当前隐藏层节点存储的历史污染物浓度数据，如果为1即门开，则保留，如果为0，即门关，则清空当前节点所存储的历史污染物浓度数据；输出门表示是否将当前节点输出值输出给下一层，即下一个隐藏层或者输出层，如果为1，即门开，则当前节点的输出值将作用于下一层，如果为0，即门关，则当前节点输出值不输出。

所述一种基于LSTM-RNN模型的空气污染物浓度预报方法中，所述隐藏层的LSTM单元具体公式表示如下：

H_air,t＝o_ttanh(c_t)

其中sig为逻辑sigmoid函数，x_air表示LSTM-RNN模型的输入特征向量，

Φ、o、c、H_air分别表示输入门(input gate)、遗忘门(forget gate)、输出门(output gate)、单元激活向量(cell activation vectors)，隐藏层，

分别为LSTM-RNN模型的输入特征向量、隐藏层单元、单元激活向量与输入门之间的权重矩阵，

Ω_air,c,Φ分别为LSTM-RNN模型的输入特征向量、隐藏层单元、单元激活向量与遗忘门之间的权重矩阵，

Ω_air,c,o分别为LSTM-RNN模型的输入特征向量、隐藏层单元、单元激活向量与输出门之间的权重矩阵，

分别为LSTM-RNN模型的输入特征向量、隐藏层单元与单元激活向量之间的权重矩阵，所述权重矩阵均为对角阵；

β_air,Φ、β_air,o、β_air,c分别为LSTM-RNN模型输入门、遗忘门、输出门、单元激活向量的偏差值，t作为下标时表示时刻，tanh为激活函数。

城市全局大气环境预测模块中，一种基于CFD及多数据源的城市实时全局环境估计方法包含以下步骤：

步骤一，提取城市三维模型数据，使用模型片段数简化方法进行所述三维模型融合，并将地理信息映射到所述三维模型，生成具有地理信息的简化城市三维模型；

步骤二，选定城市的待求解区域，在待求解区域中，对第一步所得简化城市三维模型进行六面体网格划分，融入城市重点污染源GIS信息及城市主要街道GIS信息，然后使用多尺度网格划分方法对重点污染源区域、主要街道进行细网格划分，生成多尺度网格化城市三维模型；

步骤三，使用Realizable k-ε湍流模型封闭城市大气流场方程，加入太阳辐射方程，得到城市大气流场控制方程；

步骤四，将城市重点污染源的排放数据、机动车尾气排放的实时数据通过匹配地理位置坐标点方法，映射到第二步所得城市三维模型重点污染源位置及主要街道位置所在处，生成城市重点污染源排放时空分布Q_1j(ξ₁,ξ₂,ξ₃,t)，其中ξ₁,ξ₂,ξ₃为坐标变量，t为时间变量；及主要街道尾气污染物源浓度分布Q_2j(ξ₁,ξ₂,t)，融合城市环境监测站点污染物浓度数据，采用双线性插值生成全局污染物浓度初步估计分布Y_env,j，使用污染物输送方程综合上述所述三种数据源，即Q_1j(ξ₁,ξ₂,ξ₃,t)、Q_2j(ξ₁,ξ₂,t)和Y_env,j，得到实时污染物输送模型；

步骤五，将多数据源全国尺度风场、污染物分布数据及ECMWF气象数据，作为城市模型求解区域时变边界参数，利用大气边界层理论得到入流面、出流面、上边界及下垫面边界条件；

步骤六，利用计算流体力学CFD求解器在第二步所得城市三维网格模型上对第三步所得流场控制方程及第四步污染物输送模型离散化，按第五步的时变边界条件，进行城市全局流场求解，得到无气象因素实时环境质量分布；

步骤七，结合城市气象数据，针对不同降水气象，包括降雪和降雨，对第六步CFD湍流模型计算所得无气象因素实时环境质量分布的计算结果进行对应沉降作用处理，得到城市实时全局环境质量分布；

步骤八，在第七步得到当前时刻城市实时全局环境质量分布当前时刻环境质量分布计算结果基础上，载入下一时刻气象数据，重点污染源排放数据，机动车尾气排放数据，进行实时循环计算，生成城市实时全局环境质量分布动态估计。

所述一种基于CFD及多数据源的城市实时全局环境估计方法中，所述步骤一中，提取城市三维模型数据，使用模型片段数简化方法进行所述三维模型融合，并将地理信息映射到所述三维模型，生成具有地理信息的简化城市三维模型的方法为：

(1)使用3D ripper分析谷歌地球运行时DirectX数据流，导出带有地理信息的三维城市建筑模型；

(2)使用STL模型简化技术合并步骤(1)所得三维城市建筑模型三角面，得到简化城市建筑模型；

(3)匹配步骤(2)所得三维城市建筑模型与地理信息特征点，将地理信息映射到三维城市建筑模型，生成具有地理信息的简化城市三维模型。

所述一种基于CFD及多数据源的城市实时全局环境估计方法中，所述步骤三中，使用Realizable k-ε湍流模型封闭城市大气流场方程，Do模型描述太阳辐射，得到城市大气流场控制方程的方法为：

(1)采用Realizable k-ε湍流模型，即RKE模型对稳态不可压缩连续性方程进行封闭，设定Realizable k-ε湍流模型参数：方程常数L₁₁，湍动能及耗散率的湍流普朗特数σ_k,σ_ε，得到湍流控制方程；

(2)使用气象数据中太阳辐照强度数值，确定当前入射辐射强度

代入辐射传热方程，计算辐射对流场及温度影响，联合步骤(1)中湍流控制方程得到城市大气流场控制方程组。

所述一种基于CFD及多数据源的城市实时全局环境估计方法中，所述步骤四中，使用污染物输送方程综合三种数据源，得到污染物输送模型的步骤为：

(1)利用环保部及省市环保厅提供的国控重点企业监测公开信息中各企业排放数据，将重点污染源模型化为点源分布，指定污染源坐标，源强可定义污染源在模型中的位置及排放量，得到重点企业污染源的时空分布模式Q_1j(ξ₁,ξ₂,ξ₃,t),其中：i为污染来源种类，此处记企业污染源为i＝1,j为污染物种类，Q_j(ξ₁,ξ₂,ξ₃,t)为某种污染物的源项；

(2)根据配套开发的机动车尾气检测系统所得污染物数据，使用线性插值公式对介于监测点1,2之间的尾气浓度进行插值，估计街道峡谷内尾气成分浓度值，

式中Q_2j,1为相邻两个机动车尾气检测点所得污染物浓度数据，

为插值点，监测点1，监测点2地理坐标值；将街道污染物浓度匹配城市模型对应街道，得到污染物浓度地图，建立城市路道污染源浓度时空分布估计值,并视为线源,Q_2j(ξ₁,ξ₂,t),并将其代入污染物输送方程；

(3)将城市以环境监测点为节点进行区域划分,并利用环境监测点提供环境数据以监测点为顶点，对内部区域污染物浓度值进行双线性插值，生成覆盖城市的污染物浓度预估值Y_env,j，以其作为输送过程初始场,及计算过程校正场；

(4)针对主要污染物，包括PM2.5，氮氧化物，硫化物分别建立不同的组分输送方程，具体某种组分Y_j的输送微分方程为:

式中:ρ为流体密度，Y_j为组分j的质量分数，U_j,i为组分j扩散速度在i方向的分量，Q_j为组分源强，vis_j为组分扩散系数项,不同组分扩散系数不同，将步骤(1)所得重点企业污染源项Q_1j(ξ₁,ξ₂,ξ₃,t)、步骤(2)所得城市路道污染源项Q_2j(ξ₁,ξ₂,t)、步骤(3)所得城市污染物浓度预估值Y_env,j代入上述组分输送微分方程，通过计算实时生成污染物输送模型。

所述一种基于CFD及多数据源的城市实时全局环境估计方法中，所述步骤五中，将数据源全国尺度风场、污染物分布数据，及ECMWF气象数据，作为城市模型求解区域时变边界参数，利用大气边界层理论得到入流面、出流面、上边界及下垫面边界条件的步骤为：

根据大气边界层理论，将ECMWF数据中高度第一层的数据作为上界边界条件；建筑物及地面设置为固壁边界条件；流入面边界条件：以指数分布描述入流面大气边界层内风速随高度变化情况

其中u₀为峡谷上方平行街道方向风速，ξ₃为离地高度，ξ_3,0为街道峡谷高度，loss为边界层内速度损失指数，以入口大气边界层高度作为基准高度，对应ECMWF风速数据作为基准高度风速；设置出流面相对压力为零，通过上述设定，得到入流面、出流面、上边界及下垫面边界条件。

所述一种基于CFD及多数据源的城市实时全局环境估计方法中，所述步骤七中，结合城市气象数据，针对不同气象模式，对基于CFD及多数据源的城市实时全局环境估计方法的步骤六的计算结果进行沉降作用处理，得到城市实时全局环境质量分布的步骤为：

实时对基于CFD及多数据源的城市实时全局环境估计方法的步骤七所得无气象因素实时环境质量分布计算结果结合国家气象中心实时气象数据，针对不同降水气象，包括降雪、降雨，不同污染物组分对污染物组分分布施加沉降作用，得到冲洗后污染物浓度值：Y_j＝Y_0,je^-phi(Rf)，其中：Y_0,j为降水前污染物浓度值，

为冲洗系数,为降水量Rf的函数，冲洗系数参数L₁₂,L₁₃为经验系数，与降水类型及污染物类型相关，对污染物组分空间分布Y_j随时迭代更新，得到城市实时全局环境质量分布。

所述机动车尾气排放因子估计模块中，一种基于MLP神经网络的机动车尾气排放因子估计方法包括以下步骤：

步骤1：利用机动车尾气遥感监测设备采集的实际道路上的机动车尾气排放数据，即机动车行驶时排放的CO2、CO、HC及NO的体积浓度，以及其他相关数据，所述其他相关数据包括：机动车的车型、速度与加速度，以及当前温度、湿度、压强、风向与风速；

步骤2：对步骤1中采集到的机动车的尾气排放数据进行预处理，并建立机动车尾气CO、HC及NO的排放因子数据库；

步骤3：基于步骤2所得到的机动车尾气CO、HC及NO的排放因子数据库，以及步骤1中采集到的其他相关数据分别建立针对于CO、HC和NO的MLP神经网络模型，依据MLP神经网络模型即实现机动车尾气排放因子的实时在线估计。

所述一种基于MLP神经网络的机动车尾气排放因子估计方法中，所述步骤2中，对机动车尾气排放数据进行预处理的方法如下：

根据机动车尾气遥感监测设备采集到的机动车行驶时排放的CO2、CO、HC及NO的体积浓度数据计算机动车尾气CO、HC及NO的排放因子，方法如下：

其中，CO(gL^-1)、HC(gL^-1)和NO(gL^-1)分别指机动车尾气CO、HC及NO的排放因子，单位是gL^-1；Rat为机动车尾气遥感监测设备采集到的CO与CO2体积浓度的比值；Rat′为机动车尾气遥感监测设备采集到的HC与CO2体积浓度的比值；Rat″为机动车尾气遥感监测设备采集到的NO与CO2体积浓度的比值；M_fuel为机动车燃油的摩尔质量；D_furl为机动车燃油的密度。

所述一种基于MLP神经网络的机动车尾气排放因子估计方法中，所述步骤3中，建立针对于CO、HC和NO的MLP神经网络模型的方法如下：

在进行MLP神经网络模型构造之前，所有数据，包括速度、加速度、温度、湿度、压强、风向与风速及CO、HC和NO的排放因子，都需进行min-max归一化。

在min-max归一化之后，将所有数据先按照车型分为四个数据集，即分别针对于轻型汽油车、重型汽油车、轻型柴油车和重型柴油车的数据集；每个数据集分为训练集、验证集和测试集，其中验证集用来在训练过程中检查MLP神经网络的性能，当性能达到最大值或开始减小的时候训练终止，测试集用来评估训练出的MLP神经网络的性能；训练集、验证集和测试集数据所占比例分别为50％、25％、25％。

使用上述所得的训练集中的数据来训练MLP神经网络，采用的MLP神经网络模型的结构为：一个输入层、一个隐藏层和一个输出层的三层结构；MLP神经网络模型的输入为速度、加速度、温度、湿度、压强、风向与风速，输出为CO、HC或NO的排放因子，输入层神经元数目为7个，输出层神经元数目为1个，隐藏层神经元数目采用试验法决定。

所述机动车尾气排放特征分析模块中，一种基于聚类分析的车辆尾气排放特征分析处理方法包括如下步骤：

(1)抽取机动车尾气遥测数据；

(2)对抽取的机动车尾气遥测数据进行预处理；

(3)对步骤(2)中的预处理后的数据，采用灰色关联分析方法从车辆类型、行驶工况、燃料类型、车辆使用年限、风速、气温等诸多因素找出影响尾气排放的主要影响因素，作为车辆尾气排放特征分析处理的核心维度特征参数，实现尾气污染物排放影响因素关联特征选择，得到影响尾气排放的主要影响因素特征属性；

(4)根据步骤(3)得到的影响尾气排放的主要影响因素特征属性，采用基于密度的聚类算法对检测车辆尾气排放特征数据进行分类得到分群类别，并计算每个排放分群组别的排放得分，然后根据排放得分对分群组别排序，构建车辆尾气排放特征分析处理模型，根据车辆尾气排放特征分析处理模型对车辆尾气排放进行分析处理。

所述一种基于聚类分析的车辆尾气排放特征分析处理方法中，所述步骤(1)中，抽取机动车尾气遥测数据的过程如下：

(11)从车辆检测数据库中获取尾气检测表和车辆基本信息表，包括的数据项有：检测设备编号，检测时间，检测的车牌号码，车速，车辆加速度，车辆长度，CO2、CO、HC、NO浓度，烟度值，风速，风向，气温，湿度，气压，动态/静态测量，数据有效性，抓拍照片，燃料类型，车辆登记日期属性；

(12)从道路车流量信息数据库，获取的数据项有：道路名称，时间，小轿车、出租车、公交车、大客车、中轻型卡车及重型卡车这些不同类型车辆的车流量；

(13)从天气信息数据库，获取的数据项有：时间，城市，天气状况，温度，湿度，风速，PM2.5，PM10，AQI。

所述一种基于聚类分析的车辆尾气排放特征分析处理方法中，所述步骤(2)中，机动车尾气遥测数据预处理如下：通过对尾气遥测数据的分析，找出缺失值、偏离过大的个别极端值进行丢弃处理，从原始数据中的众多属性中删除与遥测记录不相关冗余属性，对遥测数据中的车型数据、燃料类型、数据有效性的非数值型数据进行量化处理，再根据车辆登记日期以及车辆检测时间，构造车辆使用年限分级数据。

所述一种基于聚类分析的车辆尾气排放特征分析处理方法中，所述步骤(4)中，尾气污染物排放影响因素关联特征选择如下：采用灰色关联分析方法从车辆类型、行驶工况、燃料类型、车辆使用年限、风速、气温等诸多因素找出影响尾气排放的主要影响因素，作为车辆尾气排放特征分析处理的核心维度特征参数。

所述一种基于聚类分析的车辆尾气排放特征分析处理方法中，所述步骤(4)中，构建车辆尾气排放特征分析处理模型如下：对步骤(3)得到的特征属性采用基于密度的聚类算法对检测车辆尾气排放特征数据进行分类得到分群类别，利用层次分析法得到每个特征属性权重，按式

i＝1,…N_cluster求得第i组分群的排放得分score_i，计算每个排放分群组别的排放得分，然后根据排放得分对分群组别排序。

所述基于密度的聚类算法的过程如下：

(1)输入聚类数N_cluster，属性数据集

N_cluster为属性数据集大小，密度参数N₂₁，倍率参数N₂₂；

(2)从属性数据集S中计算所有对象距离数据表distTable＝{dist(s_i,s_j)},i＝1,2,…N_data,j＝1,2,…N_data；i≠j；对距离数据表从小到大排序得到距离排序数组Array；

(3)通过Array的percent范围内出现最多的数据点标记，得到初始点init，Array(percent)记为序列中值最小的percent比例部分，按式：

Array(percent)＝{distArray₁,distArray₁,…,distArray_roughNum}得到，每一个distArray对应两个不同数据点，

其中，

roughNum＝percent×N_data×(N_data-1)/2；

(4)根据初始点init计算出当前簇的Eps和初始MinPts，得到当前簇的以init为圆心的初始簇点；

(5)计算当前簇的每一个点的密度，若大于MinPts，则标记为簇心点，簇心点的Eps范围内的点标记为当前簇类；

(6)根据当前簇心点的平均MinPts，更新MinPts，重复步骤(5)直到当前簇点个数不再增加；

(7)从属性数据集S中去掉当前簇的点，当前簇类加1，重复(2)～(6)直到当前簇标为N_cluster+1；

(8)给每一个未被标记的数据点标记为与其相近最近标记点的簇标，最终聚类出N_cluster个数据簇，从而得到分群类别。

本发明与现有技术相比的优点：

(1)以往的机动车尾气检测技术，如双怠速法、简易工况法、模拟工况法等，其本质上都是一种离线的、接触式的检测方法，需要在专门的监测站进行实验，具有成本高、周期长等缺点，难以实现在线的实时监测。而遥感监测法可以快速筛选出高排放车辆、豁免清洁车辆，因其具有不干扰车辆行驶、快速、低成本检测车辆尾气排放的特点，同时可避免工作人员与尾气的近距离接触而带来的危害，非常适用于对整体车辆尾气排放状况数据的监测。这种实际道路工况下的排放量数据较之实验室台架测试的数据更加接近真实的排放，更具有科学性及代表性，不仅能为环保部门建立相关执法体系提供可靠的技术保障，而且能够为政府部门的相关决策给出科学有效的数值依据，从而有效的降低城市机动车尾气排放污染，提高城市空气质量，改善人民生活环境。

(2)传统的遥感监测法只能对其中极少部分车辆进行检测，且各监测点分散，没有充分利用各监测点数据的相互联系，无法实现更高层面的监管，为有关部门提供决策依据或建议。本发明技术能克服上述缺点，真正发挥尾气遥测设备的优势，提供一种机动车尾气排放数据融合系统，该系统使用遥测设备采集的数据，同时结合车载诊断系统数据库、便携式排放测试系统数据库、车检所离线数据库、交通信息数据库与地理信息数据库，实现多种功能的数据分析。

(3)本发明涉及的一种基于LSTM-RNN模型的空气污染物浓度预报方法，采用一种基于模型的空气污染物浓度预报方法。与传统方法相比，使用深度学习的方法对空气污染物浓度进行预报，不必实时采用人工方法测量，节约了人力物力资源，同时使用单元能够加强后面的时间节点对前面的时间节点感知力，可以实现对测量数据的充分利用，极大的提高了预测效率和准确度，同时具有较高的泛化能力，具有极大的社会价值和现实意义。

(4)本发明涉及的一种基于重构深度学习的道边空气污染物浓度实时预测方法，考虑到目前道边空气污染物浓度实时预测的重要性和方法的重大局限性，不同于以往的简单预测方法，基于道边空气污染物浓度的诱发因素的多样性、以及历史数据相关性特征，基于重构深度学习的具有历史记忆能力的深度重构Elman模型，由于该模型具有深层特征映射和局部记忆能力，能够学习到道边空气污染物浓度与其受影响因素之间的本质特征映射，能够学习到路网信息(路段车道数、道路绿化程度、道路建筑物高度、建筑物与道边距离)、气象信息(温度、湿度、天气、风速、风向)、交通信息(车种比例、车流量、通过时间、停止时间、拥塞时间)等因素与道边空气污染物浓度之间的本质特征映射，并且能够通过该模型实现对一氧化碳、二氧化碳、氮氧化物的更高精度得实时预测，且具有很好的迁移性。

(5)传统车辆尾气检测根据相关标准的限定阈值将车辆分为超标和不超标，分类比较粗糙。本发明涉及的一种基于聚类分析的车辆尾气排放特征分析处理方法充分利用尾气遥测设备积累点海量数据，并考虑车辆基本属性数据，对检测车辆进一步精确分类，划分出不同排放水平，对车辆尾气排放的不同分级采取针对性整治措施，从而可以对机动车进行有针对性的监测和管理。

(6)本发明所涉及的一种基于MLP神经网络的机动车尾气排放因子估计方法，采用的机动车尾气排放数据是由机动车尾气遥感监测设备采集的实际道路上的数据，一方面，可真实反映机动车在实际工况下的排放水平，另一方面，实际道路结构复杂，便可获得范围较大的速度、加速度数据，同时可获得在各种温度、湿度、压强、风向与风速情况下的机动车排放数据。使用人工神经网络来建立机动车行驶工况及气象条件和机动车尾气排放因子之间的关系，由于行驶工况及气象条件对排放因子的影响较为复杂，而人工神经网络即使对输入输出之间的复杂非线性关系知之甚少，也可以在训练过程中不断接收输入输出数据，通过调整神经元之间的连接权值从而建立输入输出之间的内在关系。所使用的MLP神经网络包含一个隐藏层，这种结构非常简单，而且一个包含有足够多神经元的隐藏层能表示所有非线性关系。

(7)本发明所涉及的一种基于CFD及多数据源的城市实时全局环境估计方法，优点如下所示。1)精细性：现有大气环境模式如models3模式等只针对中尺度(3km)以上环境质量进行估计，而本发明通过对城市进行三维建模，采用CFD计算方法，可实现精细化环境质量估计，空间分辨率可达50-100m；2)实时性：现有环境质量报告系统受限于环境监测站点数据更新频率，针对街道瞬态污染浓度变化不能给出快速报告。而本方法使用配套机动车尾气检测系统能实时更新街道污染物浓度情况，从而实现实时全局污染物浓度估计。3)发明专利《一种城市风环境数字地图制作及显示方法》(公开号：CN105513133A)提出一种城市风环境地图制作方法，但该发明只针对风环境进行城市微尺度的模拟监测，而没有提出一个针对空气质量及各种污染物组分分布分析的统一框架模式，更没有考虑气象因素作用对城市空气环境的影响。而本方法通过引入城市主要污染源数据及街道污染物浓度实时数据，建立统一多组分输送过程，从而能得到不同污染物的全局分布；4)准确性：现有城市环境质量检测模式如高斯烟羽模型，或者箱模型等对扩散环境，如地表下垫面、风场等作了极大简化，只能给出粗略结果。本方法通过对城市建模，并考虑城市风环境湍流效应，使用具有明确物理意义的Realizable模型处理城市风环境；综合城市重点污染源数据，街道实时尾气数据等多元数据，得到城市全局实时环境质量估计模式，在估计准确度上有了很大提升。

附图说明

图1为本发明系统的组成框图；

图2为基于重构深度学习的道边空气污染物浓度实时预测方法流程图；

图3为基于重构深度学习的道边空气污染物浓度实时预测方法的深度重构Elman模型的结构示意图；

图4为基于LSTM-RNN模型的空气污染物浓度预报方法流程图；

图5为基于LSTM-RNN模型的空气污染物浓度预报方法的LSTM单元示意图；

图6为基于LSTM-RNN模型的空气污染物浓度预报方法的单隐藏层LSTM-RNN模型结构示意图；

图7为基于LSTM-RNN模型的空气污染物浓度预报方法的sigmoid激活函数示意图；

图8为基于LSTM-RNN模型的空气污染物浓度预报方法的tanh激活函数示意图；

图9为基于LSTM-RNN模型的空气污染物浓度预报方法的全连接与dropout连接对比示意图，其中左图为全连接方式，右图为dropout连接方式；

图10为基于CFD及多数据源的城市实时全局环境估计方法流程图；

图11为基于CFD及多数据源的城市实时全局环境估计方法的城市3维模型图；

图12为基于CFD及多数据源的城市实时全局环境估计方法的合肥市重点企业废气监测地理图；

图13为基于CFD及多数据源的城市实时全局环境估计方法的城市街道污染物浓度数据图；

图14为基于CFD及多数据源的城市实时全局环境估计方法的城市全局环境质量分布图；

图15为基于MLP神经网络的机动车尾气排放因子估计方法的流程图；

图16为基于聚类分析的车辆尾气排放特征分析处理方法流程图。

具体实施方式

如图1所示，本发明公开一种机动车尾气排放数据融合系统，实现对遥测设备采集的机动车尾气遥测数据及机动车属性、行驶工况、检测时间、气象条件数据的存储、分析与融合，结合车载诊断系统数据库、便携式排放测试系统数据库、车检所离线数据库、交通信息数据库与地理信息数据库，对机动车尾气遥测数据进行分析处理，实现机动车尾气排放因子估计、机动车尾气排放特征分析、道边空气污染物浓度估计、道边空气污染物浓度预测及城市全局环境预测，为环保部门的政策制定与执法提供科学依据。

机动车尾气排放数据融合系统包括道边空气污染物浓度估计模块、道边空气污染物浓度预报模块、城市全局大气环境预测模块、机动车尾气排放特征分析模块与机动车尾气排放因子估计模块；

道边空气污染物浓度估计模块，使用一种基于重构深度学习的道边空气污染物浓度预测方法来实现，根据道边空气污染物的时空分布特点，基于重构深度学习方法对深度重构Elman模型进行训练，当训练完成后，输入实时的路网信息、气象信息和交通信息，即可获得实时的道边空气污染物浓度估计值；

道边空气污染物浓度预报模块，使用一种基于LSTM-RNN模型的空气污染物浓度预报方法来实现，根据历史空气污染物浓度数据，提出基于LSTM-RNN模型的预报方法，模型训练完成后，该模型可预报当前或未来某一时刻的空气污染物浓度；

城市全局大气环境预测模块，使用一种基于CFD及多数据源的城市实时全局环境估计方法来实现，结合城市环境监测站点历史数据、全球中尺度气象预测结果、国家气象数据、城市重点污染源数据、城市地理三维模型及机动车尾气遥测设备的实时监测数据，利用CFD作为计算引擎，根据气象信息自适应切换环境质量模式，采用多尺度网格离散化城市模型并引入多组分污染模型，实现城市全局大气环境的实时预测；

机动车尾气排放因子估计模块，使用一种基于MLP神经网络的机动车尾气排放因子估计方法来实现，利用机动车尾气遥测设备采集的实际道路上的机动车尾气排放数据以及其他相关数据建立机动车尾气CO、HC及NO的排放因子数据库，并据此建立针对于CO、HC和NO的MLP神经网络模型，实现机动车尾气排放因子的实时在线估计；

机动车尾气排放特征分析模块，使用一种基于聚类分析的车辆尾气排放特征分析处理方法来实现，采用灰色关联分析方法从车辆类型、行驶工况、燃料类型、车辆使用年限、风速、气温中找出影响尾气排放的主要影响因素，作为车辆尾气排放特征分析的核心维度特征参数，利用基于密度的聚类算法对机动车进行尾气排放贡献程度的分类；

上述五个模块分别实现不同的数据分析功能，选择不同的模块即可实现不同的功能，道边空气污染物浓度估计模块可获得实时的道边空气污染物浓度估计值，道边空气污染物浓度预报模块根据历史空气污染物浓度数据预报当前或未来某一时刻的空气污染物浓度，城市全局大气环境预测模块可实现城市全局大气环境的实时预测，机动车尾气排放特征分析模块可分析影响尾气排放的主要影响因素，并对机动车进行尾气排放贡献程度的分类，机动车尾气排放因子估计模块可实现机动车尾气排放因子的实时在线估计。

下面分别对本发明上述所涉及的重要技术进行详细说明。

一、本发明涉及的基于重构深度学习的道边空气污染物浓度实时预测方法，其具体实施方式如下：

如图2所示，本发明涉及一种基于重构深度学习的道边空气污染物浓度实时预测方法具体实现如下：

(一)基于道边空气污染物浓度的诱发因素的多样性、以及历史数据相关性特征，结合限制波尔兹曼机和Elman网络的特点，构建具有前馈连接和反馈连接结构，含有局部记忆能力，主网络由输入层、承接层、中间层和输出层构成，用于主网络初始化的次网络含有一个可视层和一个隐含层，输入层、输出层、可视层单元个数分别为14、3、14的深度重构Elman模型。

如图3所示，图左边为次网络，图右边为主网络，N₉为次网络可视层可视单元数量，主网络输入层的单元个数与次网络可视单元数量相同，L₉为次网络隐含层隐含单元的数量、主网络中间层和承接层单元个数与次网络隐含层单元个数相同，M₉为主网络输出单元个数，

表示主网络输入层的输入即路网信息、气象信息、交通信息因素，z^-1代表时延，m为迭代次数，y_rac(m)为第m次迭代主网络输出层的输出即道边空气污染物浓度，H(m)为主网络中间层第m次迭代输出，y_c(m)为隐含层第m次迭代输出，pur为激活函数purelin，ζ是承接层的自循环系数，

分别为主网络的中间层、输入层、承接层第m次迭代的权重参数，ω为次网络权重参数。

(二)对建立的道路浓度数据集进行预处理

1)对道路浓度数据集中的数据进行归一化处理，以提高模型训练速度和精度，针对数据集中数据的特点，采用min-max标准化方法；

2)为提高模型的泛化能力，将道路浓度数据集按照60％、20％、20％的比例划分为训练集、验证集、测试集。

(三)对限制玻尔兹曼机训练，完成输入层权重

的初始化

1)对限制玻尔兹曼机设置学习率和合适的重构误差阈值，学习速率在0.01-0.1之间取值，重构误差阈值在0.001-0.00001之间取值，用零矩阵对限制玻尔兹曼机的参数矩阵进行初始化。

2)利用训练集中的输入数据对限制玻尔兹曼机进行训练，根据下式求解参数的梯度Δω_rac,i,j、Δα_rac,i、Δβ_rac,j。

其中，prob(x_pol,θ)是可视单元的概率，prob(h_rac,j＝1|x_pol,θ)是隐含单元的条件概分布，log prob(x_pol,θ)为prob(x_pol,θ)的对数似然估计，log表示取对数操作，

是求偏导符号，∑为求和符号，Δω_rac,i,j、Δα_rac,i、Δβ_rac,j分别是对数似然估计对权重参数、可视单元偏差、隐含单元偏差的偏导数，x_pol为影响道边空气污染物浓度的因素之一，ω_rac,i,j表示可视层的第i个单元与隐含层的第j个单元的连接权重，α_rac,i表示可视层的第i个单元的偏差，β_rac,j表示隐含层的第j个单元的偏差，θ_rac＝{ω_rac,i,j,α_rac,i,β_rac,j}。

3)利用下式对Δω_rac,i,j、Δα_rac,i、Δβ_rac,j行参数更新：

其中，η₄是限制玻尔兹曼机学习率，

是限制玻尔兹曼机迭代次数，ω_rac,i,j表示可视层的第i个单元与隐含层的第j个单元连接权重，α_rac,i表示可视层的第i个单元的偏差，β_rac,j表示隐含层的第j个单元的偏差。

4)根据下式计算重构误差：

err＝([x_pol]_d-[x_pol]_m)^T([x_pol]_d-[x_pol]_m)

其中，[x_pol]_d是利用道边空气污染物浓度数据集部分输入初始化的值，[x_pol]_m是通过限制玻耳兹曼机重构的x_pol，T是转置。

5)检查重构误差与设置的重构误差阈值之间的大小，若重构误差大于设置的阈值，则返回步骤2)继续，若重构误差小于设置的阈值，则限制玻耳兹曼机的训练结束，用ω_rac,i,j对Elman网络输入层权重

进行初始化。

(四)初始化Elman网络

1)设置合适的Elman网络的误差阈值、最大迭代次数、承接层自循环系数ζ和学习速率η₁、η₂、η₃，误差阈值在0.001-0.00001之间取值，最大迭代次数一般取1000，学习速率在0.01-0.1之间取值，自循环系数一般设置为0.001。

2)用零矩阵初始化Elman网络中间层权重

和承接层权重

设置

用零向量初始化承接层。

3)根据数据集的特点，将输入层和输出层单元个数分贝设置为14、3，中间层和承接成单元的个数是由实验确定的，根据实验误差不断调整中间层和承接层单元个数，找到性能最优的单元个数。

(五)采用梯度下降法，结合数据集对Elman网络进行训练

1)根据下式计算输出y(p)：

y_c(m)＝ζH(m-1)

其中，y_rac(m)为第m次迭代输出的道边空气污染物浓度，H(m)为中间层第m次迭代输出，H(m-1)为中间层第m-1次迭代输出，y_c(m)为隐含层第m次迭代输出，m为迭代次数，pur和sig分别为激活函数purelin和sigmoid，ζ是承接层的自循环系数，

分别为深度重构Elman模型的中间层、输入层、承接层第m次迭代的权重参数，x_pol为输入层输入即影响道边空气污染物浓度的因素。

2)根据下式计算目标损失函数：

其中，J_rac(m)是道边空气污染物浓度损失函数，y_d是道边空气污染物浓度期望输出，m是迭代次数，y_rac(m)是第m次迭代输出的道边空气污染物浓度，T是转置符号。

若目标损失函数的值小于设置的误差阈值或者m值大于等于设置的最大迭代次数，则跳过步骤3)直接到步骤4)，若目标损失函数的值大于设置的误差阈值，则进入步骤3)。

3)根据下式计算权重的偏导数：

其中，J_rac(m)是道边空气污染物浓度损失函数，n表示输入层的第n个单元，l表示中间层的第l个单元，

表示隐含层的第

个单元，m是迭代次数，

是求偏导符号，

是道边空气污染物浓度损失函数关于

的偏导数，η₁、η₂、η₃分别是

的学习率，

分别是深度重构Elman模型的中间层到输出层权重参数、输入层到中间层权重参数、承接层到中间层权重参数。

然后，根据权重的偏导数对权重系数进行更新：

更新完毕后，返回步骤1)。

4)训练结束，模型的权重参数确定，此时的模型即为能够对道边空气污染物浓度进行实时预测的深度重构Elman模型，将实时的路网信息、气象信息、交通信息因素输入到模型中，模型即可输出预测的实时道边空气污染物浓度结果。

(六)对训练得到的深度重构Elman模型进行分析和对比

经分析和对比，相比于其他已有的方法，用深度重构Elman模型可以更好地对道边污染物浓度进行实时预测，且具有很好的迁移性。

二、本发明涉及的基于LSTM-RNN模型的空气污染物浓度预报方法，其具体实施方式如下：

1、空气污染物浓度数据采集：每5分钟对目标区域的空气污染物浓度进行一次实时监测记录，共采集一年内的数据量，预计2×6×24×365＝105124条数据记录，对于其中部分缺失的数据，采用缺失数据前N₁₀个与后N₁₀个数据取平均值的方法进行填补，从而保证原始数据的完备性和充足性，保证预测结果的准确性和可信度，本发明涉及的基于LSTM-RNN模型的空气污染物浓度预报方法实施例N₁₀采用25个。

2、数据预处理：在训练神经网络前，需要对采集到的空气污染物浓度数据进行归一化处理。所谓归一化处理，就是将数据映射到[0,1]或[-1,1]区间或更小的区间，保证不同数据范围的输入数据发挥相同的作用。本发明涉及的基于LSTM-RNN模型的空气污染物浓度预报方法中采用min-max归一化处理方法。之后将归一化处理后的空气污染物浓度数据分为训练、验证和测试样本数据，三部分数据所占比例依次为75％、15％、10％，用于之后的LSTM-RNN模型的训练、验证和测试。

3、网络模型结构：本发明涉及的基于LSTM-RNN模型的空气污染物浓度预报方法采用具有一个输入层、5个隐藏层的LSTM-RNN网络模型，输出层使用identity函数来执行回归(如图6给出了单隐藏层LSTM-RNN模型结构示意图)。需要注意的是，与普通的RNN相比，LSTM-RNN模型的隐藏层单元均采用LSTM(长短时记忆)单元，该单元具有三个门：输入门表示是否允许采集的新的污染物浓度数据信息加入到当前隐藏层节点中，如果为1(门开)，则允许输入，如果为0(门关)，则不允许，这样就可以摒弃掉一些没用的输入信息；遗忘门表示是否保留当前隐藏层节点存储的历史污染物浓度数据，如果为1(门开)，则保留，如果为0(门关)，则清空当前节点所存储的历史污染物浓度数据；输出门表示是否将当前节点输出值输出给下一层(下一个隐藏层或者输出层)，如果为1(门开)，则当前节点的输出值将作用于下一层，如果为0(门关)，则当前节点输出值不输出。LSTM单元结构弥补了传统RNN结构上的不足，即后面的时间节点对前面的时间节点感知力下降。LSTM单元是一种称作记忆细胞的特殊单元，类似于累加器和门控神经元：它在下一时间步长将拥有一个权值并连接到自身，拷贝自身状态的真实值和累积的外部信号，但这种自联接是由另一个单元学习并决定何时清除记忆内容的乘法门控制，具体内容如下：

H_air,t＝o_ttanh(c_t)

其中sig为逻辑sigmoid函数，x_air表示LSTM-RNN模型的输入特征向量，

Φ、o、c、H_air分别表示输入门(input gate)、遗忘门(forget gate)、输出门(output gate)、单元激活向量(cell activation vectors)，隐藏层，

分别为LSTM-RNN模型的输入特征向量、隐藏层单元、单元激活向量与输入门之间的权重矩阵，

Ω_air，c，Φ分别为LSTM-RNN模型的输入特征向量、隐藏层单元、单元激活向量与遗忘门之间的权重矩阵，

Ω_air,c,o分别为LSTM-RNN模型的输入特征向量、隐藏层单元、单元激活向量与输出门之间的权重矩阵，

分别为LSTM-RNN模型的输入特征向量、隐藏层单元与单元激活向量之间的权重矩阵，所述权重矩阵均为对角阵；

β_air,Φ、β_air,o、β_air,c分别为LSTM-RNN模型输入门、遗忘门、输出门、单元激活向量的偏差值，t作为下标时表示时刻，tanh为激活函数。

Gate使用一个sigmoid激活函数(如图7所示)：

其中，x_air是LSTM-RNN模型输入数据。如图7所示，它能够把输入向量值“压缩”到[0,1]范围内，特别的，若输入为非常大的负数时，输出为0；若输入为非常大的正数时，输出为1。

而input和cell state通常会使用tanh激活函数(如图8所示)来转换：

其中，x_air是LSTM-RNN模型输入数据。如图8所示，它将一个实数输入映射到[-1,1]范围内。当输入为0时，tanh函数输出为0。

4、网络训练：初始化隐藏状态(hidden states)为0，将当前minibatch的最终隐藏状态作为后续minibatch的初始隐藏状态(连续的minibatch按顺序遍历整个训练集)，每个minibatch的尺寸均为20。

本发明涉及的基于LSTM-RNN模型的空气污染物浓度预报方法中使用的LSTM-RNN模型共包含一个输入层、五个隐藏层，输出层使用identity函数来执行回归，且每个隐藏层均具有650个单元，其参数在区间[-0.05,0.05]范围内均匀初始化。另外，在非循环连接处应用50％的dropout，如图9左图所示为全连接形式，即在模型训练时所有隐藏层节点均需工作；如图9右图所示为采用dropout的连接形式，即在模型训练时随即让网络某些隐含层节点的权重不工作，不工作的节点可暂时认为不是网络结构的一部分，但其权重需保留下来(只是暂时不更新)，以便下次样本输入时重新工作。dropout可以有效防止网络训练过程中出现过拟合现象。

本发明涉及的基于LSTM-RNN模型的空气污染物浓度预报方法中使用的基于LSTM单元的RNN网络结构训练10000epochs，学习速率(learning rate)为1，训练2500epochs后的每一个epoch开始以系数1.15降低学习速率。在训练的每一步过程中，依据交叉熵(crossentropy)准则计算误差向量，根据标准反向传播算法更新权重：

err_air(t)＝desired(t)-y_air(t)

其中desired(t)为预测输出值，y_air(t)为实际网络输出值，err_air(t)为误差值。

训练样本数据中的空气污染物浓度序列作为训练输入，验证样本数据在训练网络的过程中每迭代1000次进行一次测试，最终比较test loss和train loss。当test loss不再降低时，终止网络训练，标志着用于空气污染物浓度预报的包含LSTM单元的RNN网络训练完成。

(1)前向传播过程：

输入门汇集计算的值

与经过激活函数计算的值

为：

遗忘门汇集计算的值

与经过激活函数计算的值

为：

单元(cells)汇集计算的值

与单元状态值

为：

输出门汇集计算的值

与经过激活函数计算的值

为：

单元经过激活函数计算的值

为：

(2)误差反向传播更新

与

为：

输出门输出值

为：

状态(states)

为：

单元(cells)输出值

为：

遗忘门输出值

为：

输入门输出值

为：

其中

Φ、o、c、H_air分别表示输入门(input gate)、遗忘门(forget gate)、输出门(output gate)、单元激活向量(cell activation vectors)，隐藏层，

分别为LSTM-RNN模型的输入特征向量、隐藏层单元、单元激活向量与输入门之间的权重矩阵，

Ω_air,c,Φ分别为LSTM-RNN模型的输入特征向量、隐藏层单元、单元激活向量与遗忘门之间的权重矩阵，

Ω_air,c,o分别为LSTM-RNN模型的输入特征向量、隐藏层单元、单元激活向量与输出门之间的权重矩阵，

分别为LSTM-RNN模型的输入特征向量、隐藏层单元与单元激活向量之间的权重矩阵，所述权重矩阵均为对角阵。f_air,1、f_air,2、f_air,3、f_air,6、f′_air,6、f′_air,5、g′_air,2、f′_air,4、f′_air,3、g_air1,为函数。J_air为损失函数。

5、网络测试(调参和优化)：将测试集中的空气污染物浓度数据输入到训练好的LSTM-RNN模型结构中，查看依据历史数据预测得到的未来某一时刻空气污染物浓度数据与期望值的差距，从而对LSTM-RNN中的网络参数进行调整，逐步提高预测精度。

6、最终将该训练、验证、测试后的LSTM-RNN模型作为空气污染物浓度预测模型。将预处理后的目标城市较长时间内的空气污染物浓度数据作为LSTM-RNN模型的输入数据，通过LSTM-RNN模型对输入数据进行学习，最终输出得到当前或未来某一时刻的空气污染物浓度预报的结果。

三、本发明涉及的基于CFD及多数据源的城市实时全局大气环境估计方法，其具体实施方式如下：

如图10所示，本发明涉及的基于CFD及多数据源的城市实时全局大气环境估计方法具体实施如下：

第一步骤是对城市进行三维建模。本发明涉及的基于CFD及多数据源的城市实时全局大气环境估计方法首先基于谷歌地球获取城市三维模型。

从谷歌地球中选取待求解城市区域，使用3D ripper分析谷歌地球运行时DirectX数据流，导出带有地理信息的三维城市建筑模型，保存为*.3dr文件。

将3dr文件导入3d Max进行贴图设置，保存为.obj文件，然后使用DeepExploration生成sketchup模型文件，如图11所示，该图为结合了地理信息的城市三维模型。

在进行城市尺度流场求解中，低矮建筑物、建筑材质、精细几何构型等细节数据对城市上方空气流通情况影响很小。故为减小计算量，对非街道区域低矮建筑物进行模型同化，同化为具有平均高度的单一模型。同时使用合并操作减少模型实体面数，将建筑物简化为具有简单几何构型(长方体，正方体)的刚体，得到简化城市建筑模型，进一步减小计算量。

匹配简化三维城市建筑模型与地理信息特征点，将地理信息映射到三维城市建筑模型，生成具有地理信息的简化城市三维模型。将处理后的sketchup模型文件导入CFD计算软件，本发明涉及的基于CFD及多数据源的城市实时全局大气环境估计方法选择fluent作为求解器软件。

第二步骤对模型区域进行网格划分

求解区域：在fluent中设置求解区域高度，根据大气边界层理论，在大气边界层内空气流动受下垫面影响随距离地面高度增加而呈指数衰减，超过该边界层的大气运动处于平稳状态。该层一般厚度在1km之内，分为贴地层、近地层、Ekman层。人类活动，及空气污染物也主要集中在该气层。此处将大气边界层上界视为求解区域上界，从而求解区域选择为一包括城市区域的框体。

启动GAMBIT网格划分器，对待求解区域进行体网格划分，选用六面体作为网格元素，并检查网格划分情况：计算流体力学模型通过将连续流体方程离散化，在空间网格上进行数值计算。可将模型划分为六面体、四面体、金字塔形等网格单元。六面体单元允许比四面体单元更大的比率，且数值耗散现象较小。考虑到城市区域流动尺度大，模型具有较为简单的几何外形，故采用大比率六面体单元，使生成网格单元数量较少，减少计算代价。

多尺度网格：使用加密网络方法，结合环保部污染源监控中心提供的重点污染源自动监控基本信息中企业地理信息，将其映射到城市模型中。对重点污染源及路网周围区域采用细网格进行网格划分。

第三步骤控制方程设置

因大气边界层中空气运动模式主要为湍流，故需要采用湍流模型来刻画气流运动过程。常见湍流模型有标准k-ε模型,RNG k-ε模型,Realizable k-ε模型,雷诺应力模型,大涡模拟模型.各种模型所考虑的物理机理逐步深入,但相应计算量也逐步上升.综合考虑,本方法采用Realizable k-ε模型(RKE模型))对稳态不可压缩连续性方程进行封闭。

RKE模型湍流动能及其耗散率输运方程为：

上述方程中,ρ为流体密度，k为湍动能，ε为耗散率,μ_t为粘性系数，Θ_k表示由于平均速度梯度引起的湍流动能；L₁₅是常数,σ_k,σ_ε分别是湍动能及耗散率的湍流普朗特数.默认值为L₁₅＝1.9,σ_k＝1.0,σ_ε＝1.2

粘性系数公式为

其中Λ_μ通过如下公式计算得到：

模型系数：

L₁₄为公式常量，S_ij为流体旋量张量，

γ为中间过程变量。

流体连续性方程：

式中U_i为i(i＝ξ₁,ξ₂,ξ₃)方向上流体流动速度.

湍流动量输运方程形式为：

式中：ρ为流体密度,U_i为i方向流体速度分量，T_tem为流体温度，E_flu为总能量，k_eff为有效导热系数，(τ_ij)_eff为偏应力张量，p_flu为平均压力。

在fluent湍流模型模型参数面板选择RKE湍流模型，输入上述参数L₁₄,L₁₅,Λ_μ，得到湍流控制方程。

对于热量输送，通过环境监测点得到当前空气温度，太阳辐射数据，代入流动能量方程。RKE模型中能量方程本质就是雷诺动量输送方程。针对太阳辐射传热，有如下方程：

式中:

为入射辐射强度,

为辐射位置向量,

为物体表面法向量,

为辐射方向向量,κ为辐射表面吸收系数，n_sun为辐射折射系数，σ_s为辐射表面折射系数,T_tem为当地温度,Φ_sun为辐射相位函数，Ω′为辐射空间立体角,

为辐射散射方向.

从环境监测站点获取当地入射辐射强度数据

在fluent中选择瞬态求解模式，设置辐射模型为太阳辐射模型。假设城市地表下垫面折射系数、反射系数、吸收系数为一恒定值，根据建筑热工学建筑围护结构外表面太阳辐射参数附表数值，可设下垫面为漫灰表面，吸收系数0.2，散射系数0。大气折射率取为1，散射系数0。设定上述参数，联合RKE湍流模型得到城市大气流场控制方程组。

在fluent中扩散过程用组分输运过程刻画，针对污染物组分输送，本发明涉及的基于CFD及多数据源的城市实时全局大气环境估计方法结合城市主要污染源数据，空气质量检测站点数据，及机动车尾气检测系统所得数据，天气环境情况对污染物扩散过程进行方程建模。城市大气污染物的主要来源有外界输送、城市机动车尾气排放、市内工厂污染源、生活排放。

对工厂污染源建模，需要考虑污染源的地理分布、污染物种类数据，利用环保部及省市环保厅提供的国控重点企业监测公开信息中各企业排放数据，如图12及下表是合肥市重点企业废气监测数据。将其模型化为点源分布。在fluent中，编写UDF脚本，因城市模型具有相对三维，通过指定相应坐标，及源强可定义污染源在模型中的位置及排放量。得到重点企业污染源的时空分布模式Q_ij(ξ₁,ξ₂,ξ₃,t),其中：i为污染来源种类，此处记企业污染源为i＝1,j为污染物种类，Q_ij为某种污染物的源项。

表1

针对街道机动车尾气污染源，本方法使用配套开发的机动车尾气检测系统所得污染物数据，使用线性插值公式对介于监测点1,2之间的尾气浓度进行插值，估计街道峡谷内尾气成分浓度值。

式中Q_2j,i为相邻两个机动车尾气检测点i＝1,2所得污染物组分j浓度数据，

为插值点，监测点1，监测点2地理坐标值；将街道污染物浓度匹配城市模型对应街道，得到污染物浓度地图，如图13，建立城市路道污染源浓度时空分布估计值,并视为线源,Q_2j(ξ₁,ξ₂,t),并将其代入污染物输送方程。

将城市以环境监测点为节点进行区域划分,并利用环境监测点提供环境数据以监测点为顶点，对内部区域污染物浓度值进行双线性插值，生成覆盖城市的污染物浓度预估值Y_env,j。以其作为输送过程初始场,及计算过程校正场。

针对主要污染物如pm2.5，氮氧化物，硫化物等分别建立不同的组分输送方程。具体某种组分Y_j的输送微分方程为:

式中:ρ为流体密度，Y_j为组分j的质量分数，U_j,i为组分j扩散速度在i方向的分量，Q_j为组分源强，vis_j为组分扩散系数项,不同组分扩散系数不同。将步骤3.3.1)所得重点企业污染源项Q_1j(ξ₁,ξ₂,ξ₃,t)、、步骤3.3.2)所得城市路道污染源项Q_2j(ξ₁,ξ₂,t)、步骤3.3.3)所得城市污染物浓度预估值Y_env,j代入上述组分输送微分方程，通过计算实时生成污染物输送模型。

第四步骤为设置求解器边界条件时，本发明涉及的基于CFD及多数据源的城市实时全局大气环境估计方法实施例采用欧洲中期天气数值预报中心(ECMWF)提供的ERA-40再分析资料，该资料是利用四维同化方法(4Var)同化了地面观测、高空观测、卫星反演等资料而得到的全球天气数据，时间分辨率为3h,空间分辨率0.25°×0.25°，高度分层60层，顶层高度为65km，每层大约1km。

设置求解区域上界边界条件，根据大气边界层理论，将ECMWF数据中高度第一层的温度、气压、风速数据作为上界边界条件。在fluent中选择导入边界数据，将上边界数据导入求解器。

建筑物及地面设置为固壁边界条件(U₁,U₂,U₃)＝0。式中U_i,i＝(1,2,3)为ξ_i(i＝1,2,3)方向上流体流动速度.

求解区域侧界边界条件，通过ECMWF数据确定求解区域风速流入面及出流面。综合地面气象站点温度数据T_g，及ECMWF给出大气边界层气温数据T_tem,e，初步判断大气气温直减率大小T_tem,g-T_tem,e，及粗略风速大小.大气边界层内风速随高度变化呈指数分布：

其中u₀为峡谷上方平行街道方向风速，ξ₃为离地高度，ξ_3,0为街道峡谷高度，以入口大气边界层高度作为基准高度，对应ECMWF风速数据作为基准高度风速。loss为边界层内速度损失指数，也称为稳定度参数，将大气气温直减率分为不同等级，从而可得对应稳定度与loss值。我国国家标准GB50009-2012”建筑结构载荷规范”给出不同下垫面条件下loss值及大气速度边界层厚度的关系

出流面边界条件：假定出流面流动充分发展，可将其设置为相对压力为零。

其中U₁,U₂,U₃分别为坐标ξ₁,ξ₂,ξ₃方向上流体流动速度，k为湍动能,ε为耗散率,Sur为出流面。

第五步骤：实时计算结果施加沉降作用。降水等过程对污染物具有清洗作用。清洗的强度与降水量及降水时长有关。如果遇到降水气象则需要对污染物组分分布施加沉降作用，得到冲洗后污染物浓度值：

Y_j＝Y_0,je^-phi(Rf)

其中：Y_0,j为降水前污染物浓度值，

为冲洗系数,为降水量Rf的函数。冲洗系数参数L₁₂,L₁₃为经验系数，与降水类型(如降雪、降雨)及污染物类型相关。编写UDF脚本，实时对计算结果结合国家气象中心实时气象数据，针对不同降水气象(如降雪、降雨)，使用相应沉降模型，对污染物组分空间分布Y_j随时迭代更新，得到城市实时全局环境质量分布。

第六步骤：实时更新计算结果。机动车尾气检测系统采集到实时街道污染物浓度数值，使用上文街道机动车尾气污染源建模方法生成街道污染物线源释放强度，采样周期为实时。环保部及省市环保部门污染源排放数据，采样周期24小时，使用第三步骤控制方程设置中工厂污染源建模方法，生成重点污染源排放模型。将ECMWF气象预测数据(采样周期为6小时)及国家气象局气象数据(采样周期0.5小时)用作模型入口边界条件数据，及区域校正场，对求解结果进行校正，同时更新边界数据，进行下一轮计算。将上述数据代入求解器，使用Realizable k-ε模型得到城市实时全局环境质量分布动态估计。

图14为融合了街道尾气污染物数据，重点污染源数据，瞬时风向为东北向时，城市地面上方25米处pm2.5浓度的瞬时分布计算结果。

四、本发明涉及的基于MLP神经网络的机动车尾气排放因子估计方法，如图15所示，其具体实施方式如下：

步骤1：利用机动车尾气遥感监测设备采集的实际道路上的机动车尾气排放数据，即机动车行驶时排放的CO2、CO、HC及NO的体积浓度，以及其他相关数据，包括：机动车的车型、速度与加速度，以及当前温度、湿度、压强、风向与风速；

机动车尾气遥感监测设备的尾气探测器检测机动车尾气中污染物气体的原理如下：位于道路一侧的光源发出特定波长的红外光和紫外光光束，道路另一侧的红外线和紫外光反光镜又将其反射回设备的光源检测器，当道路上有机动车通过时，机动车排放的尾气会对红外光和紫外光产生吸收，使得设备接收到的光强减弱，通过分析接收光光谱的变化情况便可计算出车辆行驶排放CO2、CO、HC及NO的体积浓度。同时，机动车尾气遥感监测设备的速度加速度检测器利用车轮通过两条对射光路的时间间隔测量机动车的速度与加速度；机动车尾气遥感监测设备的图像采集设备可获取机动车的车型，我们将机动车分为四类，即轻型汽油车、重型汽油车、轻型柴油车和重型柴油车；利用其他辅助设备可获取当前时间、天气、温度、湿度、压强、风向与风速。

步骤2：对步骤1中采集到的机动车的尾气排放数据进行预处理，并建立机动车尾气CO、HC及NO的排放因子数据库；

根据机动车尾气遥感监测设备采集到的机动车行驶时排放的CO2、CO、HC及NO的体积浓度数据计算机动车尾气CO、HC及NO的排放因子，方法如下：

其中，CO(gL^-1)、HC(gL^-1)和NO(gL^-1)分别指机动车尾气CO、HC及NO的排放因子，单位是gL^-1；Rat为机动车尾气遥感监测设备采集到的CO与CO2体积浓度的比值；Rat′为机动车尾气遥感监测设备采集到的HC与CO2体积浓度的比值；Rat″为机动车尾气遥感监测设备采集到的NO与CO2体积浓度的比值；M_fuel为机动车燃油的摩尔质量；D_fuel为机动车燃油的密度。

在上式中带入汽油的摩尔质量和密度的相应数据，得到下面的针对汽油车的排放因子计算公式：

步骤3：基于步骤2所得到的机动车尾气CO、HC及NO的排放因子数据库，以及步骤1中采集到的其他相关数据分别建立针对于CO、HC和NO的MLP神经网络模型，据此即可实现机动车尾气排放因子的实时在线估计。

CO、HC及NO的排放因子数据和速度、加速度、温度、湿度、压强、风向与风速数据，均通过下面的公式进行min-max归一化。

标准化之后，将所有数据先按照车型分为四个数据集，即分别针对于轻型汽油车、重型汽油车、轻型柴油车和重型柴油车的数据集。每个数据集分为训练集、验证集和测试集，其中验证集用来在训练过程中检查MLP神经网络的性能，当性能达到最大值或开始减小的时候训练就可以终止，测试集可用来评估训练出的MLP神经网络的性能。训练集、验证集和测试集数据所占比例分别为50％、25％、25％。

使用的MLP神经网络模型的结构为：一个输入层、一个隐藏层和一个输出层的三层结构。MLP神经网络模型的输入为速度、加速度、温度、湿度、压强、风向与风速，输出为CO、HC或NO的排放因子，因此输入层神经元数目为7个，输出层神经元数目为1个。

隐藏层第i个神经元的输出y_mlp,i具有以下形式：

其中，x_mlp,j是输入层第j个神经元的输出；N_mlp为输入层神经元数目；w_mlp,ji是输入层第j个神经元与隐藏层第i个神经元之间的连接权重，j＝0,1,2,…N_mlp；b_mlp,i为第i个偏离常数；f表示激活函数。

将标准化的速度、加速度、温度、湿度、压强、风向和风速数据作为MLP神经网络模型的输入，CO、HC或NO的排放因子作为输出。隐藏层神经元的个数可以由实验确定；示例性的，隐藏层神经元个数分别取2～25，建立相应的MLP神经网络模型，基于训练集对模型进行训练，基于验证集和测试集分别对训练所得一系列模型进行对比分析，使得模型性能最佳的隐藏层神经元数目即为最终确定的MLP神经网络模型的隐藏层神经元数目。在本发明实施例中，经过性能比较和反复试验，所建立的针对轻型汽油车排放的CO、HC和NO的排放因子的三个MLP神经网络模型中隐藏层神经元数目分别为13、11和16个。

根据本发明所建立的针对不同车型的CO、HC和NO排放因子的MLP神经网络模型，对于无法实时监测尾气排放状况的机动车，也可根据其行驶工况和气象条件实现尾气排放因子的实时在线估计。

五、本发明涉及的基于聚类分析的车辆尾气排放特征分析处理方法，如图16所示，其具体实施方式如下：

(一)抽取机动车尾气遥测数据

从车辆检测数据库中获取尾气检测表和车辆基本信息表，包括的数据项有：检测设备编号，检测时间，检测的车牌号码，车速，车辆加速度，车辆长度，CO2、CO、HC、NO浓度，烟度值，风速，风向，气温，湿度，气压，动态/静态测量，数据有效性，抓拍照片等29个属性。

(二)机动车尾气遥测数据预处理

对尾气遥测数据进行预处理，主要包括缺失值处理，数据构造。

1.缺失值处理：如果缺失值的遥测记录占总记录数比例超过60％，则舍弃该类记录；如果缺失值的遥测记录所占总数比例不超过20％，而该属性是非连续值特征属性，那就把NaN作为一个新类别，加到类别特征中；若属性为连续值特征属性，会给定一个步长，然后把它离散化，之后把NaN作为一个类型加到属性类目中。

2.数据构造：由于车型数据是以图像格式保存在数据库中，为便于分析，首先人工对车型图像数据进行标注，将车型分为无法识别车辆、客车、公交车、出租车、小轿车、轻型卡车、重型卡车，属性值分别记为0，1，2，3，4，5，6。根据车辆的燃料类型分为汽油、柴油、天然气，属性值分别记为0，1，2。根据车辆登记日期以及车辆检测时间，得到车辆使用年限分级。

根据车辆基准质量得到基准质量分级，

字段名	字段说明
		基准质量分级	质量范围
1	<＝1020
		2	1020～1250
3	1250～1470
		4	1470～1700
5	1700～1930
		6	1930～2150
7	2150～2500
		8	>2500

(三)尾气污染物排放影响因素关联特征选择

机动车排放污染物的排放特性复杂，受车辆类型、行驶工况(速度、加速度)、燃料类型、车辆使用年限、风速、气温等诸多因素影响。采用灰色关联分析方法找出影响尾气排放的主要影响因素特征。灰色关联度采用如下算法来判断影响因素：

(1)记原始数列

x_ref,1为污染物数值属性，

依次为车辆类型，车辆行驶速度，加速度，燃料类型，车辆使用年限等属性列。构造初始化数列

i＝1,2,…N₁₇，N₁₈为数据记录数。

(2)选取尾气污染物浓度作为参考数列

i＝2,…N₁₇为比较数列。

(3)计算比较数列y_comp,i对参考数列y_comp,1，在第m点的关联系数

N₁₉为分辨系数，取值范围0～1，典型值为0.5。

(4)综合各比较序列点的关联系数，可以得出整个序列y_comp,i与参考序列y_comp,1的关联度

按上述步骤(1)～(4)对CO、HC、NO浓度，烟度值的影响因素进行关联度分析，按关联度大小进行排序。从车辆类型、行驶工况(速度、加速度)、燃料类型、车辆使用年限、风速、气温等属性中选取前N₂₀个属性作为车辆尾气排放特征分析处理的核心维度特征参数，分别记为

(四)构建车辆尾气排放特征分析处理模型

对步骤(三)得到的N₂₀个属性特征构造数据集S，采用基于密度的聚类算法对检测车辆提取N₂₀个属性特征构成的数据集进行分类。具体实现算法如下：

(1)输入聚类数N_cluster，属性数据集

N_cluster为属性数据集大小，密度参数N₂₁，倍率参数N₂₂；

(2)从属性数据集S中计算所有对象距离数据表distTable＝{dist(s_i,s_j)},

i＝1,2,…N_data,j＝1,2,…N_data；i≠j；对距离数据表从小到大排序得到距离排序数组Array；

(3)通过Array的percent范围内出现最多的数据点标记，得到初始点init，Array(percent)记为序列中值最小的percent比例部分，按式：

Array(percent)＝{distArray₁,distArray₁,…,distArray_roughNum}得到，每一个distArray对应两个不同数据点，

其中，

roughNum＝percent×N_data×(N_data-1)/2

(4)根据初始点init计算出当前簇的Eps和初始MinPts，得到当前簇的以init为圆心的初始簇点。Eps和初始MinPts的计算方法如下：

其中epsNum记为与初始点与数据集其他各点之间距离小于等于

的数据点的个数。

初始

(5)计算当前簇的每一个点的密度，若大于MinPts，则标记为簇心点，簇心点的Eps范围内的点标记为当前簇类。

(6)根据当前簇心点的平均MinPts，更新MinPts，重复步骤(5)直到当前簇点个数不再增加。按下式计算更新MinPts，

更新

当第i个数据点为当前第k_cur簇点中心点时coreNum_i＝k_cur，当不是中心点时，coreNum_i＝0。

(7)从属性数据集S去掉当前簇的点，当前簇类加1，重复(2)～(6)直到当前簇标为N_cluster+1

(8)给每一个未被标记的数据点标记为与其相近最近标记点的簇标，最终聚类出N_cluster个数据簇，从而得到分群类别。

车辆尾气排放特征分析处理模型通过对每个检测车辆分群的N₂₀个属性的均值与总的N₂₀个属性均值相比，来区分检测车辆排放分级。每类分群的单个属性值大于该属性总体均值记为1，反之记为0，则一共有

个排放水平分级。

利用层次分析法得到每个特征属性权重，按下式计算每个排放分群组别的排放得分，然后根据排放得分对分群组别排序。

i＝1,…N_cluster第i组分群的排放得分记为score_i，w_score,j是由层次分析法得到的各特征属性权重，

为第i组分群聚类中心各特征属性标准化后的值。根据总得分大小对排放分群进行排序分级，对车辆尾气排放的不同分级采取不同整治措施。

本发明具体实施方式提高机动车尾气遥测执法的效率和可靠性，为机动车尾气执法监管提供科学决策支持。

以上显示和描述了本发明的基本原理和主要功能。本行业的技术人员应该了解，本发明不受上述实例的限制，上述实例和说明书中的描述只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的发明范围内。本发明要求保护范围由所附权利要求书及其等效物界定。

Claims (22)

1.一种机动车尾气排放数据融合系统，其特征在于：包括道边空气污染物浓度估计模块、道边空气污染物浓度预报模块、城市全局大气环境预测模块、机动车尾气排放因子估计模块与机动车尾气排放特征分析模块；实现对机动车尾气遥测数据及机动车属性、行驶工况、检测时间、气象条件数据的存储、分析与融合，结合车载诊断系统数据库、便携式排放测试系统数据库、车检所离线数据库、交通信息数据库与地理信息数据库，对机动车尾气遥测数据进行分析处理，实现机动车尾气排放因子估计、机动车尾气排放特征分析、道边空气污染物浓度估计、道边空气污染物浓度预测及城市全局环境预测，为环保部门的政策制定与执法提供科学依据；

道边空气污染物浓度估计模块，使用一种基于重构深度学习的道边空气污染物浓度预测方法来实现，根据道边空气污染物的时空分布特点，基于重构深度学习方法对深度重构Elman模型进行训练，当训练完成后，输入实时的路网信息、气象信息和交通信息，即可获得实时的道边空气污染物浓度估计值；具体包含以下步骤：

步骤1：基于重构深度学习方法，根据道边空气污染物的时空分布特点，形成道路空气污染物浓度数据集，构建深度重构Elman模型；所述道边空气污染物包括一氧化碳CO、二氧化碳CO2、氮氧化物NOx；所述深度重构Elman模型包括：主网络和次网络；主网络具有前馈连接和反馈连接结构，含有局部记忆能力，主网络依次由输入层、承接层、中间层和输出层构成；次网络用于主网络初始化，次网络含有一个可视层和一个隐含层；

步骤2：根据限制玻耳兹曼机的特征，从道边空气污染物浓度数据集中随机选取部分数据，完成深度重构Elman模型的初始化；

步骤3：采用梯度下降算法，对深度重构Elman模型进行训练，得到能够对道边空气污染物浓度进行实时预测的深度重构Elman模型，以实时的路网信息、气象信息、交通信息因素作为Elman模型的输入，Elman模型输出为对应的实时道边空气污染物浓度；所述路网信息包括路段车道数、道路绿化程度、道路建筑物高度、建筑物与道边距离；所述气象信息包括温度、湿度、天气、风速和风向；所述交通信息包括车种比例、车流量、通过时间、停止时间和拥塞时间；

道边空气污染物浓度预报模块，使用一种基于LSTM-RNN模型的空气污染物浓度预报方法来实现，根据历史空气污染物浓度数据，提出基于LSTM-RNN模型的预报方法，模型训练完成后，该模型可预报当前或未来某一时刻的空气污染物浓度；具体包含以下步骤：

步骤一，首先收集目标城市较长时间内的空气污染物浓度数据，作为历史数据，并存入数据库；

步骤二，然后通过对收集到的历史数据进行预处理，构造待训练的LSTM-RNN(LongShort-Term Memory，长短时记忆)模型的训练样本数据、验证样本数据和测试样本数据；

步骤三，通过训练样本数据得到预先训练的LSTM-RNN模型，然后通过构造的验证样本数据和测试样本数据微调训练得到的LSTM-RNN模型参数，通过进一步修正LSTM-RNN模型参数，提高LSTM-RNN模型精度，将该修正后的LSTM-RNN模型作为空气污染物浓度预报模型；

步骤四，将预处理后的目标城市较长时间内的空气污染物浓度数据作为LSTM-RNN模型的输入数据，通过LSTM-RNN模型对输入数据进行学习，最终LSTM-RNN模型输出得到当前或未来某一时刻的空气污染物浓度预报的结果；

城市全局大气环境预测模块，使用一种基于CFD及多数据源的城市实时全局环境估计方法来实现，结合城市环境监测站点历史数据、全球中尺度气象预测结果、国家气象数据、城市重点污染源数据、城市地理三维模型及机动车尾气遥测设备的实时监测数据，利用流体力学CFD作为计算引擎，根据气象信息自适应切换环境质量模式，采用多尺度网格离散化城市模型并引入多组分污染模型，实现城市全局大气环境的实时预测；具体包含以下步骤：

步骤一，提取城市三维模型数据，使用模型片段数简化方法进行所述三维模型融合，并将地理信息映射到所述三维模型，生成具有地理信息的简化城市三维模型；

步骤二，选定城市的待求解区域，在待求解区域中，对步骤一所得简化城市三维模型进行六面体网格划分，融入城市重点污染源GIS信息及城市主要街道GIS信息，然后使用多尺度网格划分方法对重点污染源区域、主要街道进行细网格划分，生成多尺度网格化城市三维模型；

步骤三，使用Realizable k-ε湍流模型封闭城市大气流场方程，加入太阳辐射方程，得到城市大气流场控制方程；

步骤四，将城市重点污染源的排放数据、机动车尾气排放的实时数据通过匹配地理位置坐标点方法，映射到步骤二所得城市三维模型重点污染源位置及主要街道位置所在处，生成城市重点污染源排放时空分布Q_1j(ξ₁，ξ₂，ξ₃，t)，其中ξ₁，ξ₂，ξ₃为坐标变量，t为时间变量；及主要街道尾气污染物源浓度分布Q_2j(ξ₁，ξ₂，t)，融合城市环境监测站点污染物浓度数据，采用双线性插值生成全局污染物浓度初步估计分布Y_env，j，使用污染物输送方程综合上述所述三种数据源，即Q_1j(ξ₁，ξ₂，ξ₃，t)、Q_2j(ξ₁，ξ₂，t)和Y_env，j，得到实时污染物输送模型；

步骤五，将多数据源全国尺度风场、污染物分布数据及ECMWF气象数据，作为城市模型求解区域时变边界参数，利用大气边界层理论得到入流面、出流面、上边界及下垫面边界条件；

步骤六，利用计算流体力学CFD求解器在步骤二所得城市三维网格模型上对第三步所得流场控制方程及第四步污染物输送模型离散化，按步骤五的时变边界条件，进行城市全局流场求解，得到无气象因素实时环境质量分布；

步骤七，结合城市气象数据，针对不同降水气象，包括降雪和降雨，对第六步CFD湍流模型计算所得无气象因素实时环境质量分布的计算结果进行对应沉降作用处理，得到城市实时全局环境质量分布；

步骤八，在步骤七得到当前时刻城市实时全局环境质量分布当前时刻环境质量分布计算结果基础上，载入下一时刻气象数据，重点污染源排放数据，机动车尾气排放数据，进行实时循环计算，生成城市实时全局环境质量分布动态估计；

机动车尾气排放因子估计模块，使用一种基于MLP神经网络的机动车尾气排放因子估计方法来实现，利用机动车尾气遥测设备采集的实际道路上的机动车尾气排放数据以及其他相关数据建立机动车尾气CO、HC及NO的排放因子数据库，并据此建立针对于CO、HC和NO的MLP神经网络模型，实现机动车尾气排放因子的实时在线估计；具体包含以下步骤：

步骤1：利用机动车尾气遥感监测设备采集的实际道路上的机动车尾气排放数据，即机动车行驶时排放的CO2、CO、HC及NO的体积浓度，以及其他相关数据，所述其他相关数据包括：机动车的车型、速度与加速度，以及当前温度、湿度、压强、风向与风速；

步骤2：对步骤1中采集到的机动车的尾气排放数据进行预处理，并建立机动车尾气CO、HC及NO的排放因子数据库；

步骤3：基于步骤2所得到的机动车尾气CO、HC及NO的排放因子数据库，以及步骤1中采集到的其他相关数据分别建立针对于CO、HC和NO的MLP神经网络模型，依据MLP神经网络模型即实现机动车尾气排放因子的实时在线估计；

机动车尾气排放特征分析模块，使用一种基于聚类分析的车辆尾气排放特征分析处理方法来实现，采用灰色关联分析方法从车辆类型、行驶工况、燃料类型、车辆使用年限、气象条件中找出影响尾气排放的主要影响因素，作为车辆尾气排放特征分析的核心维度特征参数，利用基于密度的聚类算法对机动车进行尾气排放贡献程度的分类；具体包括如下步骤：

(1)抽取机动车尾气遥测数据；

(2)对抽取的机动车尾气遥测数据进行预处理；

(3)对步骤(2)中的预处理后的数据，采用灰色关联分析方法从车辆类型、行驶工况、燃料类型、车辆使用年限、气象条件诸多因素找出影响尾气排放的主要影响因素，作为车辆尾气排放特征分析处理的核心维度特征参数，实现尾气污染物排放影响因素关联特征选择，得到影响尾气排放的主要影响因素特征属性；

(4)根据步骤(3)得到的影响尾气排放的主要影响因素特征属性，采用基于密度的聚类算法对检测车辆尾气排放特征数据进行分类得到分群类别，并计算每个排放分群组别的排放得分，然后根据排放得分对分群组别排序，构建车辆尾气排放特征分析处理模型，根据车辆尾气排放特征分析处理模型对车辆尾气排放进行分析处理；

上述五个模块分别实现不同的数据分析功能，选择不同的模块即可实现不同的功能；可以单独使用，也可以两个或两个以上组合作用；

在需要获得实时的道边空气污染物浓度估计值时，采用道边空气污染物浓度估计模块；

在根据历史空气污染物浓度数据预报当前或未来某一时刻的空气污染物浓度时，采用道边空气污染物浓度预报模块；

在需要城市全局大气环境的实时预测时，采用城市全局大气环境预测模块；

在需要进行机动车尾气排放因子的实时在线估计时，采用机动车尾气排放因子估计模块；

在分析影响尾气排放的主要影响因素，或对机动车进行尾气排放贡献程度进行分类时采用机动车尾气排放特征分析模块。

2.根据权利要求1所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于重构深度学习的道边空气污染物浓度实时预测方法中，所述步骤2实现如下：

(1)对道路空气污染物浓度数据集中的数据进行归一化处理，并将数据集按照60％、20％、20％的比例划分为训练集、验证集、测试集；

(2)对限制玻尔兹曼机设置重构误差阈值，利用训练集中的输入数据对限制玻尔兹曼机进行训练，其中可视层单元个数为14，隐含层单元个数为37，关于状态的损失函数J_res(x_pol，h_pol，θ)为：

其中，x_pol，i为影响道边空气污染物浓度的因素之一，h_pol，j为x_pol，i的另一种表达，θ＝{ω_rac，i，j，α_rac，i，β_rac，j}，α_rac，i、β_rac，j分别为可视单元和隐含单元的偏差向量，ω_rac，i，j是权重矩阵，N₉、L₉分别为可视单元和隐含单元的数量；

限制玻尔兹曼机参数的梯度求解方法如下：

其中，prob(x_pol，θ)是可视单元的概率，prob(h_rac，j＝1|x_pol，θ)是隐含单元的条件概分布；

(3)初始化Elman模型，其中用限制玻尔兹曼机中训练好的矩阵ω_rac初始化输入层权重

中间层权重

和承接层权重

用零矩阵初始化。

3.根据权利要求1所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于重构深度学习的道边空气污染物浓度实时预测方法中，所述步骤3实现如下：

(1)根据深度重构Elman模型的非线性状态空间表达式计算第m次迭代输出的道边空气污染物浓度y_rac(m)；

(2)根据梯度下降算法计算道边空气污染物浓度损失函数J_rac，若污染物浓度损失函数的值小于初始化中设置的误差阈值或者迭代次数值m大于等于初始化中设置的最大迭代次数，则训练结束，进入步骤(5)，否则进去步骤(3)；

(3)根据梯度下降算法计算道边空气污染物浓度损失函数关于深度重构Elman模型的权重参数

的偏导数，计算方法如下：

其中，J_rac(m)是道边空气污染物浓度损失函数，n表示输入层的第n个单元，j表示输出层的第j个单元，l表示中间层的第l个单元，

表示隐含层的第

个单元，m是迭代次数，

是求偏导符号，

是道边空气污染物浓度损失函数关于

的偏导数，η₁、η₂、η₃分别是

的学习率，

分别是深度重构Elman模型的中间层到输出层权重参数、输入层到中间层权重参数、承接层到中间层权重参数；

(4)然后根据权重参数的偏导数对权重参数进行更新，更新规则如下：

更新完毕后，返回步骤(1)；

(5)训练结束，模型的权重参数确定，所得模型即为能够对道边空气污染物浓度进行实时预测的深度重构Elman模型，将实时的路网信息、气象信息、交通信息因素输入到模型中，通过模型即可输出预测的实时道边空气污染物浓度结果。

4.根据权利要求1所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于LSTM-RNN模型的空气污染物浓度预报方法中，所述步骤一中，收集目标城市较长时间内，即一年的空气污染物浓度数据，选取与空气污染物浓度有关的数据进行汇总，对于其中部分缺失的数据，采用平均值法填补缺失数据，并存入数据库。

5.根据权利要求1所述的机动车尾气排放数据融合系统，其特征在于：一种基于LSTM-RNN模型的空气污染物浓度预报方法中，所述步骤一中的平均值法为：采用缺失数据前N₁₀个与后N₁₀个数据取平均值的方法，N₁₀表示前后取数的个数，取值为20-30个。

6.根据权利要求1所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于LSTM-RNN模型的空气污染物浓度预报方法中，所述步骤二中，构造待训练的LSTM-RNN模型的训练样本数据：从数据库中读出目标城市的污染数据，进行归一化处理，构成LSTM-RNN模型的输入特征向量，并按照75％、15％、10％的比例划分为训练样本数据、验证样本数据和测试样本数据。

7.根据权利要求2所述的机动车尾气排放数据融合系统，其特征在于：一种基于LSTM-RNN模型的空气污染物浓度预报方法中，步骤二中所述归一化处理方法为min-max归一化方法，对收集到的目标城市较长时间内的空气污染物浓度数据做归一化处理，使其值在0到1之间。

8.根据权利要求1所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于LSTM-RNN模型的空气污染物浓度预报方法中，所述步骤三中，LSTM-RNN模型采用具有1个输入层、5个隐藏层，输出层，使用identity函数来执行回归。

9.根据权利要求8所述的机动车尾气排放数据融合系统，其特征在于：一种基于LSTM-RNN模型的空气污染物浓度预报方法中，所述步骤三中的5个隐藏层采用LSTM(长短时记忆)单元，该单元具有三个门：输入门表示是否允许采集的新的污染物浓度数据信息加入到当前隐藏层节点中，如果为1即门开，则允许输入，如果为0，即门关，则不允许，这样就可以摒弃掉一些没用的输入信息；遗忘门表示是否保留当前隐藏层节点存储的历史污染物浓度数据，如果为1即门开，则保留，如果为0，即门关，则清空当前节点所存储的历史污染物浓度数据；输出门表示是否将当前节点输出值输出给下一层，即下一个隐藏层或者输出层，如果为1，即门开，则当前节点的输出值将作用于下一层，如果为0，即门关，则当前节点输出值不输出。

10.根据权利要求9所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于LSTM-RNN模型的空气污染物浓度预报方法中，所述隐藏层的LSTM单元具体公式表示如下：

H_air，t＝o_ttanh(c_t)

其中sig为逻辑sigmoid函数，x_air表示LSTM-RNN模型的输入特征向量，l、Φ、o、c、H_air分别表示输入门(input gate)、遗忘门(forget gate)、输出门(output gate)、单元激活向量(cell activation vectors)，隐藏层，

Ω_air，c，l分别为LSTM-RNN模型的输入特征向量、隐藏层单元、单元激活向量与输入门之间的权重矩阵，

Ω_air，c，Φ分别为LSTM-RNN模型的输入特征向量、隐藏层单元、单元激活向量与遗忘门之间的权重矩阵，

Ω_air，c，o分别为LSTM-RNN模型的输入特征向量、隐藏层单元、单元激活向量与输出门之间的权重矩阵，

分别为LSTM-RNN模型的输入特征向量、隐藏层单元与单元激活向量之间的权重矩阵，所述权重矩阵均为对角阵；b_air，l、b_air，Φ、b_air，o、b_air，c分别为LSTM-RNN模型输入门、遗忘门、输出门、单元激活向量的偏差值，t作为下标时表示时刻，tanh为激活函数。

11.根据权利要求1所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于CFD及多数据源的城市实时全局环境估计方法中，所述步骤一中，提取城市三维模型数据，使用模型片段数简化方法进行所述三维模型融合，并将地理信息映射到所述三维模型，生成具有地理信息的简化城市三维模型的方法为：

(1)使用3D ripper分析谷歌地球运行时DirectX数据流，导出带有地理信息的三维城市建筑模型；

(2)使用STL模型简化技术合并步骤(1)所得三维城市建筑模型三角面，得到简化城市建筑模型；

(3)匹配步骤(2)所得三维城市建筑模型与地理信息特征点，将地理信息映射到三维城市建筑模型，生成具有地理信息的简化城市三维模型。

12.根据权利要求1所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于CFD及多数据源的城市实时全局环境估计方法中，所述步骤三中，使用Realizable k-ε湍流模型封闭城市大气流场方程，Do模型描述太阳辐射，得到城市大气流场控制方程的方法为：

(1)采用Realizable k-ε湍流模型，即RKE模型对稳态不可压缩连续性方程进行封闭，设定Realizable k-ε湍流模型参数：方程常数L₁₁，湍动能及耗散率的湍流普朗特数σ_k，σ_ε，得到湍流控制方程；

(2)使用气象数据中太阳辐照强度数值，确定当前入射辐射强度

代入辐射传热方程，计算辐射对流场及温度影响，联合步骤(1)中湍流控制方程得到城市大气流场控制方程组。

13.根据权利要求1所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于CFD及多数据源的城市实时全局环境估计方法中，所述步骤四中，使用污染物输送方程综合三种数据源，得到污染物输送模型的步骤为：

(1)利用环保部及省市环保厅提供的国控重点企业监测公开信息中各企业排放数据，将重点污染源模型化为点源分布，指定污染源坐标，源强可定义污染源在模型中的位置及排放量，得到重点企业污染源的时空分布模式Q_1j(ξ₁，ξ₂，ξ₃，t)，其中：ξ₁，ξ₂，ξ₃为坐标变量，t为时间变量，i为污染来源种类，此处记企业污染源为i＝1，j为污染物种类，Q_j(ξ₁，ξ₂，ξ₃，t)为某种污染物的源项；

(2)根据配套开发的机动车尾气检测系统所得污染物数据，使用线性插值公式对介于监测点1，2之间的尾气浓度进行插值，估计街道峡谷内尾气成分浓度值，

式中Q_2j，1和Q_2j，2为相邻两个机动车尾气检测点所得污染物浓度数据，

为插值点，监测点1，监测点2地理坐标值；将街道污染物浓度匹配城市模型对应街道，得到污染物浓度地图，建立城市路道污染源浓度时空分布估计值，并视为线源，Q_2j(ξ₁，ξ₂，t)，并将其代入污染物输送方程；

(3)将城市以环境监测点为节点进行区域划分，并利用环境监测点提供环境数据以监测点为顶点，对内部区域污染物浓度值进行双线性插值，生成覆盖城市的污染物浓度预估值Y_env，j，以其作为输送过程初始场，及计算过程校正场；

(4)针对主要污染物，包括PM2.5，氮氧化物，硫化物分别建立不同的组分输送方程，具体某种组分Y_j的输送微分方程为：

式中：ρ为流体密度，Y_j为组分j的质量分数，U_j，i为组分j扩散速度在i方向的分量，Q_j为组分源强，vis_j为组分扩散系数项，不同组分扩散系数不同，将步骤(1)所得重点企业污染源项Q_1j(ξ₁，ξ₂，ξ₃，t)、步骤(2)所得城市路道污染源项Q_2j(ξ₁，ξ₂，t)、步骤(3)所得城市污染物浓度预估值Y_env，j代入上述组分输送微分方程，通过计算实时生成污染物输送模型。

14.根据权利要求1所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于CFD及多数据源的城市实时全局环境估计方法中，所述步骤五中，将数据源全国尺度风场、污染物分布数据，及ECMWF气象数据，作为城市模型求解区域时变边界参数，利用大气边界层理论得到入流面、出流面、上边界及下垫面边界条件的步骤为：

根据大气边界层理论，将ECMWF数据中高度第一层的数据作为上界边界条件；建筑物及地面设置为固壁边界条件；流入面边界条件：以指数分布描述入流面大气边界层内风速随高度变化情况：

其中u₀为峡谷上方平行街道方向风速，ξ₃为离地高度，ξ_3，0为街道峡谷高度，loss为边界层内速度损失指数，以入口大气边界层高度作为基准高度，对应ECMWF风速数据作为基准高度风速；设置出流面相对压力为零，通过上述设定，得到入流面、出流面、上边界及下垫面边界条件。

15.根据权利要求1所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于CFD及多数据源的城市实时全局环境估计方法中，所述步骤七中，结合城市气象数据，针对不同气象模式，对基于CFD及多数据源的城市实时全局环境估计方法的步骤六的计算结果进行沉降作用处理，得到城市实时全局环境质量分布的步骤为：

实时对基于CFD及多数据源的城市实时全局环境估计方法的步骤六所得无气象因素实时环境质量分布计算结果结合国家气象中心实时气象数据，针对不同降水气象，包括降雪、降雨，不同污染物组分对污染物组分分布施加沉降作用，得到冲洗后污染物浓度值：Y_j＝Y_0，je^-phi(Rf)，其中：Y_0，j为降水前污染物浓度值，

为冲洗系数，为降水量Rf的函数，冲洗系数参数L₁₂，L₁₃为经验系数，与降水类型及污染物类型相关，对污染物组分空间分布Y_j随时迭代更新，得到城市实时全局环境质量分布。

16.根据权利要求1所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于MLP神经网络的机动车尾气排放因子估计方法中，所述步骤2中，对机动车尾气排放数据进行预处理的方法如下：

根据机动车尾气遥感监测设备采集到的机动车行驶时排放的CO2、CO、HC及NO的体积浓度数据计算机动车尾气CO、HC及NO的排放因子，方法如下：

其中，CO(gL^-1)、HC(gL^-1)和NO(gL^-1)分别指机动车尾气CO、HC及NO的排放因子，单位是gL^-1；Rat为机动车尾气遥感监测设备采集到的CO与CO2体积浓度的比值；Rat′为机动车尾气遥感监测设备采集到的HC与CO2体积浓度的比值；Rat″为机动车尾气遥感监测设备采集到的NO与CO2体积浓度的比值；M_fuel为机动车燃油的摩尔质量；D_fuel为机动车燃油的密度。

17.根据权利要求1所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于MLP神经网络的机动车尾气排放因子估计方法中，所述步骤3中，建立针对于CO、HC和NO的MLP神经网络模型的方法如下：

在进行MLP神经网络模型构造之前，所有数据，包括速度、加速度、温度、湿度、压强、风向与风速及CO、HC和NO的排放因子，都需进行min-max归一化；

在min-max归一化之后，将所有数据先按照车型分为四个数据集，即分别针对于轻型汽油车、重型汽油车、轻型柴油车和重型柴油车的数据集；每个数据集分为训练集、验证集和测试集，其中验证集用来在训练过程中检查MLP神经网络的性能，当性能达到最大值或开始减小的时候训练终止，测试集用来评估训练出的MLP神经网络的性能；训练集、验证集和测试集数据所占比例分别为50％、25％、25％；

使用上述所得的训练集中的数据来训练MLP神经网络，采用的MLP神经网络模型的结构为：一个输入层、一个隐藏层和一个输出层的三层结构；MLP神经网络模型的输入为速度、加速度、温度、湿度、压强、风向与风速，输出为CO、HC或NO的排放因子，输入层神经元数目为7个，输出层神经元数目为1个，隐藏层神经元数目采用试验法决定。

18.根据权利要求1所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于聚类分析的车辆尾气排放特征分析处理方法中，所述步骤(1)中，抽取机动车尾气遥测数据的过程如下：

(11)从车辆检测数据库中获取尾气检测表和车辆基本信息表，包括的数据项有：检测设备编号，检测时间，检测的车牌号码，车速，车辆加速度，车辆长度，CO2、CO、HC、NO浓度，烟度值，风速，风向，气温，湿度，气压，动态/静态测量，数据有效性，抓拍照片，燃料类型，车辆登记日期属性；

(12)从道路车流量信息数据库，获取的数据项有：道路名称，时间，小轿车、出租车、公交车、大客车、中轻型卡车及重型卡车这些不同类型车辆的车流量；

(13)从天气信息数据库，获取的数据项有：时间，城市，天气状况，温度，湿度，风速，PM2.5，PM10，AQI。

19.根据权利要求1所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于聚类分析的车辆尾气排放特征分析处理方法中，所述步骤(2)中，机动车尾气遥测数据预处理如下：通过对尾气遥测数据的分析，找出缺失值、偏离过大的个别极端值进行丢弃处理，从原始数据中的众多属性中删除与遥测记录不相关冗余属性，对遥测数据中的车型数据、燃料类型、数据有效性的非数值型数据进行量化处理，再根据车辆登记日期以及车辆检测时间，构造车辆使用年限分级数据。

20.根据权利要求1所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于聚类分析的车辆尾气排放特征分析处理方法中，所述步骤(4)中，尾气污染物排放影响因素关联特征选择如下：采用灰色关联分析方法从车辆类型、行驶工况、燃料类型、车辆使用年限、气象条件诸多因素找出影响尾气排放的主要影响因素，作为车辆尾气排放特征分析处理的核心维度特征参数。

21.根据权利要求1所述的机动车尾气排放数据融合系统，其特征在于：

所述一种基于聚类分析的车辆尾气排放特征分析处理方法中，所述步骤(4)中，构建车辆尾气排放特征分析处理模型如下：对步骤(3)得到的特征属性采用基于密度的聚类算法对检测车辆尾气排放特征数据进行分类得到分群类别，利用层次分析法得到每个特征属性权重，按式

求得第i组分群的排放得分score_i，计算每个排放分群组别的排放得分，然后根据排放得分对分群组别排序，其中，w_score，j(j＝1，2，…，N₂₀)是由层次分析法得到的各特征属性权重，

为第i组分群聚类中心各特征属性标准化后的值，N₂₀为特征属性数量。

22.根据权利要求21所述的机动车尾气排放数据融合系统，其特征在于：所述基于密度的聚类算法的过程如下：

(1)输入聚类数N_cluster，属性数据集

N_cluster为属性数据集大小，密度参数N₂₁，倍率参数N₂₂；

(2)从属性数据集S中计算所有对象距离数据表distTable＝{dist(s_i，s_j)}，i＝1，2，…N_data，j＝1，2，…N_data；i≠j；对距离数据表从小到大排序得到距离排序数组Array；

(3)通过Array的percent范围内出现最多的数据点标记，得到初始点init，Array(percent)记为序列中值最小的percent比例部分，按式：

Array(percent)＝{distArray₁，distArray₁，…，distArray_roughNum}得到，每一个distArray对应两个不同数据点，

其中，

roughNum＝percent×N_data×(N_data-1)/2；

(4)根据初始点init计算出当前簇的Eps和初始MinPts，得到当前簇的以init为圆心的初始簇点，其中Eps和初始MinPts的计算方法如下：

其中epsNum记为与初始点与数据集其他各点之间距离小于等于

的数据点的个数；

初始

(5)计算当前簇的每一个点的密度，若大于MinPts，则标记为簇心点，簇心点的Eps范围内的点标记为当前簇类；

(6)根据当前簇心点的平均MinPts，更新MinPts，重复步骤(5)直到当前簇点个数不再增加；

(7)从属性数据集S中去掉当前簇的点，当前簇类加1，重复(2)～(6)直到当前簇标为N_cluster+1；

(8)给每一个未被标记的数据点标记为与其相近最近标记点的簇标，最终聚类出N_cluster个数据簇，从而得到分群类别。

Images