CN107577910A - 一种基于深层次神经网络的车辆尾气浓度反演方法 - Google Patents
一种基于深层次神经网络的车辆尾气浓度反演方法 Download PDFInfo
- Publication number
- CN107577910A CN107577910A CN201710732880.5A CN201710732880A CN107577910A CN 107577910 A CN107577910 A CN 107577910A CN 201710732880 A CN201710732880 A CN 201710732880A CN 107577910 A CN107577910 A CN 107577910A
- Authority
- CN
- China
- Prior art keywords
- tail gas
- concentration
- data
- vehicle
- retrieving
- 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.)
- Granted
Links
Landscapes
- Testing Of Engines (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明涉及一种基于深层次神经网络的车辆尾气浓度反演方法，步骤：对尾气遥测数据与车辆环检数据按照车牌号码进行映射融合及数据预处理，得到预处理后的尾气数据；利用经过预处理的尾气数据，训练特殊结构的深层次部分连接的神经网络来记忆不同车辆尾气浓度与不同气象环境、不同车辆运动状态及激光吸收光谱反演初始尾气浓度等信息之间相互蕴含模式及关系，建立尾气浓度反演回归模型；向训练好的尾气浓度反演回归模型输入待检测尾气浓度车辆的相关监测信息及环境统计信息，通过尾气浓度反演回归模型快速预测相应的车辆尾气CO或CO2浓度。本发明可快速准确的反演估计出该车辆CO或CO2尾气浓度。
Description
技术领域
本发明涉及一种基于深层次神经网络的车辆尾气浓度反演方法，属于尾气检测模式识别领域。
背景技术
在2016年底，我国机动车保有量达2.9亿辆，其中汽车1.94亿辆。大量的机动车排放的尾气是城市空气污染的主要原因之一，车辆尾气会对环境造成不良影响，严重危害人体健康。所以对不同环境条件及驾驶条件下的车辆尾气浓度进行检测与估计是提高空气质量的一个关键问题。
近些年来,有较多的关于车辆尾气浓度反演与检测的研究。文献Franco GarcíaV.Evaluation and improvement of road vehicle pollutant emission factors basedon instantaneous emissions data processing[J].2014.中提到的通过底盘和发动机测功机来测试估计车辆尾气排放量，这种方法具有较高的精度，重复性以及经济性，但从根本上来说模拟的驾驶环境与现实实际驾驶条件具有较大差异。文献Geller M D,Sardar S B,Phuleria H,et al.Measurements of particle number and mass concentrations andsize distributions in a tunnel environment[J].Environmental Science&Technology,2005,39(22):8653-8663.中提出的隧道法，即通过研究隧道出入口气体浓度差及空气流量来估计车辆尾气排放，这种方法更接近现实中的比功率机测试情况，但只能测得尾气排放的平均状况，无法得到瞬时车辆尾气排放状况。以下三篇文献(Rubino L,Bonnel P,Hummel R,et al.On-road emissions and fuel economy of light dutyvehicles using PEMS:chase-testing experiment[J].SAE international Journal ofFuels and Lubricants,2008,1(2008-01-1824):1454-1468.；Weiss M,Bonnel P,HummelR,et al.On-road emissions of light-duty vehicles in Europe[J].Environmentalscience&technology,2011,45(19):8575-8581.；Dearth M A,Butler J W,Colvin A,etal.SemtechD:the chassis roll evaluation of a commercial Portable EmissionMeasurement System(PEMS)[R].SAE Technical Paper,2005.)中提到使用车载尾气检测设备(PEMS)与车辆尾气管道相连，通过探针采集污染物浓度。但这种方法需要在待检测车辆上安装PEMS设备，不具有普适性，检测成本昂贵。文献Yu L.Remote vehicle exhaustemission sensing for traffic simulation and optimization models[J].Transportation Research Part D:Transport and Environment,1998,3(5):337-347.提出单纯使用遥感监测方法来进行车辆尾气检测，对低浓度尾气污染物检测不敏感，但未考虑不同环境和驾驶模式对车辆排放尾气浓度的影响。文献彭美春,周桂添,王文涛,等.轻型汽油车工况法排放检测方法相关性研究[J].汽车技术,2005(12):31-34.中提到的IM195瞬态工况法虽然可检测多种速度与加速度工况，但检测时间较长(195s),设备运维成本较高。
发明内容
本发明技术解决问题：克服现有部分尾气检测设备昂贵、使用不便携，且可准确检测车辆尾气浓度范围有限，受车辆运动状态及天气环境条件等影响较大的缺点，提出一种使用大量尾气数据驱动的基于深层次神经网络DNN(Deep Neural Network)的车辆尾气CO(CO2)浓度反演估计方法，将待检测车辆的尾气遥测信息与车辆环检信息输入模型，即可快速准确的反演估计出该车辆CO(CO2)尾气浓度。
本发明技术解决方案：一种基于深层次神经网络的车辆尾气浓度反演方法，包括以下步骤：
第一步，对尾气遥测数据与车辆环检数据按照车牌号码进行映射融合及数据预处理，得到预处理后的尾气数据；
第二步，利用经过预处理的尾气数据，训练特殊结构的深层次部分连接的神经网络来记忆不同车辆尾气浓度与不同气象环境、不同车辆运动状态及激光吸收光谱反演初始尾气浓度等信息之间相互蕴含模式及关系，建立尾气浓度反演回归模型；所述尾气浓度反演回归模型的建立如下：
(1)模型输入输出：首先确定尾气浓度反演模型的输入与输出，模型的输入为经过数据融合与预处理的尾气数据，包括车辆基准质量、发动机排量、车辆燃油规格、是否有催化转化器、排气后处理装置、驱动方式、比功率、不透光烟度、车辆速度、加速度、驾驶环境温度、湿度、风速、风向、气压、激光吸收谱反演初始尾气浓度等尾气数据特征；模型的输出为车辆CO(CO2)尾气反演浓度，在训练模型时，将由燃烧方程反解得到的车辆CO(CO2)尾气浓度作为标准输出；
(2)深层次神经网络的结构：尾气浓度反演模型的基本结构是部分连接的深层次神经网络，网络由输入层，3层隐含层，输出层构成，每一层由若干神经元组成，层与层之间的神经元相互连接，其中输入层输入数据为上述经过数据融合及预处理的尾气数据特征，隐含层将上一层输出作为下一层输入，将下一层输出作为另一层输入，依次类推，直至输出层输出尾气反演浓度，如图1所示；
(3)激活函数选取：如图2所示，每一个神经元的输入为上一层神经元的输出的加权和与偏置之差，通过激活函数映射作为该神经元输出，选取Relu函数作为激活函数，即其中xi是该神经元的第i个输入，wi是神经元第i个输入的权值，I为该神经元总的输入数目，θ是偏置，o为该神经元的输出。Relu激活函数的几何形式如图3所示；
(4)损失函数选取：选取平均绝对误差mae函数作为模型的损失函数，即其中N为模型训练样本数量，其中l(x)为模型损失函数，yi为CO(CO2)尾气反演预测浓度，为训练尾气数据的标准CO(CO2)浓度，由燃烧方程反解得到；
(5)优化方法选取：选取RMSProb优化方法来调整车辆尾气浓度反演深层次神经网络中的权值，使损失函数最小。权值的初始化方法是采用服从正太分布的小随机数来进行初始化；
(6)正则化手段：为了防止过拟合，丢弃网络中部分神经元相互的连接，丢弃的dropout比例通过网格寻参确定；
(7)5折交叉验证：为了充分利用由环保部门采集到的大量尾气数据，将经过数据融合及预处理的数据随机平均分为5份，将其中一份作为验证集测试模型性能，其余的作为训练集数据，重复5次，最后将5个子模型的平均输出作为整体模型的输出结果。
第三步，向训练好的尾气浓度反演回归模型输入待检测尾气浓度车辆的相关监测信息及环境统计信息，通过尾气浓度反演回归模型快速预测相应的车辆尾气CO和CO2浓度。
所述第一步，对尾气数据进行预处理的过程是：基于车牌号码对车辆环检数据及车辆尾气遥感监测数据进行数据映射融合，在对融合后的数据进行数据清洗，异常值边界插值，标准化及向量化处理，形成尾气浓度反演的初始数据。
所述第二步，尾气浓度反演模型的建立过程中：
(1)使用了环保部门采集的约6万条车辆尾气遥测数据与车检数据记录，即本模型的建立是基于大量尾气数据驱动的，使用这些尾气数据来训练含大量权值参数的深层次的神经网络模型时不会发生过拟合现象，且尾气浓度反演回归模型的反演拟合能力强，抗干扰能力强。同时在建立尾气浓度反演回归模型时，在尾气浓度反演回归模型输入方面选取的特征信息量充足，包括了车辆基准质量、发动机排量等车辆自身信息，车辆行驶速度，加速度等运动状态信息以及环境温度、风向风速等环境信息；
(2)本车辆尾气浓度反演模型基于深层次神经网络的，该网络层数(4层)以及各层神经元数量(17,30,20,10,1)是通过多次实验对比最终确定的，该网络结构可以有效避免过拟合或欠拟合现象的发生；
(3)本网络模型选用Relu激活函数，可以减轻训练模型权值参数时是梯度弥散问题，且激活函数中不含指数项。梯度下降收敛速度快。本网络模型使用RMSProb优化方法来进行权值参数优化学习，自适应车辆尾气浓度反演神经网络的权值学习速率，这样模型训练速度较快。本网络模型使用丢弃部分神经元连接权值的方法进行正则化，避免过拟合。
本发明与现有技术相比的优点在于：
(1)本发明在建立车辆尾气CO(CO2)浓度反演DNN模型时是基于大量尾气数据数据驱动的，网络模型包含记录了多种尾气数据模式，且受噪声数据影响较小，所以适用于多种环境条件下的车辆尾气CO(CO2)浓度反演与估计。
(2)本发明在反演估计车辆尾气浓度时，只需向提前训练好的网络模型输入该车辆遥感监测信息，环境记录信息及车辆环检信息即可准确反演出该车辆尾气CO(CO2)浓度，不需要将昂贵、接触式的PEMS等设备安装于待检测车辆。
(3)本发明所建立的DNN车辆尾气浓度反演回归模型充分考虑了环境条件及车辆自身信息对车辆尾气排放浓度结果的影响，所以在进车辆CO(CO2)尾气浓度反演估计时结果更准确，鲁棒性更强。
(4)使用提前训练好的基于DNN的车辆尾气浓度CO(CO2)反演模型对车辆尾气浓度进行反演估计时的速度非常快，1秒内可以输出相应尾气浓度反演结果。
附图说明
图1为本发明的模型结构图；
图2为本发明中神经元结构图；
图3为本发明中Relu激活函数几何示意图；
图4为本发明中尾气数据预处理流程图；
图5a和图5b分别为DNN车辆尾气浓度反演回归模型反演估计100个随机测试车辆样本的CO、CO2尾气浓度结果图。
具体实施方式
下面结合附图及实施例对本发明进行详细说明。
本发明首先将大量车辆环检数据与尾气遥感监测数据进行数据融合与预处理，然后再训练车辆尾气CO(CO2)浓度DNN反演模型，训练好的网络模型可对不同环境条件下的车辆尾气CO(CO2)浓度进行快速反演与预测。
本发明的技术方案分为两个阶段，第一个阶段是车辆尾气CO(CO2)浓度反演回归模型的建立阶段，即先对尾气数据进行预处理，再训练特定的深层次部分连接的神经网络来建立车辆尾气CO(CO2)浓度反演回归模型。第二个阶段是车辆尾气浓度反演预测阶段，主要是通过训练好的反演模型快速估计预测待检测车辆尾气CO(CO2)浓度。
车辆尾气CO(CO2)浓度反演回归模型建立阶段
1、基于车牌号码对车辆环检数据库及车辆尾气遥感监测数据库中尾气数据进行数据融合，再对映射融合后的尾气数据进行数据清洗，异常值插值，标准化及向量化处理，形成车辆尾气浓度反演的初始数据。
2、训练特定的深层次部分连接的神经网络来“记忆”不同车辆尾气浓度与不同气象环境、不同车辆运动状态及激光吸收光谱反演初始尾气浓度等信息之间相互蕴含模式及关系，建立尾气浓度反演回归模型。
尾气浓度反演预测阶段
向第一阶段训练好的特定结构的神经网络模型输入待检测尾气浓度车辆的相关尾气遥测信息、环境记录信息及车辆环检信息，通过网络模型快速估计预测相应的车辆尾气CO(CO2)浓度。
因此，本发明的特点为：
(1)本发明所建立的车辆CO(CO2)尾气浓度反演模型基于环保部门采集的大量车辆尾气遥测数据与车检数据(约6万条尾气数据库记录数据)而建立的，使用大量尾气数据来训练含大量权值参数的深层次的神经网络模型时不会发生过拟合现象，且模型的反演拟合能力强。同时在建立模型时，在特征方面充分考虑了车辆基准质量、发动机排量等车辆自身信息，车辆行驶速度，加速度等运动状态信息以及环境温度、风向风速等环境信息对车辆尾气浓度反演估计的影响，使反演估计结果更精确。
(2)本发明车辆尾气浓度反演模型基于深层次神经网络的，该网络层数(4层)以及各层神经元数量(17,30,20,10,1)是通过多次实验对比最终确定的，该网络结构可以有效避免过拟合或欠拟合现象的发生。
(3)本发明中网络模型选用Relu激活函数，可以减轻训练模型权值参数时是梯度弥散问题，且激活函数中不含指数项。梯度下降收敛速度快。
(4)本发明中网络模型使用RMSProb优化方法来进行权值参数优化学习，自适应车辆尾气浓度反演神经网络的权值学习速率，这样模型训练速度较快。
(5)本发明中网络模型使用丢弃部分神经元连接权值的方法进行正则化，避免过拟合。
(6)本发明中尾气浓度反演模型是最终通过5折交叉验证的方法来建立，避免了数据浪费。并且训练好的深层次部分连接的神经网络模型可以快速准确的反演估计出车辆CO(CO2)尾气浓度。
下面详细说明。
本发明通过训练特定的深层次部分连接的神经网络来建立车辆尾气浓度反演回归模型，对车辆CO、CO2尾气浓度进行快速反演预测。
1.DNN车辆尾气浓度反演回归模型的建立
首先将用于反演回归分析的车辆环检数据库与遥感监测数据库中的相关尾气数据基于车牌号码进行数据融合及相关数据预处理。再用这些尾气数据来训练特定结构的深层次部分连接的神经网络，并通过交叉验证来建立最终反演回归模型。
1.1尾气数据预处理
尾气数据预处理流程如图4所示，首先对车辆环检数据库及遥感监测数据库中相关尾气数据进行数据提取，然后基于车牌号码对其进行映射融合。再进行数据清洗，数据清洗主要是删除缺省记录，去除无用特征属性字段，对部分属性进行特定范围的过滤。然后对于异常值进行边界插值，具体范围是(-1.5IQR+mid,+10IQR+mid)，其中mid是尾气样本数据变量中值，IQR是尾气样本数据变量四分位距。使用OneHot方法向量化尾气数据中字符串属性字段。标准化处理尾气数据中数值属性字段，将其范围缩放至(-1,1)，减小量纲带来的噪声影响。最后形成用于尾气浓度反演回归分析的数据。
1.2基于深层次神经网络的尾气浓度反演回归模型的建立
利用经过预处理的尾气数据来训练部分连接的4层神经网络，通过5折交叉验证建立尾气浓度反演回归模型。
1.2.1网络结构
DNN尾气浓度反演模型基本结构如图1所示，模型的输入包括车辆燃油规格、车辆基准质量、发动机排量、是否有催化转化器、排气后处理装置、驱动方式、车辆速度、加速度、比功率、不透光烟度、温度、湿度、风速、风向、气压、激光吸收光谱反演初始尾气浓度等特征，模型输出O1分别为CO、CO2反演预测浓度，图1中模型的基本结构是部分连接的多层神经网络，网络的输入层大小为17，隐含层大小分别为30,20,10，输出层大小为1，隐含层神经元数量是通过网格最优寻参确定的。网络层数或神经元个数过多会导致过拟合，即在训练集上各项统计性能效果非常好，但在其他测试集上效果较差，即泛化能力较差。当然过小的神经网络结构会导致欠拟合问题，无法精确地构建模型。输入层中Xi表示经过数据融合与预处理后的第i个尾气数据特征，隐含层与输出层由若干神经元组成，第i个隐含层的第j个神经元为hij,每一个神经元的输入为上一层神经元的输出的加权和与偏置之差，通过激活函数映射作为该神经元输出，选取如图2所示Relu函数作为激活函数，即其中xi是该神经元的第i个输入，wi是神经元第i个输入的权值，I为该神经元总的输入数，θ是偏置，o为该神经元的输出。并且与一般常用的激活函数sigmiod函数和tanh函数相比，Relu函数减轻了误差反向传播过程中梯度弥散的问题，它梯度不饱和。另外不含指数项，训练收敛速度更快。
层与层之间的神经元相互按照权值连接，其中输入层输入数据为经过数据融合及预处理的尾气数据特征，隐含层将上一层输出作为下一层输入，将下一层输出作为另一层输入，依次类推，直至输出层输出尾气反演浓度。
1.2.2网络权值参数初始化及优化方法
神经网络模型的权值矩阵及偏置使用正太分布的小随机数进行初始化。
网络的优化方法是RMSProb方法，网络权值优化的一次梯度更新如下所示：
wt+1＝wt+△wt
其中wt为车辆尾气浓度反演深层次神经网络中连接神经元之间的权值，t为权值迭代更新的次数，即时序值，△为更新量，η为权值学习速率，g为权值的一次梯度，E[g2]t是梯度平方的期望，RMS[g]t为E[g2]t的均方根，ε是防止更新量分母为0的常数，ρ是类动量因子，主要是为了降低梯度g收敛的波动性。
1.2.3网络损失函数的选取
网络的损失函数是平均绝对损失函数mae(mean_absolute_error)函数。即其中其中N为模型训练样本数量，其中l(x)为模型损失函数，yi为CO(CO2)尾气反演预测浓度，为训练尾气数据的标准CO(CO2)浓度，由燃烧方程反解得到。使用平均绝对损失函数mae作为网络的损失函数要比均方误差函数mse(mean_sqared_error)作为网络损失函数效果好，因为mae是L1范数，mse是L2范数，L1范数抑制网络过拟合效果优于L2范数。
1.2.4交叉验证建立模型
选取5折交叉验证来建立车辆尾气CO(CO2)浓度反演模型，即将经过预处理的尾气训练数据集平均分为5组，分别将每一组数据作为验证集，其他4组数据作为训练集集，将得到的五个模型的平均输出作为整体模型的输出结果。
2.尾气浓度反演预测
随机选取100个未经过模型训练车辆尾气数据记录作为尾气测试样本，使用训练好的网络模型反演估计这些测试样本车辆尾气CO(CO2)浓度，并用均方根误差RMSE，相关系数R，平均绝对误差MAE及拟合优度Rnew作为模型统计分析的评价性能指标，与广义多元线性回归MLR方法作为对比，得到统计对比表如表1所示。由表1可以看出，本发明所建立的DNN模型与一般的广义多元线性回归MLR方法相比，本发明在对随机测试车辆样本的CO与CO2尾气浓度进行反演预测时，所得均方误差RMSE和均绝对误差MAE更小，相关系数R和拟合优度Rnew更大，即基于DNN模型的车辆尾气浓度反演结果要远优于一般的MLR方法所得结果。
RMSE，R，MAE，Rnew的定义如下：
其中，N为测试车辆样本的个数，yi为第i个样本的CO(CO2)尾气浓度，为100个样本的平均CO(CO2)尾气浓度，为第i个样本的CO(CO2)尾气反演预测浓度，为100个样本的平均CO(CO2)尾气反演预测浓度。
利用DNN模型分别对100个随机测试车辆样本的CO、CO2尾气浓度进行反演，得到结果图如图5a和图5b所示，其中图5a与5图b的横坐标都为随机(车辆尾气)测试样本(”RandomTest Data”)，图5a与图5b的纵坐标分别为CO和CO2尾气体积浓度百分比(”Concentration”)，单位为百分比(％)。图5a中实线代表这100个随机样本CO尾气浓度的检测值，虚线代表相应的DNN模型的CO尾气浓度反演预测值，图5b中实线代表100个随机样本CO2尾气浓度的检测值，虚线代表相应的DNN模型的CO2尾气浓度反演预测值，可以看出图5a与图5b中，实线曲线与虚线曲线高度重合，即DNN模型具有非常好的反演预测能力，可以快速精确地反演出待检测车辆的CO、CO2尾气浓度。
表1DNN模型与MLR模型反演估计100个随机车辆测试样本的尾气浓度对比表
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。
Claims (2)
1.一种基于深层次神经网络的车辆尾气浓度反演方法，其特征在于：包括以下步骤：
第一步，对尾气遥测数据与车辆环检数据按照车牌号码进行映射融合及数据预处理，得到预处理后的尾气数据；
第二步，利用预处理的尾气数据，训练深层次部分连接的神经网络，即通过深层次神经网络来记忆不同车辆尾气浓度与不同气象环境、不同车辆运动状态及激光吸收光谱反演初始尾气浓度信息之间相互蕴含模式及关系，建立尾气浓度反演回归模型；所述尾气浓度反演回归模型的建立包括如下：
(1)确定尾气浓度反演回归模型的输入输出：所述尾气浓度反演回归模型输入为经过数据融合与预处理的尾气数据，包括车辆基准质量、发动机排量、车辆燃油规格、是否有催化转化器、排气后处理装置、驱动方式、比功率、不透光烟度、车辆速度、加速度、驾驶环境温度、湿度、风速、风向、气压、激光吸收谱反演初始尾气CO浓度、激光吸收谱反演初始尾气CO2浓度等尾气数据特征；所述尾气浓度反演回归模型的输出为车辆CO或CO2尾气反演浓度，在训练模型时，将由燃烧方程反解得到的车辆CO或CO2尾气浓度作为标准输出；
(2)深层次神经网络的结构：尾气浓度回归反演模型的基本结构是部分连接的深层次神经网络，所述深层次神经网络由输入层，3层隐含层，输出层构成，每一层由若干神经元组成，层与层之间的神经元相互连接，其中输入层输入数据为上述经过数据融合及预处理的尾气数据，隐含层将上一层输出作为下一层输入，将下一层输出作为另一层输入，依次类推，直至输出层输出尾气反演浓度；
(3)激活函数选取：每一个神经元的输入为上一层神经元的输出的加权和与偏置之差，通过激活函数映射作为所述神经元输出，选取Relu函数作为激活函数，即其中xi是神经元的第i个输入，wi是神经元第i个输入的权值，I为该神经元总的输入数目，θ是偏置，f为该神经元的输出值；
(4)损失函数选取：建立深层次神经网络车辆尾气浓度反演模型是为了准确快速地预测估计车辆尾气浓度，最小化错误度量，因此选取平均绝对误差mae函数作为深层次神经网络的损失函数，即其中N为训练样本数量，其中l(x)为损失函数，yi为CO或CO2尾气反演预测浓度，为训练尾气数据的标准CO或CO2浓度，由燃烧方程反解得到，通过最小化该损失函数l(x)，使神经网络中神经元相互连接权值达到最优；
(5)优化方法选取：对于车辆尾气浓度反演深层次神经网络中神经元相互连接的权值，首先采用服从正太分布的小随机数进行初始化赋值，再选取RMSProb优化方法来调整这些权值，使神经网络的损失函数最小；
(6)正则化手段：为了防止过拟合，随机丢弃车辆尾气浓度反演深层次神经网络中部分神经元之间相互连接权值，即将这些丢弃的连接权值全部赋值为0，丢弃的dropout比例通过网格寻参确定；
(7)5折交叉验证：为了充分利用由环保部门采集到的大量尾气数据，将经过数据融合及预处理的数据随机平均分为5份，将其中一份作为验证集测试模型性能，其余的作为训练集数据，重复5次，最后将5个子模型的平均输出作为整体尾气浓度反演回归模型的输出结果；
第三步，向第二步中训练好的尾气浓度反演回归模型输入待检测尾气浓度车辆的相关监测信息及环境统计信息，尾气浓度反演回归模型可以在1秒内快速输出预测的相应车辆的CO或CO2尾气浓度。
2.根据权利要求1所述的基于深层次网络的车辆尾气浓度反演方法，其特征在于：所述第一步，对尾气数据进行预处理的过程是：基于车牌号码对车辆环检数据及车辆尾气遥感监测数据进行数据映射融合，在对融合后的数据进行数据清洗，异常值边界插值，标准化及向量化处理，形成尾气浓度反演的初始数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710732880.5A CN107577910B (zh) | 2017-08-24 | 2017-08-24 | 一种基于深层次神经网络的车辆尾气浓度反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710732880.5A CN107577910B (zh) | 2017-08-24 | 2017-08-24 | 一种基于深层次神经网络的车辆尾气浓度反演方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107577910A true CN107577910A (zh) | 2018-01-12 |
| CN107577910B CN107577910B (zh) | 2020-04-03 |
Family
ID=61034789
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710732880.5A Active CN107577910B (zh) | 2017-08-24 | 2017-08-24 | 一种基于深层次神经网络的车辆尾气浓度反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107577910B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108498089A (zh) * | 2018-05-08 | 2018-09-07 | 北京邮电大学 | 一种基于深度神经网络的无创连续血压测量方法 |
| CN109473148A (zh) * | 2018-10-26 | 2019-03-15 | 武汉工程大学 | 一种离子浓度预测方法、装置和计算机存储介质 |
| CN109781809A (zh) * | 2019-02-23 | 2019-05-21 | 苏州市智汇易联科技有限公司 | 一种甲醛浓度人工智能测算方法 |
| CN110968826A (zh) * | 2019-10-11 | 2020-04-07 | 重庆大学 | 一种基于空间映射技术的大地电磁深度神经网络反演方法 |
| CN111089850A (zh) * | 2020-02-17 | 2020-05-01 | 北京航空航天大学 | 一种基于单一组分吸收光谱的多组分浓度的估计方法 |
| CN112598170A (zh) * | 2020-12-18 | 2021-04-02 | 中国科学技术大学 | 基于多组件融合时间网络的车辆尾气排放预测方法及系统 |
| CN113269348A (zh) * | 2021-04-09 | 2021-08-17 | 中国科学院合肥物质科学研究院 | 一种基于机器学习的机动车尾气浓度预测方法及系统 |
| CN114065639A (zh) * | 2021-11-19 | 2022-02-18 | 江苏科技大学 | 一种挖泥船施工参数的闭环实时反演方法 |
| CN114402131A (zh) * | 2019-10-31 | 2022-04-26 | 迪尔公司 | 用于确定排放物质量的方法 |
| CN116976202A (zh) * | 2023-07-12 | 2023-10-31 | 清华大学 | 基于深度神经网络的固定复杂源项分布反演方法及装置 |
| CN116992247A (zh) * | 2023-09-27 | 2023-11-03 | 集利安(南通)电子科技有限公司 | 一种尾气分析仪的异常数据检测方法 |
| CN117725764A (zh) * | 2024-02-07 | 2024-03-19 | 中汽研汽车检验中心（天津）有限公司 | 基于回归模型的车辆底盘多目标优化方法、设备和介质 |
| CN114065639B (zh) * | 2021-11-19 | 2024-05-31 | 江苏科技大学 | 一种挖泥船施工参数的闭环实时反演方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150339586A1 (en) * | 2015-07-31 | 2015-11-26 | Brighterion, Inc. | Method for calling for preemptive maintenance and for equipment failure prevention |
| CN106650287A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种基于mlp神经网络的机动车尾气排放因子估计方法 |
| CN106650825A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种机动车尾气排放数据融合系统 |
| CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控系统 |
-
2017
- 2017-08-24 CN CN201710732880.5A patent/CN107577910B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150339586A1 (en) * | 2015-07-31 | 2015-11-26 | Brighterion, Inc. | Method for calling for preemptive maintenance and for equipment failure prevention |
| CN106650287A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种基于mlp神经网络的机动车尾气排放因子估计方法 |
| CN106650825A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种机动车尾气排放数据融合系统 |
| CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控系统 |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108498089B (zh) * | 2018-05-08 | 2022-03-25 | 北京邮电大学 | 一种基于深度神经网络的无创连续血压测量方法 |
| CN108498089A (zh) * | 2018-05-08 | 2018-09-07 | 北京邮电大学 | 一种基于深度神经网络的无创连续血压测量方法 |
| CN109473148A (zh) * | 2018-10-26 | 2019-03-15 | 武汉工程大学 | 一种离子浓度预测方法、装置和计算机存储介质 |
| CN109781809A (zh) * | 2019-02-23 | 2019-05-21 | 苏州市智汇易联科技有限公司 | 一种甲醛浓度人工智能测算方法 |
| CN109781809B (zh) * | 2019-02-23 | 2020-11-20 | 苏州市智汇易联科技有限公司 | 一种甲醛浓度人工智能测算方法 |
| CN110968826A (zh) * | 2019-10-11 | 2020-04-07 | 重庆大学 | 一种基于空间映射技术的大地电磁深度神经网络反演方法 |
| CN110968826B (zh) * | 2019-10-11 | 2023-04-07 | 重庆大学 | 一种基于空间映射技术的大地电磁深度神经网络反演方法 |
| CN114402131A (zh) * | 2019-10-31 | 2022-04-26 | 迪尔公司 | 用于确定排放物质量的方法 |
| CN111089850A (zh) * | 2020-02-17 | 2020-05-01 | 北京航空航天大学 | 一种基于单一组分吸收光谱的多组分浓度的估计方法 |
| CN112598170A (zh) * | 2020-12-18 | 2021-04-02 | 中国科学技术大学 | 基于多组件融合时间网络的车辆尾气排放预测方法及系统 |
| CN112598170B (zh) * | 2020-12-18 | 2022-10-28 | 中国科学技术大学 | 基于多组件融合时间网络的车辆尾气排放预测方法及系统 |
| CN113269348A (zh) * | 2021-04-09 | 2021-08-17 | 中国科学院合肥物质科学研究院 | 一种基于机器学习的机动车尾气浓度预测方法及系统 |
| CN113269348B (zh) * | 2021-04-09 | 2023-05-30 | 中国科学院合肥物质科学研究院 | 一种基于机器学习的机动车尾气浓度预测方法及系统 |
| CN114065639B (zh) * | 2021-11-19 | 2024-05-31 | 江苏科技大学 | 一种挖泥船施工参数的闭环实时反演方法 |
| CN114065639A (zh) * | 2021-11-19 | 2022-02-18 | 江苏科技大学 | 一种挖泥船施工参数的闭环实时反演方法 |
| CN116976202A (zh) * | 2023-07-12 | 2023-10-31 | 清华大学 | 基于深度神经网络的固定复杂源项分布反演方法及装置 |
| CN116976202B (zh) * | 2023-07-12 | 2024-03-26 | 清华大学 | 基于深度神经网络的固定复杂源项分布反演方法及装置 |
| CN116992247B (zh) * | 2023-09-27 | 2023-12-22 | 集利安(南通)电子科技有限公司 | 一种尾气分析仪的异常数据检测方法 |
| CN116992247A (zh) * | 2023-09-27 | 2023-11-03 | 集利安(南通)电子科技有限公司 | 一种尾气分析仪的异常数据检测方法 |
| CN117725764A (zh) * | 2024-02-07 | 2024-03-19 | 中汽研汽车检验中心（天津）有限公司 | 基于回归模型的车辆底盘多目标优化方法、设备和介质 |
| CN117725764B (zh) * | 2024-02-07 | 2024-05-03 | 中汽研汽车检验中心（天津）有限公司 | 基于回归模型的车辆底盘多目标优化方法、设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107577910B (zh) | 2020-04-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107577910A (zh) | 一种基于深层次神经网络的车辆尾气浓度反演方法 | |
| CN106650825B (zh) | 一种机动车尾气排放数据融合系统 | |
| Chen et al. | Predict the effect of meteorological factors on haze using BP neural network | |
| CN106845371B (zh) | 一种城市路网机动车尾气排放遥感监控系统 | |
| Barth et al. | Recent validation efforts for a comprehensive modal emissions model | |
| Montazeri-Gh et al. | Development of car drive cycle for simulation of emissions and fuel economy | |
| CN107330300A (zh) | 一种基于支持向量回归的车辆尾气浓度反演方法 | |
| CN106650287A (zh) | 一种基于mlp神经网络的机动车尾气排放因子估计方法 | |
| Hu et al. | Estimating gaseous pollutants from bus emissions: A hybrid model based on GRU and XGBoost | |
| CN114781538A (zh) | 一种ga-bp神经网络耦合决策树的空气质量预测方法和系统 | |
| CN108629450A (zh) | 一种液化天然气公交车尾气排放预测方法 | |
| Asher et al. | Economic and efficient hybrid vehicle fuel economy and emissions modeling using an artificial neural network | |
| Della Ragione et al. | The influence of road gradient in an integrated approach of real driving cycles and emissions factors model | |
| CN110533239A (zh) | 一种智慧城市空气品质高精度测量方法 | |
| Motallebiaraghi et al. | High-fidelity modeling of light-duty vehicle emission and fuel economy using deep neural networks | |
| CN115422747A (zh) | 一种机动车尾气污染物排放量的计算方法和计算装置 | |
| Panneer Selvam et al. | Prediction of NO x emissions from compression ignition engines using ensemble learning-based models with physical interpretability | |
| Wang et al. | Predictability of Vehicle Fuel Consumption Using LSTM: Findings from Field Experiments | |
| Xu et al. | Analysis and prediction of vehicle exhaust emission using ann | |
| Montazeri-Gh et al. | Development of the Tehran car driving cycle | |
| CN115587327B (zh) | 一种考虑Jerk的汽车油耗预测方法 | |
| CN115263505A (zh) | 一种车辆nox排放预测方法、装置及存储介质 | |
| CN115048875A (zh) | 基于机动车排放数据的城市大气环境指标预警方法及系统 | |
| Witaszek | Modeling of fuel consumption using artificial neural networks | |
| Li et al. | Remote sensing and artificial neural network estimation of on-road vehicle emissions |
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 | ||
| CP02 | Change in the address of a patent holder |
Address after: No.443 Huangshan Road, Shushan District, Hefei City, Anhui Province 230022 Patentee after: University of Science and Technology of China Address before: 230026 Jinzhai Road, Baohe District, Hefei, Anhui Province, No. 96 Patentee before: University of Science and Technology of China |
|
| CP02 | Change in the address of a patent holder |