CN108629450A - 一种液化天然气公交车尾气排放预测方法 - Google Patents
一种液化天然气公交车尾气排放预测方法 Download PDFInfo
- Publication number
- CN108629450A CN108629450A CN201810385540.4A CN201810385540A CN108629450A CN 108629450 A CN108629450 A CN 108629450A CN 201810385540 A CN201810385540 A CN 201810385540A CN 108629450 A CN108629450 A CN 108629450A
- Authority
- CN
- China
- Prior art keywords
- exhaust emissions
- prediction
- value
- libsvm
- vehicle
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000003949 liquefied natural gas Substances 0.000 title claims abstract description 26
- 230000001133 acceleration Effects 0.000 claims abstract description 16
- 238000002790 cross-validation Methods 0.000 claims abstract description 13
- 230000009183 running Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims description 12
- 239000007789 gas Substances 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 239000000779 smoke Substances 0.000 claims 1
- 239000013598 vector Substances 0.000 abstract description 14
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000003912 environmental pollution Methods 0.000 abstract description 4
- 238000010606 normalization Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000012795 verification Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 35
- 238000011161 development Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000003344 environmental pollutant Substances 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- BUCXEFZXWKUCCY-UHFFFAOYSA-N 4-methyl-3-(2-phenylethyl)-1,2,4-oxadiazol-5-one Chemical compound O1C(=O)N(C)C(CCC=2C=CC=CC=2)=N1 BUCXEFZXWKUCCY-UHFFFAOYSA-N 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002229 photoelectron microspectroscopy Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000005201 scrubbing Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Navigation (AREA)
Abstract
本发明属于智能交通领域，特别涉及一种液化天然气公交车尾气排放预测方法，通过收集基本相关信息、基础变量计算、数据归一化处理、考虑选用的高斯径向基核函数、采用交叉验证选择最佳参数、对整个训练集进行训练获取支持向量机模型、建立车辆在运行过程中任一状态下的尾气排放量的预测模型，并选择部分数据进行预测分析，将预测模型的结果与实际采集的数据进行对比；本发明方法综合考虑了速度、加速度、行驶坡度、载客量等多个影响因素，建立了多因素影响的预测模型，通过部分数据对预测模型的验证说明，本发明可以为LNG公交车的尾气排放提供更为准确的预测方法，从而降低尾气排放，减少环境污染，推广LNG公交车在城市中的应用。
Description
技术领域
本发明属于智能交通领域，特别涉及一种液化天然气公交车尾气排放预测方法。
背景技术
当前，能源和环境问题已经成为世界各国亟待解决的重点难点问题。而交通运输则是目前我国能源消耗最大、也是增长最快的行业之一。由于城市土地资源有限，道路基础设施建设跟不上快速增长的交通需求，随着机动车保有量的增加，城市交通拥堵现象越来越严重。交通拥堵现象的频繁发生，导致机动车尾气排放和能源消耗激增，机动车尾气排放所造成的污染在整个城市大气污染中所占的比例也越来越大，尾气中的CO2、CO、NOx、HC等对城市环境和人体健康造成了巨大的危害。因此，有效控制和降低机动车油耗和尾气排放是改善城市空气质量、保证社会经济可持续发展的必然前提。交通排放作为环境污染的重要来源，如何通过制定交通管理、控制策略从而降低机动车尾气排放，将成为未来几年交通部门工作的重点。
随着我国城镇化的快速发展，城市规模越来越大、人口不断积聚、机动车保有量迅速增加，导致交通拥堵、能源消耗和环境污染问题越来越突出，公共交通的优先发展是解决这些问题的有效途径。目前，我国城市公共交通发展远远不能适应经济社会发展和人民群众出行需要，多数城市公共交通出行比例偏低。为从根本上缓解交通拥堵、出行不便、环境污染等矛盾，必须树立公共交通优先发展理念，将公共交通放在城市交通发展的首要位置。推广公交优先的战略有利于缓解目前的交通拥堵和尾气排放等问题，公共交通以其载客能力强、占用道路资源低的优势，近些年来受到了更为广泛的关注。从早期的柴油车到现在逐步推广的新能源车，公交在绿色交通的道路上也在经历着发展与变革与燃油车相比，新能源车突出优点表现为：大幅度降低尾气排放量。
经检测液化天然气(LNG)公交车的尾气污染物主要包含CO2、CO、NOx、HC等。LNG公交车尾气污染物的影响因素主要包括几个方面：坡度α、速度v、加速度a、总重量m，通过现场实验，可测试得到汽车行驶到某一状态下四种尾气的排放量，同时测得该状态下的乘客数、海拔高度、行驶距离、速度、加速度等参数，这些参数均与汽车尾气排放量相关。
中国专利CN 201710972889.3公开了一种液化天然气公交尾气排放预测方法，基于CART算法建立车辆在路段行驶状态下的质量排放率和比功率参数的回归模型，并采用均值估计方法计算公交车辆在怠速状态下的质量排放率，建立车辆在运行过程中任意一段时间内的排放质量预测模型。但该方案分析比功率和排放量的关系，比功率有一定的人为规定性及偶然性，不能完全反应各LNG公交车运行状态下的参数，模型不具有拓展性。且方案的预测结果的平方相关系数在0.66-0.75之间，预测效果不够理想。
发明内容
本发明解决现有技术中存在的上述技术问题，提供一种液化天然气公交车尾气排放预测方法。
为解决上述问题，本发明的技术方案如下：
一种液化天然气公交车尾气排放预测方法，包括以下步骤：
步骤1、收集车辆位置信息、车内乘客人数信息和车辆空客质量；
步骤2、对步骤1收集的信息进行处理，得到数据集；所述数据集包括：质量m，行驶距离L，速度v，加速度a，坡度α；
步骤3、将步骤2获得的数据进行归一化处理；
步骤4、选取高斯径向基核函数，作为预测液化天然气公交车尾气排放的LIBSVM模型的核函数；
步骤5、选择最佳参数组合，所述最佳参数组合包括惩罚系数C和高斯径向基核函数自带参数g；
步骤6、将所述最佳参数组合带入LIBSVM模型构建LIBSVM尾气排放预测模型；
步骤7、将步骤3获得的数据集输入所述LIBSVM尾气排放预测模型，实现尾气排放预测。
优选地，所述步骤1收集的车辆位置信息包括海拔高度、行驶距离、行驶时间。
优选地，所述步骤2具体为：
步骤21、采取线性插值的方法，用行驶距离除以时间，得到速度v；
步骤22、用海拔高度之差除以行驶距离，得到坡度α；
步骤23、由速度随时间的变化关系，得到加速度a；
步骤24、由车辆的空客重量加上乘客重量得到车辆的总重量m。
优选地，所述步骤3具体为：
步骤31、去除突变值和异常值，所述异常值包括：
a、行驶距离为0，但海拔高度发生了变化；
b、各参量和尾气排放量的异常高峰或低谷值；
步骤32、将质量m、行驶距离L以及速度v，规整到[0,1]范围内，采用的归一化映射如下：
式中，x为原始数值，xmin为数据集的最小值，xmax为数据集的最大值，x→y表示转换后的变量值；
步骤33、将加速度a以及坡度α，归整化到[-1,1]范围内，采用的归一化映射如下：
式中，x为原始数值，xmin为数据集的最小值，xmax为数据集的最大值，x→y表示转换后的变量值。
优选地，步骤5所述选择最佳参数组合，包括惩罚系数C和高斯径向基核函数自带参数g，通过LIBSVM中的“svmtrain”命令来实现，具体原理为：
通过非线性映射函数从低维空间映射到高维空间，从而将非线性模型转化为线性回归模型，即
g(xi)＝wTφ(xi)+b
式中，b为阈值，w为多维空间权重向量，wT表示多维空间权重向量的转置，g(xi)为模型转换函数，引入线性不敏感损失函数ε进行误差判定:
式中，ε为损失函数，F(w)为结构风险函数。
根据统计学中的原则，模型采用最小化目标函数的方式来求解w和b，即为：
s.t.
式中，C为惩罚系数；ξi,ξi *均为引入的松弛变量，为预先设定的值，表示逼近的精度，若需获得较高的预测精度，则需设置偏小值，yi为样本空间的简单映射。
使用RBF核函数时，要考虑两个参数C与g。其中，C为惩罚系数，即对误差的宽容度。C越高，说明越不能容忍出现误差，但容易过拟合；C越小，则越容易欠拟合，C过大或过小，泛化能力变差。g是RBF核函数自带的一个参数，隐含的决定了数据映射到新的特征空间后的分布，g越大，支持向量越少，g越小，支持向量越多，支持向量的个数影响着训练与预测的速度。因为参数的选择并没有一定的先验知识，必须做某种类型的模型选择，目的是确定C和g使得模型能正确的预测未知数据，有较高的预测精确率，通常采用交叉验证方法提高预测精度。支持向量机LIBSVM提供了一种交叉验证的方式，是MATLAB功能实现不了的，用交叉验证的方式有较高的预测准确率，即用LIBSVM中的“svmtrain”命令通过交叉验证的方式获得最佳参数C和g。
上述LIBSVM尾气排放预测模型的构建方法，包括以下步骤：
步骤1、收集车辆位置信息、尾气排放量数据、车内乘客人数信息和车辆空客质量；
步骤2、对步骤1收集的信息进行处理，得到数据集；所述数据集包括：质量m，行驶距离L，速度v，加速度a，坡度α；
步骤3、将步骤2获得的数据进行归一化处理；
步骤4、选取高斯径向基核函数，作为预测液化天然气公交车尾气排放的LIBSVM模型的核函数；
步骤5、通过交叉验证选择最佳参数组合，所述最佳参数组合包括惩罚系数C和高斯径向基核函数自带参数g；
步骤6、将所述最佳参数组合带入LIBSVM模型，对整个训练集进行训练获取LIBSVM尾气排放预测模型，建立车辆在运行过程中任一状态下的尾气排放量的预测模型。
相对于现有技术，本发明的优点如下，
本发明充分考虑了影响LNG公交车尾气排放的各个因素，利用LIBSVM的预测模型，构建了尾气排放预测模型，可有效的预测具体尾气污染物的排放量数值，获得了较高的预测精度，简化研究中的复杂问题，降低尾气排放，减少环境污染，推广LNG公交车在城市中的应用，倡导绿色环保的交通方式。
附图说明
图1为LIBSVM尾气排放预测模型的构建流程图；
图2为CO排放量实测值与预测值对比；
图3为CO2排放量实测值与预测值对比；
图4为HC排放量实测值与预测值对比；
图5为NOx排放量实测值与预测值对比；
图6为CO排放量预测值相对误差；
图7为CO2排放量预测值相对误差；
图8为HC排放量预测值相对误差；
图9为NOx排放量预测值相对误差。
具体实施方式
实施例1：
预测模型的构建
移动源便携式排放测量系统(Portable Emissions Measurement System，PEMS)是在车辆实际行驶条件下，通过放置在车辆上的车载排放测试设备对排放污染物进行测量，它能够在不影响车辆的正常使用的情况下，得到车辆在实际工况条件下的排放数据，并连续收集一部分排气作为取样，在分析设备中进行分析。具有简单易行、数据真实、可靠度高等优点，广泛使用在车辆尾气的信息收集上。
实施调查的时间为2016年4月12日，选取镇江市的3辆51路液化天然气公交车作为调查对象。采集的数据主要有以下三个来源：1)移动源便携式排放测量系统，对行驶状态车辆尾气进行实时测量；2)车载GPS记录仪，记录车辆的行驶状态信息；3)调查人员，记录车厢内乘客人数信息。
移动源便携式排放测量系统每2-3秒记录一次尾气排放量的数据，车载GPS记录仪每2秒记录一次车辆位置信息。为了有效地将实测数据应用于研究，采用线性插值的方法计算，相对时间取1秒，尾气排放量除以时间差(时间差单位：秒)，可得到每单位时间内的尾气排放量。GPS记录仪可测得海拔高度、行驶距离、行驶时间等数据。同样采取线性插值的方法，用行驶距离除以时间，得到速度；用海拔高度之差除以行驶距离，得到坡度；由速度随时间的变化关系，得到加速度。最后将处理得到的数据融合到一个数据集内。
支持向量机源于Vapnik和Chervonenkis关于统计学习理论的早期工作，由于其对复杂的非线性边界的建模能力，可以取得较高的准确性，而且该模型与其他模型相比，不太容易过分拟合，故在很多领域取得了很好的应用。支持向量机是一种对线性和非线性数据进行分类的方法。对于线性可分的情况，SVM通过搜索最大边缘超平面，使用拉格朗日公式进行改写，可得到优化的算法。当数据线性不可分时，可以使用一种非线性映射，把原训练数据映射到较高的维度上，在新的维度上搜索最佳分离超平面，即将某一类的元素与其他类分离的“决策边界”。当映射到足够高的维度上时，寻找合适的核函数作为非线性映射，两个类的数据总可以被超平面分开。核函数主要有三种类型：h次多项式核函数、高斯径向基核函数、S型核函数。每个核函数都针对原输入空间构造不同的非线性分类器。SVM在回归方面也有应用，适用于大型数据集，可提高训练和检验速度，并具有较高的模型预测精度。
支持向量回归预测模型(Library for Support Vector Machines，LIBSVM)是一个支持向量机的软件库，是由台湾大学林智仁副教授研发的一个高效、易用的SVM分类与回归的软件包，SVM用于分类或回归时，其核函数和参数的选择只能凭借经验、实验对比等方式，而LIBSVM最大的特点是对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，并且提供了交互检验功能。应用LIBSVM建立分析预测模型，模型建立过程包括如下步骤：
步骤1、收集基本相关信息；共采集到4784组数据，选取70％的实验数据作为训练模型，30％的数据作为测试集，判别预测模型的准确性。但参量的计算和归一化处理过程相同。
步骤2、基础变量计算；首先对数据进行处理，得到数据集。数据集包括以下信息：质量m，行驶距离L，速度v，加速度a，坡度α，以及CO、CO2、HC、NOx四种排放物的排放放量。
步骤3、数据归一化处理；进行数据清理，去除突变值及异常值，并去除前十组数据，避免因仪器开机预热造成的测量误差，将数据按照计算公式归一到指定区间。将质量m、行驶距离L以及速度v，规整到[0,1]范围内，采用的归一化映射如下：
式中，x为原始数值，xmin为数据集的最小值，xmax为数据集的最大值，x→y表示转换后的变量值。由于加速度a以及坡度α的正负包含了加减速以及上下坡信息，与发动机工作状态相关，将其归整化到[-1,1]范围内，以不损失加减速及上下坡信息，采用的归一化映射如下：
式中各变量的含义同上。
步骤4、考虑选用的核函数；选取应用较为广泛的高斯径向基核函数(RBF)：
其中，K(x,xi)即为高斯函数，xi是第i个样本的输入变量，可直接从数据库提取，x是训练过程中的变量，||x-xi||2是两个特征向量之间的平方欧几里得距离，e为自然对数，σ为一个自由参数。
步骤5、采用交叉验证选择最佳参数；使用RBF核函数时，要考虑两个参数C与g。其中，C为惩罚系数，即对误差的宽容度。C越高，说明越不能容忍出现误差，但容易过拟合；C越小，则越容易欠拟合，C过大或过小，泛化能力变差。g是RBF函数自带的一个参数，隐含的决定了数据映射到新的特征空间后的分布，g越大，支持向量越少，g越小，支持向量越多，支持向量的个数影响着训练与预测的速度。因为参数的选择并没有一定的先验知识，必须做某种类型的模型选择，目的是确定C和g使得模型能正确的预测未知数据，有较高的预测精确率，通常采用交叉验证方法提高预测精度。支持向量机LIBSVM提供了一种交叉验证的方式，是MATLAB功能实现不了的，用交叉验证的方式有较高的预测准确率，即用LIBSVM中的“svmtrain”命令通过交叉验证的方式获得最佳参数C和g。
通过非线性映射函数从低维空间映射到高维空间，从而将非线性模型转化为线性回归模型，即
g(xi)＝wTφ(xi)+b
式中，b为阈值，w为多维空间权重向量，wT表示多维空间权重向量的转置，g(xi)为模型转换函数，引入线性不敏感损失函数ε进行误差判定:
式中，ε为损失函数，F(w)为结构风险函数。
根据统计学中的原则，模型采用最小化目标函数的方式来求解w和b，即为：
s.t.
式中，C为惩罚系数；ξi,ξi *均为引入的松弛变量，为预先设定的值，为预先设定的值，表示逼近的精度，若需获得较高的预测精度，则需设置偏小值，通过模型的验证，取0.01时，可获得较高的预测精度，且运行时间较短。yi为样本空间的简单映射。
通过交叉验证得到4种尾气排放模型的最佳参数C与g见表1。
表1通过交叉验证得到的四种尾气排放模型的最佳参数
步骤6、对整个训练集进行训练获取支持向量机模型、建立车辆在运行过程中任一状态下的尾气排放量的预测模型；选取70％的数据进行模型的训练，其余30％的数据利用训练好的模型及系数，进行预测，将预测值与真实值进行对比。引入均方误差E和平方相关系数R2对所建立的回归模型预测效果进行判断，其表达式为：
式中，g(xi)*为参数样本xi对应的实际值。
实施例2：
LNG公交车尾气排放预测
选择实施例1获取的部分数据运用实施例1构建的尾气排放预测模型进行预测分析、将预测模型的结果与实际采集的数据进行对比，即30％归一化之后的数据库，进行模型分析，与真实值进行对比。
模型可自行计算出预测精度等相关参数，计算出的均方误差和平方相关系数结果如表2所示。
表2四种尾气的预测误差
由表2可见，用LIBSVM的方法进行预测模型的构建可以取得较高的预测精度，精度均大于85％。
综上，由于采用了上述方案，本发明具有以下增益：
本发明充分考虑了影响LNG公交车尾气排放的各个因素，利用LIBSVM的预测模型，可得到较高的预测精度，简化研究中的复杂问题，降低尾气排放，减少道路拥堵，提高路网整体效率。
需要说明的是上述实施例仅仅是本发明的较佳实施例，并没有用来限定本发明的保护范围，在上述基础上做出的等同替换或者替代均属于本发明的保护范围。
Claims (6)
1.一种液化天然气公交车尾气排放预测方法，其特征在于，包括以下步骤：
步骤1、收集车辆位置信息、车内乘客人数信息和车辆空客质量；
步骤2、对步骤1收集的信息进行处理，得到数据集；所述数据集包括：质量m，行驶距离L，速度v，加速度a，坡度α；
步骤3、将步骤2获得的数据进行归一化处理；
步骤4、选取高斯径向基核函数，作为预测液化天然气公交车尾气排放的LIBSVM模型的核函数；
步骤5、选择最佳参数组合，所述最佳参数组合包括惩罚系数C和高斯径向基核函数自带参数g；
步骤6、将所述最佳参数组合带入LIBSVM模型构建LIBSVM尾气排放预测模型；
步骤7、将步骤3获得的数据集输入所述LIBSVM尾气排放预测模型，实现尾气排放预测。
2.如权利要求1所述的液化天然气公交车尾气排放预测方法，其特征在于，所述步骤1收集的车辆位置信息包括海拔高度、行驶距离、行驶时间。
3.如权利要求1所述的液化天然气公交车尾气排放预测方法，其特征在于，所述步骤2具体为：
步骤21、采取线性插值的方法，用行驶距离除以时间，得到速度v；
步骤22、用海拔高度之差除以行驶距离，得到坡度α；
步骤23、由速度随时间的变化关系，得到加速度a；
步骤24、由车辆的空客重量加上乘客重量得到车辆的总重量m。
4.如权利要求1所述的液化天然气公交车尾气排放预测方法，其特征在于，所述步骤3具体为：
步骤31、去除突变值和异常值，所述异常值包括：
a、行驶距离为0，但海拔高度发生了变化；
b、各参量的异常高峰或低谷值；
步骤32、将质量m、行驶距离L以及速度v，规整到[0,1]范围内，采用的归一化映射如下：
式中，x为原始数值，xmin为数据集的最小值，xmax为数据集的最大值，x→y表示转换后的变量值；
步骤33、将加速度a以及坡度α，归整化到[-1,1]范围内，采用的归一化映射如下：
式中，x为原始数值，xmin为数据集的最小值，xmax为数据集的最大值，x→y表示转换后的变量值。
5.一种如权利要求1所述的LIBSVM尾气排放预测模型的构建方法，其特征在于，包括以下步骤：
步骤1、收集车辆位置信息、尾气排放量数据、车内乘客人数信息和车辆空客质量；
步骤2、对步骤1收集的信息进行处理，得到数据集；所述数据集包括：质量m，行驶距离L，速度v，加速度a，坡度α；
步骤3、将步骤2获得的数据进行归一化处理；
步骤4、选取高斯径向基核函数，作为预测液化天然气公交车尾气排放的LIBSVM模型的核函数；
步骤5、通过交叉验证选择最佳参数组合，所述最佳参数组合包括惩罚系数C和高斯径向基核函数自带参数g；
步骤6、将所述最佳参数组合带入LIBSVM模型，对整个训练集进行训练获取LIBSVM尾气排放预测模型，建立车辆在运行过程中任一状态下的尾气排放量的预测模型。
6.一种如权利要求1所述的LIBSVM尾气排放预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810385540.4A CN108629450A (zh) | 2018-04-26 | 2018-04-26 | 一种液化天然气公交车尾气排放预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810385540.4A CN108629450A (zh) | 2018-04-26 | 2018-04-26 | 一种液化天然气公交车尾气排放预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108629450A true CN108629450A (zh) | 2018-10-09 |
Family
ID=63694630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810385540.4A Pending CN108629450A (zh) | 2018-04-26 | 2018-04-26 | 一种液化天然气公交车尾气排放预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108629450A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948237A (zh) * | 2019-03-15 | 2019-06-28 | 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 |
| CN110793896A (zh) * | 2019-12-03 | 2020-02-14 | 承德石油高等专科学校 | 一种尾气中粉尘浓度短期预测方法 |
| CN110826772A (zh) * | 2019-10-15 | 2020-02-21 | 深圳市赛梅斯凯科技有限公司 | 车辆尾气排放预测方法、装置、设备及存储介质 |
| 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 |
| CN112305167A (zh) * | 2020-10-29 | 2021-02-02 | 如皋市金鹏机动车检测有限公司 | 一种行驶车辆尾气排放检测及评估系统 |
| CN112882407A (zh) * | 2020-12-31 | 2021-06-01 | 闳约深美江苏信息技术开发有限公司 | 一种基于物联网的汽车尾气实时监控设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096646A (zh) * | 2016-06-07 | 2016-11-09 | 衢州学院 | 一种支持向量回归机模型选择方法 |
| CN107330300A (zh) * | 2017-08-24 | 2017-11-07 | 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 |
| US20180080991A1 (en) * | 2014-02-27 | 2018-03-22 | Invently Automotive Inc. | Method and system for predicting energy consumption of a vehicle through application of a statistical model utilizing environmental and road condition information |
| CN107886188A (zh) * | 2017-10-18 | 2018-04-06 | 东南大学 | 液化天然气公交尾气排放预测方法 |
-
2018
- 2018-04-26 CN CN201810385540.4A patent/CN108629450A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180080991A1 (en) * | 2014-02-27 | 2018-03-22 | Invently Automotive Inc. | Method and system for predicting energy consumption of a vehicle through application of a statistical model utilizing environmental and road condition information |
| CN106096646A (zh) * | 2016-06-07 | 2016-11-09 | 衢州学院 | 一种支持向量回归机模型选择方法 |
| CN107330300A (zh) * | 2017-08-24 | 2017-11-07 | 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 |
| CN107886188A (zh) * | 2017-10-18 | 2018-04-06 | 东南大学 | 液化天然气公交尾气排放预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 边莉 等: "《交叉熵算法在电子工程领域中的应用》", 31 August 2016 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948237A (zh) * | 2019-03-15 | 2019-06-28 | 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 |
| WO2020187113A1 (zh) * | 2019-03-15 | 2020-09-24 | 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 |
| CN110826772A (zh) * | 2019-10-15 | 2020-02-21 | 深圳市赛梅斯凯科技有限公司 | 车辆尾气排放预测方法、装置、设备及存储介质 |
| CN110793896A (zh) * | 2019-12-03 | 2020-02-14 | 承德石油高等专科学校 | 一种尾气中粉尘浓度短期预测方法 |
| CN110793896B (zh) * | 2019-12-03 | 2022-04-08 | 承德石油高等专科学校 | 一种尾气中粉尘浓度短期预测方法 |
| 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 |
| CN112305167A (zh) * | 2020-10-29 | 2021-02-02 | 如皋市金鹏机动车检测有限公司 | 一种行驶车辆尾气排放检测及评估系统 |
| CN112882407A (zh) * | 2020-12-31 | 2021-06-01 | 闳约深美江苏信息技术开发有限公司 | 一种基于物联网的汽车尾气实时监控设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108629450A (zh) | 一种液化天然气公交车尾气排放预测方法 | |
| Zhao et al. | Development of a representative urban driving cycle construction methodology for electric vehicles: A case study in Xi’an | |
| Shankar et al. | Method for estimating the energy consumption of electric vehicles and plug‐in hybrid electric vehicles under real‐world driving conditions | |
| Lyu et al. | Review of the studies on emission evaluation approaches for operating vehicles | |
| CN105206056B (zh) | 道路交通污染源智能预测方法及系统 | |
| Li et al. | Research on optimized GA-SVM vehicle speed prediction model based on driver-vehicle-road-traffic system | |
| Lai et al. | Development of city-specific driving cycles for transit buses based on VSP distributions: Case of Beijing | |
| CN106427589A (zh) | 基于工况预测和模糊能耗的电动汽车续驶里程估算方法 | |
| CN105868787A (zh) | 基于工况识别和模糊能耗的电动汽车续驶里程估算方法 | |
| CN110299011A (zh) | 一种基于收费数据的高速公路任意断面的交通流预测方法 | |
| CN106529608A (zh) | 一种机动车尾气遥测设备综合布点系统 | |
| CN107577910A (zh) | 一种基于深层次神经网络的车辆尾气浓度反演方法 | |
| Guo et al. | A novel energy consumption prediction model with combination of road information and driving style of BEVs | |
| CN104318315A (zh) | 一种城市道路交通污染物排放监控预警系统及方法 | |
| CN107180534B (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 | |
| CN110728772A (zh) | 一种有轨电车典型行驶工况构建方法 | |
| Cui et al. | Optimization based method to develop representative driving cycle for real-world fuel consumption estimation | |
| 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 | |
| CN112948965A (zh) | 一种基于机器学习和统计验证的汽车行驶工况的构建方法 | |
| Fei et al. | Discrimination of excessive exhaust emissions of vehicles based on Catboost algorithm | |
| Wang | Applying machine-learning methods based on causality analysis to determine air quality in China | |
| Yugendar et al. | Driving cycle estimation and validation for Ludhiana City, India | |
| 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 | |
| CN114444803A (zh) | 电动汽车充电站充电负荷预测方法、系统、终端及介质 | |
| Lian et al. | Research on adaptive control strategy optimization of hybrid electric vehicle |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181009 |
|
| RJ01 | Rejection of invention patent application after publication |