CN106845371B - 一种城市路网机动车尾气排放遥感监控系统 - Google Patents
一种城市路网机动车尾气排放遥感监控系统 Download PDFInfo
- Publication number
- CN106845371B CN106845371B CN201611267865.XA CN201611267865A CN106845371B CN 106845371 B CN106845371 B CN 106845371B CN 201611267865 A CN201611267865 A CN 201611267865A CN 106845371 B CN106845371 B CN 106845371B
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- city
- model
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 claims abstract description 351
- 238000004458 analytical method Methods 0.000 claims abstract description 80
- 238000012545 processing Methods 0.000 claims abstract description 63
- 238000007405 data analysis Methods 0.000 claims abstract description 36
- 238000013135 deep learning Methods 0.000 claims abstract description 23
- 241001269238 Data Species 0.000 claims abstract description 15
- 239000007789 gas Substances 0.000 claims description 380
- 239000000809 air pollutant Substances 0.000 claims description 166
- 231100001243 air pollutant Toxicity 0.000 claims description 166
- 238000001514 detection method Methods 0.000 claims description 138
- 239000003344 environmental pollutant Substances 0.000 claims description 116
- 231100000719 pollutant Toxicity 0.000 claims description 116
- 239000000523 sample Substances 0.000 claims description 112
- 238000012549 training Methods 0.000 claims description 94
- 239000000779 smoke Substances 0.000 claims description 81
- 230000006870 function Effects 0.000 claims description 75
- 238000012360 testing method Methods 0.000 claims description 72
- 239000011159 matrix material Substances 0.000 claims description 63
- 239000013598 vector Substances 0.000 claims description 59
- 239000004744 fabric Substances 0.000 claims description 53
- 238000009826 distribution Methods 0.000 claims description 51
- 230000008569 process Effects 0.000 claims description 50
- 238000004422 calculation algorithm Methods 0.000 claims description 46
- 230000007613 environmental effect Effects 0.000 claims description 36
- 230000001133 acceleration Effects 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 230000000007 visual effect Effects 0.000 claims description 27
- 239000000446 fuel Substances 0.000 claims description 26
- 238000005259 measurement Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000000926 separation method Methods 0.000 claims description 22
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 20
- 238000003672 processing method Methods 0.000 claims description 20
- 230000005855 radiation Effects 0.000 claims description 19
- 230000003213 activating effect Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 18
- 238000001556 precipitation Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 17
- 239000012530 fluid Substances 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 13
- 206010013496 Disturbance in attention Diseases 0.000 claims description 12
- 238000009792 diffusion process Methods 0.000 claims description 12
- 239000000356 contaminant Substances 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 10
- 230000002829 reductive effect Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 9
- 238000012880 independent component analysis Methods 0.000 claims description 9
- 239000004615 ingredient Substances 0.000 claims description 9
- 230000003287 optical effect Effects 0.000 claims description 9
- 238000003915 air pollution Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 8
- 239000002283 diesel fuel Substances 0.000 claims description 7
- 238000002513 implantation Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 7
- 244000025254 Cannabis sativa Species 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 230000036961 partial effect Effects 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 6
- 230000035939 shock Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 5
- 238000011109 contamination Methods 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 5
- 238000011835 investigation Methods 0.000 claims description 5
- 238000002156 mixing Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000000630 rising effect Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000020411 cell activation Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 239000012634 fragment Substances 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 230000013011 mating Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 3
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 3
- 235000019504 cigarettes Nutrition 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000000670 limiting effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000002087 whitening effect Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims description 2
- 208000033748 Device issues Diseases 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims description 2
- 239000000470 constituent Substances 0.000 claims description 2
- 238000013501 data transformation Methods 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 238000011002 quantification Methods 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 238000010998 test method Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims 1
- 241000790917 Dioxys <bee> Species 0.000 claims 1
- 229910052799 carbon Inorganic materials 0.000 claims 1
- 238000002485 combustion reaction Methods 0.000 claims 1
- 239000012468 concentrated sample Substances 0.000 claims 1
- 238000007599 discharging Methods 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 11
- 230000006855 networking Effects 0.000 abstract description 5
- 238000007418 data mining Methods 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 305
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 46
- 229910002092 carbon dioxide Inorganic materials 0.000 description 23
- 210000004027 cell Anatomy 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 7
- 230000001965 increasing effect Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000010521 absorption reaction Methods 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000000862 absorption spectrum Methods 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011068 loading method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 101100323157 Arabidopsis thaliana LAP1 gene Proteins 0.000 description 1
- 101100328086 Caenorhabditis elegans cla-1 gene Proteins 0.000 description 1
- 241000545442 Radix Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001658 differential optical absorption spectrophotometry Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- FKLFBQCQQYDUAM-UHFFFAOYSA-N fenpiclonil Chemical compound ClC1=CC=CC(C=2C(=CNC=2)C#N)=C1Cl FKLFBQCQQYDUAM-UHFFFAOYSA-N 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000003500 flue dust Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000007417 hierarchical cluster analysis Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000002715 modification method Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000505 pernicious effect Effects 0.000 description 1
- -1 pm2.5 Substances 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/30—Polynomial surface description
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2219/00—Indexing scheme relating to application aspects of data processing equipment or methods
- G06F2219/10—Environmental application, e.g. waste reduction, pollution control, compliance with environmental legislation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Astronomy & Astrophysics (AREA)
Abstract
本发明公开了一种城市路网机动车尾气排放遥感监控系统，主要由遥测设备层、选址布点层与数据处理层构成。通过移动式、水平式和垂直式尾气遥测设备，获取行驶中机动车尾气排放的实时数据；采用先进的选址布点方法，对遥测设备进行科学化组网；结合气象、交通、地理信息等外部数据，采用深度学习等大数据处理和分析技术，对机动车尾气排放实时遥测数据进行智能分析和数据挖掘，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
技术领域
本发明具体涉及一种城市路网机动车尾气排放遥感监控系统，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。因此，有必要建立一套完善的系统，对机动车尾气中有害气体的排放进行监测和管理，同时加强对机动车尾气污染的控制，对尾气排放加大检测和监管的力度。
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。尽管如此，遥感监测法能解决的也仅仅是尾气检测的问题，对于城市机动车(尤其在用机动车)的整体管控问题，仍然不能完全解决。以下将从系统的角度，对机动车尾气遥测设备、布点与组网算法、数据处理算法等方面进行文献调研和比较，以诠释本发明专利的创造性与优越性。
对于汽油车尾气遥测的相关技术方法，已有了一定的研究基础。王铁栋等在《机动车尾气遥测技术和应用研究》(大气与环境光学学报，2007年03期)与《基于可调谐半导体激光技术的机动车尾气中CO、CO2遥测》(红外与激光工程，2007年S1期)中提出了利用可调谐二极管激光吸收光谱(TDLAS)和差分吸收光谱(DOAS)技术可以实现对尾气中CO、CO2、HC、NO和烟尘等污染物的实时测量，该文献主要给出了尾气遥测法的物理原理，对其实现方法叙述较少。发明专利《多车道机动车尾气PM2.5遥测装置》(申请号：201310655684.4)与《多车道机动车尾气遥测装置》(申请号：200910241681.X)通过对尾气检测单元、速度加速度检测单元、风速风向检测单元、路况识别单元、牌照记录单元、控制单元等模块的集成，实现了针对不同污染物的尾气遥测设备，本质上是一种水平式尾气遥测设备，要求短时间内只有一辆车通过监测点的条件，也就是说，对于交通流较大的多车道其适用性较差。发明专利《一种多车道机动车尾气检测系统》(申请号：201010568201.3)与《一种机动车尾气检测装置》(申请号：201510897679.3)与针对固定水平式尾气遥测设备无法适用于交通复杂路段的缺点进行了改进，增加了路面反射带，利用垂直发射/接收的激光束，实现了真正意义上的固定垂直式尾气遥测设备，各个车道的尾气检测相互独立、互不干扰，可以适用于交通流大的多车道路段。但是，由于增加了路面反射带，反射带的清洁度将直接影响设备的精度，所以由之而来的反射带的清洁与保养工作会无形中增加设备成本与人工成本。柴油车尾气遥测的相关技术方法也同样引起了人们的注意。发明专利《一种柴油车尾气烟度图像识别系统》(申请号：201210229911.2)提出了利用摄像机柴油车尾气拍照，然后基于图像处理技术计算出尾气烟度。由于其结构也是一种固定水平式尾气遥测设备，所以仍然会受到大车流量的制约。
由于机动车尾气遥测设备尚未在城市路网得到广泛使用，对于遥测设备的布点选址问题，已有的研究很少。《一种城市路网机动车尾气实时遥感监测基址选取方法》(申请号：201510214145.6)公开了一种在整个城市路网区域进行遥测设备的选址方法，该方法的目的是通过尾气遥测设备的点位优化从而使得城市路网上的遥测设备可检测到尽量多的车辆，该方法侧重于个体车辆排放水平的普查，不适合例如重点车辆尾气排放状况排查、城市路网区域排放浓度估计等方面的研究。
在环境监测领域内，与此相似的有空气质量监测的布点选址问题，关于这一问题的研究较多。传统的空气质量监测的布点选址方法主要有：网格布点法、功能分区布点法、扇形布点法和同心圆多方位布点法。刘潘炜等在《区域空气质量监测网络优化布点方法研究》(中国环境科学，2010年07期)中以最大贴近度为优化目标，提出一种区域空气质量监测网络点位优化问题的整数规划模型，并采用分支定界法进行求解。由于尾气遥测设备是安装在道路上的，该文献中考虑的人口约束及空间覆盖度约束不适用于本项目，而且目标函数也不同。万开等在《网络自动质控在空气优化布点监测中的应用》(环境科学与技术，2010年6E期)中将固定和移动自动监测结合起来，使用网络远程质控技术实现空气质量监测的优化布点，本质上还是网格布点法。然而我们所要进行安装布设的遥测设备只是固定式的，该方法因此也不适用。发明专利《一种空气质量监测站优化布点方法》(申请号：201610037653.6)公开了一种以克里金方差最小化为目标的空气质量监测站优化布点方法，该方法考虑在研究区域内已经存在监测布点网络的基础上在该区域增加布点。而对于机动车尾气遥感监测而言，这样的网络尚未形成，因此该发明所提供的方法无法适用于机动车尾气遥测设备布点。
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，迫切需要建立一套完整的数据中心平台，实现与尾气监控、数据处理一体化的数据中心，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，没有实现网络化、智能化、系统化、集成化，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，实现城市管理的网络化、智能化解决问题，提供一种城市路网机动车尾气排放遥感监控系统。
本发明技术解决方案：一种城市路网机动车尾气排放遥感监控系统，包括：遥测设备层、选址布点层与数据处理层；
遥测设备层，实现对机动车尾气中CO、CO2、NOx、HC浓度、以及不透光烟度的检测，同时记录机动车的速度、加速度与机动车牌照号码，最终得到每辆通过监测点机动车的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，并将尾气遥测数据及机动车属性、行驶工况、检测时间、气象条件数据传输到数据处理层；
选址布点层，解决遥测设备层中机动车尾气遥测设备在城市路网中的选址布点问题，能够将路网拓扑、道路信息、气象信息、交通信息及布点区域已有检测器数量的数据作为输入，实现有效检测车辆数最大、车辆检测差别性最小及道路覆盖率最大的目标，根据性能指标的不同，为相关部门提供多种选址布点方案，采用选址布点层的选址布点方法，对遥测设备层中机动车尾气遥测设备在城市路网中的布设点位进行优化，确保采集数据的完整性和多样性，更好地服务于数据处理层的数据处理方法；
数据处理层，实现对遥测设备层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。
所述遥测设备层包括移动式尾气遥测设备、水平式尾气遥测设备和垂直式尾气遥测设备三种设备，其中，水平式尾气遥测设备和垂直式尾气遥测设备都固定安装在道路上，水平式尾气遥测设备用于单车道的道路以及车流量少的多车道道路；垂直式尾气遥测设备用于车流量大的多车道道路；移动式尾气遥测设备在城市路网上进行巡逻，服务于需要临时进行机动车尾气检测的道路，能够应对突发状况对尾气检测的需求，并增加城市路网的监测密度；三种设备分别用于城市路网上的不同道路，水平式尾气遥测设备基于深度残差学习网络对柴油车尾气烟度进行检测，垂直式尾气遥测设备使用路面反射的弱信号进行尾气污染物成分与浓度的分析。
所述垂直式尾气遥测设备包括车辆检测单元、尾气检测单元、弱信号处理单元和车牌识别单元四个部分；
车辆检测单元包括两组激光发生器和接收器，两组激光发生器以一定距离间隔安置于横跨车道的龙门架上，发射激光垂直于车道，经路面反射后被龙门架上的激光接收器接收，当机动车行驶通过检测区时，激光发射器发出的激光就会受到影响，使发射器-接收器之间的光路缩短，从而说明有机动车行驶进入检测区，机动车在离开检测区时会导致发射器-接收器之间的光路恢复到无车状态，利用两组激光器分别记录的机动车进入、离开时刻差获取机动车速度、加速度信息；同时输出触发信号触发尾气检测单元对尾气信息进行采集，触发车牌识别单元对车牌信息进行采集；
尾气检测单元，由多个安装在横跨车道的龙门架上垂直于路面的激光发射器构成，每个激光发射器以一定距离间隔安置，每个激光发射器均垂直向地面发射激光束，由于每个车道的激光接收器会受到不同车道激光的影响，每个激光接收器接收到的是混叠信号，通过对激光接收器混叠信号的分析，得到尾气污染物成分与浓度的混叠数据，每个接收器的数据会被发送到弱信号处理单元进行弱信号提取与分离；
弱信号处理单元，包括弱信号提取模块和弱信号分离模块，弱信号提取模块根据弱信号与噪声信号在频率分布、覆盖范围、统计特性方面的差异，识别和提取出尾气检测单元数据的相关弱信号数据；弱信号分离模块对弱信号提取模块中提取出的相关弱信号数据进行分离处理，选择线性瞬时混合模型作为弱信号的模型，采用独立分量分析的方法对不同源的相互混叠的弱信号进行分离，最终获取通过监测点的机动车尾气污染物成分与浓度；
车牌识别单元包括一台摄像机与图像处理模块，当车辆检测单元检测到有机动车进入检测区时，输出触发信号，使摄像机对车头进行多次拍照，由图像处理模块进行照片的筛选与车牌照号码的识别，完成检测结果与车牌号之间的关联，从而最终实现基于路面反射的垂直式机动车尾气遥测。
所述垂直式尾气遥测设备中，车辆检测单元中，所述获取机动车速度、加速度信息的过程如下：
机动车经过第一组激光发射装置和第二组激光发射装置的平均速度为vel1，vel2，其计算方法为速度加速度为其中，Ldis为两组激光发射器间隔，记录接收器1和接收器2下降沿出现的时刻为T1，T2，记录接收器1和接收器2上升沿出现的时刻为T3，T4。
所述垂直式尾气遥测设备中，所述弱信号处理单元中，所述弱信号分离模块，选择线性瞬时混合模型作为弱信号的模型，假设N1个源信号s(t)被M1个检测器接收后输出混合信号x(t)，线性瞬时混合模型可以表示为x(t)＝Bs(t)，其中 是M1*1维观测信号的向量，M1表示接收的检测器的数目， 是N1*1维相互独立的源信号的向量，N1表示源信号的个数，B是一个M1*N1维的混合矩阵，其估计模型表示为y(t)＝Wx(t)，其中y(t)是对源信号s(t)的估计，W是一个M1*N1维的矩阵，称之为分离矩阵；
采用独立分量分析的方法对不同源的相互混叠的弱信号进行分离，求解分离矩阵W，对源信号进行估计。
所述垂直式尾气遥测设备中，弱信号处理单元中，所述采用独立分量分析的方法进行弱信号分离的步骤如下：
步骤一、对提取到的数据进行预处理，包括数据中心化和白化处理，数据中心化，使输出混合信号x中心化，具体做法是用x减去其均值向量E(x)，将x转化为零均值向量。白化处理，对x进行线性变换，使得x的各分量方差都为1，白化的目的就是降低输入的冗余性，使得x(t)的各个分量不相关联，通过预处理，有效地降低了求解的复杂度，减小了工作量，记预处理后的数据为z(t)；
步骤二、随机地选择一个初始向量W(N2),N2＝1；N2表示迭代的次数；
步骤三、W(N2+1)＝E{zg(WT(N2)z)}-E{g′(WT(N2)z)}W(N2)，其中非线性函数g取g(x)＝x3，E表示均值，z为预处理后的数据，W为分离矩阵；
步骤四：作正交归一化处理，W(N2+1)＝W(N2+1)/‖W(N2+1)‖其中‖·‖表示矩阵范数；
步骤五：判断W(N2)是否收敛，收敛则停止迭代得到W(N2)，否则返回步骤三继续迭代。
所述遥测设备层的水平式尾气遥测设备中，所述基于深度残差学习网络的柴油车尾气烟度检测方法包括以下步骤：
步骤1、在选定的路段用CCD摄像机对经过的柴油车进行尾气视频记录，通过图像采集卡从尾气视频中获取柴油车尾气图像；
步骤2、在选定的路段中用汽柴一体化机动车尾气遥测装置直接测量柴油车的尾气烟度，获取柴油车尾气图像中车辆的尾气烟度，将获取的尾气烟度作为相应柴油车尾气图像的标签，柴油车尾气图像和相应的标签构成柴油车尾气烟度数据集；
步骤3、构建20层深度残差学习网络，该网络包含一个普通卷积层、一个池化层，八个残差学习单元，一个平均池化层，一个全连接层；普通卷积层的作用是学习全局性特征，池化层pool1的作用是降低卷积层输出的特征向量，同时改善结果，降低过拟合出现的可能性；八个残差学习单元的作用是学习特征的同时提高精度，平均池化层的作用是对这一层的输入进行降采样操作，最后一个全连接层构成一个20分类器，对输入的柴油车尾气烟度图像分类；所述八个残差学习单元中的每一个残差学习单元包含两个残差卷积层，每个残差学习单元的输入不仅包含上一个残差学习单元的输出，还包含上一个残差学习单元的输入，即构成了跨层连接的输入输出方式；普通卷积层的输入为经过预处理的图像，普通卷积层的输出作为池化层的输入，池化层的输出为八个残差学习单元中第一个残差学习单元的输入，残差学习单元之间按照跨层连接的输入输出方式传递数据；池化层的输入是最后一个残差学习单元的输入和输出；全连接层的输入是平均池化层的输出；
步骤4、对柴油车尾气烟度数据集进行预处理，将预处理后的图像作为深度残差学习网络的输入，对深度残差学习网络进行训练、验证和测试，得到能够精确检测柴油车烟度的深度残差学习网络；
步骤5、对于没有安装汽柴一体化机动车尾气遥测装置的路段，在道边布设CCD摄像机以获取柴油车尾气图像，并输入到训练完成的深度残差学习网络中，从而实现对柴油车尾气烟度的检测。
所述一种基于深度残差学习网络的柴油车尾气烟度检测方法中，所述步骤1，在选定的路段用CCD摄像机对经过的柴油车进行尾气视频记录，用图像采集卡从记录的视频中抽取出有含有柴油车尾气的图像，将这些图像按照75％、10％、15％的比例分成训练集，验证集和测试集。
所述一种基于深度残差学习网络的柴油车尾气烟度检测方法中，所述步骤2具体如下：在选定的路段安装汽柴一体化机动车尾气遥测装置，该装置的激光模块发出的检测激光穿过道路上柴油机动车排放的尾气，照射到另一侧的光强检测单元，光强检测单元接收到因柴油车尾气烟度受到削弱的激光，通过激光削弱程度可以得到柴油车尾气烟度值，找到该柴油车尾气烟度值对应的柴油车尾气图像，该柴油车尾气烟度值即为对应的柴油车尾气图像的标签。
所述一种基于深度残差学习网络的柴油车尾气烟度检测方法中，所述步骤3中，一个普通卷积层的卷积核大小为7*7；一个池化层的卷积核大小为2*2；八个残差学习单元的卷积核大小为3*3；一个平均池化层的卷积核大小为2*2。
所述一种基于深度残差学习网络的柴油车尾气烟度检测方法中，所述步骤4中，首先对柴油车尾气烟度数据集中进行预处理，具体包括对数据集中的柴油车尾气图像进行尺度增强、随机采样和减像素均值操作；然后将预处理后的图像作为深度残差学习网络的输入，对深度残差学习网络进行训练、验证和测试，得到能够精确检测柴油车烟度的深度残差学习网络，具体包括：将预处理后的图像作为深度残差学习网络的输入进行训练，同时对验证集进行过拟合检查，即判断深度残差学习网络对验证集图像处理的损失函数是否呈现先下降后反而上升的现象，当验证集的损失函数不再下降时候，即可暂时停止训练；将预处理后的测试集图像作为训练终止后的深度残差学习网络的输入，将此时网络的输出与步骤2中的标签值进行比较，若测试集精度超过99％，则训练完成，否则，继续训练。
所述选址布点层包括基于道路相似性的布点模块、基于路网拓扑结构的布点模块与基于特定车辆路线的布点模块；
基于道路相似性的布点模块，使用一种基于道路相似性的机动车尾气遥测设备布点方法来实现，充分考虑了道路特性、道边环境与气象因素，提取出其中关键的属性进行聚类，采用层次聚类的方法对城市路网的不同路段进行聚类，能够将任意数目的尾气遥测设备进行优化布点；
基于路网拓扑结构的布点模块，使用一种基于图论的机动车尾气遥感监测设备布点算法来实现，以城市路网拓扑结构为主，辅以车流量等级，城市的区域功能信息，基于图与超图理论对问题进行建模，将遥测设备的布点选址问题转化为最小横贯问题，最终采用贪婪算法求解出布设尾气遥测设备的路段集合；
基于特定车辆路线的布点模块，使用一种基于图论与布尔代数的机动车尾气遥测设备布点方法来实现，针对城市公交系统尾气的普查进行尾气遥测设备选址布点，首先基于超图理论，将公交车运行路线转化为公交路线超图，然后用布尔代数的相关原理，确定尾气遥测设备在城市路网中的布设位置；
上述基于道路相似性的布点模块、基于路网拓扑结构的布点模块与基于特定车辆路线的布点模块可单独使用，也可组合使用，选择标准取决于输入信息的多少以及决策者对布设于城市路网的尾气遥测设备的功能需求；
在尾气检测信息、道路车流量信息、天气信息和道路相关信息都可获得的情况下采用基于道路相似性的布点模块；在输入信息只包含交通路网的拓扑结构和一些容易获得的交通信息，包括路段所属区域功能、交通流量的等级及是否建有天桥时，采用基于路网拓扑结构的布点模块；需要对公交车这一种类的机动车进行重点监控时采用基于特定车辆路线的布点模块。
所述基于路网拓扑结构的布点模块中，一种基于道路相似性的机动车尾气遥测设备布点方法，包括以下步骤：
步骤一：采集所需样本数据并对样本数据进行预处理，所述所需样本数据是指用尾气遥测设备获得目标路网中每条路段一段时间内的尾气检测信息、道路车流量信息、天气信息和道路相关信息；数据预处理包括数据清洗、数据规约和数据变换三个方面；
步骤二：采用层次聚类的方法对步骤一中经过数据预处理处理后的样本数据进行聚类分析；采用欧几里德距离作为聚类距离的度量，首先将每个样本都归为一类，计算每两个类之间的相似度，也就是样本与样本两两之间距离进行度量；然后把其中相似程度最高也就是距离最小的样本聚成一类，循环重复相似性度量并进行最近类的合并，每次减少一类，最后直到所有的样本被聚到一类中去，得到聚类结果；
步骤三：根据步骤二中的聚类结果，绘制聚类谱系图，将每一步聚类的结果直观的显示在聚类谱系图上；
步骤四：对所考察的路段赋予权重，代表路段的重要程度以及优先考虑程度，将任意数目的尾气遥测设备对应相应数目的聚类结果，在聚类谱系图上找到包含类数目等于对应数目的聚类结果，选取每个类中权重最大的路段布设尾气遥测设备，最终得到将任意数目的尾气遥测设备进行布点的方案。
所述一种基于道路相似性的机动车尾气遥测设备布点方法中，所述步骤一具体实现如下：
(1)聚类前的样本数据采集，将目标路网中的每条路段作为一个样本，获得每个样本路段一段时间内的尾气检测信息、道路车流量信息、天气信息和道路相关信息；其中：
尾气检测信息，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，抓拍照片；
道路车流量信息，包括的数据项有：道路名称，时间，小型客车、中型客车不同类型车辆的车流量；
天气信息，包括的数据项有：时间，城市，天气状况，温度，湿度，风速，PM2.5，PM10，AQI；
道路相关信息，包括的数据项有：地理位置id，所在省份，所在城市，所在街道，连接方式，路旁植被面积，建筑物平均高度；
(2)样本数据预处理部分包括数据清洗、数据规约和数据变换三个方面；数据清洗，就是通过对数据的分析，找出缺失值、偏离过大的个别极端值进行丢弃处理；数据规约，删除与所考虑问题不相关、弱相关或冗余的属性，合并相同属性，同时不断的对相关属性的选择进行修改，以达到所要求的聚类效果；数据变换，将数据规约后的数据进行标准化处理，转化为便于处理的适当格式，以适应聚类分析的需要。
所述一种基于道路相似性的机动车尾气遥测设备布点方法中，所述步骤二中，采用层次聚类的方法对步骤一中处理得到的样本数据进行聚类分析具体包括以下步骤：
(1)将步骤一中处理得到样本中的每一个样本都归为一类，计算每两个类之间的相似度，即对样本与样本两两之间的距离进行度量；度量样本之间的相似性采用欧几里德距离作为聚类距离的度量，欧几里得距离如下：
其中，d(i,j)表示欧几里得距离，i和j为第i个样本和第j个样本的样本标号，分别代表第i条路段和第j条路段，M4表示选取的相关属性个数，相关属性包括属性合并后的污染物总浓度、烟度值、属性合并后的总车流量、连接方式、路旁植被面积、建筑物平均高度，x表示相关属性经过标准化后的数值，xi1表示第i个样本的第1个属性，xi2表示第i个样本的第2个属性，表示第i个样本的第M4个属性，xj1表示第j个样本的第1个属性，xj2表示第j个样本的第2个属性，表示第j个样本的第M4个属性；
(2)把步骤(1)中相似程度最高也就是距离最小的两个样本聚成一类，假设为样本N5和样本M6，将样本N5，M6合并为一新类，记为Cla1＝{N5,M6}，新产生的类Cla1的相关属性用路段N5，M6对应属性的均值表示，即新类的属性表示为
其中，N5和M6为第N5个样本和第M6个样本的样本标号，M4表示选取的相关属性个数，x表示相关属性经过标准化后的数值，表示第N5个样本的第1个属性，表示第N5个样本的第M4个属性，表示第M6个样本的第1个属性，表示第M6个样本的第M4个属性；
(3)新类和其他类一起得到一个N4-1容量的样本，计算样本中所有样本点每两个之间的相似度，即两两之间的距离进行度量；将其中使得距离最小的两个样本聚成一类，记为Cla2，新产生的类Cla2的相关属性用类中包含的两个样本的对应属性的均值表示；
(4)类似地，重复进行相似性度量和最近类的合并，每次减少一类，依次得到新类最后类的个数减少为1，所有的样本被聚到一类中去，得到聚类结果。
所述一种基于道路相似性的机动车尾气遥测设备布点方法中，所述步骤三中，根据聚类过程绘制聚类谱系图，横坐标为1处代表第一次聚类的结果，横坐标为2处代表第二次聚类的结果，依次类推，将每一步聚类的结果直观的显示在聚类谱系图上，聚类谱系图充分展示了聚类的每一步过程，让从可视化的层面了解到每一步哪些路段被聚为一类，每一步聚类结束后不同类的数目和这些类中分别包含哪些路段。
所述一种基于道路相似性的机动车尾气遥测设备布点方法中，所述步骤四中，对所考察的路段赋予权重，权重综合考虑该路段的设备布设成本、设备布设难易程度要素后确定，权重越大代表路段的重要程度越大以及优先考虑程度越高；假设需要将数目为M5的尾气遥测设备进行，从聚类谱系图找到对应类数目为M5的聚类结果，即第N4-M5次聚类后的结果，选取这M5个类中每个类的权重最大的路段布设尾气遥测设备，最终得到对任意数目的尾气遥测设备进行布点的方案。
所述基于路网拓扑结构的布点模块中，一种基于图论的机动车尾气遥测设备布点方法，包括以下步骤：
步骤一：将城市交通路网依据拓扑结构和交通流方向抽象成一个有向图，将交通路网信息抽象成一个数据矩阵，采用深度优先搜索算法找到所述有向图中的所有有向回路；
步骤二：将所有路段作为有向回路超图的顶点，所有有向回路作为有向回路超图的超边，建立城市路网的有向回路超图，简化该有向回路超图，得到简单有向回路超图，建立简单有向回路超图中顶点的加权度模型，寻找加权度模型中加权度最大的顶点，采用贪婪算法求出简单有向回路超图的最小横贯，即为机动车尾气遥感监测设备的布点路段；所述加权度是指融合了交通路网信息的简单有向回路超图的顶点的度，所述简单有向回路超图的最小横贯是指能够覆盖简单有向回路超图所有边的最小顶点集合。
所述一种基于图论的机动车尾气遥测设备布点方法中，所述步骤一中，将交通路网信息抽象成一个数据矩阵，如下：
其中，表示交通路网的所有路段，M7为路网中路段总数；表示路段的信息，包括路段所属区域功能，交通流量的等级，是否建有天桥；N7为布点方法中所利用的路段信息种类；Rij，i＝1,2,…,M7,j＝1,2,…,N7表示将路段信息数字化后的具体数值。
所述一种基于图论的机动车尾气遥测设备布点方法中，所述步骤一中，采用深度优先搜索算法找到所述有向图中的所有有向回路的过程如下：
(1)首先将城市交通路网依据拓扑结构和交通流方向抽象成一个有向图，然后将有向图转换为线图；
(2)从步骤(1)中的线图的一个初始顶点出发，沿着线图的有向弧和不同的顶点寻找有向路径，直到不存在有向弧到达下一个顶点，判断是否存在有向弧回到初始顶点，若存在，表明检测到一个圈；
(3)退回步骤(2)中有向路径的上一个顶点，沿着其他有向弧继续拓展有向路径，直到不存在有向弧到达下一个顶点，判断是否存在有向弧回到初始顶点，若存在，表明检测到一个圈；
(4)重复步骤(3)，直到退回初始顶点；
(5)依次以其他顶点为初始顶点，重复步骤(2)(3)(4)，线图的所有圈即为原有向图的所有有向回路。
所述一种基于图论的机动车尾气遥测设备布点方法中，所述步骤二具体实现如下：
(1)将所有路段作为有向回路超图的顶点，所有有向回路作为有向回路超图的边，建立城市路网的有向回路超图模型；
(2)依次比较(1)中建立的有向回路超图的两条边，判断是否存在包含关系，若存在，则在有向回路超图中删去较长的那条边，并且对删除边后的有向回路超图重复此步骤，直到删除边后的有向回路超图的任意两条边都不存在包含关系，即得到简单有向回路超图；
(3)在步骤(2)得到的简单有向回路超图中建立顶点的加权度模型，寻找加权度模型中加权度最大的顶点，采用贪婪算法求出简单有向回路超图的最小横贯。贪婪算法的求解过程如下：在简单有向回路超图中,删除加权度模型中加权度最大的顶点及包含该顶点的所有边，并且对删除顶点和边后的简单有向回路超图重复此步骤，直到简单有向回路超图为空，则删除的顶点集合为简单向回路超图的最小横贯，即机动车尾气遥感监测设备的布点路段。
所述一种基于图论的机动车尾气遥测设备布点方法中，所述步骤二中，简单有向回路超图中顶点的加权度模型的数学表达如下：
其中，D*(i)表示简单有向回路超图顶点i的加权度，Rij为交通路网数据矩阵模型中的元素，i＝1,2,…,M7,j＝1,2,…,N7；rj为路段信息，r1表示路段所属的区域功能，如果路段位于污染区域，则r1＝0，否则r1＝1，rjmax表示rj的最大值，watr,j表示各个路段信息的权值，满足deg(i)表示简单有向回路超图中顶点i的度，degmax表示简单有向回路超图中所有顶点的度的最大值。
所述基于特定车辆路线的布点模块中，一种基于图论与布尔代数的机动车尾气遥测设备布点方法，包括以下步骤：
步骤一：将公交车行驶路线抽象为公交路线超图；
步骤二：应用布尔代数相关理论求解公交路线超图的所有极小横贯集；
步骤三：求解公交路线超图的最小横贯集，所述最小横贯集是指所有极小横贯集中基数最小的一个极小横贯集，在本发明中最小横贯集指最小监测路段集合，即需要布设尾气遥测设备的路段的集合。
所述一种基于图论与布尔代数的机动车尾气遥测设备布点方法中，所述步骤一具体实现如下：
(1)以城市实际的交通道路网络为基础，将公交车行驶路线中经过的各路段抽象为超图顶点，得到顶点集；
(2)将公交车行驶线路抽象为超边，超边是顶点集的子集；
(3)所有超边的集合即为超图，超图由公交车行驶路线所得，称之为公交路线超图。
所述一种基于图论与布尔代数的机动车尾气遥测设备布点方法中，所述步骤二具体实现如下：
(1)对公交路线超图中每个顶点设布尔变量χi，χi表示路段i是否布设尾气遥测设备，若χi＝1则表示此路段需要布设遥测设备；
(2)公交路线超图中每条边按其所含顶点进行布尔加法，得到各条边的布尔析取式，即：ψj表示第j条公交运行路线中包含的路段；
(3)将所有边的布尔析取式进行布尔乘法，得到公交路线超图的布尔合取式，即： 表示整个公交路线网中所有线路所含路段的全体，Nhy为公交路线超图中超标数目；
(4)对所得的合取式用布尔运算规律整理化简，得到最简的析取式，即： 其中每个子式λt对应的顶点集是公交路线超图的一个极小横贯集，所有的λt构成公交路线超图的所有极小横贯集的集合 表示与公交车每条运行路线都相交的路段全体。
所述一种基于图论与布尔代数的机动车尾气遥测设备布点方法中，步骤三具体实现如下：
(1)求各个极小横贯集的基数，即所含顶点的个数；
(2)确定基数最小的极小横贯集，该极小横贯集即为最小横贯集，最小横贯集中顶点所对应的路段即为需要布设尾气遥测设备的路段，这些路段构成的集合为最小监测路段集合。
所述数据处理层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。
所述数据处理层中，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Jres(xpol,hpol,θ)为：
其中，xpol,i为影响道边空气污染物浓度的因素之一，hpol,j为xpol,i的另一种表达，θrac＝{ωrac,i,j,αrac,i,βrac,j}，αrac,i、βrac,j分别为可视单元和隐含单元的偏差向量，ωrac,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(xpol,θ)是可视单元的概率，prob(hrac,j＝1|xpol,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ωrac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yrac(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Jrac，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，Jrac(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。
所述数据处理层的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：
Hair,t＝ottanh(ct)
其中sig为逻辑sigmoid函数，xair表示LSTM-RNN模型的输入特征向量，Φ、o、c、Hair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，Ωair,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，Ωair,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；βair,Φ、βair,o、βair,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。
所述数据处理层的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Q1j(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Q2j(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Yenv,j，使用污染物输送方程综合上述所述三种数据源，即Q1j(ξ1,ξ2,ξ3,t)、Q2j(ξ1,ξ2,t)和Yenv,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σk,σε，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Q1j(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，Qj(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Q2j,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,Q2j(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Yenv,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Yj的输送微分方程为：
式中：ρ为流体密度，Yj为组分j的质量分数，Uj,i为组分j扩散速度在i方向的分量，Qj为组分源强，visj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Q1j(ξ1,ξ2,ξ3,t)、步骤(2)所得城市路道污染源项Q2j(ξ1,ξ2,t)、步骤(3)所得城市污染物浓度预估值Yenv,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，ξ3,0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：Yj＝Y0,je-phi(Rf)，其中：Y0,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Yj随时迭代更新，得到城市实时全局环境质量分布。
所述数据处理层的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；Mfuel为机动车燃油的摩尔质量；Dfuel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。
所述数据处理层中，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,…Ncluster求得第i组分群的排放得分scorei，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Ncluster，属性数据集Ncluster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(si,sj)},i＝1,2,…Ndata,j＝1,2,…Ndata；t≠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,…,distArrayroughNum}得到，每一个distArray对应两个不同数据点，
其中，
roughNum＝percent×Ndata×(Ndata-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Ncluster+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Ncluster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，没有实现网络化、智能化、系统化与集成化，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，从而为有关部门提供决策依据或建议。城市机动车尾气排放监控系统能克服上述缺点，真正发挥机动车尾气遥测设备的优势，实现城市管理的网络化、智能化。
(3)本发明提出的一种城市路网机动车尾气排放遥感监控系统由遥测设备层、选址布点层与数据处理层构成，遥测设备层可获取行驶中机动车尾气排放的实时数据；选址布点层采用各种选址布点方法，针对不同目标对遥测设备层中机动车尾气遥测设备在城市路网中的布设点位进行优化，可确保采集数据的完整性和多样性，可更好地服务于数据处理层的数据处理方法；数据处理层使用遥测设备层采集的数据，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。
(4)水平式尾气遥测设备，要求满足短时间内只有一辆车通过监测点的条件，也就是说，对于交通流较大的多车道其适用性较差。相比之下，垂直式尾气遥测设备的各个车道的检测相互独立，适用于城区路网车流量较大的路段，可以在短期内积累大量数据。已有的垂直式尾气遥测设备，增加了路面反射带的固定垂直式尾气遥测设备，反射带的清洁度将直接影响设备的精度，所以由之而来的反射带的清洁与保养工作会无形中增加设备成本与人工成本。本发明所涉及的一种基于路面反射的垂直式机动车尾气遥测设备基于路面反射的垂直式机动车尾气遥测设备不需要额外安装路面反射带，直接用路面反射的弱信号进行尾气污染物成分与浓度的分析，具有更广的适用性。
(5)本发明涉及的一种基于深度残差学习网络的柴油车尾气烟度检测方法，比于普通的深度神经网络，它更容易优化，并且随着层数的增多，它的性能表现逐渐提升。相比较于发明专利《一种柴油车尾气烟度图像识别系统》(申请号：201210229911.2)中直接使用图像处理对柴油机烟度进行测量的方法，使用的深度残差学习网络，不必对视频图像进行烟雾区域的分割和提取，能够保证图像的全局性，提高了检测的准确率，同时具有更强的泛化能力。
(6)本发明涉及的一种基于道路相似性的机动车尾气遥测设备布点方法，将有限的资源集中到高价值的部分，实现了效益最大化的目标。将任意数目的尾气遥测设备进行优化布设使得布点方案更加灵活，一方面，避免了设备的闲置与资金的浪费，能够使每台遥测设备物尽其用；另一方面，能够最大限度的获得尽可能多的尾气信息并对全路网尾气信息做出预测。
(7)本发明涉及的一种基于图论与布尔代数的机动车尾气遥测设备布点方法，特别针对公交车设计尾气遥测设备布点方法，基于图论与布尔代数理论将尾气遥测设备的布点问题转化为公交路线超图的最小横贯求解问题，再运用布尔运算的方法求出最小横贯即得到布点方案，且算法简单，更易操作。现在暂时没有以公交车为应用背景的布点方法的研究，故本发明填补了现有技术在该应用背景下的技术空白，具有很大的实践意义。
(8)本发明涉及的一种基于图论的机动车尾气遥测设备布点方法，需要的信息更少，只利用了交通路网的拓扑结构和一些容易获得的交通信息，比如路段的车流量等级，城市的区域功能，路段是否建有天桥等，即可获得机动车尾气遥感监测设备的布点路段；通过建立交通路网数据矩阵，将交通数据等模拟信息转化为数字信息，更便于分析、分类和处理。
(9)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。
(10)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。
(11)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。
(12)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。
(13)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为垂直式尾气遥测设备系统结构图；
图3为垂直式尾气遥测设备的车辆检测单元原理图；
图4为垂直式尾气遥测设备的尾气检测单元；
图5为基于深度残差学习网络的柴油车尾气烟度检测方法流程图；
图6为基于深度残差学习网络的柴油车尾气烟度检测方法的残差学习单元；
图7为基于深度残差学习网络的柴油车尾气烟度检测方法的20层深度残差学习网络；
图8为基于深度残差学习网络的柴油车尾气烟度检测方法的深度残差学习单元跨层连接没有卷积操作图；
图9为基于道路相似性的机动车尾气遥测设备布点方法流程图；
图10为基于道路相似性的机动车尾气遥测设备布点方法的实施实例聚类谱系图示意图；
图11为基于图论的机动车尾气遥测设备布点方法流程图；
图12为基于图论的机动车尾气遥测设备布点方法的交通路网有向图；
图13为基于图论的机动车尾气遥测设备布点方法的交通路网有向回路超图；
图14为基于图论与布尔代数的机动车尾气遥测设备布点方法流程图；
图15为基于图论与布尔代数的机动车尾气遥测设备布点方法的公交路线超图极小横贯、最小横贯求解流程图；
图16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17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18为基于LSTM-RNN模型的空气污染物浓度预报方法流程图；
图19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20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21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22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23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24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25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26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27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28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29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30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，本发明一种城市路网机动车尾气排放遥感监控系统，包括遥测设备层、选址布点层与数据处理层；
1.遥测设备层，实现对机动车尾气中CO、CO2、NOx、HC浓度、以及不透光烟度的检测，同时记录机动车的速度、加速度与机动车牌照号码，最终得到每辆通过监测点机动车的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，并将尾气遥测数据及机动车属性、行驶工况、检测时间、气象条件数据传输到数据处理层；
遥测设备层包括移动式尾气遥测设备、水平式尾气遥测设备和垂直式尾气遥测设备三种设备，其中，水平式尾气遥测设备和垂直式尾气遥测设备都固定安装在道路上，水平式尾气遥测设备用于单车道的道路以及车流量少的多车道道路，基于深度残差学习网络对柴油车尾气烟度进行检测；垂直式尾气遥测设备用于车流量大的多车道道路，使用路面反射的弱信号进行尾气污染物成分与浓度的分析；移动式尾气遥测设备在城市路网上进行巡逻，服务于需要临时进行机动车尾气检测的道路，能够应对突发状况对尾气检测的需求，并增加城市路网的监测密度；三种设备分别用于城市路网上的不同道路。
2.选址布点层，解决遥测设备层中机动车尾气遥测设备在城市路网中的选址布点问题，能够将路网拓扑、道路信息、气象信息、交通信息及布点区域已有检测器数量的数据作为输入，实现有效检测车辆数最大、车辆检测差别性最小及道路覆盖率最大的目标，根据性能指标的不同，为相关部门提供多种选址布点方案。采用选址布点层的选址布点方法，对遥测设备层中机动车尾气遥测设备在城市路网中的布设点位进行优化，可确保采集数据的完整性和多样性，可更好地服务于数据处理层的数据处理方法；
所述选址布点层包括基于道路相似性的布点模块、基于路网拓扑结构的布点模块与基于特定车辆路线的布点模块；
基于道路相似性的布点模块，使用一种基于道路相似性的机动车尾气遥测设备布点方法来实现，充分考虑了道路特性、道边环境与气象因素，提取出其中关键的属性进行聚类，采用层次聚类的方法对城市路网的不同路段进行聚类，能够将任意数目的尾气遥测设备进行优化布点；
基于路网拓扑结构的布点模块，使用一种基于图论的机动车尾气遥感监测设备布点算法来实现，以城市路网拓扑结构为主，辅以车流量等级，城市的区域功能信息，基于图与超图理论对问题进行建模，将遥测设备的布点选址问题转化为最小横贯问题，最终采用贪婪算法求解出布设尾气遥测设备的路段集合；
基于特定车辆路线的布点模块，使用一种基于图论与布尔代数的机动车尾气遥测设备布点方法来实现，针对城市公交系统尾气的普查进行尾气遥测设备选址布点，首先基于超图理论，将公交车运行路线转化为公交路线超图，然后用布尔代数的相关原理，确定尾气遥测设备在城市路网中的布设位置；
基于道路相似性的布点模块适用于尾气检测信息、道路车流量信息、天气信息和道路相关信息都可获得的情况下的选址布点方案设计，基于路网拓扑结构的布点模块适用于输入信息只包含交通路网的拓扑结构和一些容易获得的交通信息，包括路段所属区域功能、交通流量的等级及是否建有天桥，基于特定车辆路线的布点模块适用于需要对公交车这一种类的机动车进行重点监控时的选址布点方案设计。
3.数据处理层，实现对遥测设备层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。
数据处理层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、本发明中的遥测设备层涉及的一种垂直式尾气遥测设备，如图2所示，其具体实现方式如下：
垂直式尾气遥测设备包括车辆检测单元、尾气检测单元、弱信号处理单元和车牌识别单元四个部分；车辆检测单元包括两组激光发生器和接收器，两组激光发生器以一定距离间隔安置于横跨车道的龙门架上，发射激光垂直于车道，经路面反射后被龙门架上的激光接收器接收，当机动车行驶通过检测区时，激光发射器发出的激光就会受到影响，使发射器-接收器之间的光路缩短，从而说明有机动车行驶进入检测区，机动车在离开检测区时会导致发射器-接收器之间的光路恢复到无车状态，利用两组激光器分别记录的机动车进入、离开时刻差获取机动车速度、加速度信息；同时输出触发信号触发尾气检测单元对尾气信息进行采集，触发车牌识别单元对车牌信息进行采集；尾气检测单元，由多个安装在横跨车道的龙门架上垂直于路面的激光发射器构成，每个激光发射器以一定距离间隔安置，每个激光发射器均垂直向地面发射激光束，由于每个车道的激光接收器会受到不同车道激光的影响，他们接收到的是混叠信号，通过对激光接收器混叠信号的分析，得到尾气污染物成分与浓度的混叠数据，每个接收器的数据会被发送到弱信号处理单元进行弱信号提取与分离。弱信号处理单元，包括弱信号提取模块和弱信号分离模块，弱信号提取模块根据弱信号与噪声信号在频率分布、覆盖范围、统计特性方面的差异，识别和提取出尾气检测单元数据的相关弱信号数据；弱信号分离模块对弱信号提取模块中提取出的相关弱信号数据进行分离处理，选择线性瞬时混合模型作为弱信号的模型，采用独立分量分析的方法对不同源的相互混叠的弱信号进行分离，最终获取通过监测点的机动车尾气污染物成分与浓度；车牌识别单元包括一台摄像机与图像处理模块，当车辆检测单元检测到有机动车进入检测区时，输出触发信号，使摄像机对车头进行多次拍照，由图像处理模块进行照片的筛选与车牌照号码的识别，完成检测结果与车牌号之间的关联，从而最终实现基于路面反射的垂直式机动车尾气遥测。
如图3所示，车辆检测单元包括两组激光发生器和接收器；两组激光发生器以一定距离间隔安置于横跨车道的龙门架上，发射激光垂直穿射车道，经路面反射后被安装在龙门架上的激光接收器接收，当机动车行驶通过检测区时，激光发射器发出的激光就会受到影响，使发射器-接收器之间的光路缩短，从而说明有机动车行驶进入检测区，同时触发尾气检测单元对机动车尾气进行检测。机动车在离开检测区时会导致发射器-接收器之间的光路恢复到无车状态。利用两组激光器分别记录的机动车进入、离开时刻差可以获取机动车速度、加速度信息。同时触发尾气检测单元对尾气信息进行采集，触发车牌识别单元对车牌信息进行采集。完成机动车速度和加速度的计算如下：
机动车经过第一组激光发射装置和第二组激光发射装置的平均速度为vel1，vel2，其计算方法为速度加速度为其中，Ldis为两组激光发射器间隔，记录接收器1和接收器2下降沿出现的时刻为T1，T2，记录接收器1和接收器2上升沿出现的时刻为T3，T4。
如图4所示，尾气检测单元，由多个安装在横跨车道的龙门架上垂直于路面的激光发射器构成，每个激光发射器以一定距离间隔安置，每个激光发射器均垂直向地面发射激光束，由于每个车道的激光接收器会受到不同车道激光的影响，他们接收到的是混叠信号，通过对激光接收器混叠信号的分析，得到尾气污染物成分与浓度的混叠数据，每个接收器的数据会被发送到弱信号处理单元进行弱信号提取与分离。
所述弱信号处理单元由弱信号提取模块和弱信号分离模块组成；弱信号提取模块根据弱信号与噪声信号在频率分布、覆盖范围、统计特性方面的差异，识别和提取出尾气检测单元数据的相关弱信号数据；
弱信号分离模块，选择线性瞬时混合模型作为弱信号的模型，假设N1个源信号s(t)被M1个检测器接收后输出混合信号x(t)，线性瞬时混合模型可以表示为x(t)＝Bs(t)，其中是M1*1维观测信号的向量，M1表示接收的检测器的数目，是N1*1维相互独立的源信号的向量，N1表示源信号的个数，B是一个M1*N1维的混合矩阵，其估计模型表示为y(t)＝Wx(t)，其中y(t)是对源信号s(t)的估计，W是一个M1*N1维的矩阵，称之为分离矩阵。
采用独立分量分析的方法对不同源的相互混叠的弱信号进行分离，求解分离矩阵W，对源信号进行估计。采用独立分量分析的方法进行弱信号分离的步骤如下：
步骤一：对提取到的数据进行预处理，包括数据中心化和白化处理，数据中心化，使输出混合信号x中心化，具体做法是用x减去其均值向量E(x)，将x转化为零均值向量。白化处理，对x进行线性变换，使得x的各分量方差都为1，白化的目的就是降低输入的冗余性，使得x(t)的各个分量不相关联，通过预处理，有效地降低了求解的复杂度，减小了工作量，记预处理后的数据为z(t)；
步骤二：随机地选择一个初始向量W(N2),N2＝1；N2表示迭代的次数；
步骤三：W(N2+1)＝E{zg(WT(N2)z)}-E{g′(WT(N2)z)}W(N2)，其中非线性函数g取g(x)＝x3，E表示均值，z为预处理后的数据，W为分离矩阵；
步骤四：作正交归一化处理，W(N2+1)＝W(N2+1)/‖W(N2+1)‖其中‖·‖表示矩阵范数；
步骤五：判断W(N2)是否收敛，收敛则停止迭代得到W(N2)，否则返回步骤三继续迭代。
利用y(t)＝Wx(t)可以得到对源信号s的估计，经过上面的弱信号分离，就可以得到分离后的各个源尾气污染物成分与浓度数据。再利用车牌识别单元中的图像处理模块进行照片的筛选与车牌照号码的识别，完成检测结果与车牌号之间的关联，从而最终实现基于路面反射的垂直式机动车尾气遥测。
二、发明遥测设备层涉及的基于深度残差学习网络的柴油车尾气烟度检测方法，其具体实现方式如下：
如图5所示：
1.在道路的一边架设CCD高速摄像机。
1.1)CCD摄像机对柴油车尾气视频进行记录。它将被摄物体反射光线传播到镜头，再经镜头聚焦到CCD芯片上，CCD根据光的强弱积聚相应比例的电荷，各个像素积累的电荷在视频时序的控制下点外移，经过滤波、放大处理后，形成视频信号输出。视频信号连接到监视器的视频输入端便可以看到与原始图像相同的视频图像。
1.2)用图像采集卡将图像信息采集到电脑中。将CCD摄像机记录的视频图像可以经过图像采集卡传输到电脑上，将这些图像按照75％、10％、15％的比例分成三个部分，作为深度学习的训练集，验证集和测试集。具体做法是将采集到的100万张柴油车尾气图片分成了训练集(750000张共20类)、验证集和测试集(共150000张20类)，每个类别放在一个单独的文件夹里。并且将所有的图像，都生成了txt列表清单(train.txt和test.txt)。为之后的网络训练做准备。
1.3)对于深度残差网络的训练一般都是在caffe下进行的，所以在训练之前本发明涉及的基于深度残差学习网络的柴油车尾气烟度检测方法做如下操作。
1.3.1)图片准备：将采集到的100万张柴油车尾气图片分成了训练集(750000张共20类)、验证集(100000张)和测试集(共150000张20类)，每个类别放在一个单独的文件夹里。并且将所有的图片，都生成了txt列表清单(train.txt和test.txt)。为之后的网络训练做准备。
1.3.2)导入caffe库，并设定文件路径。需要在caffe设定根目录、训练图片列表、测试图片列表、训练配置文件、测试配置文件和参数文件的路径。其中训练图片列表和测试图片列表(train.txt和test.txt)在上一步中已经准备好了，其它三个文件，需自己编写。
1.3.3)生成配置文件(配置文件中存放的就是network)。配置文件实际上就是一些txt文档，只是后缀名是prototxt，可以直接到编辑器里编写，也可以用代码生成。本发明涉及的基于深度残差学习网络的柴油车尾气烟度检测方法直接在编辑器里编写。
1.3.4)生成参数文件solver。这个文件的生成也是可以在编辑器里编写，或者可以用代码生成。本发明涉及的基于深度残差学习网络的柴油车尾气烟度检测方法在编辑器中编写。
2.在道路的另一边架设汽柴一体化机动车尾气遥测装置。汽柴一体化机动车尾气遥测装置是来对柴油车的尾气烟度做直接的测量，并作为深度学习网络的标签，用于对图像的训练。这里主要是利用汽柴一体化机动车尾气遥测装置中的柴油车烟度检测单元测量柴油车的烟度，其原理是烟度光源发出的检测激光穿过道路上柴油机动车排放的尾气照射到另一侧的柴油烟度吸收检测单元上，并由吸收检测第单元将接收到的光线的亮度数据，发送至数据处理工控机。尾气数据处理工控机根据光线的亮度衰减分析得到柴油尾气的烟度。
3.构建深度残差学习网络。
3.1)本发明涉及的基于深度残差学习网络的柴油车尾气烟度检测方法中使用20层深度残差网络如图7所示。图7中image表示输入的图像，第一个方框内7*7conv表示卷积层的卷积核为7*7；64表示特征映射的大小；/2表示这层的步长为2。下面每个方框中的内容与第一个方框的内容类似，如果没有/2表示这一层的步长为1。图7中pool1表示最大池化层，AvgPool9表示平均池化层。Fc10则表示20维全连接层。实线的跨层连接表示输入输出大小相同，虚线的跨层连接表示输入输出大小不相同。总的来说，这20层深度残差学习网络依次为一层卷积层,一层池化层,8个跨度为2的残差学习单元,一个全局平均池化层和一个20维全连接层。
3.1.1)网络的前两层分别是卷积核为7*7、步长为2的卷积层和一个池化层。
3.1.2)深度残差学习单元的构建主要包括跨层连接。如图6是残差学习单元的构建模块，其中xres和yres是层的输入和输出向量，weight layer是具有权重的卷积层，identity表示身份映射，relu表示激活函数,表示权重。函数fres代表学习的残差函数，图6所示有两个层，消除了简化符号的偏差。fres+xres的操作是是由快捷连接和增加的元素智能进行的。本发明涉及的基于深度残差学习网络的柴油车尾气烟度检测方法中构建的深度残差学习模块定义为：
从公式(1)中涉及的快捷连接看出，残差单元没有额外的参数和复杂的计算，这样在实际工程中能够降低硬件成本。残差函数fres层数的设计是灵活的，在本发明涉及的基于深度残差学习网络的柴油车尾气烟度检测方法中，fres是两层的残差函数。
一般的网络有两种残差单元，一种是前向通道和跨层连接都有卷积层，另一种前向通道有卷积，但是跨层连接没有卷积，是直接连过来的。本发明涉及的基于深度残差学习网络的柴油车尾气烟度检测方法中20层深度残差网络的残差单元的跨层连接没有卷积单元如图8所示。图8是图6残差学习单元的具体化，图8中Res2a，Res2b分别表示残差学习单元的输入，输出；Res2a_relu，Res2b_relu和Res2b_branch2a_relu表示激活函数，Res2b_branch2a和Res2b_branch2b表示卷积层，Bn2b_branch2a与Scale2b_branch2a这两层表示BN层，Bn2b_branch2b与Scale2b_branch2b这两层也表示BN层。
将残差学习单元的其中前向通道的卷积核设置为3*3，每层卷积层根据卷积核的大小进行补零，让卷积之后的图像大小保持不变，就保证输入输出的大小是一样了。并且如图8所示每一个深度残差模块的具体构建都是从上一层的relu函数开始与下一层的卷积层连接，然后通过BN层将层的计算结果重新规范化，然后再加以放缩以保持层学习到的特征性质。之后是池化过程，池化之后使用relu函数激活就可以连接下一层了，由于本发明中使用2层的跨度，要注意在搭建网络时主路的第二层卷积模块是没有relu的，relu在与残差部分融合之后。
3.1.3)在深度残差学习模块之后接一个全局平均池化层和的20维全连接层。最后通过softmax层来最小化输出和目标的损失函数来驱动学习。
3.2)20层深度残差网络主要包括卷积层、池化层、全连接层和一些跨层连接组成。
3.2.1)卷积层中主要是通过一组滤波器和非线性层变换，提取出图像的局部特征。其中每个神经元都是与前一层的局部感受区相连，这样既减少了连接的数目，又符合生物学理论。因为人脑的每一个神经元对外界的感受是局部的，而且图像的空间联系也是局部的，每个神经元感受不同的局部区域，最后在高层将这些局部信息综合起来就得到全局的信息。卷积层的输入要么来源于输入层，要么来源于采样层。卷积层的map个数是在网络初始化指定的，本发明涉及的基于深度残差学习网络的柴油车尾气烟度检测方法中map为64，而卷积层的map的大小是由卷积核和上一层输入map的大小决定的，假设上一层的map大小是N3*N3、卷积核的大小是M3*M3，那该层的map大小计算公式是：(N3-M3+1)*(N3-M3+1)。
3.2.2)池化层主要是将卷积之后的特征图进行汇聚统计，它也叫降采样层。在图像经过卷积层后特征向量的维数一般很大，容易造成计算过拟合，并且还存在许多冗余信息，这些问题可以通过池化层解决。池化操作也符合图像的局部相关性原理，一个图像区域有用的特征极有可能在另一个区域同样适用。本发明涉及的基于深度残差学习网络的柴油车尾气烟度检测方法中区域大小为2*2小区域的均值。(注意，卷积的计算窗口是有重叠的，而采用的计算窗口没有重叠，卷积核是2*2，每个元素都是1/4，所以需要去掉计算得到的卷积结果中有重叠的部分。)
3.2.3)全连接层是在使用神经网络的时候，最标准的形式，任何神经元和上一层的任何神经元之间都有关联，然后矩阵运算也非常简单和直接。本发明中在网络的最后使用了一层20维的全连接层，去学习更多的信息。
3.2.4)关于网络的跨层连接，当输入输出大小相同的时候，使用实心线的捷径，身份快捷键(公式(1))可以直接使用。当尺寸增加时使用虚线快捷键，在本发明涉及的基于深度残差学习网络的柴油车尾气烟度检测方法中快捷方式仍然执行身份映射，用额外的零条目填充以便增加尺寸。该选项不会引入额外的参数。快捷键以两个大小在功能地图上进行，两个选项进行2跨度。
3.3)下表是本发明涉及的基于深度残差学习网络的柴油车尾气烟度检测方法中深度残差学习网络的架构：
4.使用构建好的深度残差学习网络按照以下步骤进行训练、验证和测试。
4.1)将采集到训练集的尾气图像进行预处理：按其短边作等比缩放后按照[256,480]区间的尺寸随机采样进行尺度增强。随机的从图像或其水平镜像采样大小为224*224的剪裁图像，并将剪裁结果作减像素均值操作。然后进行标准色彩增强，并初始化网络权重。在每一个卷积之后和激活之前，采用了BN层。当训练深度残差网络时，使用的随机梯度下降法(SGD)，batch大小为128，Momentum设置为0.9。基础学习率设置从0.0001开始，中间根据结果多次改变学习率进行优化，当训练集的损失函数和验证集的损失函数满足要求时候停止训练。
4.2)训练集的图像作为训练输入，验证集在训练网络的过程中每迭代1000次进行一次测试，比较验证集的损失函数和训练集的损失函数。当验证集的损失函数不再下降时候，即可暂时停止训练。将预处理后的测试集图像作为训练终止后的深度残差学习网络的输入，将此时网络的输出与步骤2中的标签值进行比较，若测试集精度超过99％，则训练完成，否则，继续训练。
5.对于没有安装汽柴一体化机动车尾气遥测装置的路段，在道边布设CCD摄像机以获取柴油车尾气图像，并输入到训练完成的深度残差学习网络中，从而实现对柴油车尾气烟度的检测。
至此，深度残差网络的测试完成，本发明涉及的基于深度残差学习网络的柴油车尾气烟度检测方法的结果优于之前所用方法的准确率，即将深度残差学习网络用于柴油车烟度的测量是一个很有前景的方法。
三、本发明选址布点层涉及的基于道路相似性的机动车尾气遥测设备布点方法，其具体实现方式如下：
实施实例选取合肥市某地区某路网一段时间内的具体检测数据，该路网包含路段数目为N4＝10，利用聚类分析得到能够将任意数目为M5的尾气遥测设备进行优化布设的方案，如图9所示，具体实现过程如下所示。
步骤一：聚类前采集所需样本数据并对样本数据进行预处理。将目标路网中的每条路段作为一个样本，获得每个样本路段一段时间内的具体尾气检测信息，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，抓拍照片等。道路车流量信息，包括的数据项有：道路名称，时间，小型客车、中型客车及其它不同类型车辆的车流量。天气信息，包括的数据项有：时间，城市，天气状况，温度，湿度，风速，PM2.5，PM10，AQI。道路相关信息，包括的数据项有：地理位置id，所在省份，所在城市，所在街道，连接方式，路旁植被面积，建筑物平均高度。
首先进行数据清洗，通过对数据的分析，找出缺失值、偏离过大的个别极端值进行丢弃处理，这步需要花费较多的时间。然后进行数据规约，删除与所考虑问题不相关、弱相关或冗余的属性(如温度，湿度，风速，检测的车牌号码，车速，车辆加速度)，合并类似属性(小型客车、中型客车及其它不同类型车辆的车流量合并为车流量，CO2、CO、HC、NO浓度合并为污染物浓度)，最终选取了其中M4＝8个相关属性(相关属性包括属性合并后的污染物总浓度、烟度值、属性合并后的总车流量、连接方式、路旁植被面积、建筑物平均高度)。最后进行数据变换，将不同单位、不同数量级的数据进行标准化处理。
步骤二：采用层次聚类的方法对步骤一中处理得到的样本数据进行层次聚类分析具体包括以下步骤：
(1)将步骤一中处理得到样本中的每一个样本都归为一类，共计10个类，计算每两个类之间的相似度，也就是计算样本点两两之间的欧几里德距离，得到距离矩阵如下：
其中d表示欧几里得距离。
(2)选取对角线以下下三角中最小的元素为d(3,6)，将路段3和路段6合并为一新类，记为Cla1＝{3，6}，利用路段3和路段6的相关属性重新计算得到新类Cla1的属性。
(3)新类和其他类一起可得到一个N4-1＝9容量的样本，计算新样本中所有样本点两两之间的距离，其中使得距离最小的为d(4,10),将路段4和路段10聚成一类，记为Cla2＝{4,10},类的数目减少为9个。利用路段4和路段10的相关属性重新计算得到新类Cla2的属性。
(4)类似地，重复进行相似性度量和距离最小类的合并，每次减少一类，可以依次得到新类Cla3，Cla4，…,Cla9，在第9步聚类时，类的个数减少为1，所有的样本被聚为一类，得到聚类结果。聚类结果如下表所示：
| 聚类步数 | 聚类选择 | 聚类结果 |
| 1 | 3,6 | 1,2,4,5,7,8,9,10，{3,6} |
| 2 | 4,10 | 1,2,5,7,8,9，{3,6}，{4，10} |
| 3 | 8,9 | 1,2,5,7,{8,9},{3,6},{4,10} |
| 4 | Cla2,Cla3 | 1,2,5,7,{3,6},{4,8,9,10} |
| 5 | 5,Cla4 | 1,2,7,{3,6},{4,5,8,9,10} |
| 6 | 7,Cla5 | 1,2,{3,6},{4,5,7,8,9,10} |
| 7 | 1，2 | {1,2},{3,6},{4,5,7,8,9,10} |
| 8 | Cla1,Cla7 | {1,2,3,6},{4,5,7,8,9,10} |
| 9 | Cla6,Cla8 | {1,2,3,4,5,6,7,8,9,10} |
步骤三：根据步骤二中的聚类结果绘制聚类谱系图，将每一步聚类的结果直观的显示在聚类谱系图上如图10所示。横坐标为1处代表第一次聚类的结果，包含9个类{{1}，{2}，{4}，{5}，{7}，{8}，{9}，{10}，{3,6}}。横坐标为2处代表第二次聚类的结果，包含8个类{{1}，{2}，{5}，{7}，{8}，{9}，{4，10}，{3,6}}，依次类推。
步骤四：对所考察的路段赋予权重，代表路段的重要程度以及优先考虑程度，权重综合考虑该路段的设备布设成本、设备布设难易程度等要素后确定。路段1权重为4，路段2,3,4权重为3，路段5,6权重为2，路段7,8,9,10权重为1。假设需要将数目为M5＝3的尾气遥测设备布设到该路网中，从聚类谱系图找到对应类数目为3的聚类结果，即第7次聚类后的结果为{{1,2}，{3,6}，{4,5,7,8,9,10}}，选取这3个类中每个类的权重最大的路段{1,3,4}布设尾气遥测设备，最终得到对尾气遥测设备进行布点的方案为在路段1，路段3，路段4上布点。
四、本发明选址布点层涉及的基于图论的机动车尾气遥测设备布点方法，其具体实现方式如下：
如图11所示，本发明涉及的基于图论的机动车尾气遥测设备布点方法的具体实现如下：
步骤一：将城市交通路网依据拓扑结构和交通流方向抽象成一个有向图，其中有向图的顶点表示路网的交叉路口，有向图的有向弧表示路网的一条单方向路段，有向弧的方向由该路段的交通流方向决定。
将交通路网信息抽象成一个M7×N7的数据矩阵，如下：
其中，表示交通路网的所有路段，M7为路网中路段总数；表示路段的信息，如路段所属区域功能，交通流量的等级，是否建有天桥等，N7为布点方法中所利用的路段信息种类；Rij(i＝1,2,…,M7,j＝1,2,…,N7)表示将路段信息数字化后的具体数值。数字化的方法如下：如果路段位于工厂等污染区域，则r1＝0，否则r1＝1；路段车流量等级可分为L7个等级，用1,2,…,L7表示车流量从低到高；路段是否建有天桥，用1表示有天桥，0表示无天桥等。
然后采用深度优先搜索算法找到交通路网有向图中的所有有向回路，由于有向回路的搜索算法较复杂，而有向圈的算法易于实现，因此将交通路网有向图中有向回路的搜索转换为其线图中有向圈的搜索。线图也是一个有向图，其顶点表示原有向图的弧，线图中两个顶点相邻当且仅当原有向图中对应的两条弧相邻。有向图D的线图用D*表示，设D的有向弧集合为D*的顶点集合则为其中vi＝ai,i＝1,2,…,M7。在D*中搜索有向圈的过程如下：
1、以v1为初始顶点，沿着不同的顶点寻找有向路径直到从顶点不存在有向弧到达下一个顶点。
2、检验是否存在有向弧若存在，判断路径长度是否大于设定值L8。如是，表明检测到一个有效圈记为P1。
3、退回沿着其他有向弧继续拓展有向路径，直到不存在有向弧到达下一个顶点。判断是否存在有向弧回到初始顶点，若存在，判断路径长度是否大于设定值L8。如是，表明检测到一个有效圈记为P2。
4、退回到重复步骤3直到退回到v1。
5、依次以为初始顶点，重复步骤1，2，3，4。
至此找到了D*中的所有长度大于设定值L8的有向圈其中M8为有向圈的总数，也是D中有向回路的总数。需要说明的是，为了避免重复，即含有q个顶点的某一有向圈被重复检测到q次，以vi为初始顶点找圈时无需访问顶点vj(j≤i)。
步骤二：建立城市路网的有向回路超图模型I＝(χatr,F)，其中χatr是超图I的顶点集合，其中的每个元素代表一条路段，F是超图I的超边集合，每个超边代表一个有向回路。超图I＝(χatr,F)是简单超图当且仅当若则i＝j。由于由实际交通路网的有向回路建模而来的超图可能不是简单超图，首先进行简化有向回路超图I＝(χatr,F)的操作，过程如下：
1、令i＝1,F′＝F。
2、令j＝i+1，判断Fi是否含于Fj，如是，将F′-Fj附给F′；否则判断Fj是否含于Fi，如是，将F′-Fi附给F′。
3、j增加1，重复第二步直到j|F|。
4、i增加1，重复第二步和第三步直到i＝|F|-1。
然后寻找简化后的有向回路超图中加权度最大的顶点，采用贪婪算法求出该简单超图的最小横贯，即为机动车尾气遥感监测设备的布点路段集合。其中，简单有向回路超图中顶点的加权度的数学表达如下：
其中，D*(i)表示简单有向回路超图中顶点i的加权度，Rij(i＝1,2,…,M1,j＝1,2,…,N7)为交通路网数据矩阵模型中的元素，rj(j＝1,2,3,…,N7)为路段信息，r1表示路段所属的区域功能，如果路段位于工厂等污染区域，则r1＝0，否则r1＝1，rjmax表示rj(j＝1,2,3,…,N7)的最大值，watr,j(j＝1,2,…,N7)表示各个路段信息的权值，满足deg(i)表示简单有向回路超图中顶点i的度，degmax表示简单有向回路超图中所有顶点的度的最大值。
采用贪婪算法求解该简单超图的最小横贯的具体步骤为：
1、令i＝1，Tr为空集。
2、创建一个空的顶点ti，寻找中具有最大的加权度的顶点赋给ti。将ti添加到集合Tr中。
3、i增加1，令图为删除了选定顶点及包含该顶点的所有边的图重复步骤2直到为空集时结束。则集合Tr即为有向回路超图的最小横贯，也就是机动车尾气遥感监测设备的布点路段。
为方便说明，这里选取一个简单的例子介绍本发明涉及的基于图论的机动车尾气遥测设备布点方法的具体过程。图12为某城市部分交通路网抽象而成的有向图D＝(V,A)，交通路网建模成有向图的方法为：将交通路网中的交叉路口用顶点表示，交通路网中的路段用有向弧表示，这里的路段指交通流方向单一的路段，一条双向行驶的道路建模成两个方向相反的有向弧。图12所示的有向图包含7个顶点，11条有向弧，设有向弧集合A＝{a1,a2,…,a11}。其中，7个顶点表示实际交通路网中的7个交叉路口，11条有向弧表示实际交通路网中的11条路段，这里弧a1,a2,a3,a8,a11表示5条单向行驶的路段，弧a4和a5，a6和a7以及a9和a10表示三条双向行驶的道路，有向弧的指向表示车流方向。其中顶点3处存在转向限制，即从a3转向a6是不允许的。根据路段信息建立交通路网数据矩阵，如下：
其中r1表示路段所属的区域功能，如果路段位于工厂等污染区域，则r1＝0，否则r1＝1；r2表示路段车流量等级，分为5个等级，用1,2,…,5表示车流量从低到高；r3表示路段是否建有天桥，用1表示有天桥，0表示无天桥。
然后采用深度优先搜索算法找到交通路网有向图中的所有有向回路，由于有向回路的搜索算法较复杂，而有向圈的算法易于实现，因此将交通路网有向图中有向回路的搜索转换为其线图中有向圈的搜索。线图也是一个有向图，其顶点表示原有向图的弧，线图中两个顶点相邻当且仅当原有向图中对应的两条弧相邻。有向图D的线图用D*表示，则D*的顶点集合为{v1,v2,…,v11}，其中vi＝ai,i＝1,2,…,11。在D*中搜索有向圈的过程如下：
1、以v1为初始顶点，沿着不同的顶点寻找有向路径直到从顶点不存在有向弧到达下一个顶点。
2、检验是否存在有向弧若存在，判断路径长度是否大于设定值L8＝2。如是，表明检测到一个有效圈记为P1。
3、退回沿着其他有向弧继续拓展有向路径，直到不存在有向弧到达下一个顶点。判断是否存在有向弧回到初始顶点，若存在，判断路径长度是否大于设定值L2。如是，表明检测到一个有效圈记为P2。
4、退回到重复步骤3直到退回到v1。
5、依次以为初始顶点，重复步骤1，2，3，4。
至此找到了D*中的所有长度大于设定值L8＝2的有向圈
P1＝{a4,a10,a9,a5}
P2＝{a4,a10,a7,a6,a9,a5}
P3＝{a4,a10,a7,a2,a1}
P4＝{a4,a10,a7,a6,a11,a8,a3，a2,a1}
P5＝{a4,a10,a11,a8,a3,a2,a1}
P6＝{a6,a9,a10,a7}
需要说明的是，为了避免重复，即含有q个顶点的某一有向圈被重复检测到q次，以vi为初始顶点找圈时无需访问顶点vj(j≤i)。
然后建立城市路网的有向回路超图模型I＝(χatr,F)，其中χatr是超图I的顶点集合，其中的每个元素代表一条路段，F是超图I的超边集合，每个超边代表城市路网中的一个有向回路，即Fi＝Pi,i＝1,2,..,6，如图13所示。简化超图I：
1、令i＝1,F′＝F。
2、令j＝i+1，判断Fi是否含于Fj，如是，将F′-Fj附给F′；否则判断Fj是否含于Fi，如是，将F′-Fi附给F′。
3、j增加1，重复第二步直到j＝|F|。
4、i增加1，重复第二步和第三步直到i＝|F|-1。
在本实施例中，简化后的有向回路超图I′＝(χatr,F′·)，其中F′＝F-{F2,F4}。然后寻找简化后的有向回路超图中加权度最大的顶点，采用贪婪算法求出该简单超图的最小横贯，即为机动车尾气遥感监测设备的布点路段集合。在本发明例中，有向回路超图的加权度的数学表达如下：
其中，D*(i)表示顶点i的加权度，Rij(i＝1,2,…,11,j＝1,2,3)为交通路网数据矩阵中的元素，rjmax(j＝1,2,3)表示rj(j＝1,2,3)的最大值，λj(j＝1,2,3)表示各道路信息的权值，权值依据各路段信息的参考价值和重要程度确定为λ1＝0.4,λ2＝0.4,λ3＝0.2，满足deg(i)表示顶点i的度，degmax表示所有顶点的度的最大值。
采用贪婪算法求解I′的最小横贯：
1、令i＝1，Tr为空集。
2、创建一个空的顶点tr，i，寻找中具有最大的加权度的顶点赋给tr，i。将tr，i添加到集合Tr中。
3、i增加1，令图为删除了选定顶点及包含该顶点的所有边的图重复步骤2直到为空集时结束。则集合Tr即为有向回路超图的最小横贯，也就是机动车尾气遥感监测设备的布点路段。
在本发明涉及的基于图论的机动车尾气遥测设备布点方法实施例中，最后求出的集合Tr＝{a4,a9}，即为机动车尾气遥感监测设备的布点路段集合。
总之，本发明涉及的基于图论的机动车尾气遥测设备布点方法更具可行性，相比于已有的城市路网交通路网机动车尾气遥感监测设备布点方法，本发明需要的信息更少，只利用了交通路网的拓扑结构和一些容易获得的交通信息，比如路段的车流量等级，城市的区域功能，路段是否建有天桥等，并且将交通信息数字化，更便于分析、分类和处理，对城市机动车尾气遥感监测设备布点问题的研究提供了新的思路和方法。
五、本发明选址布点层涉及的基于图论与布尔代数的机动车尾气遥测设备布点方法，其具体实现方式如下：
基于图论与布尔代数的机动车尾气遥测设备布点方法以实时高效监测公交车尾气排放情况为目标，根据图论与布尔代数相关理论，进行数学建模与求解，进而研究机动车尾气遥测设备在城市交通路网中的布设问题。
如图14所示，基于图论与布尔代数的机动车尾气遥测设备布点方法的具体实施步骤如下：
(1)将公交车行驶路线抽象为公交路线超图。
图论中有如下超图的定义：
设是一个有限集，则上的一个超图 是指上的一个有限子集簇，使得(1)Frou,i≠φ(i＝1,2,…,N)(2)其中为超图的第i个顶点，共Mv个顶点，为顶点集合；Frou,i为超图的第i个超边，共Nhy个超边，φ表示空集，为超边集合，也就是超图。
结合城市交通路网，将公交车行驶线路中经过的各路段抽象为超图顶点，将整条线路抽象为超边，得到公交路线超图。
图论中超图横贯的定义为：
设是上的一个超图，若顶点子集满足Tr∩Frou,i≠φ(i＝1,2,…,Nhy)，即Tr与每条边都相交，则称Tr是超图的一个横贯(集)。
如果一个横贯的任何一个真子集都不是横贯,则称这个横贯为极小横贯集。所有极小横贯集中基数最小的极小横贯集是最小横贯集。
基于以上横贯、极小横贯、最小横贯的定义，将公交线路抽象为超图模型后，尾气遥测设备的布点问题便转化为求公交路线超图的最小横贯集问题。
(2)求公交路线超图的极小横贯集。
在前两步的基础上，用布尔代数相关理论求公交路线超图的最小横贯。首先介绍布尔代数相关理论。
布尔变量的值只有0,1两种情况，用“+”和“·”表示布尔代数中的“布尔加法(逻辑或)”与“布尔乘法(逻辑与)”，也称为“析取”与“合取”，只含布尔加法的表达式称为析取式，只含布尔乘法的表达式称为合取式。
下面介绍求公交路线超图所有极小横贯集的具体步骤：
设是顶点集上的一个公交路线超图，由公交车行驶路线抽象而得。超图中顶点为超边为Frou,j(j＝1,2,…,Nhy)。
本发明中用表示公交路线超图，超图的一个顶点表示公交车线路中经过的一个路段；超图的一个超边Frou,j表示一条公交车运行线路。
①对每一个顶点设布尔变量χi与之对应，χi表示路段i是否布设尾气遥感监测设备，若χi＝1则表示此路段需要布设监测设备。
②对公交路线超图的每一条边(j＝1,2,…,Nhy)中的顶点进行布尔加法运算，得到每条边Frou,j对应的布尔析取式 ψj表示第j条公交运行路线中包含的路段；
③对第②步得到的公交路线超图中所有边的布尔析取式ψj进行布尔乘法运算，得到整个公交路线超图的布尔合取式： 表示整个公交线路网中所有线路所含路段的全体；
④对 先使用布尔分配律展开，再用结合律、交换律、幂等律进行化简，最终得到最简的析取式：其中λt对应的顶点集是公交路线超图的一个极小横贯集，所有λt构成公交路线超图的所有极小横贯集，表示与公交车每条运行线路都相交的路段全体。
(3)求公交路线超图的最小横贯集。
比较横贯超图中所有极小横贯集的基数，基数最小的极小横贯集是最小横贯集，即最小监测路段集合，为实际中需要布设机动车尾气遥感监测设备的路段。
图15为公交路线超图极小横贯集、最小横贯集求解的流程图。首先，对公交路线超图中各顶点设布尔变量，变量值取0或1，取1时表示该顶点代表的路段要布设尾气检测设备；然后，对公交路线超图中每条边，根据该边所含的顶点进行布尔加法运算，得到对应于每条边的布尔析取式；接着将所有超边的布尔析取式进行布尔乘法运算，得到整个公交路线超图的布尔合取式；之后用布尔运算的性质对所得的合取式整理化简，得到最简的析取式，其中每个子式代表超图的一个极小横贯集；最后比较各个极小横贯集的基数，即所含元素的个数，取基数最小的极小横贯集为最小横贯集，最小横贯集中的元素所对应的路段即为需要布设尾气遥测设备的路段，进而得到了基于图论与布尔代数的机动车尾气遥测设备的布点方案。
相比于已有的监测器布点方案，本发明涉及的基于图论与布尔代数的机动车尾气遥测设备布点方法专门针对城市公交系统，更具独特性，且求解算法简单易实现，操作性更强。
六、本发明数据处理层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16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17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，yrac(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，yc(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Δωrac,i,j、Δαrac,i、Δβrac,j。
其中，prob(xpol,θ)是可视单元的概率，prob(hrac,j＝1|xpol,θ)是隐含单元的条件概分布，logprob(xpol,θ)为prob(xpol,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，Δωrac,i,j、Δαrac,i、Δβrac,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，xpol为影响道边空气污染物浓度的因素之一，ωrac,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，αrac,i表示可视层的第i个单元的偏差，βrac,j表示隐含层的第j个单元的偏差，θrac＝{ωrac,i,j,αrac,i,βrac,j}。
3)利用下式对Δωrac,i,j、Δαrac,i、Δβrac,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，ωrac,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，αrac,i表示可视层的第i个单元的偏差，βrac,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＝([xpol]d-[xpol]m)T([xpol]d-[xpol]m)
其中，[xpol]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，[xpol]m是通过限制玻耳兹曼机重构的xpol，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ωrac,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)：
yc(m)＝ζH(m-1)
其中，yrac(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，yc(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，xpol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，Jrac(m)是道边空气污染物浓度损失函数，yd是道边空气污染物浓度期望输出，m是迭代次数，yrac(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，Jrac(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。
七、本发明的数据处理层涉及的基于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20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：
Hair,t＝ottanh(ct)
其中sig为逻辑sigmoid函数，xair表示LSTM-RNN模型的输入特征向量，Φ、o、c、Hair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，Ωair,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，Ωair,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；βair,Φ、βair,o、βair,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21所示)：
其中，xair是LSTM-RNN模型输入数据。如图21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22所示)来转换：
其中，xair是LSTM-RNN模型输入数据。如图22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。
本发明数据处理层涉及的基于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23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23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。
本发明数据处理层涉及的基于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(cross entropy)准则计算误差向量，根据标准反向传播算法更新权重：
errair(t)＝desired(t)-yair(t)
其中desired(t)为预测输出值，yair(t)为实际网络输出值，errair(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、Hair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，Ωair,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，Ωair,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。fair,1、fair,2、fair,3、fair,6、f′air,6、f′air,5、g′air,2、f′air,4、f′air,3、gair1,为函数。Jair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。
八、本发明的数据处理层涉及的基于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24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25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,μt为粘性系数，Θk表示由于平均速度梯度引起的湍流动能；L15是常数,σk,σε分别是湍动能及耗散率的湍流普朗特数，默认值为L15＝1.9,σk＝1.0,σε＝1.2。
粘性系数公式为其中Λμ通过如下公式计算得到：
模型系数：
L14为公式常量，Sij为流体旋量张量，γ为中间过程变量。
流体连续性方程：
式中Ui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,Ui为i方向流体速度分量，Ttem为流体温度，Eflu为总能量，keff为有效导热系数，(τij)eff为偏应力张量，pflu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,Λμ，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，nsun为辐射折射系数，σs为辐射表面折射系数,Ttem为当地温度,Φsun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26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Qij(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，Qij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Q2j,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27，建立城市路道污染源浓度时空分布估计值,并视为线源,Q2j(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Yenv,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Yj的输送微分方程为：
式中：ρ为流体密度，Yj为组分j的质量分数，Uj,i为组分j扩散速度在i方向的分量，Qj为组分源强，visj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Q1j(ξ1,ξ2,ξ3,t)、、步骤3.3.2)所得城市路道污染源项Q2j(ξ1,ξ2,t)、步骤3.3.3)所得城市污染物浓度预估值Yenv,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Ui,t＝(1,2,3)为ξi(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Tg，及ECMWF给出大气边界层气温数据Ttem,e，初步判断大气气温直减率大小Ttem,g-Ttem,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，ξ3,0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,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：
Yj＝Y0,j e-phi(Rf)
其中：Y0,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Yj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28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。
九、本发明数据处理层涉及的基于MLP神经网络的机动车尾气排放因子估计方法，如图29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；Mfuel为机动车燃油的摩尔质量；Dfuel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ymlp,i具有以下形式：
其中，xmlp,j是输入层第j个神经元的输出；Nmlp为输入层神经元数目；wmlp,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,…Nmlp；bmlp,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。
十、本发明的数据处理层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30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。
| 字段名 | 字段说明 |
| 年限分级 | 使用年限 |
| 1 | <＝1 |
| 2 | 1～5 |
| 3 | 5～8 |
| 4 | 8～10 |
根据车辆基准质量得到基准质量分级，
(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xref,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ycomp,i对参考数列ycomp,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ycomp,i与参考序列ycomp,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Ncluster，属性数据集Ncluster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(si,sj)},
i＝1,2,…Ndata,j＝1,2,…Ndata；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,…,distArrayroughNum}得到，每一个distArray对应两个不同数据点，
其中，
roughNum＝percent×Ndata×(Ndata-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kcur簇点中心点时coreNumi＝kcur，当不是中心点时，coreNumi＝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Ncluster+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Ncluster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,…Ncluster第i组分群的排放得分记为scorei，wscore,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 (52)
1.一种城市路网机动车尾气排放遥感监控系统，其特征在于：包括遥测设备层、选址布点层与数据处理层；
遥测设备层，实现对机动车尾气中CO、CO2、NOx、HC浓度、以及不透光烟度的检测，同时记录机动车的速度、加速度与机动车牌照号码，最终得到每辆通过监测点机动车的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，并将尾气遥测数据及机动车属性、行驶工况、检测时间、气象条件数据传输到数据处理层；
选址布点层，能够将路网拓扑、道路信息、气象信息、交通信息及布点区域已有检测器数量的数据作为输入，采用选址布点层的选址布点方法，对遥测设备层中机动车尾气遥测设备在城市路网中的布设点位进行优化；
数据处理层，实现对遥测设备层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；
所述遥测设备层包括移动式尾气遥测设备、水平式尾气遥测设备和垂直式尾气遥测设备三种设备，其中，水平式尾气遥测设备和垂直式尾气遥测设备都固定安装在道路上，水平式尾气遥测设备用于单车道的道路以及车流量少的多车道道路；垂直式尾气遥测设备用于车流量大的多车道道路；移动式尾气遥测设备在城市路网上进行巡逻；三种设备分别用于城市路网上的不同道路，水平式尾气遥测设备基于深度残差学习网络对柴油车尾气烟度进行检测，垂直式尾气遥测设备使用路面反射的弱信号进行尾气污染物成分与浓度的分析。
2.根据权利要求1所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述垂直式尾气遥测设备包括车辆检测单元、尾气检测单元、弱信号处理单元和车牌识别单元四个部分；
车辆检测单元，包括两组激光发生器和接收器，两组激光发生器以一定距离间隔安置于横跨车道的龙门架上，发射激光垂直于车道，经路面反射后被龙门架上的激光接收器接收，当机动车行驶通过检测区时，激光发射器发出的激光就会受到影响，使发射器-接收器之间的光路缩短，从而说明有机动车行驶进入检测区，机动车在离开检测区时会导致发射器-接收器之间的光路恢复到无车状态，利用两组激光器分别记录的机动车进入、离开时刻差获取机动车速度、加速度信息；同时输出触发信号触发尾气检测单元对尾气信息进行采集，触发车牌识别单元对车牌信息进行采集；
尾气检测单元，由多个安装在横跨车道的龙门架上垂直于路面的激光发射器构成，每个激光发射器以一定距离间隔安置，每个激光发射器均垂直向地面发射激光束，由于每个车道的激光接收器会受到不同车道激光的影响，每个激光接收器接收到的是混叠信号，通过对激光接收器混叠信号的分析，得到尾气污染物成分与浓度的混叠数据，每个接收器的数据会被发送到弱信号处理单元进行弱信号提取与分离；
弱信号处理单元，包括弱信号提取模块和弱信号分离模块，弱信号提取模块根据弱信号与噪声信号在频率分布、覆盖范围、统计特性方面的差异，识别和提取出尾气检测单元数据的相关弱信号数据；弱信号分离模块对弱信号提取模块中提取出的相关弱信号数据进行分离处理，选择线性瞬时混合模型作为弱信号的模型，采用独立分量分析的方法对不同源的相互混叠的弱信号进行分离，最终获取通过监测点的机动车尾气污染物成分与浓度；
车牌识别单元，包括一台摄像机与图像处理模块，当车辆检测单元检测到有机动车进入检测区时，输出触发信号，使摄像机对车头进行多次拍照，由图像处理模块进行照片的筛选与车牌照号码的识别，完成检测结果与车牌号之间的关联，从而最终实现基于路面反射的垂直式机动车尾气遥测。
3.根据权利要求1所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述垂直式尾气遥测设备中，车辆检测单元中，所述获取机动车速度、加速度信息的过程如下：
机动车经过第一组激光发射装置和第二组激光发射装置的平均速度为vel1，vel2，其计算方法为速度加速度为其中，Ldis为两组激光发射器间隔，记录接收器1和接收器2下降沿出现的时刻为T1，T2，记录接收器1和接收器2上升沿出现的时刻为T3，T4。
4.根据权利要求1所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述垂直式尾气遥测设备中，所述弱信号处理单元中，所述弱信号分离模块，选择线性瞬时混合模型作为弱信号的模型，假设N1个源信号s(t)被M1个检测器接收后输出混合信号x(t)，线性瞬时混合模型可以表示为x(t)＝Bs(t)，其中是M1*1维观测信号的向量，M1表示接收的检测器的数目，是N1*1维相互独立的源信号的向量，N1表示源信号的个数，B是一个M1*N1维的混合矩阵，其估计模型表示为y(t)＝Wx(t)，其中y(t)是对源信号s(t)的估计，W是一个M1*N1维的矩阵，称之为分离矩阵；
采用独立分量分析的方法对不同源的相互混叠的弱信号进行分离，求解分离矩阵W，对源信号进行估计。
5.根据权利要求4所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述垂直式尾气遥测设备中，弱信号处理单元中，所述采用独立分量分析的方法进行弱信号分离的步骤如下：
步骤一、对提取到的数据进行预处理，包括数据中心化和白化处理，数据中心化，使输出混合信号x中心化，具体做法是用x减去其均值向量E(x)，将x转化为零均值向量；白化处理，对x进行线性变换，使得x的各分量方差都为1，白化的目的就是降低输入的冗余性，使得x(t)的各个分量不相关联，通过预处理，有效地降低了求解的复杂度，减小了工作量，记预处理后的数据为z(t)；
步骤二、随机地选择一个初始向量W(N2)，N2＝1；N2表示迭代的次数；
步骤三、W(N2+1)＝E{zg(WT(N2)z)}-E{g′(WT(N2)z)}W(N2)，其中非线性函数g取g(x)＝x3，E表示均值，z为预处理后的数据，W为分离矩阵；
步骤四：作正交归一化处理，W(N2+1)＝W(N2+1)/||W(N2+1)||其中||·||表示矩阵范数；
步骤五：判断W(N2)是否收敛，收敛则停止迭代得到W(N2)，否则返回步骤三继续迭代。
6.根据权利要求1所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述遥测设备层的水平式尾气遥测设备中，所述基于深度残差学习网络的柴油车尾气烟度检测方法包括以下步骤：
步骤1、在选定的路段用CCD摄像机对经过的柴油车进行尾气视频记录，通过图像采集卡从尾气视频中获取柴油车尾气图像；
步骤2、在选定的路段中用汽柴一体化机动车尾气遥测装置直接测量柴油车的尾气烟度，获取柴油车尾气图像中车辆的尾气烟度，将获取的尾气烟度作为相应柴油车尾气图像的标签，柴油车尾气图像和相应的标签构成柴油车尾气烟度数据集；
步骤3、构建20层深度残差学习网络，该网络包含一个普通卷积层、一个池化层，八个残差学习单元，一个平均池化层，一个全连接层；普通卷积层的作用是学习全局性特征，池化层pooll的作用是降低卷积层输出的特征向量，同时改善结果，降低过拟合出现的可能性；八个残差学习单元的作用是学习特征的同时提高精度，平均池化层的作用是对这一层的输入进行降采样操作，最后一个全连接层构成一个20分类器，对输入的柴油车尾气烟度图像分类；所述八个残差学习单元中的每一个残差学习单元包含两个残差卷积层，每个残差学习单元的输入不仅包含上一个残差学习单元的输出，还包含上一个残差学习单元的输入，即构成了跨层连接的输入输出方式；普通卷积层的输入为经过预处理的图像，普通卷积层的输出作为池化层的输入，池化层的输出为八个残差学习单元中第一个残差学习单元的输入，残差学习单元之间按照跨层连接的输入输出方式传递数据；池化层的输入是最后一个残差学习单元的输入和输出；全连接层的输入是平均池化层的输出；
步骤4、对柴油车尾气烟度数据集进行预处理，将预处理后的图像作为深度残差学习网络的输入，对深度残差学习网络进行训练、验证和测试，得到能够精确检测柴油车烟度的深度残差学习网络；
步骤5、对于没有安装汽柴一体化机动车尾气遥测装置的路段，在道边布设CCD摄像机以获取柴油车尾气图像，并输入到训练完成的深度残差学习网络中，从而实现对柴油车尾气烟度的检测。
7.根据权利要求6所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述一种基于深度残差学习网络的柴油车尾气烟度检测方法中，所述步骤1，在选定的路段用CCD摄像机对经过的柴油车进行尾气视频记录，用图像采集卡从记录的视频中抽取出有含有柴油车尾气的图像，将这些图像按照75％、10％、15％的比例分成训练集，验证集和测试集。
8.根据权利要求6所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述一种基于深度残差学习网络的柴油车尾气烟度检测方法中，所述步骤2具体如下：在选定的路段安装汽柴一体化机动车尾气遥测装置，该装置的激光模块发出的检测激光穿过道路上柴油机动车排放的尾气，照射到另一侧的光强检测单元，光强检测单元接收到因柴油车尾气烟度受到削弱的激光，通过激光削弱程度可以得到柴油车尾气烟度值，找到该柴油车尾气烟度值对应的柴油车尾气图像，该柴油车尾气烟度值即为对应的柴油车尾气图像的标签。
9.根据权利要求6所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述一种基于深度残差学习网络的柴油车尾气烟度检测方法中，所述步骤3中，一个普通卷积层的卷积核大小为7*7；一个池化层的卷积核大小为2*2；八个残差学习单元的卷积核大小为3*3；一个平均池化层的卷积核大小为2*2。
10.根据权利要求6所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述一种基于深度残差学习网络的柴油车尾气烟度检测方法中，所述步骤4中，首先对柴油车尾气烟度数据集中进行预处理，具体包括对数据集中的柴油车尾气图像进行尺度增强、随机采样和减像素均值操作；然后将预处理后的图像作为深度残差学习网络的输入，对深度残差学习网络进行训练、验证和测试，得到能够精确检测柴油车烟度的深度残差学习网络，具体包括：将预处理后的图像作为深度残差学习网络的输入进行训练，同时对验证集进行过拟合检查，即判断深度残差学习网络对验证集图像处理的损失函数是否呈现先下降后反而上升的现象，当验证集的损失函数不再下降时候，即可暂时停止训练；将预处理后的测试集图像作为训练终止后的深度残差学习网络的输入，将此时网络的输出与步骤2中的标签值进行比较，若测试集精度超过99％，则训练完成，否则，继续训练。
11.根据权利要求1所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述选址布点层包括基于道路相似性的布点模块、基于路网拓扑结构的布点模块与基于特定车辆路线的布点模块；
基于道路相似性的布点模块，使用一种基于道路相似性的机动车尾气遥测设备布点方法来实现，充分考虑了道路特性、道边环境与气象因素，提取出其中关键的属性进行聚类，采用层次聚类的方法对城市路网的不同路段进行聚类，能够将任意数目的尾气遥测设备进行优化布点；
基于路网拓扑结构的布点模块，使用一种基于图论的机动车尾气遥感监测设备布点算法来实现，以城市路网拓扑结构为主，辅以车流量等级，城市的区域功能信息，基于图与超图理论对问题进行建模，将遥测设备的布点选址问题转化为最小横贯问题，最终采用贪婪算法求解出布设尾气遥测设备的路段集合；
基于特定车辆路线的布点模块，使用一种基于图论与布尔代数的机动车尾气遥测设备布点方法来实现，针对城市公交系统尾气的普查进行尾气遥测设备选址布点，首先基于超图理论，将公交车运行路线转化为公交路线超图，然后用布尔代数的相关原理，确定尾气遥测设备在城市路网中的布设位置；
上述基于道路相似性的布点模块、基于路网拓扑结构的布点模块与基于特定车辆路线的布点模块可单独使用，也可组合使用，选择标准取决于输入信息的多少以及决策者对布设于城市路网的尾气遥测设备的功能需求；
在尾气检测信息、道路车流量信息、天气信息和道路相关信息都需要获得的情况下采用基于道路相似性的布点模块；在输入信息只包含交通路网的拓扑结构和一些容易获得的交通信息，包括路段所属区域功能、交通流量的等级及是否建有天桥时，采用基于路网拓扑结构的布点模块；需要对公交车这一种类的机动车进行重点监控时采用基于特定车辆路线的布点模块。
12.根据权利要求11所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述基于路网拓扑结构的布点模块中，一种基于道路相似性的机动车尾气遥测设备布点方法，包括以下步骤：
步骤一：采集所需样本数据并对样本数据进行预处理，所述所需样本数据是指用尾气遥测设备获得目标路网中每条路段一段时间内的尾气检测信息、道路车流量信息、天气信息和道路相关信息；数据预处理包括数据清洗、数据规约和数据变换三个方面；
步骤二：采用层次聚类的方法对步骤一中经过数据预处理处理后的样本数据进行聚类分析；采用欧几里德距离作为聚类距离的度量，首先将每个样本都归为一类，计算每两个类之间的相似度，也就是样本与样本两两之间距离进行度量；然后把其中相似程度最高也就是距离最小的样本聚成一类，循环重复相似性度量并进行最近类的合并，每次减少一类，最后直到所有的样本被聚到一类中去，得到聚类结果；
步骤三：根据步骤二中的聚类结果，绘制聚类谱系图，将每一步聚类的结果直观的显示在聚类谱系图上；
步骤四：对所考察的路段赋予权重，代表路段的重要程度以及优先考虑程度，将任意数目的尾气遥测设备对应相应数目的聚类结果，在聚类谱系图上找到包含类数目等于对应数目的聚类结果，选取每个类中权重最大的路段布设尾气遥测设备，最终得到将任意数目的尾气遥测设备进行布点的方案。
13.根据权利要求12所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述一种基于道路相似性的机动车尾气遥测设备布点方法中，所述步骤一具体实现如下：
(1)聚类前的样本数据采集，将目标路网中的每条路段作为一个样本，获得每个样本路段一段时间内的尾气检测信息、道路车流量信息、天气信息和道路相关信息；其中：
尾气检测信息，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，抓拍照片；
道路车流量信息，包括的数据项有：道路名称，时间，小型客车、中型客车不同类型车辆的车流量；
天气信息，包括的数据项有：时间，城市，天气状况，温度，湿度，风速，PM2.5，PM10，AQI；
道路相关信息，包括的数据项有：地理位置id，所在省份，所在城市，所在街道，连接方式，路旁植被面积，建筑物平均高度；
(2)样本数据预处理部分包括数据清洗、数据规约和数据变换三个方面；数据清洗，就是通过对数据的分析，找出缺失值、偏离过大的个别极端值进行丢弃处理；数据规约，删除与所考虑问题不相关、弱相关或冗余的属性，合并相同属性，同时不断的对相关属性的选择进行修改，以达到所要求的聚类效果；数据变换，将数据规约后的数据进行标准化处理，转化为便于处理的适当格式，以适应聚类分析的需要。
14.根据权利要求12所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述一种基于道路相似性的机动车尾气遥测设备布点方法中，所述步骤二中，采用层次聚类的方法对步骤一中处理得到的样本数据进行聚类分析具体包括以下步骤：
(1)将步骤一中处理得到样本中的每一个样本都归为一类，计算每两个类之间的相似度，即对样本与样本两两之间的距离进行度量；度量样本之间的相似性采用欧几里德距离作为聚类距离的度量，欧几里得距离如下：
其中，d(i，j)表示欧几里得距离，i和j为第i个样本和第j个样本的样本标号，分别代表第i条路段和第i条路段，M4表示选取的相关属性个数，相关属性包括属性合并后的污染物总浓度、烟度值、属性合并后的总车流量、连接方式、路旁植被面积、建筑物平均高度，x表示相关属性经过标准化后的数值，xi1表示第i个样本的第1个属性，xi2表示第i个样本的第2个属性，表示第i个样本的第M4个属性，xj1表示第j个样本的第1个属性，xj2表示第j个样本的第2个属性，表示第j个样本的第M4个属性；
(2)把步骤(1)中相似程度最高也就是距离最小的两个样本聚成一类，假设为样本N5和样本M6，将样本N5，M6合并为一新类，记为Cla1＝{N5，M6}，新产生的类Cla1的相关属性用路段N5，M6对应属性的均值表示，即新类的属性表示为
其中，N5和M6为第N5个样本和第M6个样本的样本标号，M4表示选取的相关属性个数，x表示相关属性经过标准化后的数值，表示第N5个样本的第1个属性，表示第N5个样本的第M4个属性，表示第M6个样本的第1个属性，表示第M6个样本的第M4个属性；
(3)新类和其他类一起得到一个N4-1容量的样本，计算样本中所有样本点每两个之间的相似度，即两两之间的距离进行度量；将其中使得距离最小的两个样本聚成一类，记为Cla2，新产生的类Cla2的相关属性用类中包含的两个样本的对应属性的均值表示；
(4)类似地，重复进行相似性度量和最近类的合并，每次减少一类，依次得到新类最后类的个数减少为1，所有的样本被聚到一类中去，得到聚类结果。
15.根据权利要求12所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述一种基于道路相似性的机动车尾气遥测设备布点方法中，所述步骤三中，根据聚类过程绘制聚类谱系图，横坐标为1处代表第一次聚类的结果，横坐标为2处代表第二次聚类的结果，依次类推，将每一步聚类的结果直观的显示在聚类谱系图上，聚类谱系图充分展示了聚类的每一步过程，让从可视化的层面了解到每一步哪些路段被聚为一类，每一步聚类结束后不同类的数目和这些类中分别包含哪些路段。
16.根据权利要求12所述的城市路网机动车尾气排放遥感监控系统，其特征在于：一种基于道路相似性的机动车尾气遥测设备布点方法中，所述步骤四中，对所考察的路段赋予权重，权重综合考虑该路段的设备布设成本、设备布设难易程度要素后确定，权重越大代表路段的重要程度越大以及优先考虑程度越高；假设需要将数目为M5的尾气遥测设备进行，从聚类谱系图找到对应类数目为M5的聚类结果，即第N4-M5次聚类后的结果，选取这M5个类中每个类的权重最大的路段布设尾气遥测设备，最终得到对任意数目的尾气遥测设备进行布点的方案。
17.根据权利要求11所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述基于路网拓扑结构的布点模块中，一种基于图论的机动车尾气遥测设备布点方法，包括以下步骤：
步骤一：将城市交通路网依据拓扑结构和交通流方向抽象成一个有向图，将交通路网信息抽象成一个数据矩阵，采用深度优先搜索算法找到所述有向图中的所有有向回路；
步骤二：将所有路段作为有向回路超图的顶点，所有有向回路作为有向回路超图的超边，建立城市路网的有向回路超图，简化该有向回路超图，得到简单有向回路超图，建立简单有向回路超图中顶点的加权度模型，寻找加权度模型中加权度最大的顶点，采用贪婪算法求出简单有向回路超图的最小横贯，即为机动车尾气遥感监测设备的布点路段；所述加权度是指融合了交通路网信息的简单有向回路超图的顶点的度，所述简单有向回路超图的最小横贯是指能够覆盖简单有向回路超图所有边的最小顶点集合。
18.根据权利要求17所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述一种基于图论的机动车尾气遥测设备布点方法中，所述步骤一中，将交通路网信息抽象成一个数据矩阵，如下：
其中，表示交通路网的所有路段，M7为路网中路段总数；表示路段的信息，包括路段所属区域功能，交通流量的等级，是否建有天桥；N7为布点方法中所利用的路段信息种类；Rij，i＝1，2，...，M7，j＝1，2，...，N7表示将路段信息数字化后的具体数值。
19.根据权利要求17所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述一种基于图论的机动车尾气遥测设备布点方法中，所述步骤一中，采用深度优先搜索算法找到所述有向图中的所有有向回路的过程如下：
(1)首先将城市交通路网依据拓扑结构和交通流方向抽象成一个有向图，然后将有向图转换为线图；
(2)从步骤(1)中的线图的一个初始顶点出发，沿着线图的有向弧和不同的顶点寻找有向路径，直到不存在有向弧到达下一个顶点，判断是否存在有向弧回到初始顶点，若存在，表明检测到一个圈；
(3)退回步骤(2)中有向路径的上一个顶点，沿着其他有向弧继续拓展有向路径，直到不存在有向弧到达下一个顶点，判断是否存在有向弧回到初始顶点，若存在，表明检测到一个圈；
(4)重复步骤(3)，直到退回初始顶点；
(5)依次以其他顶点为初始顶点，重复步骤(2)(3)(4)，线图的所有圈即为原有向图的所有有向回路。
20.根据权利要求17所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述一种基于图论的机动车尾气遥测设备布点方法中，所述步骤二具体实现如下：
(1)将所有路段作为有向回路超图的顶点，所有有向回路作为有向回路超图的边，建立城市路网的有向回路超图模型；
(2)依次比较(1)中建立的有向回路超图的两条边，判断是否存在包含关系，若存在，则在有向回路超图中删去较长的那条边，并且对删除边后的有向回路超图重复此步骤，直到删除边后的有向回路超图的任意两条边都不存在包含关系，即得到简单有向回路超图；
(3)在步骤(2)得到的简单有向回路超图中建立顶点的加权度模型，寻找加权度模型中加权度最大的顶点，采用贪婪算法求出简单有向回路超图的最小横贯，贪婪算法的求解过程如下：在简单有向回路超图中，删除加权度模型中加权度最大的顶点及包含该顶点的所有边，并且对删除顶点和边后的简单有向回路超图重复此步骤，直到简单有向回路超图为空，则删除的顶点集合为简单向回路超图的最小横贯，即机动车尾气遥感监测设备的布点路段。
21.根据权利要求17所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述一种基于图论的机动车尾气遥测设备布点方法中，所述步骤二中，简单有向回路超图中顶点的加权度模型的数学表达如下：
其中，D*(i)表示简单有向回路超图顶点i的加权度，Rij为交通路网数据矩阵模型中的元素，i＝1，2，...，M7，j＝1，2，...，N7；rj为路段信息，r1表示路段所属的区域功能，如果路段位于污染区域，则r1＝0，否则r1＝1，rjmax表示rj的最大值，watr，j表示各个路段信息的权值，满足deg(i)表示简单有向回路超图中顶点i的度，degmax表示简单有向回路超图中所有顶点的度的最大值。
22.根据权利要求11所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述基于特定车辆路线的布点模块中，一种基于图论与布尔代数的机动车尾气遥测设备布点方法，包括以下步骤：
步骤一：将公交车行驶路线抽象为公交路线超图；
步骤二：应用布尔代数相关理论求解公交路线超图的所有极小横贯集；
步骤三：求解公交路线超图的最小横贯集，所述最小横贯集是指所有极小横贯集中基数最小的一个极小横贯集，在本发明中最小横贯集指最小监测路段集合，即需要布设尾气遥测设备的路段的集合。
23.根据权利要求22所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述一种基于图论与布尔代数的机动车尾气遥测设备布点方法中，所述步骤一具体实现如下：
(1)以城市实际的交通道路网络为基础，将公交车行驶路线中经过的各路段抽象为超图顶点，得到顶点集；
(2)将公交车行驶线路抽象为超边，超边是顶点集的子集；
(3)所有超边的集合即为超图，超图由公交车行驶路线所得，称之为公交路线超图。
24.根据权利要求22所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述一种基于图论与布尔代数的机动车尾气遥测设备布点方法中，所述步骤二具体实现如下：
(1)对公交路线超图中每个顶点设布尔变量χi，χi表示路段i是否布设尾气遥测设备，若χi＝1则表示此路段需要布设遥测设备；
(2)公交路线超图中每条边按其所含顶点进行布尔加法，得到各条边的布尔析取式，即：ψj表示第j条公交运行路线中包含的路段；
(3)将所有边的布尔析取式进行布尔乘法，得到公交路线超图的布尔合取式，即： 表示整个公交路线网中所有线路所含路段的全体，Nhy为公交路线超图中超标数目；
(4)对所得的合取式用布尔运算规律整理化简，得到最简的析取式，即： 其中每个子式λt对应的顶点集是公交路线超图的一个极小横贯集，所有的λt构成公交路线超图的所有极小横贯集的集合表示与公交车每条运行路线都相交的路段全体。
25.根据权利要求22所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述一种基于图论与布尔代数的机动车尾气遥测设备布点方法中，步骤三具体实现如下：
(1)求各个极小横贯集的基数，即所含顶点的个数；
(2)确定基数最小的极小横贯集，该极小横贯集即为最小横贯集，最小横贯集中顶点所对应的路段即为需要布设尾气遥测设备的路段，这些路段构成的集合为最小监测路段集合。
26.根据权利要求1所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述数据处理层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进行分类时采用机动车尾气排放特征分析模块。
27.根据权利要求26所述的城市路网机动车尾气排放遥感监控系统，其特征在于：数据处理层中，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。
28.根据权利要求27所述的城市路网机动车尾气排放遥感监控系统，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Jres(xpol，hpol，θ)为：
其中，xpol，i为影响道边空气污染物浓度的因素之一，hpol，j为xpol，i的另一种表达，θrac＝{ωrac，i，j，αrac，i，βrac，j}，αrac，i、βrac，j分别为可视单元和隐含单元的偏差向量，ωrac，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(xpol，θ)是可视单元的概率，prob(hrac，j＝1|xpol，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ωrac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。
29.根据权利要求27所述的城市路网机动车尾气排放遥感监控系统，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yrac(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Jrac，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，Jrac(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，1表示中间层的第1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。
30.根据权利要求26所述的城市路网机动车尾气排放遥感监控系统，其特征在于：数据处理层的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。
31.根据权利要求30所述的城市路网机动车尾气排放遥感监控系统，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。
32.根据权利要求30所述的城市路网机动车尾气排放遥感监控系统，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。
33.根据权利要求30所述的城市路网机动车尾气排放遥感监控系统，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。
34.根据权利要求30所述的城市路网机动车尾气排放遥感监控系统，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。
35.根据权利要求30所述的城市路网机动车尾气排放遥感监控系统，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。
36.根据权利要求30所述的城市路网机动车尾气排放遥感监控系统，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。
37.根据权利要求36所述的城市路网机动车尾气排放遥感监控系统，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：
Hair，t＝ottanh(ct)
其中sig为逻辑sigmoid函数，xair表示LSTM-RNN模型的输入特征向量，l、Φ、o、c、Hair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，Ωair，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，Ωair，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；βair，Φ、βair，o、βair，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。
38.根据权利要求26所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述数据处理层的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Q1j(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Q2j(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Yenv，j，使用污染物输送方程综合上述所述三种数据源，即Q1j(ξ1，ξ2，ξ3，t)、Q2j(ξ1，ξ2，t)和Yenv，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。
39.根据权利要求38所述的城市路网机动车尾气排放遥感监控系统，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。
40.根据权利要求38所述的城市路网机动车尾气排放遥感监控系统，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Realizablek-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σk，σε，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。
41.根据权利要求38所述的城市路网机动车尾气排放遥感监控系统，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Q1j(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，Qj(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Q2j，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，Q2j(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Yenv，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Yj的输送微分方程为：
式中：ρ为流体密度，Yj为组分j的质量分数，Uj，i为组分j扩散速度在i方向的分量，Qj为组分源强，visj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Q1j(ξ1，ξ2，ξ3，t)、步骤(2)所得城市路道污染源项Q2j(ξ1，ξ2，t)、步骤(3)所得城市污染物浓度预估值Yenv，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。
42.根据权利要求38所述的城市路网机动车尾气排放遥感监控系统，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，ξ3，0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。
43.根据权利要求38所述的城市路网机动车尾气排放遥感监控系统，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：Yj＝Y0，je-phi(Rf)，其中：Y0，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Yj随时迭代更新，得到城市实时全局环境质量分布。
44.根据权利要求26所述的城市路网机动车尾气排放遥感监控系统，其特征在于：所述数据处理层的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。
45.根据权利要求44所述的城市路网机动车尾气排放遥感监控系统，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；Mfuel为机动车燃油的摩尔质量；Dfuel为机动车燃油的密度。
46.根据权利要求44所述的城市路网机动车尾气排放遥感监控系统，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。
47.根据权利要求26所述的城市路网机动车尾气排放遥感监控系统，其特征在于：数据处理层中，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。
48.根据权利要求47所述的城市路网机动车尾气排放遥感监控系统，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。
49.根据权利要求47所述的城市路网机动车尾气排放遥感监控系统，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。
50.根据权利要求47所述的城市路网机动车尾气排放遥感监控系统，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、风速、气温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。
51.根据权利要求47所述的城市路网机动车尾气排放遥感监控系统，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scorei，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。
52.根据权利要求51所述的城市路网机动车尾气排放遥感监控系统，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Ncluster，属性数据集Ncluster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(si，sj)}，
i＝1，2，…Ndata，j＝1，2，…Ndata；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，...，distArrayroughNum}得到，每一个distArray对应两个不同数据点，
其中，
roughNum＝percent×Ndata×(Ndata-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Ncluster+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Ncluster个数据簇，从而得到分群类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611267865.XA CN106845371B (zh) | 2016-12-31 | 2016-12-31 | 一种城市路网机动车尾气排放遥感监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611267865.XA CN106845371B (zh) | 2016-12-31 | 2016-12-31 | 一种城市路网机动车尾气排放遥感监控系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106845371A CN106845371A (zh) | 2017-06-13 |
| CN106845371B true CN106845371B (zh) | 2019-10-25 |
Family
ID=59117524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611267865.XA Active CN106845371B (zh) | 2016-12-31 | 2016-12-31 | 一种城市路网机动车尾气排放遥感监控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106845371B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023101773A1 (en) * | 2021-11-30 | 2023-06-08 | Microsoft Technology Licensing, Llc. | Pollutant sensor placement |
Families Citing this family (115)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107219157A (zh) * | 2017-07-29 | 2017-09-29 | 山东诺方电子科技有限公司 | 一种利用社会车辆进行大气颗粒物监测系统 |
| CN107463993B (zh) * | 2017-08-04 | 2020-11-24 | 贺志尧 | 基于互信息-核主成分分析-Elman网络的中长期径流预报方法 |
| CN107577910B (zh) * | 2017-08-24 | 2020-04-03 | 中国科学技术大学 | 一种基于深层次神经网络的车辆尾气浓度反演方法 |
| CN107730887B (zh) * | 2017-10-17 | 2020-05-15 | 海信集团有限公司 | 实现交通流量预测的方法及装置、可读存储介质 |
| CN108960474B (zh) * | 2017-11-06 | 2021-07-27 | 杭州览众数据科技有限公司 | 一种考虑交叉的仓库网络中在线零售商的仓库选址方法 |
| US11734545B2 (en) * | 2017-11-14 | 2023-08-22 | Google Llc | Highly efficient convolutional neural networks |
| CN107909206B (zh) * | 2017-11-15 | 2021-06-04 | 电子科技大学 | 一种基于深层结构循环神经网络的pm2.5预测方法 |
| CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
| CN107966302A (zh) * | 2017-11-28 | 2018-04-27 | 广西环安科技有限公司 | 一种降低机动车污染物排放的系统方法 |
| CN107797970B (zh) * | 2017-12-03 | 2021-04-13 | 天津大学 | 一种基于cfd的油烟机油烟捕集效率的确定方法 |
| CN108008087A (zh) * | 2017-12-28 | 2018-05-08 | 北京理工大学 | 机动监测汽车尾气中二氧化碳排放量的系统及方法 |
| CN108133295B (zh) * | 2018-01-11 | 2020-07-07 | 安徽优思天成智能科技有限公司 | 一种针对目标路段的机动车尾气浓度连续时间预测方法 |
| CN108288109A (zh) * | 2018-01-11 | 2018-07-17 | 安徽优思天成智能科技有限公司 | 基于lstm深度时空残差网络的机动车尾气浓度预测方法 |
| CN108154000B (zh) * | 2018-01-26 | 2021-10-22 | 北京工业大学 | 一种多点进出城市地下道路机动车排放污染物浓度分布特性计算方法 |
| CN108549926A (zh) * | 2018-03-09 | 2018-09-18 | 中山大学 | 一种用于精细化识别车辆属性的深度神经网络及训练方法 |
| CN108492553A (zh) * | 2018-03-12 | 2018-09-04 | 中山大学 | 一种面向实时路网排放评估的车辆活动水平分析方法 |
| CN108414469B (zh) * | 2018-03-27 | 2023-10-27 | 安徽中科华仪科技有限公司 | 基于tdlas扫描收发一体式机动车尾气遥感测量装置及方法 |
| CN108769104B (zh) * | 2018-04-11 | 2021-01-08 | 杭州电子科技大学 | 一种基于车载诊断系统数据的路况分析预警方法 |
| CN108593844A (zh) * | 2018-04-19 | 2018-09-28 | 沈夕尧 | 一种机动车尾气遥感监控方法 |
| CN108828140A (zh) * | 2018-04-26 | 2018-11-16 | 中国计量大学 | 一种基于粒子群算法的多无人机协同恶臭溯源方法 |
| CN108489919A (zh) * | 2018-05-28 | 2018-09-04 | 安徽达致环保科技有限公司 | 一种多光束机动车尾气检测装置和检测方法 |
| TWI689875B (zh) * | 2018-06-29 | 2020-04-01 | 由田新技股份有限公司 | 利用深度學習系統的自動光學檢測分類設備及其訓練設備 |
| CN109063908B (zh) * | 2018-07-30 | 2020-10-27 | 浙江鸿程计算机系统有限公司 | 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 |
| CN109165690A (zh) * | 2018-09-03 | 2019-01-08 | 安徽优思天成智能科技有限公司 | 一种城市路网尾气污染分布预测的方法及系统 |
| CN109325673A (zh) * | 2018-09-07 | 2019-02-12 | 李懿 | 城市空气质量的排名方法、装置、计算机设备及存储介质 |
| CN109086946B (zh) * | 2018-09-11 | 2021-09-17 | 东南大学 | 一种常规能源和新能源公交车辆的污染气体排放预测方法 |
| CN109409217A (zh) * | 2018-09-18 | 2019-03-01 | 杭州数田信息技术有限公司 | 一种基于大数据的机动车排气遥感监测系统及方法 |
| CN109214710B (zh) * | 2018-10-12 | 2022-03-08 | 国网湖南省电力有限公司 | 基于三因子的雾霾数值预报结果的评价方法及系统 |
| CN109492671B (zh) * | 2018-10-16 | 2020-08-11 | 北京理工大学 | 一种基于lstm的多极化高分辨距离像目标识别方法 |
| CN109462520B (zh) * | 2018-11-19 | 2021-12-10 | 电子科技大学 | 基于lstm模型的网络流量资源态势预测方法 |
| CN109580522A (zh) * | 2018-11-20 | 2019-04-05 | 北京计算机技术及应用研究所 | 一种融合汽车电子标识和视频的汽车尾气污染物监测方法 |
| CN109655583A (zh) * | 2018-12-14 | 2019-04-19 | 天津珞雍空间信息研究院有限公司 | 一种基于卫星遥感的大气环境地面监测站点布控组网方法 |
| CN109770925B (zh) * | 2019-02-03 | 2020-04-24 | 闽江学院 | 一种基于深度时空网络的疲劳检测方法 |
| CN109948237B (zh) * | 2019-03-15 | 2023-06-02 | 中国汽车技术研究中心有限公司 | 一种用于预测单车排放量的方法 |
| CN110175345B (zh) * | 2019-03-26 | 2020-03-17 | 中国测绘科学研究院 | 一种三维场景下机动车尾气扩散的模拟方法 |
| CN109993282B (zh) * | 2019-03-28 | 2020-06-12 | 北京航空航天大学 | 一种台风波及范围的预测方法 |
| CN110108316A (zh) * | 2019-04-09 | 2019-08-09 | 华南农业大学 | 一种用于建筑生活环境的多点多源信息实时监控和报警系统及其方法 |
| CN110175166B (zh) * | 2019-04-18 | 2023-04-07 | 红云红河烟草(集团)有限责任公司 | 一种烟草卷包车间质量异常的确认方法 |
| CN110147403A (zh) * | 2019-05-23 | 2019-08-20 | 中国农业科学院农业信息研究所 | 农业大数据融合方法、装置、设备及存储介质 |
| CN110267221B (zh) * | 2019-05-30 | 2022-11-11 | 深圳市秒加能源科技有限公司 | 基于物联网的无线电子收费系统 |
| CN110321932B (zh) * | 2019-06-10 | 2021-06-25 | 浙江大学 | 一种基于深度多源数据融合的全城市空气质量指数估计方法 |
| CN110298560B (zh) * | 2019-06-13 | 2022-12-06 | 南方科技大学 | 一种大气污染排放控制效果的评估方法、装置及存储介质 |
| CN110399789B (zh) * | 2019-06-14 | 2021-04-20 | 佳都新太科技股份有限公司 | 行人重识别方法、模型构建方法、装置、设备和存储介质 |
| CN110596327B (zh) * | 2019-06-25 | 2022-08-02 | 北京机械设备研究所 | 一种污染气体成分及浓度检测方法 |
| CN110457829B (zh) * | 2019-08-15 | 2020-05-01 | 王博 | 一种基于集成大气扩散模型的源项释放反演和扩散预测方法 |
| CN110473146B (zh) * | 2019-08-16 | 2022-12-27 | 苏州超擎图形软件科技发展有限公司 | 遥感图像显示方法、装置及存储介质和计算机设备 |
| CN110580386B (zh) * | 2019-08-23 | 2020-08-04 | 生态环境部环境规划院 | 一种交通部门二氧化碳排放空间网格化方法 |
| CN110514790A (zh) * | 2019-08-23 | 2019-11-29 | 南京新远见智能科技有限公司 | 一种双套串联式机动车尾气遥感检测系统及方法 |
| CN110766191A (zh) * | 2019-08-27 | 2020-02-07 | 东华理工大学 | 一种基于时空克里金插值的新增pm2.5固定监测站点选址方法 |
| CN110514254B (zh) * | 2019-09-06 | 2021-02-02 | 重庆市城投金卡信息产业(集团)股份有限公司 | 单车排放量检测方法及其检测系统 |
| CN110765854B (zh) * | 2019-09-12 | 2022-12-02 | 昆明理工大学 | 一种视频动作识别方法 |
| US20210089867A1 (en) * | 2019-09-24 | 2021-03-25 | Nvidia Corporation | Dual recurrent neural network architecture for modeling long-term dependencies in sequential data |
| CN110738367B (zh) * | 2019-10-12 | 2022-06-28 | 东北大学秦皇岛分校 | 一种基于深度残差网络的交通尾气排放量预测方法 |
| CN112925256A (zh) * | 2019-10-12 | 2021-06-08 | 吴郁君 | 城市环境大数据综合协同管理运转平台 |
| CN110825754B (zh) * | 2019-10-23 | 2022-06-17 | 北京蛙鸣华清环保科技有限公司 | 基于属性的空气质量空间插值方法、系统、介质及设备 |
| CN111160348A (zh) * | 2019-11-20 | 2020-05-15 | 中国科学院深圳先进技术研究院 | 自然场景的文本识别方法、存储装置和计算机设备 |
| CN110929793A (zh) * | 2019-11-27 | 2020-03-27 | 谢国宇 | 用于生态环境监测的时空域模型建模方法及系统 |
| CN111145556A (zh) * | 2019-12-24 | 2020-05-12 | 湖南轩源环保科技有限公司 | 黑烟车车牌识别方法、系统、设备和可读存储介质 |
| CN111145557A (zh) * | 2019-12-24 | 2020-05-12 | 湖南轩源环保科技有限公司 | 机动车类型的识别方法、系统、设备和可读存储介质 |
| CN111625987B (zh) * | 2020-01-09 | 2022-07-29 | 北京航空航天大学 | 一种基于深度学习的湍流模型生成方法 |
| CN111259546B (zh) * | 2020-01-15 | 2022-05-13 | 中国科学技术大学 | 一种自驱动交通工具圆周编队控制方法、系统及存储介质 |
| CN111241085B (zh) * | 2020-01-16 | 2022-02-01 | 四川大学 | 一种基于气象数据的自然分区可视化方法 |
| CN112666056A (zh) * | 2020-01-16 | 2021-04-16 | 海南信天源科技开发有限公司 | 机动车尾气监控系统及其跨镜头追踪方法 |
| CN111243752A (zh) * | 2020-01-16 | 2020-06-05 | 四川大学华西医院 | 一种急性胰腺炎诱发器官衰竭的预测模型 |
| CN111239338A (zh) * | 2020-01-19 | 2020-06-05 | 徐州工业职业技术学院 | 开放式空气质量监测系统 |
| CN111340280A (zh) * | 2020-02-19 | 2020-06-26 | 宜通世纪物联网研究院(广州)有限公司 | 污染物排放量的监测与防控系统、方法、装置及介质 |
| CN111460631B (zh) * | 2020-03-18 | 2023-02-24 | 上海海洋大学 | 一种鸡舍通风的模拟方法及应用该方法的电子设备 |
| CN111489060B (zh) * | 2020-03-21 | 2021-05-11 | 河南大学 | 一种高时空分辨率交通源排放清单制备方法 |
| CN111256700B (zh) * | 2020-03-26 | 2021-11-02 | 洛阳智能农业装备研究院有限公司 | 用于自动驾驶农机作业路径规划的收边规划方法 |
| CN111521754B (zh) * | 2020-04-22 | 2021-04-13 | 中国科学院地理科学与资源研究所 | 一种在产焦化企业场地土壤污染初步调查布点方法 |
| CN111639683B (zh) * | 2020-05-14 | 2022-05-27 | 上海工程技术大学 | 基于obd技术评价柴油车氮氧化物排放等级的方法 |
| CN111714991A (zh) * | 2020-06-29 | 2020-09-29 | 康宁股份有限公司 | 用于城市空气净化系统的方法和设备 |
| CN111897810B (zh) * | 2020-07-29 | 2024-03-29 | 上海地听信息科技有限公司 | 建立定量化不同尺度区域间大气污染联防联控方案的方法 |
| US11393336B2 (en) | 2020-08-10 | 2022-07-19 | International Business Machines Corporation | Smog analysis via digital computing platforms |
| CN112113911B (zh) * | 2020-08-18 | 2022-04-12 | 北京理工大学 | 点燃式发动机汽车尾气排放遥感大数据检测方法和系统 |
| CN112100299B (zh) * | 2020-08-20 | 2022-03-04 | 四川大学 | 一种用于突发性毒气泄漏应急预警的可视化方法 |
| CN112131523B (zh) * | 2020-09-11 | 2023-09-26 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于有限监测点位的时空数据生成方法及系统 |
| CN111813964B (zh) * | 2020-09-14 | 2020-12-11 | 平安国际智慧城市科技股份有限公司 | 基于生态环境的数据处理方法及相关设备 |
| CN112183625A (zh) * | 2020-09-28 | 2021-01-05 | 武汉大学 | 一种基于深度学习的pm2.5高精度时空预测方法 |
| CN112199907B (zh) * | 2020-10-15 | 2022-12-09 | 乌江渡发电厂 | 一种基于cfd的水电站地下厂房多指标通风效果的分析方法 |
| CN112257551B (zh) * | 2020-10-19 | 2021-09-10 | 北京市劳动保护科学研究所 | 一种氮氧化物污染源识别及排放量确定的方法及系统 |
| CN112394040A (zh) * | 2020-11-05 | 2021-02-23 | 广州市云景信息科技有限公司 | 一种机动车排污监管系统及方法 |
| CN112508056B (zh) * | 2020-11-13 | 2022-04-29 | 东南大学 | 基于移动多源感知的城市空气质量监测方法 |
| CN112613536A (zh) * | 2020-12-08 | 2021-04-06 | 燕山大学 | 一种基于smote和深度学习的近红外光谱柴油牌号识别方法 |
| CN112577702B (zh) * | 2020-12-09 | 2022-10-18 | 中国建筑第八工程局有限公司 | 在建工地风环境模拟预测方法 |
| CN112991765B (zh) * | 2021-02-03 | 2022-05-10 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种道路高排放源识别模型更新方法、终端及存储介质 |
| CN113158125B (zh) * | 2021-03-31 | 2022-12-27 | 中汽研汽车检验中心（天津）有限公司 | 一种基于车联网的柴油车NOx排放评测方法 |
| CN113222211B (zh) * | 2021-03-31 | 2023-12-12 | 中国科学技术大学先进技术研究院 | 一种多区域柴油车污染物排放因子预测方法及系统 |
| CN113128776B (zh) * | 2021-04-26 | 2023-07-07 | 中国科学技术大学先进技术研究院 | 数据自迁移的多车型柴油车排放预测方法及系统 |
| CN113111860B (zh) * | 2021-05-12 | 2024-04-09 | 北京智城交建科技有限公司 | 道路移动源排放计算方法、装置、设备及介质 |
| CN113744541B (zh) * | 2021-05-17 | 2022-07-19 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 对抗图卷积网络的路网排放缺失时空分布重构方法及系统 |
| CN113358588B (zh) * | 2021-05-31 | 2024-04-26 | 河南省计量科学研究院 | 一种机动车尾气遥感监测装置在线双模校准检测方法及装备 |
| CN113267602B (zh) * | 2021-06-28 | 2023-10-03 | 福建师范大学 | 单车蒸发排放运行损失VOCs排放因子测试方法及其系统 |
| CN113435666B (zh) * | 2021-07-20 | 2023-11-07 | 山东大学 | 一种基于车辆运行状态的商用车油耗预测方法及系统 |
| CN113486880A (zh) * | 2021-07-28 | 2021-10-08 | 浙江商汤科技开发有限公司 | 图像采集设备布置方法、装置、电子设备及存储介质 |
| CN113488180B (zh) * | 2021-07-28 | 2023-07-18 | 中国医学科学院医学信息研究所 | 一种临床指南知识建模方法及系统 |
| CN113959964B (zh) * | 2021-10-11 | 2022-05-31 | 天津同阳科技发展有限公司 | 基于机动车尾气遥感检测二氧化碳吸收增量的计算方法 |
| CN114093164B (zh) * | 2021-11-15 | 2022-08-19 | 上海市城乡建设和交通发展研究院 | 基于车辆轨迹的动态交通流识别校正方法、装置及设备 |
| CN114088633B (zh) * | 2021-11-19 | 2022-09-27 | 生态环境部卫星环境应用中心 | 一种星地协同监测的煤矿区甲烷排放异常识别和核算方法 |
| CN114397258A (zh) * | 2021-12-22 | 2022-04-26 | 安徽聚成环保科技有限公司 | 一种非道路移动机械不透光烟度在线监测系统 |
| CN114692749B (zh) * | 2022-03-28 | 2024-04-19 | 中山大学 | 一种机动车尾气遥感检测数据的处理与分析方法 |
| CN114692355B (zh) * | 2022-04-29 | 2022-10-18 | 交通运输部规划研究院 | 耦合WRF与OpenFOAM模型的机动车污染扩散模拟方法及系统 |
| CN115688544B (zh) * | 2022-06-20 | 2023-05-12 | 河海大学 | 一种基于mlp神经网络的微波衰减降雪场层析重构方法 |
| CN114898823B (zh) * | 2022-07-01 | 2022-10-14 | 北京英视睿达科技股份有限公司 | 一种高时空分辨率遥感近地面no2浓度预估方法和系统 |
| CN115019513A (zh) * | 2022-07-18 | 2022-09-06 | 桂林电子科技大学 | 一种交通碳排放监测系统及监测方法 |
| CN115791212B (zh) * | 2023-02-06 | 2023-04-11 | 天津汉云工业互联网有限公司 | 通用车辆尾气排放检测方法与装置 |
| CN116233865B (zh) * | 2023-05-09 | 2023-07-04 | 北京建工环境修复股份有限公司 | 一种新污染物监测设备的布点方法及系统 |
| CN116363520B (zh) * | 2023-06-02 | 2023-08-04 | 青岛海滨风景区小鱼山管理服务中心 | 一种城市绿地规划用景观生态检测系统 |
| CN116522166B (zh) * | 2023-06-28 | 2023-09-15 | 湖南佳蓝检测技术有限公司 | 一种基于大数据的空气污染监测系统 |
| CN116777120B (zh) * | 2023-08-16 | 2023-10-27 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于路网od对的城市道路移动源碳排放计算方法 |
| CN116933978B (zh) * | 2023-09-13 | 2023-12-22 | 江苏新睿清智科技有限公司 | 一种基于人工智能的车载设备应用管理系统及方法 |
| CN117522023A (zh) * | 2023-11-07 | 2024-02-06 | 中国人民解放军战略支援部队航天工程大学 | 一种基于图模型的遥感影像需求融合方法 |
| CN117575166B (zh) * | 2023-12-14 | 2024-05-28 | 中国公路工程咨询集团有限公司 | 一种基于深度学习的公路交通碳排放预测方法及装置 |
| CN117848713A (zh) * | 2024-01-05 | 2024-04-09 | 湖州槐坎南方水泥有限公司 | 布袋除尘器脉冲阀运行状态监测系统及方法 |
| CN117983034A (zh) * | 2024-04-07 | 2024-05-07 | 浙江微盾环保科技有限公司 | 医废处理设备的尾气处理及监测系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101726466A (zh) * | 2009-12-01 | 2010-06-09 | 康宇 | 多车道机动车尾气遥测装置 |
| CN102737247A (zh) * | 2012-07-04 | 2012-10-17 | 中国科学技术大学 | 一种柴油车尾气烟度图像识别系统 |
| CN103630474A (zh) * | 2013-12-08 | 2014-03-12 | 中国科学技术大学 | 多车道机动车尾气pm2.5遥测装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6710873B2 (en) * | 2000-11-17 | 2004-03-23 | The Board Of Trustees Of The Leland Stanford Junior University | Temperature-independent measurements of gas concentration |
-
2016
- 2016-12-31 CN CN201611267865.XA patent/CN106845371B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101726466A (zh) * | 2009-12-01 | 2010-06-09 | 康宇 | 多车道机动车尾气遥测装置 |
| CN102737247A (zh) * | 2012-07-04 | 2012-10-17 | 中国科学技术大学 | 一种柴油车尾气烟度图像识别系统 |
| CN103630474A (zh) * | 2013-12-08 | 2014-03-12 | 中国科学技术大学 | 多车道机动车尾气pm2.5遥测装置 |
Non-Patent Citations (1)
| Title |
|---|
| "机动车尾气遥感检测数据中心平台的设计与开发";吴迪等;《大气与环境光学学报》;20161130;第11卷(第6期);论文第2节 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023101773A1 (en) * | 2021-11-30 | 2023-06-08 | Microsoft Technology Licensing, Llc. | Pollutant sensor placement |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106845371A (zh) | 2017-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106845371B (zh) | 一种城市路网机动车尾气排放遥感监控系统 | |
| Liao et al. | Deep learning for air quality forecasts: a review | |
| CN106650825B (zh) | 一种机动车尾气排放数据融合系统 | |
| Krishan et al. | Air quality modelling using long short-term memory (LSTM) over NCT-Delhi, India | |
| CN106529608B (zh) | 一种机动车尾气遥测设备综合布点系统 | |
| Pinto et al. | Traffic data in air quality modeling: A review of key variables, improvements in results, open problems and challenges in current research | |
| WO2021013190A1 (zh) | 基于气象参数的高速列车导航盲区定位方法及系统 | |
| CN116628455B (zh) | 一种城市交通碳排放监测与决策支持方法及系统 | |
| CN114881356A (zh) | 基于粒子群算法优化bp神经网络的城市交通碳排预测方法 | |
| CN112085376B (zh) | 一种基于经纬度坐标和k-means聚类算法的交通需求分析方法 | |
| Jonnalagadda et al. | Forecasting atmospheric visibility using auto regressive recurrent neural network | |
| CN112418696A (zh) | 城市交通动态知识图谱的构建方法及装置 | |
| CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
| CN107180534A (zh) | 支持向量回归机融合的高速公路路段平均速度估计方法 | |
| Iskandaryan et al. | Graph neural network for air quality prediction: A case study in madrid | |
| CN114973657A (zh) | 基于轨迹数据的城市交通噪声污染分析与评估方法 | |
| Shang et al. | Analyzing the effects of road type and rainy weather on fuel consumption and emissions: A mesoscopic model based on big traffic data | |
| Xue et al. | Expressway project cost estimation with a convolutional neural network model | |
| CN105243503A (zh) | 基于空间变量和logistic回归的海岸带生态安全评估方法 | |
| Du et al. | Mining PM2. 5 and traffic conditions for air quality | |
| CN115994787A (zh) | 一种基于神经网络的拼车需求预测匹配方法 | |
| Vinayakumar et al. | A Comparison of KNN Algorithm and MNL Model for Mode Choice Modelling | |
| Kar et al. | Intelligent traffic prediction by combining weather and road traffic condition information: a deep learning-based approach | |
| Liao et al. | Traj2Traj: A road network constrained spatiotemporal interpolation model for traffic trajectory restoration | |
| Zhang et al. | A novel spatio-temporal trajectory data-driven development approach for autonomous vehicles |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |