CN108226046B - 一种机动车尾气遥测结果修正方法 - Google Patents

一种机动车尾气遥测结果修正方法 Download PDF

Info

Publication number
CN108226046B
CN108226046B CN201711429054.XA CN201711429054A CN108226046B CN 108226046 B CN108226046 B CN 108226046B CN 201711429054 A CN201711429054 A CN 201711429054A CN 108226046 B CN108226046 B CN 108226046B
Authority
CN
China
Prior art keywords
motor vehicle
motor
indicate
tail
gas
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
Application number
CN201711429054.XA
Other languages
English (en)
Other versions
CN108226046A (zh
Inventor
康宇
王晓栋
李泽瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN201711429054.XA priority Critical patent/CN108226046B/zh
Publication of CN108226046A publication Critical patent/CN108226046A/zh
Application granted granted Critical
Publication of CN108226046B publication Critical patent/CN108226046B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
    • G01N2021/3155—Measuring in two spectral ranges, e.g. UV and visible
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
    • G01N2021/3513—Open path with an instrumental source

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明公开了一种机动车尾气遥测结果修正方法，包括以下步骤：使用机动车尾气立式遥感检测设备采集机动车基本信息、机动车尾气遥测数据、遥测设备安装点周围的环境变量，并获取机动车年检相关信息；建立机动车尾气排放数据集，并对采集到的数据进行预处理；采用随机森林模型，训练机动车尾气遥感检测结果修正模型，实现对机动车尾气遥感检测结果的实时在线修正。

Description

一种机动车尾气遥测结果修正方法
技术领域
本发明涉及环境检测技术领域，尤其涉及一种机动车尾气遥测结果修正方法。
背景技术
随着国民经济的快速发展和人民经济水平的提高，机动车保有量逐年增加，我国的空气污染问题日趋严重，严重灰霾现象时有出现，特别是京津冀地区更加常见。机动车尾气排放作为城市空气污染的主要污染源之一，其负面效应主要包括：引发人类呼吸系统疾病、地表臭氧含量过高、城市热岛效应加重，以及产生光化学烟雾等。因此，我国亟需对机动车尾气污染物浓度进行检测，以减少和控制机动车尾气排放。
遥感技术是一种非接触式的光学测量手段，可直接测量行驶中机动车的尾气排放，已在欧美等国家得到了普遍应用。遥测设备的优点是自动化程度高，一天可以测试上万辆机动车，已成为机动车尾气检测/维修(I/M)项目及筛查高排放车的主要手段。
在如今的信息化时代，机动车尾气的检测更倾向于智能化、网络化和模块化。其中一种常见的方法就是利用机动车尾气立式遥感检测设备进行机动车尾气遥测。机动车尾气立式遥感检测设备可实现对设备部署点的每一条机动车道上行驶的所有机动车所排放的尾气进行实时检测，可在短时间内积累大量机动车尾气排放数据，大大降低了机动车尾气排放的检测成本，在筛选高污染排放车辆、豁免清洁车辆、识别限行车辆、对行驶中机动车进行实时在线检测方面发挥重大作用。
美中不足的是，遥感测量的主要缺点是受到遥测设备安装点周围的环境变量(如温度、相对湿度、大气压强等)的影响，一定程度上造成机动车尾气遥感检测结果的偏差和误判。不仅如此，由于遥感测试为定点测试，不能全面反映机动车在各种行驶工况下的尾气排放。因此，研究一种将机动车基本信息、机动车尾气遥测数据、遥测设备安装点周围的环境变量，机动车年检相关信息考虑在内的机动车尾气遥测结果修正方法是极其必要的。
申请号201510745166.0的申请文件公布了一种基于机动车比功率的速度对车辆排放因子修正方法。该发明专利根据机动车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。
以上发明主要存在以下两点不足：
(1)该发明所提出的关系模型既需要机动车的速度、加速度数据，又需要基本排放因子、MOVES数据库的排放率等大量、多种类数据的输入。关系模型的计算过程不仅较为繁琐，而且构建模型的数据需求在现实中往往难以得到满足。
(2)该发明只考虑交通指数和机动车行驶工况对机动车尾气排放的影响，未将机动车行驶时所处的周围环境变量对机动车尾气排放的影响考虑在内，难以客观地评价机动车实际的排放水平。
发明内容
本发明技术解决问题：克服现有技术的不足，提供一种机动车尾气遥测结果修正方法，解决了采用机动车尾气立式遥感检测设备进行机动车尾气遥测时，因机动车实际行驶工况和遥测设备安装点周围的环境变量对该设备最终判定结果造成影响的问题。
为了实现上述目的，本发明提供如下技术方案：一种机动车尾气遥测结果修正方法，包括以下步骤：
步骤1：使用机动车尾气立式遥感检测设备采集机动车基本信息、机动车尾气遥测数据、遥测设备安装点周围的环境变量，并获取机动车年检相关信息；
步骤2：建立机动车尾气排放数据集，并对步骤1中采集到的机动车基本信息，包括：机动车的基准质量、机动车的发动机排量、机动车的比功率、机动车的使用年限、机动车的长度、机动车的使用性质、机动车是否安装催化转化器；机动车尾气遥测数据，包括：机动车的行驶速度、机动车的行驶加速度、机动车排放的尾气中一氧化碳的体积浓度、机动车排放的尾气中碳氢化合物的体积浓度、机动车排放的尾气中氮氧化合物的体积浓度、机动车排放的尾气中固体颗粒物的不透光烟度值、机动车尾气立式遥感检测设备的遥测初始判定结果；遥测设备安装点周围的环境变量，包括：机动车尾气立式遥感检测设备安装点周围的风速、机动车尾气立式遥感检测设备安装点周围的环境温度、机动车尾气立式遥感检测设备安装点周围的大气压强、机动车尾气立式遥感检测设备安装点周围的相对湿度；机动车年检相关信息，包括：机动车年检时周围的环境温度、机动车年检时周围的大气压强、机动车年检时周围的相对湿度、机动车年检判定结果数据进行二值化和归一化处理；
步骤3：根据步骤2中所建立的机动车尾气排放数据集，采用随机森林模型，将机动车尾气排放数据集作为输入变量，将机动车尾气遥测修正判定结果作为输出变量，将机动车年检判定结果作为标签数据，训练机动车尾气遥感检测结果修正模型，并采用受试者工作特征曲线和受试者工作特征曲线下的面积作为性能指标，实现对机动车尾气遥感检测结果的实时在线修正。
优选的，所述步骤2中建立机动车尾气排放数据集的步骤包括：
(1)机动车尾气排放数据集中的每条样本数据应包括每辆机动车的遥测数据集部分、车检数据集部分以及机动车年检判定结果。因此，每条样本数据属性组成如下：
其中，D(i)表示机动车尾气排放数据集的第i条样本数据，表示第i条样本数据中的遥测数据集部分，表示第i条样本数据中的车检数据集部分，S(i)表示第i条样本数据的机动车年检判定结果；
(2)将影响机动车尾气排放的数据属性以及影响遥感检测设备准确性的数据属性定义为遥测数据集。因此，遥测数据集的各项数据属性组成如下：
其中，Speed表示机动车的行驶速度、Acc表示机动车的行驶加速度、CO表示机动车排放的尾气中一氧化碳的体积浓度、HC表示机动车排放的尾气中碳氢化合物的体积浓度、NO表示机动车排放的尾气中氮氧化合物的体积浓度、Opacity表示机动车排放的尾气中固体颗粒物的不透光烟度值、RecordStatus表示机动车尾气立式遥感检测设备的遥测初始判定结果、JZZL表示机动车的基准质量、FDJPL表示机动车的发动机排量、VSP表示机动车的比功率、Useryears表示机动车的使用年限、Length表示机动车的长度、SYXZ表示机动车的使用性质、CHZHQ表示机动车是否安装催化转化器、WindSpeed表示机动车尾气立式遥感检测设备安装点周围的风速、TTel表示机动车尾气立式遥感检测设备安装点周围的环境温度、PTel表示机动车尾气立式遥感检测设备安装点周围的大气压强、HTel表示机动车尾气立式遥感检测设备安装点周围的相对湿度；
(3)将机动车年检时的各项环境变量定义为车检数据集。因此，车检数据集的各项数据属性组成如下：
其中，TIns表示机动车年检时周围的环境温度，PIns表示机动车年检时周围的大气压强，HIns表示机动车年检时周围的相对湿度；
(4)将机动车年检判定结果进行二值化分类，定义如下：
S(i)＝{0,1}
其中，将0定义为机动车年检判定结果超标，将1定义为机动车年检判定结果合格。
优选的，所述步骤3具体实现如下：
(1)将权利要求1步骤2中所建立的机动车尾气排放数据集作为随机森林模型的输入变量，数据格式如下：
其中，Speed表示机动车的行驶速度、Acc表示机动车的行驶加速度、CO表示机动车排放的尾气中一氧化碳的体积浓度、HC表示机动车排放的尾气中碳氢化合物的体积浓度、NO表示机动车排放的尾气中氮氧化合物的体积浓度、Opacity表示机动车排放的尾气中固体颗粒物的不透光烟度值、RecordStatus表示机动车尾气立式遥感检测设备的遥测初始判定结果、JZZL表示机动车的基准质量、FDJPL表示机动车的发动机排量、VSP表示机动车的比功率、Useryears表示机动车的使用年限、Length表示机动车的长度、SYXZ表示机动车的使用性质、CHZHQ表示机动车是否安装催化转化器、WindSpeed表示机动车尾气立式遥感检测设备安装点周围的风速、TTel表示机动车尾气立式遥感检测设备安装点周围的环境温度、PTel表示机动车尾气立式遥感检测设备安装点周围的大气压强、HTel表示机动车尾气立式遥感检测设备安装点周围的相对湿度、TIns表示机动车年检时周围的环境温度、PIns表示机动车年检时周围的大气压强、HIns表示机动车年检时周围的相对湿度。
将机动车尾气遥测修正判定结果作为随机森林模型的输出变量，数据格式如下：
C(i)＝{0，1}
其中，将0定义为机动车尾气遥测修正判定结果超标，将1定义为机动车尾气遥测修正判定结果合格。
将机动车年检判定结果作为随机森林模型的标签数据，数据格式如下：
S(i)＝{0，1}
其中，将0定义为机动车年检判定结果超标，将1定义为机动车年检判定结果合格。
(2)将机动车尾气排放数据集按比例((K-1)/K)和(1/K)划分为训练集和测试集。搭建随机森林模型，随机森林模型的参数包括：决策树最大棵数X棵、决策树最大深度Y层、划分时考虑的最大特征数Z个。其中，K，X，Y，Z均为正整数。K，X，Y，Z的取值将根据所要求的模型精度和计算速度进行权衡后决定。
(3)将受试者工作特征曲线和受试者工作特征曲线下的面积作为随机森林的性能指标。受试者工作特征曲线下的面积的计算公式如下：
其中，AUC表示受试者工作特征曲线下的面积，positiveClass表示随机森林模型输出变量为1的正样本集合，ranki表示第i项随机森林模型输出为1的正样本得分值，M表示随机森林模型输出变量为1的正样本数量，N表示随机森林模型输出变量为0的负样本数量。
随机森林模型的参数调节工作由K折交叉验证法完成。将机动车尾气排放数据集随机均匀地划分为K组子集，然后将每1组子集轮流作为测试集，其余的K-1组子集作为训练集，重复K次上述过程，得到K个模型；利用测试集计算K个模型各自的受试者工作特征曲线下的面积，并绘制该模型的受试者工作特征曲线，选择平均受试者工作特征曲线下的面积最大的模型参数组合作为随机森林模型的最优模型参数组合。
与现有技术相比，本发明的优势在于：
(1)本发明所采用的机动车尾气排放数据来自机动车尾气立式遥感检测设备所采集的实际道路上行驶的机动车排放数据，一方面，可真实反映机动车在实际工况下的排放水平，数据来源真实可靠；另一方面，实际道路结构复杂，可获得较大范围的速度、加速度数据，同时可获得在不同温度、相对湿度、大气压强情况下的机动车排放数据。
(2)本发明所采用随机森林模型建立机动车实际行驶工况及不同环境条件下机动车尾气排放因子之间的关系，巧妙地解决了采用机动车尾气立式遥感检测设备进行机动车尾气遥测时，因机动车实际行驶工况和遥测设备安装点周围的环境变量对该设备最终判定结果造成影响的问题。由于实际行驶工况及不同环境条件对排放因子的影响较为复杂，而随机森林模型即使对输入变量与输出变量之间复杂的非线性关系知之甚少，也能通过不断接收数据、生成修正结果的过程，及时调整随机森林内部决策树之间的参数，建立输入输出之间的内在关系，输出置信度较高的机动车尾气遥测修正判定结果。
(3)本发明所建立的随机森林模型结构清晰，逻辑简明。由于模型所需的数据均来自机动车尾气立式遥感检测设备真实采集的数据。因此，模型的数据来源真实可靠，而且模型的数据需求能够自给自足，模型所需计算资源少，运行时间短，能够实现机动车尾气立式遥感检测设备检测结果的实时在线修正。
附图说明
图1为本发明提出的一种机动车尾气遥测结果修正方法的具体实施步骤流程图；
图2为本发明提出的一种机动车尾气遥测结果修正方法对2013-2016年合肥市内机动车尾气立式遥感检测设备的遥测初始判定结果进行修正后所绘制的受试者工作特征曲线。
具体实施方式
为了使本发明的目的、技术方案及优点更加清晰明确，下面结合附图对技术方案进行详细阐述。
1.如图1所示，本发明具体实施步骤如下：
步骤1：使用机动车尾气立式遥感检测设备采集机动车基本信息、机动车尾气遥测数据、遥测设备安装点周围的环境变量，并获取机动车年检相关信息；
步骤2：建立机动车尾气排放数据集，并对步骤1中采集到的机动车基本信息，包括：机动车的基准质量、机动车的发动机排量、机动车的比功率、机动车的使用年限、机动车的长度、机动车的使用性质、机动车是否安装催化转化器；机动车尾气遥测数据，包括：机动车的行驶速度、机动车的行驶加速度、机动车排放的尾气中一氧化碳的体积浓度、机动车排放的尾气中碳氢化合物的体积浓度、机动车排放的尾气中氮氧化合物的体积浓度、机动车排放的尾气中固体颗粒物的不透光烟度值、机动车尾气立式遥感检测设备的遥测初始判定结果；遥测设备安装点周围的环境变量，包括：机动车尾气立式遥感检测设备安装点周围的风速、机动车尾气立式遥感检测设备安装点周围的环境温度、机动车尾气立式遥感检测设备安装点周围的大气压强、机动车尾气立式遥感检测设备安装点周围的相对湿度；机动车年检相关信息，包括：机动车年检时周围的环境温度、机动车年检时周围的大气压强、机动车年检时周围的相对湿度、机动车年检判定结果数据进行二值化和归一化处理；
步骤3：根据步骤2中所建立的机动车尾气排放数据集，采用随机森林模型，将机动车尾气排放数据集作为输入变量，将机动车尾气遥测修正判定结果作为输出变量，将机动车年检判定结果作为标签数据，训练机动车尾气遥感检测结果修正模型，并采用受试者工作特征曲线和受试者工作特征曲线下的面积作为性能指标，实现对机动车尾气遥感检测结果的实时在线修正。
所述步骤1中使用机动车尾气立式遥感检测设备采集机动车基本信息、机动车尾气遥测数据、遥测设备安装点周围的环境变量，并获取机动车年检相关信息的原理如下：
机动车尾气立式遥感检测设备的每个机动车尾气检测单元由多个安装在横跨车道的龙门架上且垂直于路面反射带的激光发射器构成，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特定波长的红外线和紫外光激光束，平铺在路面上的红外线和紫外光反射带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吸收红外线和紫外光，使得设备接收到的光强减弱，由于每个车道的激光接收器会受到不同车道激光的影响，激光接收器接收到的是机动车尾气中的污染物成分与体积浓度的混叠数据。每个激光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，通过多波长激光技术对激光接收器混叠信号的分析，对比发射和接收光光谱的变化情况，即可计算出机动车排放的尾气中一氧化碳的体积浓度、机动车排放的尾气中碳氢化合物的体积浓度、机动车排放的尾气中氮氧化合物的体积浓度、机动车排放的尾气中固体颗粒物的不透光烟度值，并给出机动车尾气立式遥感检测设备的遥测初始判定结果。
机动车尾气遥感检测设备的速度和加速度传感器利用车轮通过两条红外线对射光路的时间差测量机动车的行驶速度和机动车的行驶加速度；机动车尾气遥感检测设备的图像识别模块可识别机动车车牌号码，记录机动车的通过时间，并关联遥测系统数据库中该机动车的基本信息和年检相关信息，即可获取机动车的使用性质、机动车的使用年限、机动车的长度、机动车的发动机排量、机动车的基准质量、机动车是否安装催化转化器、机动车的比功率，以及机动车年检时周围的环境温度、机动车年检时周围的相对湿度、机动车年检时周围的大气压强、机动车年检判定结果；利用其他辅助设备可获取机动车尾气立式遥感检测设备安装点周围的环境温度、机动车尾气立式遥感检测设备安装点周围的大气压强、机动车尾气立式遥感检测设备安装点周围的相对湿度、机动车尾气立式遥感检测设备安装点周围的风速。
2.所述步骤2中建立机动车尾气排放数据集的步骤包括：
(1)机动车尾气排放数据集中的每条样本数据应包括每辆机动车的遥测数据集部分、车检数据集部分以及机动车年检判定结果。因此，每条样本数据属性组成如下：
其中，D(i)表示机动车尾气排放数据集的第i条样本数据，表示第i条样本数据中的遥测数据集部分，表示第i条样本数据中的车检数据集部分，S(i)表示第i条样本数据的机动车年检判定结果；
(2)将影响机动车尾气排放的数据属性以及影响遥感检测设备准确性的数据属性定义为遥测数据集。因此，遥测数据集的各项数据属性组成如下：
其中，Speed表示机动车的行驶速度、Acc表示机动车的行驶加速度、CO表示机动车排放的尾气中一氧化碳的体积浓度、HC表示机动车排放的尾气中碳氢化合物的体积浓度、NO表示机动车排放的尾气中氮氧化合物的体积浓度、Opacity表示机动车排放的尾气中固体颗粒物的不透光烟度值、RecordStatus表示机动车尾气立式遥感检测设备的遥测初始判定结果、JZZL表示机动车的基准质量、FDJPL表示机动车的发动机排量、VSP表示机动车的比功率、Useryears表示机动车的使用年限、Length表示机动车的长度、SYXZ表示机动车的使用性质、CHZHQ表示机动车是否安装催化转化器、WindSpeed表示机动车尾气立式遥感检测设备安装点周围的风速、TTel表示机动车尾气立式遥感检测设备安装点周围的环境温度、PTel表示机动车尾气立式遥感检测设备安装点周围的大气压强、HTel表示机动车尾气立式遥感检测设备安装点周围的相对湿度；
(3)将机动车年检时的各项环境变量定义为车检数据集。因此，车检数据集的各项数据属性组成如下：
其中，TIns表示机动车年检时周围的环境温度，PIns表示机动车年检时周围的大气压强，HIns表示机动车年检时周围的相对湿度；
(4)将机动车年检判定结果进行二值化分类，定义如下：
S(i)＝{0,1}
其中，将0定义为机动车年检判定结果超标，将1定义为机动车年检判定结果合格。
步骤2中对采集到的数据进行预处理的步骤包括：
(1)将机动车的使用性质、机动车是否安装催化转化器、机动车尾气立式遥感检测设备的遥测初始判定结果和机动车年检判定结果进行二值化处理，其方法如下表所示：
(2)将机动车的发动机排量、机动车的基准质量、机动车的使用年限、机动车的长度、机动车的比功率、机动车的行驶速度、机动车的行驶加速度、机动车尾气立式遥感检测设备安装点周围的风速、机动车尾气立式遥感检测设备安装点周围的环境温度、机动车尾气立式遥感检测设备安装点周围的大气压强、机动车尾气立式遥感检测设备安装点周围的相对湿度、机动车年检时周围的环境温度、机动车年检时周围的大气压强、机动车年检时周围的相对湿度、机动车排放的尾气中一氧化碳的体积浓度、机动车排放的尾气中碳氢化合物的体积浓度、机动车排放的尾气中氮氧化合物的体积浓度、机动车排放的尾气中固体颗粒物的不透光烟度值进行归一化处理，计算的公式如下：
其中，x表示某项数据属性中某条样本值，xmax表示某项数据属性中的最大值，xmin表示某项数据属性中的最小值，x′表示归一化处理后的数值。
3.所述步骤3具体实现如下：
(1)将步骤2中所建立的机动车尾气排放数据集作为随机森林模型的输入变量，数据格式如下：
其中，Speed表示机动车的行驶速度、Acc表示机动车的行驶加速度、CO表示机动车排放的尾气中一氧化碳的体积浓度、HC表示机动车排放的尾气中碳氢化合物的体积浓度、NO表示机动车排放的尾气中氮氧化合物的体积浓度、Opacity表示机动车排放的尾气中固体颗粒物的不透光烟度值、RecordStatus表示机动车尾气立式遥感检测设备的遥测初始判定结果、JZZL表示机动车的基准质量、FDJPL表示机动车的发动机排量、VSP表示机动车的比功率、Useryears表示机动车的使用年限、Length表示机动车的长度、SYXZ表示机动车的使用性质、CHZHQ表示机动车是否安装催化转化器、WindSpeed表示机动车尾气立式遥感检测设备安装点周围的风速、TTel表示机动车尾气立式遥感检测设备安装点周围的环境温度、PTel表示机动车尾气立式遥感检测设备安装点周围的大气压强、HTel表示机动车尾气立式遥感检测设备安装点周围的相对湿度、TIns表示机动车年检时周围的环境温度、PIns表示机动车年检时周围的大气压强、HIns表示机动车年检时周围的相对湿度。
将机动车尾气遥测修正判定结果作为随机森林模型的输出变量，数据格式如下：
C(i)＝{0，1}
其中，将0定义为机动车尾气遥测修正判定结果超标，将1定义为机动车尾气遥测修正判定结果合格。
将机动车年检判定结果作为随机森林模型的标签数据，数据格式如下：
S(i)＝{0，1}
其中，将0定义为机动车年检判定结果超标，将1定义为机动车年检判定结果合格。
(2)将机动车尾气排放数据集按比例70％和30％划分为训练集和测试集。搭建随机森林模型，随机森林模型的参数包括：决策树最大棵数43棵、决策树最大深度20层、划分时考虑的最大特征数11个。
(3)将受试者工作特征曲线和受试者工作特征曲线下的面积作为随机森林的性能指标。受试者工作特征曲线下的面积的计算公式如下：
其中，AUC表示受试者工作特征曲线下的面积，positiveClass表示随机森林模型输出变量为1的正样本集合，ranki表示第i项随机森林模型输出为1的正样本得分值，M表示随机森林模型输出变量为1的正样本数量，N表示随机森林模型输出变量为0的负样本数量。
由于本发明将一个复杂的设备校正问题巧妙地转化为一个典型的二分类问题，则随机森林模型的参数调节工作应由6折交叉验证法完成。将机动车尾气排放数据集随机均匀地划分为6组子集，然后将每1组子集轮流作为测试集，其余的5组子集作为训练集，重复6次上述过程，得到6个模型；利用测试集计算6个模型各自的受试者工作特征曲线下的面积，并绘制该模型的受试者工作特征曲线，选择平均受试者工作特征曲线下的面积最大的模型参数组合作为随机森林模型的最优模型参数组合。
(4)将本发明方法用于由合肥市环保局提供的2013-2016年合肥市内机动车尾气立式遥感检测设备对实际道路上行驶的机动车进行检测所得到的37992条样本数据进行修正，其中，1290条机动车尾气立式遥感检测设备的遥测初始判定结果“超标”，36702条机动车尾气立式遥感检测设备的遥测初始判定结果“合格”；由合肥市车管所提供的2013-2016年合肥市汽柴油车年检判定结果作为标签数据，其中，257条样本数据的标签为“超标”，37735条样本数据的标签为“合格”。
采用本发明所提出的方法对2013-2016年合肥市内机动车尾气立式遥感检测设备的机动车尾气遥测初始判定结果进行修正后，所绘制的受试者工作特征曲线如图2所示，其中，受试者工作特征曲线的横轴代表假阳率，即对于给定的测试数据集，随机森林模型错误地将超标分类为合格的样本数与测试数据集中所有的超标样本数之比；纵轴代表真阳率，即对于给定的测试数据集，随机森林模型正确地将合格分类为合格的样本数与测试数据集中所有的合格样本数之比。因此，在理想的情况下，最佳随机森林模型的受试者工作特征曲线应该尽可能的处于坐标轴的左上角，这就意味着随机森林模型应保持尽可能低的假阳率，同时获得尽可能高的真阳率。受试者工作特征曲线的性能指标为AUC值，即受试者工作特征曲线下的面积。AUC值是一个概率值，当随机森林模型随机挑选一个合格样本和超标样本时，随机森林模型将根据计算得到的得分值将这个合格样本排在超标样本前面的概率就是AUC值，AUC值越大，随机森林模型就越有可能将合格样本排在超标样本前面，从而能够更好地进行分类。图2中随机森林模型的训练集和测试集数据所占比例分别为70％和30％，采用6折交叉验证法，第0次交叉验证的AUC值为0.9503，第1次交叉验证的AUC值为0.9548，第2次交叉验证的AUC值为0.9543，第3次交叉验证的AUC值为0.9715，第4次交叉验证的AUC值为0.9566，第5次交叉验证的AUC值为0.9652，6次交叉验证的平均AUC值为0.9586，并绘制AUC值为0.5的随机预测曲线作为对照。因此，随机森林模型的最佳参数组合为：决策树最大棵数43棵、决策树最大深度20层、划分时考虑的最大特征数11个。从图2可以发现，经本发明所提出的方法进行校正后的机动车尾气立式遥测设备的性能有了显著提升。
总之，本发明一种机动车尾气遥测结果修正方法，使用机动车尾气立式遥感检测设备采集机动车基本信息、机动车尾气遥测数据、遥测设备安装点周围的环境变量，并获取机动车年检相关信息；建立机动车尾气排放数据集，并对采集到的数据进行预处理；采用随机森林模型，训练机动车尾气遥感检测结果修正模型，实现对机动车尾气遥感检测结果的实时在线修正。
以上所述仅为本发明的一个具体实施方式，并非用于限定本发明的保护范围，本领域的技术人员应当理解，在不脱离发明原理的前提下，对本发明的技术方案进行修改或等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的保护范围中。

Claims (2)

1.一种机动车尾气遥测结果修正方法，其特征在于：包括以下步骤：
步骤1：使用机动车尾气立式遥感检测设备采集机动车基本信息、机动车尾气遥测数据、遥测设备安装点周围的环境变量，并获取机动车年检相关信息；
步骤2：建立机动车尾气排放数据集，并对步骤1中采集到的机动车基本信息、机动车尾气遥测数据、遥测设备安装点周围的环境变量和机动车年检相关信息进行二值化和归一化处理；其中机动车基本信息，包括：机动车的基准质量、机动车的发动机排量、机动车的比功率、机动车的使用年限、机动车的长度、机动车的使用性质、机动车是否安装催化转化器；机动车尾气遥测数据，包括：机动车的行驶速度、机动车的行驶加速度、机动车排放的尾气中一氧化碳的体积浓度、机动车排放的尾气中碳氢化合物的体积浓度、机动车排放的尾气中氮氧化合物的体积浓度、机动车排放的尾气中固体颗粒物的不透光烟度值、机动车尾气立式遥感检测设备的遥测初始判定结果；遥测设备安装点周围的环境变量，包括：机动车尾气立式遥感检测设备安装点周围的风速、机动车尾气立式遥感检测设备安装点周围的环境温度、机动车尾气立式遥感检测设备安装点周围的大气压强、机动车尾气立式遥感检测设备安装点周围的相对湿度；机动车年检相关信息，包括：机动车年检时周围的环境温度、机动车年检时周围的大气压强、机动车年检时周围的相对湿度、机动车年检判定结果；
步骤3：根据步骤2中所建立的机动车尾气排放数据集，采用随机森林模型，将机动车尾气排放数据集作为输入变量，将机动车尾气遥测修正判定结果作为输出变量，将机动车年检判定结果作为标签数据，训练机动车尾气遥感检测结果修正模型，并采用受试者工作特征曲线和受试者工作特征曲线下的面积作为性能指标，实现对机动车尾气遥感检测结果的实时在线修正；
所述步骤2中建立机动车尾气排放数据集的步骤包括：
(11)机动车尾气排放数据集中的每条样本数据应包括每辆机动车的遥测数据集部分、车检数据集部分以及机动车年检判定结果，每条样本数据属性组成如下：
其中，D(i)表示机动车尾气排放数据集的第i条样本数据，表示第i条样本数据中的遥测数据集部分，表示第i条样本数据中的车检数据集部分，S(i)表示第i条样本数据的机动车年检判定结果；
(12)将影响机动车尾气排放的数据属性以及影响遥感检测设备准确性的数据属性定义为遥测数据集，遥测数据集的各项数据属性组成如下：
其中，Speed表示机动车的行驶速度、Acc表示机动车的行驶加速度、CO表示机动车排放的尾气中一氧化碳的体积浓度、HC表示机动车排放的尾气中碳氢化合物的体积浓度、NO表示机动车排放的尾气中氮氧化合物的体积浓度、Opacity表示机动车排放的尾气中固体颗粒物的不透光烟度值、RecordStatus表示机动车尾气立式遥感检测设备的遥测初始判定结果、JZZL表示机动车的基准质量、FDJPL表示机动车的发动机排量、VSP表示机动车的比功率、Useryears表示机动车的使用年限、Length表示机动车的长度、SYXZ表示机动车的使用性质、CHZHQ表示机动车是否安装催化转化器、WindSpeed表示机动车尾气立式遥感检测设备安装点周围的风速、TTel表示机动车尾气立式遥感检测设备安装点周围的环境温度、PTel表示机动车尾气立式遥感检测设备安装点周围的大气压强、HTel表示机动车尾气立式遥感检测设备安装点周围的相对湿度；
(13)将机动车年检时的各项环境变量定义为车检数据集，车检数据集的各项数据属性组成如下：
其中，TIns表示机动车年检时周围的环境温度，PIns表示机动车年检时周围的大气压强，HIns表示机动车年检时周围的相对湿度；
(4)将机动车年检判定结果进行二值化分类，定义如下：
S(i)＝{0,1}
其中，将0定义为机动车年检判定结果超标，将1定义为机动车年检判定结果合格。
2.根据权利要求1所述的一种机动车尾气遥测结果修正方法，其特征在于：所述步骤3具体实现如下：
(1)将步骤2中所建立的机动车尾气排放数据集作为随机森林模型的输入变量，数据格式如下：
其中，Speed表示机动车的行驶速度、Acc表示机动车的行驶加速度、CO表示机动车排放的尾气中一氧化碳的体积浓度、HC表示机动车排放的尾气中碳氢化合物的体积浓度、NO表示机动车排放的尾气中氮氧化合物的体积浓度、Opacity表示机动车排放的尾气中固体颗粒物的不透光烟度值、RecordStatus表示机动车尾气立式遥感检测设备的遥测初始判定结果、JZZL表示机动车的基准质量、FDJPL表示机动车的发动机排量、VSP表示机动车的比功率、Useryears表示机动车的使用年限、Length表示机动车的长度、SYXZ表示机动车的使用性质、CHZHQ表示机动车是否安装催化转化器、WindSpeed表示机动车尾气立式遥感检测设备安装点周围的风速、TTel表示机动车尾气立式遥感检测设备安装点周围的环境温度、PTel表示机动车尾气立式遥感检测设备安装点周围的大气压强、HTel表示机动车尾气立式遥感检测设备安装点周围的相对湿度、TIns表示机动车年检时周围的环境温度、PIns表示机动车年检时周围的大气压强、HIns表示机动车年检时周围的相对湿度；
将机动车尾气遥测修正判定结果作为随机森林模型的输出变量，数据格式如下：
C(i)＝{0，1}
其中，将0定义为机动车尾气遥测修正判定结果超标，将1定义为机动车尾气遥测修正判定结果合格；
将机动车年检判定结果作为随机森林模型的标签数据，数据格式如下：
S(i)＝{0，1}
其中，将0定义为机动车年检判定结果超标，将1定义为机动车年检判定结果合格；
(2)将机动车尾气排放数据集按比例((K-1)/K)和(1/K)划分为训练集和测试集，构建随机森林模型，随机森林模型的参数包括：决策树最大棵数X棵、决策树最大深度Y层、划分时考虑的最大特征数Z个，其中，K，X，Y，Z均为正整数，K，X，Y，Z的取值将根据所要求的模型精度和计算速度进行权衡后决定；
(3)将受试者工作特征曲线和受试者工作特征曲线下的面积作为随机森林的性能指标，受试者工作特征曲线下的面积的计算公式如下：
其中，AUC表示受试者工作特征曲线下的面积，positiveClass表示随机森林模型输出变量为1的正样本集合，ranki表示第i项随机森林模型输出为1的正样本得分值，M表示随机森林模型输出变量为1的正样本数量，N表示随机森林模型输出变量为0的负样本数量；
随机森林模型的参数调节工作由K折交叉验证法完成，将机动车尾气排放数据集随机均匀地划分为K组子集，然后将每1组子集轮流作为测试集，其余的K-1组子集作为训练集，重复K次上述过程，得到K个模型；利用测试集计算K个模型各自的受试者工作特征曲线下的面积，并绘制该模型的受试者工作特征曲线，选择平均受试者工作特征曲线下的面积最大的模型参数组合作为随机森林模型的最优模型参数组合。
CN201711429054.XA 2017-12-26 2017-12-26 一种机动车尾气遥测结果修正方法 Active CN108226046B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711429054.XA CN108226046B (zh) 2017-12-26 2017-12-26 一种机动车尾气遥测结果修正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711429054.XA CN108226046B (zh) 2017-12-26 2017-12-26 一种机动车尾气遥测结果修正方法

Publications (2)

Publication Number Publication Date
CN108226046A CN108226046A (zh) 2018-06-29
CN108226046B true CN108226046B (zh) 2019-10-25

Family

ID=62647907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711429054.XA Active CN108226046B (zh) 2017-12-26 2017-12-26 一种机动车尾气遥测结果修正方法

Country Status (1)

Country Link
CN (1) CN108226046B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110273738B (zh) * 2019-03-14 2023-06-02 吉林大学 一种重型发动机排放诊断测试系统
CN110243762A (zh) * 2019-06-18 2019-09-17 深圳大雷汽车检测股份有限公司 机动车尾气遥测和监管系统及自学习高排污车辆判定算法
GB2600072A (en) * 2019-08-14 2022-04-20 Innovation Center For Clean Air Solutions Method for selecting pollutant treatment measure
CN113449746B (zh) * 2020-03-24 2023-09-26 北京京东振世信息技术有限公司 尾气遥测数据修正方法和装置
CN111537412B (zh) * 2020-05-08 2023-08-15 重庆超力高科技股份有限公司 排放监测装置、系统及方法
CN111930818B (zh) * 2020-07-29 2024-10-18 中国第一汽车股份有限公司 一种rde数据后处理方法、装置、设备及存储介质
CN112378877B (zh) * 2020-11-13 2024-06-25 深圳东和邦泰科技有限公司 柴油车尾气排放检测方法、系统及相应的装置
CN112834235B (zh) * 2020-12-31 2023-04-07 安徽宝龙环保科技有限公司 车辆尾气检测方法、装置、计算机设备以及可读存储介质
CN113111588B (zh) * 2021-04-23 2023-01-24 中国大唐集团科学技术研究院有限公司华东电力试验研究院 一种燃气轮机nox排放浓度预测方法及装置
CN116165350B (zh) * 2023-03-13 2023-09-29 山东交通学院 基于遥感技术的柴油车污染物检测方法、系统及设备
CN117949225B (zh) * 2024-03-26 2024-06-11 长春汽车工业高等专科学校 一种汽车排放量检测方法及系统
CN118260675B (zh) * 2024-05-29 2024-08-16 江西五十铃汽车有限公司 一种dpf系统强相关工况分析方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8447528B2 (en) * 2009-12-21 2013-05-21 Envirotest Systems Holdings Corp. Remote vehicle emissions sensing system and method for differentiating water from hydrocarbons
CN105225488B (zh) * 2015-11-05 2017-08-25 北京交通发展研究院 一种基于机动车比功率的速度对车辆排放因子修正方法
DE102016010796A1 (de) * 2016-09-09 2017-03-30 Daimler Ag Verfahren zur Kalibrierung eines Simulationsmodells zur Berechnung der Funktionalität einer Abgasnachbehandlungseinrichtung
CN106770059B (zh) * 2016-11-16 2019-06-04 浙江多普勒环保科技有限公司 一种基于燃烧方程修正算法的机动车尾气遥感检测方法
CN106680212B (zh) * 2016-12-31 2019-04-26 中国科学技术大学 一种基于路面反射的垂直式机动车尾气遥测系统
CN106682699B (zh) * 2016-12-31 2019-06-07 中国科学技术大学 一种基于聚类分析的车辆尾气排放特征分析处理方法
CN107330300B (zh) * 2017-08-24 2020-01-03 中国科学技术大学 一种基于支持向量回归的车辆尾气浓度反演方法

Also Published As

Publication number Publication date
CN108226046A (zh) 2018-06-29

Similar Documents

Publication Publication Date Title
CN108226046B (zh) 一种机动车尾气遥测结果修正方法
CN112113912B (zh) 一种柴油车排放遥感大数据监测系统及监测方法
CN104715605B (zh) 一种基于vsp分布的交通运行数据与排放数据耦合方法与系统
US11226289B2 (en) Remote sensing-based detection system and method for gaseous pollutant from diesel vehicle exhaust
Rhys-Tyler et al. The significance of vehicle emissions standards for levels of exhaust pollution from light vehicles in an urban area
CN108197731A (zh) 一种基于共同训练的机动车尾气遥测与车检结果一致性方法
CN105912862B (zh) 一种尾气排放量检测方法及大气污染分析方法和装置
CN108885881A (zh) 污染估算系统
CN106529599A (zh) 一种面向事件的驾驶员生态驾驶行为评估方法
Wang et al. Developing a high-resolution vehicular emission inventory by integrating an emission model and a traffic model: Part 1—Modeling fuel consumption and emissions based on speed and vehicle-specific power
CN104850676B (zh) 一种公路桥梁随机车流仿真模拟方法
CN107895482A (zh) 基于毫米波雷达与激光雷达的交通情况调查装置及方法
CN113932758A (zh) 一种路面平整度预测方法及装置
AU2022422056A1 (en) Method and device for providing at least one emission value for a means of transport
CN113222211B (zh) 一种多区域柴油车污染物排放因子预测方法及系统
Jiang et al. Investigating the impact of high-altitude on vehicle carbon emissions: A comprehensive on-road driving study
CN109409217A (zh) 一种基于大数据的机动车排气遥感监测系统及方法
CN111060926B (zh) 一种雨量计算系统和方法
CN112131523A (zh) 一种基于有限监测点位的时空数据生成方法及系统
Jun et al. Artificial neural network model for identifying taxi gross emitter from remote sensing data of vehicle emission
CN104508450B (zh) 用于量化商用和/或重型车辆中存在的废气成分的系统和方法
CN107085074B (zh) 一种分类监测机动车尾气的方法
CN106290083A (zh) 一种变波长激光遥测汽车排放情况的监测装置及方法
CN111983146A (zh) 机动车尾气监测系统
Naula et al. Methodological proposal for estimating polluting emissions: Case of Cuenca, Ecuador

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