CN108885881B - 污染估算系统 - Google Patents

污染估算系统 Download PDF

Info

Publication number
CN108885881B
CN108885881B CN201780015969.8A CN201780015969A CN108885881B CN 108885881 B CN108885881 B CN 108885881B CN 201780015969 A CN201780015969 A CN 201780015969A CN 108885881 B CN108885881 B CN 108885881B
Authority
CN
China
Prior art keywords
pollution
model
motor vehicle
audio samples
training
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
CN201780015969.8A
Other languages
English (en)
Other versions
CN108885881A (zh
Inventor
A.G.西尼特新
I.C.M.费林森伯格
M.奥恩
L.豪伦德尔斯基
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.)
Signify Holding BV
Original Assignee
Signify Holding BV
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 Signify Holding BV filed Critical Signify Holding BV
Publication of CN108885881A publication Critical patent/CN108885881A/zh
Application granted granted Critical
Publication of CN108885881B publication Critical patent/CN108885881B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/04—Testing internal-combustion engines
    • G01M15/10—Testing internal-combustion engines by monitoring exhaust gases or combustion flame
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G06Q50/40—

Abstract

提供一种用于估算由机动车辆的废气引起的污染水平的污染估算系统（100）。所述系统包含声传感器接口（110），其被布置成从声传感器获得包含机动车辆声音的音频样本的使用数据；及经训练的废气模型单元（120），其被布置成接收所述使用数据的所述音频样本作为输入，且将经训练的废气模型应用至所述所接收的音频样本以产生与所述所接收的音频样本相关联的经估算的污染水平。所述经训练的废气模型已通过使用机器学习算法在多个训练项目上训练废气模型获得，所述多个训练项目包含从一个或多个声传感器获得的机动车辆声音的多个音频样本及相关联的污染水平。

Description

污染估算系统
技术领域
本发明涉及一种污染估算系统、一种污染估算方法、一种计算机程序及一种计算机可读介质。
背景技术
机动车辆排放贡献于空气污染且是产生城市烟雾的主要因素。估算在美国每年有15,000例入院由柴油排气污染引起（参见CATF，2005年6月修订的“An Analysis of DieselAir Pollution and Public Health in America. (v. 1.3)”，第8页）。因此存在对监控由车辆排气引起的污染的需要（尤其在城市中）。通过监控，可获得对通过车辆排气的污染在哪儿是特定问题的了解。然后可使用此信息，比如用于规划目的（例如，当规划城市中新的基础设施时）或用以调节交通等等。
车辆废气贡献的污染包括以下各者：致癌物、单氮氧化物（NOx）（包括一氧化氮（NO）及二氧化氮（NO2））、碳氢化合物（HC）、一氧化碳（CO）、二氧化碳（CO2）、细颗粒尤其是柴油微粒。
监控车辆废气是有挑战的，因为其需要靠近来源进行感测。理想地，感测将接近车辆本身的排气管。尽管对试验车进行此是可能的，但不适合用于大规模监控。此外，如果一种类型以上的污染需要监控，那么潜在的大量不同污染物使得传感器也相对昂贵。
发明内容
具有监控由机动车辆排气引起的污染的改良方法将是有利的。
提供一种用于估算由机动车辆的废气引起的污染水平的污染估算系统。所述系统包含
- 声传感器接口，其被布置成从声传感器获得包含机动车辆声音的音频样本的使用数据，
- 经训练的废气模型单元，其被布置成接收所述使用数据的所述音频样本作为输入，且将经训练的废气模型应用至所述所接收的音频样本以产生与所述所接收的音频样本相关联的经估算的污染水平，其中
- 所述经训练的废气模型已通过使用机器学习算法在多个训练项目上训练废气模型获得，所述多个训练项目包含从一个或多个声传感器获得的机动车辆声音的多个音频样本及相关联的污染水平。
通过取得机动车辆（比如汽车）的声音的音频片段，所述经训练的废气模型单元可估算由该机动车辆引起的污染。以此方式，所述污染估算系统不需要污染传感器来估算污染水平。事实上，声传感器可用于多个目的，且也用作估算污染水平。
所述废气模型可以是例如神经网络。所述估算系统可通过包含分类模型以及回归模型的混合模型改良。举例来说，在实施方案中，所述废气模型包含分类模型及至少一个回归模型。标签列表经定义用于所述废气模型，所述回归模型中的每一者与所述标签列表中的标签相关联。所述分类模型被布置成从机动车辆声音的音频样本预测标签，且
- 所述经训练的废气模型单元被布置成
- 将所述经训练的分类模型应用至所述使用数据的所述音频样本以从所述标签列表获得所预测标签，
- 将与所述所预测标签相关联的经训练的回归模型应用至所述使用数据的所述音频样本，以产生经估算的污染水平，
- 所述多个训练项目包含机动车辆声音的多个音频样本、相关联的污染水平、一个或多个相关联的标签，所述标签是从所述标签列表选择的，
所述废气模型可已经通过以下步骤获得：
- 在所述多个训练项目的机动车辆声音的所述多个音频样本及所述相关联的标签上训练所述分类模型，因此获得被布置成从机动车辆声音的音频样本预测标签的经训练的分类模型，且
- 训练所述至少一个回归模型中的每一特定回归模型，所述训练在所述多个音频样本中与所述特定回归模型所相关联的所述标签相关联的所述音频样本上进行，因此获得被布置成从特定标签的机动车辆声音的音频样本估算污染水平的至少一个回归模型。
在实施方案中，所述标签列表的至少两个标签指示机动车辆的燃料类型，所述两个标签至少区分机动车辆是使用汽油还是柴油燃料。已发现分类器可区分使用柴油的汽车和使用汽油行驶的汽车的声音。专门用于柴油或汽油的回归模型接着将声音转变成估算。
在实施方案中，所述系统包含户外照明器（例如，户外照明灯杆），其中所述户外照明器包含声传感器，所述声传感器被布置成获得机动车辆声音的音频样本作为使用数据。举例来说，所述系统可包含分布在区域中（例如，照明灯杆中）的多个声传感器。
在实施方案中，所述污染估算系统连接到交通管理系统，如果污染水平超过阈值，那么所述污染估算系统发送警告消息到交通管理系统，使得所述交通管理系统调节交通流量。
所述污染估算系统是电子系统。排气模型单元是电子装置，且可在计算机上实施。
本文中所描述的污染估算方法可应用于大范围实际应用中。此类实际应用包括局部化污染水平较高的区域、控制交通等等。
根据本发明的方法可作为计算机实施方法在计算机上、或在专用硬件中或在两者的组合中实施。用于根据本发明的方法的可执行代码可存储在计算机程序产品上。计算机程序产品的示例包括记忆体装置、光存储装置、集成电路、服务器、在线软件等等。优选地，所述计算机程序产品包含存储在计算机可读介质上的非暂时性程序代码，其用于当所述程序产品在计算机上执行时执行根据本发明的方法。
在优选实施方案中，计算机程序包括计算机程序代码，其适配为当在计算机上运行计算机程序时执行根据本发明的方法的所有步骤。优选地，所述计算机程序体现在计算机可读介质上。
附图说明
参看附图，将仅通过示例的方式来描述本发明的另外细节、方面和实施方案。出于简单和清楚起见而说明图中的元件，且其未必按比例绘制。在图中，对应于已描述过的元件的元件可具有相同附图标记。在附图中，
图1a示意性地示出污染估算系统的实施方案的示例，
图1b-1f示意性地示出废气模型单元的实施方案的示例，
图1g示意性地示出污染训练系统的实施方案的示例，
图2a-2d示意性地示出传感器单元的实施方案的示例，
图3示意性地示出照明系统的实施方案的示例，
图4示意性地示出污染估算方法的实施方案的示例，
图5a示意性地示出根据实施方案的具有包含计算机程序的可写入部分的计算机可读介质，
图5b示意性地示出根据实施方案的处理器系统的表示，
图6以曲线图示意性地示出与速度相关的汽车的噪音及CO2排放的示例。
图1a-3中的附图标记列表：
100 污染估算系统
101 污染训练系统
110 声传感器接口
120 废气模型单元
121 分类模型
122 选择器
123.1-123.3 标签预测
124 多个回归模型
124.1-124.3 回归模型
125 经集成的多个回归模型
126 特征提取器
126.1-126.4 所提取特征
130 机器学习单元
132 训练数据库
140 交通管理系统
201-204 传感器单元
210 声传感器
220 相机
230 处理器
240 污染传感器
300 照明系统
310 道路
330-335 照明灯杆
340 灯具
341 构造元件
342 灯杆。
具体实施方式
虽然本发明容许许多不同形式的实施方案，但在附图中示出且将在本文中详细地描述一个或多个具体实施方案，出于对本公开文本应视为本发明的原理的例示性的且不意在将本发明限制为所示出及描述的具体实施方案的理解。
在下文中，为理解起见，在操作中描述实施方案的元件。然而，显而易见的是，相应元件被布置成执行描述为由它们执行的功能。
另外，本发明并不限于所述实施方案，且本发明在于上文描述的或相互不同的从属权利要求中列举的每一个新颖特征或特征的组合。
存在对获得在区域中（比如说城市中）的污染的了解的需要，其不需要让每辆汽车都配备污染传感器。事实上，如果污染传感器完全不需要或仅限制性地需要，这也是优选的。下文描述的实施方案使用声传感器（比如说安装在照明灯杆中）来记录车辆声音。接着从车辆的声音来估算污染。此提供低成本方式来提供在区域中的污染的快速了解。可以此方式快速获得尤其是相对污染，例如，在一个区域中的污染与另一个区域相比严重多少。与分布大量污染传感器相比，成本也是相对较低的。此外，在实施方案中，完全不同类型的污染（比如说单氮氧化物及柴油微粒）可从单个传感器（在该情况下是声传感器）估算。在此文件的上下文中，污染指的是由机动车辆的排烟引起的污染。
有意思地，产生严重废气的发动机在那一刻也产生吵闹的噪音。提出了一种实施方案，为连接的照明基础设施配备捕获发动机排出气体的声音的声传感器。因为每一照明点的位置是已知的，所以可进行对产生大批量废气的车辆的定位和跟踪。声传感器也可安装在与照明灯杆不同的位置中。
图6在曲线图600中示意性地示出与速度相关的汽车噪音及CO2排放的示例。
在曲线图600中示出水平轴620。水平轴620示出汽车的车辆速度。上部轴示出以公里/小时计的速度，下部轴示出以英里/小时计的速度。竖直左轴610示出以dBA计的A计权声级（A-weighted sound level）。
当单个车辆通过离路边15米（50英尺）的麦克风时获得声水平，其声级升高，达到最大值，且当车辆沿着车道逐渐远离时接着下降。在通过期间的最大A计权声级被称作车辆的噪音排放水平。我们参考美国交通部（US Department of Transportation）的“联邦高速公路管理局的交通噪音模型 (FHWA TNM®)，版本1.0-技术手册”来进行A计权噪音水平的精确计算。实线640示出汽车车辆的速度与噪音排放水平之间的关系。注意到噪音水平随着速度增加而增加。
图6又示出竖直右轴650。竖直右轴650示出CO2以g/km计的直接排放（又称为尾气排放）。虚线630示出汽车（使用汽油行驶）的速度与直接CO2排放之间的关系。从图6可看出，CO2排放随着速度增加而减少直至其在最佳速度时达到最小值且接着再次增加。针对其他燃料类型（例如，柴油或液化石油气（LPG）），也可见排放减少直至最佳速度、在最佳速度之后排放再次升高的此模式。然而，最佳速度及减少和增加的确切性质将变化。
图6示出噪音水平与CO2排放之间也存在关系。从汽车的声音，可作出CO2排放的估算。然而，针对不同机动车辆，此关系不同。
图1a示意性地示出污染估算系统100的实施方案的示例。污染估算系统100被配置成估算由机动车辆的废气引起的污染水平。举例来说，污染估算系统100可被配置成估算单氮氧化物的水平。污染估算系统100可被配置成分开地估算多个不同类型的污染物。污染估算系统100也可被配置成估算组合污染水平，例如，多个类型的污染物的加权和。污染估算系统100可以任何合适单位（比如说克/秒）表达污染。机动车辆的示例包括被布置成在道路上驾驶的车辆，例如，汽车、摩托车、公共汽车等等。
污染估算系统100包含声传感器接口110，声传感器接口110被布置成从声传感器210获得使用数据。使用数据包含机动车辆声音的音频样本。音频样本也可以被称为音频片段。举例来说，污染估算系统100可在计算机（例如，服务器）中实施。音频接口110可以是计算机网络连接，例如，互联网连接。举例来说，可通过3G连接和/或有线连接来建立声传感器210之间的连接。声传感器210可以是麦克风。声传感器210及污染估算系统100可以是位于不同地方的两个分开的系统。然而，不同分布也是可能的。举例来说，污染估算系统100及一个或多个声传感器可共同形成一个系统。
污染估算系统100可集成在单个装置（例如，计算机）中。污染估算系统100也可以分布式方式实施。举例来说，预处理（例如，特征提取（参见下文））可在声传感器210处执行，而污染估算的其他部分在实施污染估算系统100的其他部分的另一装置处进行。举例来说，污染估算装置可包含声学接口110及经训练的模型单元120。
举例来说，接口110可以在估算装置内部从而从声传感器接收音频样本。举例来说，接口110可以在传感器单元内部从而从声传感器接收音频样本。在后一种情况中，传感器单元可执行废气模型的处理的部分或全部。
声传感器210可被布置成连续地记录声音，例如，比音频样本的持续时间长。可从比较长的记录选择音频样本。或者，声传感器210可被布置成偶尔地记录音频样本；例如，以规律间隔的；例如，在污染估算系统100的请求下等等。音频样本可以是几秒长（比如说5秒或10秒等等）。较长音频样本可以是一小时长、一天或不停止的等等。
污染估算系统100包含经训练的废气模型单元120，经训练的废气模型单元120被布置成接收使用数据的音频样本作为输入，且将经训练的废气模型120应用至所接收音频样本以产生与所接收音频样本相关联的经估算的污染水平。
举例来说，废气模型可包含例如存储在电子存储中（比如说在记忆体中）的大量参数，及将所述参数应用至输入的算法。算法可以是预先确定的，比如说由机器学习的类型及系统设计者确定。参数可由机器学习算法选择。
经训练的废气模型120已在之前通过使用机器学习算法在多个训练项目上训练废气模型获得。以此方式，即使没有污染传感器可用，仍可从音频数据（即，从声传感器210获得的音频数据）获得污染或污染增加的估算。
应注意，音频传感器也可用于其他目的。举例来说，声传感器210和/或由系统100使用的另外声传感器可用于射击检测。声传感器的分布式阵列可在稍微不同时间检测射击爆炸，其可用以计算发射的起始位置。在实施方案中，声传感器与时钟一起布置以具体说明音频是何时记录的。
污染估算系统100可可选地包含机器学习单元130。机器学习单元130可访问训练数据库132。训练数据库132可位于污染估算系统100中，例如，在与废气模型单元120相同的位置处。举例来说，训练数据库132可存储在服务器中、在云端中等等。
训练数据库132存储多个训练项目。所述多个训练项目包含从一个或多个声传感器获得的机动车辆声音的多个音频样本及相关联的污染水平。
为了构造所述多个训练项目，已从一个或多个声传感器（例如，类似声传感器210的传感器）获得多个机动车辆使用时的多个发动机声音。多个发动机声音（例如，音频样本）与多个机动车辆使用时的污染水平相关联。除音频样本及污染水平之外，训练项目也可包含一个或多个标签。标签给出发动机类型、使用类型等等的信息。标签向模型提供额外训练数据。其他相关信息（例如，当天时间、日期、测量位置等等）也可记录在数据库132中。其他相关信息中的一些可用作额外输入；例如，关于环境条件（例如，温度、风速及湿度）的信息。
可从标签列表选择训练项目中的标签。在实施方案中，所述标签列表的至少两个标签指示机动车辆的燃料类型，所述两个标签至少区分机动车辆是使用汽油还是柴油燃料。另一标签可以是电动的或LPG（例如，燃气）。举例来说，指示机动车辆的燃料类型的标签列表可以是{柴油、汽油}、{柴油、汽油、电动}或{柴油、汽油、电动、燃气}等等。
在实施方案中，标签列表的至少两个标签指示机动车辆的当前使用，所述两个标签至少区分机动车辆是运行静止还是运行非静止。另一使用可以是增速、减速、以定速运行等等。举例来说，指示使用类型的标签列表可以是{运行静止、运行非静止}或{运行静止、定速、增速、减速}等等。
标签使用是可选的。在实施方案中，可仅仅使用某些类型的标签（例如，仅仅是指示燃料类型或发动机类型的标签）。标签可在可用的基础上添加至训练项目。另一方面，在实施方案中，每一训练项目已向其指派所有适当标签。标签列表可具有“未知”标签。
举例来说，在实施方案中，数据库132可包含表格，其含有音频样本标记（例如，指针、文件名等等）和污染水平的对，及一个或多个标签。举例来说，表格可看起来如下：
音频样本 标签 污染物
Audioref_ptr_31534 汽油，非静止 128.8 g/km CO2
Audioref_ptr_65434 柴油，非静止 129.2 g/km CO2
Audioref_ptr_99873 电动，静止 0 g/km CO2
“Audioref_ptr”指代音频样本。所述值指代以合适单位计且使用合适测量方法的污染水平。标签可指代发动机或使用的类型的信息等等。在这种情况下，标签可从两个列表{汽油，柴油，电动}及{非静止，静止}指派。两个标签列表可组合在单个标签列表中。举例来说，可使用指示燃料类型及使用类型两者的标签。举例来说，标签列表可以是{非静止+汽油，非静止+柴油，非静止+电动，静止+汽油，静止+柴油，静止+电动}。以上值是针对特定汽车及特定污染物的示例。在实施方案中，提供针对不同或多个污染物的值。
机器学习单元130被布置成使用机器学习算法在多个训练项目上训练废气模型，因此获得经训练的废气模型。
存在可使用的若干机器学习算法，包括分类及回归算法。合适的分类器包括神经网络、支持向量机、决策树及随机森林。回归可以是回归树、多项式回归。常规机器学习算法可用于机器学习单元130。下文将讨论也能够使用标签的有利混合架构。此类标签可显著地减少训练项目的所需数目和/或增加用于给定量训练数据的系统的准确性。
一旦废气模型单元120是经训练的，就不再需要机器学习单元130。因此在污染估算系统100中，数据库132及机器学习单元130是可选的。另一方面，为训练废气模型，如果数据库132是可用的，那么不需要声传感器接口110。机器学习系统的实施方案包含废气模型120、数据库132及机器训练单元130。图1g示意性地示出包含数据库132、机器学习单元130及废气模型120的污染训练系统101。一旦废气模型120是经训练的，那么其可放置在污染估算系统100中而例如无需训练单元130和/或数据库132。
可以若干方式获得训练数据。举例来说，可获得常见汽车类型的音频样本（例如，使用声传感器测量）。举例来说，人们可将机动车辆（比如说汽车）放在辊子组（rollerbank）上且获得音频样本。音频样本可以是几秒（例如，5秒）。音频样本可以比训练样本长。与获得音频样本一起，又可获得排气污染信息（例如，通过测量排气污染信息）。音频记录及污染感测可连续地进行。在汽车通过不同操作的序列运行时，测量到不同污染值。以此方式，获得大音频样本（比如说一小时长）及污染的对应记录。随后，可将大音频样本剪切成比如说5秒、6秒等等的音频样本。举例来说，可使用具预定音频样本尺寸的移动窗。序列可以标准化并用于多个车辆。污染传感器的位置和类型也可标准化。举例来说，污染传感器可位于汽车的排气管处。此将得到一污染估算系统，其估算排气管处的污染，即使声传感器位于较远距离处。
如果使用标签，那么音频样本和污染的对也可关联到一个或多个标签。举例来说，训练项目可与汽车类型（例如，公共汽车/汽车）及使用类型（增加燃气、静止）等等相关联。举例来说，训练数据可表示为如下表格：第一列中是音频样本，第二列中是污染水平及第三列中是汽车分类。
训练数据也可通过将污染传感器放置在距离排气管较远处来获得。训练数据甚至可通过在用于机动车辆的道路处的声音记录来获得。人可发现且记录标签（比如说，汽车类型）。传感器可测量路旁的污染。在本实施方案中因为污染传感器不直接位于接近排气管处，所以减少的准确性必须是接受的。在测量音频样本与污染的测量之间可引入时间延迟。举例来说，如果时间延迟是1分钟，那么在时间t=0时测量的音频样本将与在t=1分钟时测量的污染水平相关联。在任何实施方案中，有可能测量污染水平的增加而非绝对污染水平；在本实施方案中，此可能性是尤其有用的，因为可存在背景污染。此外，在本实施方案中，训练项目可提供有影响机动车辆与传感器之间的污染水平的分布的额外因素（比如说湿度）。湿度可在训练期间及使用期间提供给排气模型作为额外输入。
在实施方案中，使用路旁训练数据且音频样本比5秒长很多（比如说1小时或更多）。1小时音频样本可在尺寸上大幅减少和/或可在传感器处进行特征提取。举例来说，音频样本可分成例如20秒长的时段，计算此时段的能量。组合起来，模型可预测道路尺寸传感器的污染增加而非绝对污染值。
模型也可在其中具有多个车辆的声音的样本上训练。可在路旁位置获得此种经组合的样本。也可从辊子组产生经组合的样本。举例来说，给出单辆汽车的多个训练项目，音频可混合以获得对应于多辆汽车的样本。模型可替代地仅在单辆汽车的音频样本上训练；在使用期间该模型可应用于经过传感器的单辆汽车。
在实施方案中，通过在训练间隔期间连续地测量来自在路旁位置的声传感器的音频而获得多个训练项目。举例来说，训练间隔可比一个音频样本长；举例来说，训练间隔可以是单个音频样本的持续时间的至少500倍长；举例来说，使用5秒的音频样本，训练间隔可以是一小时或一天。实施方案还包含在训练间隔期间连续地测量来自在路旁位置的污染传感器的污染水平。从记录的污染水平和记录的声音，机动车辆声音的多个音频样本可连同来自污染水平的对应选择一起来选择；后者可包括延迟以补偿污染从车辆排气行进到传感器所花费的时间。
训练项目可由单片模型（monilithic model）（比如说一个神经网络或支撑向量机）使用，其采取音频样本和/或从音频样本计算的特征（参见下文）作为输入，且产生污染水平估算作为输出。此种类别的训练数据尤其适合于由比如说较大神经网络（比如说使用深度学习）的单片模型使用。这种系统也可使用标签例如作为到模型的额外输入，但其不是必要的。比如说深度神经网络的优点在于仅需要在特征及模型架构上的相对小的投资。下文的实施方案描述为组合不同类型的可训练模型且其能够有利地使用标签。图2d（下文进一步描述）示出可用于捕获此训练数据的传感器单元。
图1b示意性地公开废气模型120的实施方案。此废气模型包含分类模型121及多个回归模型。图1b中示出的是回归模型124.1、124.2及124.3。可存在更多或更少的回归模型。定义用于废气模型的标签列表。示例包括在上文介绍的燃料类型或使用类型标签。为简单起见，在本实施方案的描述中，我们将假设燃料类型标签，但同一实施方案可用于类型标签、用于组合类型标签或甚至多个标签列表。举例来说，我们可使用标签列表{柴油，汽油，电动}。
每一标签与多个回归模型中的一个回归模型相关联。举例来说，柴油可与回归模型124.1相关联；汽油与回归模型124.2相关联且电动与回归模型124.3相关联。在实施方案中，来自标签列表的多个标签与同一回归模型相关联。此选项允许模型稍后以更详细的回归模型扩展。举例来说，随着更多训练数据变得可用，此是有用的。
分类模型121被布置成从机动车辆声音的音频样本预测标签。废气模型单元120被布置成将经训练的分类模型应用至使用数据的音频样本以从标签列表获得所预测标签。举例来说，向分类模型121提供来自使用数据的机动车辆声音的音频样本，且预测与音频样本相关联的一个标签或一个或多个标签。举例来说，如果分类模型121被呈现以先前示例的音频样本“Audioref_ptr_31534”，那么分类模型121将预期产生标签汽油。
分类模型可产生用于标签列表中的标签中的每一者的概率测度。举例来说，分类模型121可产生标签汽油具有78%的概率、柴油具有15%概率及电动具有7%的概率作为输出。图1c示出分类模型121，其产生等于标签列表中的标签的数目的多个标签预测。图1c示出标签预测123.1、123.2及123.3。举例来说，这些标签预测可对应于标签柴油、汽油及电动。如果从标签列表指派仅一个标签给音频样本（例如，可能是针对燃料类型列表的情况），那么分类模型121的输出可以是例如求和为1的概率分布。然而，如果可使用多个标签，例如以也包括使用类型，那么分类模型121的输出也可指示多个标签。
举例来说，分类模型121可以是神经网络。神经网络可具有包含多个输入节点的输入层。输入节点的至少部分可从可能预处理（例如，傅里叶分析、降频（frequencyreduction）等等）之后的音频样本接收音频值。关于适当神经网络架构，我们参考Boulanger-Lewandowski等人的“使用递归神经网络的音频弦识别（Audio chordrecognition with recurrent neural networks）”。 应注意，尽管一般而言，所引用的论文与污染估算或与机动车辆完全不相关，但用于处理音频的神经网络可用于废气模型120且尤其用于分类器121。
废气模型单元120被布置成将与所预测标签相关联的经训练的回归模型应用至使用数据的音频样本，以产生经估算的污染水平。举例来说，在以上示例中，废气模型单元120可采取汽油作为所预测标签，例如，因为其具有最高概率，且应用对应的回归模型124.2。
举例来说，废气模型单元120可包含选择器122，选择器122被布置成接收分类模型121的输出且从此确定合适的回归模型。举例来说，选择器122可被布置成从所述输出确定所预测标签，且选择及应用与所预测标签相关联的回归模型。
在实施方案中，应用回归模型中的每一者，且使用每一标签的概率作为权重来平均化多得出的预测。举例来说，可通过选择器122执行所述加权。
此模型是含有分类模型及回归模型两者的混合模型。为了训练混合模型，可使用多个训练项目，其包含机动车辆声音的多个音频样本、相关联的污染水平及一个或多个相关联的标签，标签是从标签列表选择的。
通过训练单元130在多个训练项目的机动车辆声音的多个音频样本及相关联的标签上训练分类模型，因此获得被布置成从机动车辆声音的音频样本预测标签的经训练的分类模型。通过训练单元130训练回归模型中的每一者，所述训练在多个音频样本中与特定回归模型所相关联的标签相关联的音频样本上进行，因此获得被布置成从具特定标签的机动车辆声音的音频样本估算污染水平的多个经训练的回归模型。
发明人的观点是，不同类型的车辆具有在声音与污染之间的不同类型的关系。通过隔离问题的分类部分，此部分可分开地优化。举例来说，分类器可选择为神经网络或支持向量机等等。回归模型可以是回归树、多项式回归等等。
在实施方案中，分类模型121是神经网络且一个或多个回归模型是多项式回归模型。
如果需要，多个回归模型可组合成单个模型。在图1d中示出一个此种实施方案。在回归领域中，通过包括具有限制数目的可能值的一个或多个项来定义模型是可能的。此可用于将标签值插入到单个模型中。不取决于此标签值的模型项的剩余部分针对所有标签是相同的。因此，回归模型组合成具有标签因变量的单个模型。
在实施方案中，废气模型单元包含特征提取器126。特征提取器126从预期与废气模型单元的期望结果相关的音频样本计算值。举例来说，在图1e中，特征提取器126计算作为至分类模型121的输入给出的两个特征126.1及126.2。音频样本本身也可作为至分类模型121的输入给出。
举例来说，可从音频样本获得特征，
- 振幅
- 频域
- 声音变化
- 趋势分析，声音如何改变，例如增大或减小
- 噪音水平，例如，最大噪音水平，例如，A计权噪音水平。
特征可以是单个数字，比如说能量总量，但也可以是多个数字，例如，样本的频率分析。
图1f示出特征提取器提取用于分类模型及回归模型的不同特征 的实施方案。特征126.1及126.2用于分类模型，且特征126.3及126.4用于回归模型。在所示出的实施方案中，回归模型不接收完整音频样本、而是仅接收特征作为输入，然而分类模型接收完整音频样本。
已发现污染水平和音量相当好地合乎逻辑地相对应，但对应关系的准确性质取决于机动车辆的类型。图1f中示出的实施方案适于此观察。回归模型124可例如通过接收音量或某一频带中的能量等等作为输入来使用相对简单的对应关系，但正确的回归模型由可能较大的分类模型来选择。后者无需预测污染的水平，而仅预测比如说机动车辆的类型（标签）。
在实施方案中，排气模型被限制为仅识别已知产生大量污染气体的车辆。举例来说，可引入标签“忽略”，此标签可耦合至简单地输出默认值（比如说平均污染水平）的空回归模型，或对应音频样本可完全忽略。
在实施方案中，使用单个回归模型。举例来说，标签列表可包含两个标签：忽略标签及识别高污染类型的车辆的标签。举例来说，标签列表可以是{柴油，忽略}。忽略标签应用于所有非柴油车辆，且柴油标签与柴油车辆的声音相关联。只有当分类模型预测柴油标签时，使用回归模型。训练后者以估算针对柴油车辆的污染。如果预测到忽略标签，那么模型可产生对应信号，或可产生默认平均污染值等等。
在实施方案中，污染估算系统100分布在多个位置上，例如特征提取器126位于声传感器处，但分类模型121及回归模型124位于服务器中。在一个实施方案中，分类模型也不接收完整音频样本，仅接收所提取特征。后一选项可与分布式实施方案有效地组合，因为其节省带宽。
在实施方案中， 声传感器可在传感器单元中实施。在图2a-2d中示出若干类型的传感器单元，其中每一者可与污染估算系统100的不同实施方案一起使用。举例来说，图2a示出传感器单元201，其包含被布置成获得机动车辆声音的音频样本作为使用数据的声传感器210。污染估算系统100可例如通过接口110与传感器单元通信。污染估算系统100也可包含传感器单元。
图2b示出传感器单元202，其额外包含相机220，相机220被布置成，如果机动车辆的经估算的相关联的污染水平高于污染阈值，则捕捉该机动车辆（例如，其牌照）的影像。使用此传感器单元，可追查出产生大量污染的车辆，使得所述车辆的司机可接收例如友好的警告。
图2c示出传感器单元203，传感器单元203包含声传感器210及处理器230。传感器单元203也可含有用于存储在处理器230处执行的软件的记忆体。处理器230可用于在传感器单元处执行处理。举例来说，处理器230可被配置为音频压缩单元，所述音频压缩单元被布置成在将来自声传感器的音频样本传输至经训练的废气模型单元之前减少机动车辆声音的音频样本的大小。减少可使用一种类型的压缩。压缩可以是无损的（例如，在接收端完全可逆的）或有损的。举例来说，压缩可包括离散、群集等等中的任一者。这些可用于减少将要传输的数据的量。如果使用有损压缩，那么优选地用于训练的音频数据也经历与使用数据相同的压缩及逆转循环。
举例来说，处理器230可布置为特征提取器，类似特征提取器126。如果仅传输所提取特征，那么可获得带宽上的显著减少。
传感器单元中的每一者可与传输单元（未在图2a-2d中分开地示出）组合，传输单元被布置成将音频数据传输至污染估算系统100（例如，至音频接口110）。传输可将在声传感器处接收的音频流传输至音频接口（例如，通过3G或4G，或通过WiFi等等）。
图3示意性地示出包含户外照明器（在此情况下，户外照明灯杆（330-335））的实施方案。户外照明器包含声传感器，声传感器被布置成获得机动车辆声音的音频样本作为使用数据。户外照明器可被配置成将音频样本传输至音频接口110。
在此文件中，术语照明灯杆指代灯杆本身连同在灯杆顶部的灯具、及提供在灯杆中和/或在灯杆顶部的灯具中的额外可选驱动电路。对于照明灯杆330，已指出不同元件，即灯具340、灯杆342及在灯杆顶部的构造元件341，构造元件341包含例如用于驱动灯具340中的灯的驱动电路。
在示例中，图1的系统100提供在照明灯杆330中。举例来说，传感器210提供在灯具340中，且聚焦在照明灯杆330下方的街道上。因而，接近照明灯杆330的街道的一部分是对于此传感器的相关联区域。系统100的其他元件例如提供在元件341中，元件341也包含灯的驱动电路。污染估算算法可嵌入在每一照明器中和/或使用从每一照明器获得的数据从中央计算机（例如，在云端中）运行。
在示例中，照明灯杆331-335中的每一者设有声传感器且设有传输器（比如说，无线传输器）。照明灯杆331-335中的每一传感器具有一相关联的表面，其为接近相应照明灯杆331-335且由其照亮的街道的一部分。举例来说，照明灯杆335可检测由通过照明灯杆335下方的汽车或其他机动车辆产生的声音。汽车声音的音频样本由声传感器获得且无线地传输至音频接口110。额外信息可包括当前时间及可能地其他传感器测量（例如，湿度传感器、风传感器等等）。
在实施方案中，沿着城市道路的照明灯杆中的声传感器识别发出大批量废气进入空气中的发动机的声音，且可选地定位此种车辆。举例来说，进行记录的照明灯杆或声传感器的识别可连同音频样本一起传输。
在实施方案中，人们可使用系统来估算区域（例如，城市）中的整体污染水平。在实施方案中，污染估算系统连接到交通管理系统140。此选项在图1a中说明。如果经估算的污染水平超过阈值，那么污染估算系统可发送警告消息到交通管理系统，使得交通管理系统调节交通流量。
在已知具有高空气污染的区域和/或其上不允许具有废气的高排放的车辆的道路的情况下，系统可向官方警告此种违规的位置及时间。官方也可使用所述信息来识别大多数空气污染的来源且使用其来塑造城市政策。
在具有污染估算的情况下，各种用途自己呈现出来。举例来说
o 污染报告。
o 转移交通。
o 减少/增加速度。取决于当前平均速度（如果速度太低，尝试增加，如果太高尝试减少）
o 使交通更流畅，
o 保持交通灯在红灯上更长时间
举例来说，为了使交通更流畅，人们可将交通信号放置在协调系统上，使得司机遇见连续绿色灯（也称作“绿波（green wave）”）。削减速度也可显著地减少其他污染物的排放，尤其是减少来自柴油车辆的NOx及微粒物质（PM）输出。
在实施方案中，模型分开地警告运行静止（也称作运行空转）的机动车辆。空转检测是重要的，因为其表示减少排放的容易方式。举例来说，当识别到汽车常常空转的位置时，可呈现警告标志来减少司机使他们的引擎空转的时间量。在分类模型121预测静止及非静止标签的情况下，空转检测是可能的。空转检测也可独立地进行，而无需预测污染水平。此系统的示例是用于检测机动车辆运行静止的空转检测系统。系统包含
- 声传感器接口110，其被布置成从声传感器获得包含机动车辆声音的音频样本的使用数据，
- 经训练的模型单元，其被布置成接收所述使用数据的所述音频样本作为输入，且将经训练的模型应用至所述所接收的音频样本以产生机动车辆是否运行静止的预测，
- 所述经训练的模型已通过使用机器学习算法在多个训练项目上训练模型获得，所述多个训练项目包含从一个或多个声传感器获得的机动车辆声音的多个音频样本，
- 所述模型包含分类模型121，标签列表经定义用于所述模型，所述分类模型被布置成从机动车辆声音的音频样本预测标签，所述标签列表包括用于运行静止及用于运行非静止的至少一标签，
- 所述经训练的模型单元被布置成
- 将所述经训练的分类模型应用至所述使用数据的所述音频样本以从所述标签列表获得所预测标签，
- 所述多个训练项目包含机动车辆声音的多个音频样本及一个或多个相关联标签，所述标签是从所述标签列表选择的，
- 所述模型已通过以下步骤获得
- 在所述多个训练项目的机动车辆声音的所述多个音频样本及所述相关联的标签上训练所述分类模型，因此获得被布置成从机动车辆声音的音频样本预测标签的经训练的分类模型。
通常，装置100及201-204每一者包含微处理器（未分开地示出），其执行存储在装置处的适当软件；例如，软件可已下载和/或存储在对应记忆体（例如，诸如RAM的易失性记忆体或诸如闪存（Flash）的非易失性记忆体）中（未分开地示出）。或者，装置100及201-204可整体地或部分地实施在可编程逻辑（例如，为现场可编程门阵列（FPGA））中。装置可整体地或部分地实施为所谓的专用集成电路（ASIC），即针对其特定用途定制的集成电路（IC）。举例来说，电路可例如使用诸如Verilog、VHDL等等的硬件描述语言在CMOS中实施。
在实施方案中，污染估算系统100包含声传感器接口电路及废气模型电路。装置100可包含额外电路，例如，传感器电路、音频压缩电路、机器学习电路。电路实施本文描述的对应单元。电路可以是处理器电路及存储电路，处理器电路执行在存储电路中电子地表示的指令。电路也可以是FPGA、ASIC诸如此类。
图4示意性地示出污染估算方法400的实施方案，其用于估算由机动车辆的废气引起的污染水平。方法400包含
- 从一个或多个声传感器获得（410）多个机动车辆使用时的多个发动机声音，及相关联的多个机动车辆使用时的污染水平，因此获得包含机动车辆声音的多个音频样本及相关联的污染水平的多个训练项目，及
- 使用机器学习算法在多个训练项目上训练（420）废气模型，因此获得经训练的废气模型。
- 从声传感器获得（430）包含机动车辆声音的音频样本的使用数据，
- 将经训练的废气模型应用（440）至所接收的音频样本以产生经估算的相关联的污染水平，其中
- 经训练的废气模型已通过使用机器学习算法在多个训练项目上训练废气模型获得，多个训练项目包含从一个或多个声传感器获得的机动车辆声音的多个音频样本及相关联的污染水平。
如本领域技术人员将清楚的，执行所述方法的许多不同方式是可能的。举例来说，步骤的次序可变化或一些步骤可并行地执行。此外，在步骤之间可插入其他方法步骤。所插入的步骤可表示诸如本文描述的方法的精确化，或可与所述方法不相关。举例来说，可至少部分地并行执行步骤430及440。此外，一给定步骤可未在下一步骤开始之前完全完成。
根据本发明的方法可使用软件执行，软件包含用于使处理器系统执行方法400的指令。软件可仅包括由系统的特定子实体采取的那些步骤。软件可存储在合适的存储介质（诸如，硬盘、软盘、记忆体、光盘等等）中。软件可作为信号沿有线或无线、或使用数据网络（例如，因特网）发送。可使软件可用于下载和/或可用于服务器上的远程使用。根据本发明的方法可使用位流执行，位流被布置成配置可编程逻辑（例如，现场可编程门阵列（FPGA））来执行所述方法。
应了解，本发明也扩展至适于使本发明付诸实施的计算机程序，尤其是在载体上或载体中的计算机程序。程序可为以下形式：源代码、目标代码、诸如部分编译形式的源代码和目标代码中间的代码、或以适合用于根据本发明的方法的实施的任何其他形式。与计算机程序产品相关的实施方案包含对应于所阐述的方法中的至少一者的处理步骤中的每一者的计算机可执行指令。这些指令可再分成子例行程序，和/或存储在可静态地或动态地链接的一个或多个文件中。与计算机程序产品相关的另一个实施方案包含对应于所阐述的系统和/或产品中的至少一者的构件中的每一者的计算机可执行指令。
图5a示出计算机可读介质1000，其具有可写入部分1010，可写入部分1010包含计算机程序1020，计算机程序1020包含用于使处理器系统执行根据实施方案的污染估算方法的指令。计算机程序1020可作为物理标记体现在计算机可读介质1000上或借助计算机可读介质1000的磁化来体现。然而，任何其他合适的实施方案也是可设想的。此外，应了解，尽管计算机可读介质1000在此示出为光盘，但计算机可读介质1000可以是任何合适的计算机可读介质，诸如硬盘、固态记忆体、闪存等等，且可以是非可记录的或可记录的。计算机程序1020包含用于使处理器系统执行所述污染估算方法的指令。
图5b以示意图示出根据实施方案的处理器系统1140。处理器系统包含一个或多个集成电路1110。在图5b中示意性地示出一个或多个集成电路1110的架构。电路1110包含处理单元1120（例如，CPU），其用于运行计算机程序组件来执行根据实施方案的方法和/或实施其模块或单元。电路1110包含用于存储编程代码、数据等等的记忆体1122。记忆体1122的部分可以是只读的。电路1110可包含通信元件1126，例如，天线、连接器或两者等等。电路1110可包含专用集成电路1124，其用于执行在方法中定义的部分或所有处理。处理器1120、记忆体1122、专用IC1124及通信元件1126可通过互连1130（比如说总线）彼此连接。处理器系统1110可被布置成用于分别使用天线和/或连接器的接触和/或无接触的通信。
应注意，上文提及的实施方案说明而非限制本发明，且本领域技术人员将能够设计许多可替代的实施方案。
在权利要求书中，放在圆括号之间的任何附图标记不应解释为限制权利要求。动词“包含”及其动词的变化形式的使用不排除除了在权利要求中陈述的元件或步骤之外的元件或步骤的存在。元件前面的冠词“一”或“一个”不排除多个这样的元件的存在。本发明可借助包含若干不同元件的硬件及借助适当编程的计算机实施。在枚举若干构件的装置权利要求中，这些构件中的几个可由同一硬件项体现。在相互不同从属权利要求中叙述某些措施的纯粹事实不指示这些措施的组合不能有利地使用。
在权利要求书中，圆括号中的参考指代实施方案的附图中的附图标记或指代实施方案的公式，因此增加权利要求的可理解度。这些参考不应解释为限制权利要求。

Claims (14)

1.一种用于估算由机动车辆的废气引起的污染水平的污染估算系统（100），所述系统包括：
- 声传感器接口（110），其被布置成从声传感器获得包含机动车辆声音的音频样本的使用数据，
- 经训练的废气模型单元（120），其被布置成接收所述使用数据的所述音频样本作为输入，且将经训练的废气模型应用至所接收的音频样本以产生与所述所接收的音频样本相关联的经估算的污染水平，其中
- 所述经训练的废气模型已通过使用机器学习算法在多个训练项目上训练废气模型获得，所述多个训练项目包含从一个或多个声传感器获得的机动车辆声音的多个音频样本及相关联的污染水平。
2.如权利要求1所述的污染估算系统，其中
- 所述废气模型包含分类模型（121）及至少一个回归模型（124.1、124.2、124.3），标签列表经定义用于所述废气模型，所述回归模型中的每一者与所述标签列表中的标签相关联，所述分类模型被布置成从机动车辆声音的音频样本预测标签，且
- 所述经训练的废气模型单元被布置成
- 将所述经训练的分类模型应用至所述使用数据的所述音频样本以从所述标签列表获得所预测标签，
- 将与所述所预测标签相关联的所述至少一个回归模型的经训练的回归模型应用至所述使用数据的所述音频样本，以产生经估算的污染水平，
- 所述多个训练项目包含机动车辆声音的多个音频样本、相关联的污染水平、一个或多个相关联的标签，所述标签是从所述标签列表选择的，
- 所述废气模型已通过以下步骤获得：
- 在所述多个训练项目的机动车辆声音的所述多个音频样本及所述相关联的标签上训练所述分类模型，因此获得被布置成从机动车辆声音的音频样本预测标签的经训练的分类模型，且
- 训练所述至少一个回归模型中的每一特定回归模型，所述训练在所述多个音频样本中与所述特定回归模型所相关联的标签相关联的音频样本上进行，因此获得被布置成从具特定标签的机动车辆声音的音频样本估算污染水平的至少一个回归模型。
3.如权利要求2所述的污染估算系统，其中所述废气模型包含多个回归模型，所述标签列表的至少两个标签与所述多个回归模型的不同回归模型相关联。
4.如权利要求2所述的污染估算系统，其中
- 所述标签列表的至少两个标签指示机动车辆的燃料类型，所述两个标签至少区分机动车辆是使用汽油还是柴油燃料，和/或
- 所述标签列表的至少两个标签指示机动车辆的当前使用，所述两个标签至少区分机动车辆是运行静止还是运行非静止。
5.如权利要求1-4中任一项所述的污染估算系统，其中所述废气模型单元被布置成产生至少两个不同污染物的多个经估算的污染水平。
6.如权利要求1-4中任一项所述的污染估算系统，其包含：
- 传感器单元（201），其包含：
- 声传感器（210），其被布置成获得机动车辆声音的音频样本作为使用数据，
- 相机（220），其被布置成，如果所述经估算的相关联的污染水平高于污染阈值，则捕捉所述机动车辆的影像。
7.如权利要求1-4中任一项所述的污染估算系统，其包含户外照明器，例如，户外照明灯杆（330-335），其中所述户外照明器包含声传感器，所述声传感器被布置成获得机动车辆声音的音频样本作为使用数据。
8.如权利要求1-4中任一项所述的污染估算系统，其包含音频压缩单元，所述音频压缩单元被布置成在将来自声传感器的音频样本传输至所述经训练的废气模型单元之前减少机动车辆声音的所述音频样本的大小。
9.如权利要求1-4中任一项所述的污染估算系统，其中所述多个训练项目通过以下步骤获得：
- 在训练间隔期间连续地测量来自在路旁位置的声传感器的音频，
- 在所述训练间隔期间连续地测量来自在所述路旁位置的污染传感器的污染水平，
- 获得机动车辆声音的多个音频样本及相关联的污染水平作为所述连续地测量的音频的部分及所述连续地测量的污染水平的对应部分。
10.如权利要求1-4中任一项所述的污染估算系统，其包含：
- 机器学习单元（130），其被布置成从一个或多个声传感器获得多个机动车辆使用时的多个发动机声音，及所述多个机动车辆使用时的相关联的污染水平，因此获得包含从一个或多个声传感器获得的机动车辆声音的多个音频样本及相关联的污染水平的多个训练项目，且
- 使用机器学习算法在所述多个训练项目上训练废气模型，因此获得经训练的废气模型。
11.如权利要求1-4中任一项所述的污染估算系统，其中所述废气模型单元被布置成从所述所接收的音频样本计算一个或多个特征（126.1、126.2），且将所述经训练的废气模型应用至所述计算出的特征。
12.一种用于估算由机动车辆的废气引起的污染水平的污染估算方法（400），所述方法包含
- 从声传感器获得（430）包含机动车辆声音的音频样本的使用数据，
- 将经训练的废气模型应用（440）至所接收的音频样本以产生经估算的相关联的污染水平，其中
- 所述经训练的废气模型已通过使用机器学习算法在多个训练项目上训练废气模型获得，所述多个训练项目包含从一个或多个声传感器获得的机动车辆声音的多个音频样本及相关联的污染水平。
13.如权利要求12所述的污染估算方法，所述方法包含：
- 从一个或多个声传感器获得（410）多个机动车辆使用时的多个发动机声音，及所述多个机动车辆使用时的相关联的污染水平，因此获得包含机动车辆声音的多个音频样本及相关联的污染水平的所述多个训练项目，及
- 使用机器学习算法在多个训练项目上训练（420）废气模型，因此获得经训练的废气模型。
14.一种计算机可读存储介质，其上包含有计算机可执行指令，所述计算机可执行指令在由处理器执行时，使所述处理器执行如权利要求12或13所述的方法。
CN201780015969.8A 2016-03-10 2017-02-28 污染估算系统 Active CN108885881B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP16159645.7 2016-03-10
EP16159645 2016-03-10
PCT/EP2017/054620 WO2017153207A1 (en) 2016-03-10 2017-02-28 Pollution estimation system

Publications (2)

Publication Number Publication Date
CN108885881A CN108885881A (zh) 2018-11-23
CN108885881B true CN108885881B (zh) 2023-07-25

Family

ID=55527832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780015969.8A Active CN108885881B (zh) 2016-03-10 2017-02-28 污染估算系统

Country Status (6)

Country Link
US (1) US11042805B2 (zh)
EP (1) EP3217400B1 (zh)
JP (1) JP6494009B1 (zh)
CN (1) CN108885881B (zh)
RU (1) RU2018135573A (zh)
WO (1) WO2017153207A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11615221B1 (en) 2014-05-08 2023-03-28 The United States Of America, As Represented By The Secretary Of The Navy Method for modeling the spread of contaminants in marine environments
WO2019060716A1 (en) * 2017-09-25 2019-03-28 Freenome Holdings, Inc. SAMPLE EXTRACTION METHODS AND SYSTEMS
US10755560B2 (en) * 2018-06-19 2020-08-25 International Business Machines Corporation Real-time pollution control at a traffic junction
WO2020085986A1 (en) * 2018-10-25 2020-04-30 Ab Etken Teknologi A sensitised, safe to manufacture and environmentally friendly explosive composition
US11354351B2 (en) * 2019-01-31 2022-06-07 Chooch Intelligence Technologies Co. Contextually generated perceptions
CN111008735B (zh) * 2019-11-27 2023-06-02 巴斯夫新材料有限公司 预测排放管理系统及方法
JP7428549B2 (ja) 2020-03-10 2024-02-06 大裕株式会社 振動情報処理装置及び振動情報処理システム
EP3889942A1 (en) * 2020-04-02 2021-10-06 Securaxis SA Apparatus for controlling an independent electrical device and method to control an independent electrical device
US11393336B2 (en) 2020-08-10 2022-07-19 International Business Machines Corporation Smog analysis via digital computing platforms
CN113295826B (zh) * 2021-05-24 2023-06-27 暨南大学 一种基于车联网的机动车尾气排放测试管理系统及智能诊断方法
CN114239271A (zh) * 2021-12-16 2022-03-25 中科三清科技有限公司 一种大气污染预警方法、装置和设备
CN114819411B (zh) * 2022-06-23 2022-09-13 航天宏图信息技术股份有限公司 一种基于走航监测车的大气污染物排放溯源方法和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11306482A (ja) * 1998-04-21 1999-11-05 Matsushita Electric Ind Co Ltd 交通量計測装置及びその方法
EP1693559A1 (fr) * 2005-02-18 2006-08-23 Peugeot Citroën Automobiles S.A. Système de contrôle du fonctionnement d'un moteur Diesel équipé de moyens de recirculation de gaz d'échappement
WO2012090235A1 (en) * 2010-12-31 2012-07-05 Geotechnos S.R.L. Integrated method and system for detecting and elaborating environmental and terrestrial data
WO2014171897A1 (en) * 2013-04-19 2014-10-23 Microlight Sensors Pte. Ltd. Apparatus, system and method for remote detection of vehicle exhaust
CN104318315A (zh) * 2014-09-29 2015-01-28 南通大学 一种城市道路交通污染物排放监控预警系统及方法
WO2015159101A1 (en) * 2014-04-17 2015-10-22 Airbase Systems Ltd A method and system for analysing environmental data
WO2015180227A1 (zh) * 2014-05-28 2015-12-03 南京大学 多通道气溶胶散射吸收测量仪
JP2015227145A (ja) * 2014-06-03 2015-12-17 三菱電機株式会社 車両走行制御システムおよび情報サーバ

Family Cites Families (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5402519A (en) * 1990-11-26 1995-03-28 Hitachi, Ltd. Neural network system adapted for non-linear processing
JP2609760B2 (ja) * 1990-11-30 1997-05-14 株式会社日立製作所 ニューラルネットワーク、ニューラルネットワークの想起または学習方法、およびニューラルネットワークを用いたファジイ推論装置
JPH04265163A (ja) * 1991-02-19 1992-09-21 Matsushita Electric Ind Co Ltd 車載用空気清浄器
US5539638A (en) * 1993-08-05 1996-07-23 Pavilion Technologies, Inc. Virtual emissions monitor for automobile
CN2443153Y (zh) * 2000-10-26 2001-08-15 黄前锋 车辆废气处理装置
KR100377680B1 (ko) * 2000-12-20 2003-03-29 로얄정보기술 주식회사 터널 내의 차종별 오염물 배출량 추정알고리즘 및 이에기초한 터널 내의 오염도 추정 알고리즘을 이용한 터널내의 환기량 산정 시스템 및 그 방법
US7302313B2 (en) * 2001-02-07 2007-11-27 Aircuity, Inc. Air quality monitoring systems and methods
WO2009046359A2 (en) * 2007-10-03 2009-04-09 University Of Southern California Detection and classification of running vehicles based on acoustic signatures
US10321528B2 (en) * 2007-10-26 2019-06-11 Philips Lighting Holding B.V. Targeted content delivery using outdoor lighting networks (OLNs)
NO329798B1 (no) * 2009-02-16 2010-12-20 Inst Energiteknik System og fremgangsmate for empirisk ensemblebasert virtuell sensing av svevestovpartikler
KR20130038906A (ko) * 2010-06-28 2013-04-18 그린 비전 시스템즈 엘티디. 하이퍼스펙트럴 촬영분석을 통해 일정 지역내 오염된 실외공기입자를 실시간 모니터링, 파라메트릭 프로파일링 및 규제하는 방법과 시스템
WO2012023136A1 (en) * 2010-08-15 2012-02-23 Airbase Systems Ltd. Device, system and method for personal health monitoring based on multitude-points environmental data
US8723690B2 (en) * 2011-01-26 2014-05-13 International Business Machines Corporation Systems and methods for road acoustics and road video-feed based traffic estimation and prediction
WO2012159633A1 (en) 2011-05-23 2012-11-29 S-Light A/S Sensor unit for intelligent street lamp and application
US8688309B2 (en) * 2011-12-12 2014-04-01 International Business Machines Corporation Active and stateful hyperspectral vehicle evaluation
US8907803B2 (en) * 2012-01-09 2014-12-09 Intwine Energy Networked air quality monitoring
WO2013134709A1 (en) * 2012-03-08 2013-09-12 Husqvarna Ab Fleet management portal for outdoor power equipment
HUP1200197A2 (hu) * 2012-04-03 2013-10-28 Budapesti Mueszaki Es Gazdasagtudomanyi Egyetem Eljárás és elrendezés környezeti zaj valós idejû, forrásszelektív monitorozására és térképezésére
US9177215B2 (en) * 2012-04-10 2015-11-03 International Business Machines Corporation Sparse representation for dynamic sensor networks
US8755039B2 (en) 2012-05-03 2014-06-17 Abl Ip Holding Llc Lighting devices with sensors for detecting one or more external conditions and networked system using such devices
US8732031B2 (en) 2012-06-12 2014-05-20 Sensity Systems, Inc. Lighting infrastructure and revenue model
US9161419B2 (en) * 2012-07-02 2015-10-13 International Business Machines Corporation Intelligent and coordinated lighting of a lighting device
ES2391860B2 (es) * 2012-07-31 2013-04-26 Universidad De Granada Procedimiento y sistema para estimar caudales de tráfico rodado a partir de los niveles de ruido ambiental
US9424743B2 (en) * 2012-10-12 2016-08-23 Tata Consultancy Services Limited Real-time traffic detection
US9210759B2 (en) * 2012-11-19 2015-12-08 Express Imaging Systems, Llc Luminaire with ambient sensing and autonomous control capabilities
US10499477B2 (en) * 2013-03-18 2019-12-03 Signify Holding B.V. Methods and apparatus for information management and control of outdoor lighting networks
JP6416198B2 (ja) * 2013-03-18 2018-10-31 フィリップス ライティング ホールディング ビー ヴィ 屋外照明ネットワークの情報管理及び制御のための方法及び装置
CN105493109B (zh) * 2013-06-05 2018-01-30 微软技术许可有限责任公司 使用多个数据源的空气质量推断
EP3114574A4 (en) * 2014-03-03 2018-03-07 Inrix, Inc. Traffic obstruction detection
US9489581B2 (en) * 2014-08-11 2016-11-08 Nokia Technologies Oy Vehicle counting and emission estimation
US20160070276A1 (en) * 2014-09-08 2016-03-10 Leeo, Inc. Ecosystem with dynamically aggregated combinations of components
MX2017003493A (es) * 2014-09-19 2017-09-13 3Datx Corp Materia particulada/dispositivo de medicion de numero de sincronizacion.
CA2872783A1 (en) * 2014-12-01 2016-06-01 David Andrew Risk Gas emission detection device, system and method
CN104394636A (zh) * 2014-12-05 2015-03-04 瑞斯康微电子（深圳）有限公司 一种智慧照明路灯集控系统
GB201505577D0 (en) * 2015-03-31 2015-05-13 Westire Technology Ltd Closed camera photocell and street lamp device
US20160343180A1 (en) * 2015-05-19 2016-11-24 GM Global Technology Operations LLC Automobiles, diagnostic systems, and methods for generating diagnostic data for automobiles
US10338047B2 (en) * 2015-06-16 2019-07-02 International Business Machines Corporation Air-pollution anomaly location mechanism
US10671915B2 (en) * 2015-07-31 2020-06-02 Brighterion, Inc. Method for calling for preemptive maintenance and for equipment failure prevention
CN205606498U (zh) * 2016-01-18 2016-09-28 深圳市讯高宏砺科技有限责任公司 一种基于物联网的路灯控制系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11306482A (ja) * 1998-04-21 1999-11-05 Matsushita Electric Ind Co Ltd 交通量計測装置及びその方法
EP1693559A1 (fr) * 2005-02-18 2006-08-23 Peugeot Citroën Automobiles S.A. Système de contrôle du fonctionnement d'un moteur Diesel équipé de moyens de recirculation de gaz d'échappement
WO2012090235A1 (en) * 2010-12-31 2012-07-05 Geotechnos S.R.L. Integrated method and system for detecting and elaborating environmental and terrestrial data
WO2014171897A1 (en) * 2013-04-19 2014-10-23 Microlight Sensors Pte. Ltd. Apparatus, system and method for remote detection of vehicle exhaust
WO2015159101A1 (en) * 2014-04-17 2015-10-22 Airbase Systems Ltd A method and system for analysing environmental data
WO2015180227A1 (zh) * 2014-05-28 2015-12-03 南京大学 多通道气溶胶散射吸收测量仪
JP2015227145A (ja) * 2014-06-03 2015-12-17 三菱電機株式会社 車両走行制御システムおよび情報サーバ
CN104318315A (zh) * 2014-09-29 2015-01-28 南通大学 一种城市道路交通污染物排放监控预警系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Fuelcell-Hybrid Shunt Locomotive: Largest Fuelcell Land Vehicle;Arnold R. Miller;《IET Conference on Railway Traction Systems (RTS 2010)》;20100819;全文 *
珠江三角洲VOCs排放来源识别、验证与基于反应活性的控制对策研究;区家敏;《中国优秀硕士学位论文全文数据库》;20150115(第1期);全文 *

Also Published As

Publication number Publication date
RU2018135573A (ru) 2020-04-10
EP3217400B1 (en) 2018-11-07
US11042805B2 (en) 2021-06-22
US20170300818A1 (en) 2017-10-19
CN108885881A (zh) 2018-11-23
WO2017153207A1 (en) 2017-09-14
JP6494009B1 (ja) 2019-04-03
JP2019512784A (ja) 2019-05-16
EP3217400A1 (en) 2017-09-13

Similar Documents

Publication Publication Date Title
CN108885881B (zh) 污染估算系统
Pathak et al. Real world vehicle emissions: Their correlation with driving parameters
Ma et al. Real-world driving cycles and energy consumption informed by large-sized vehicle trajectory data
Sun et al. Modeling carbon emissions from urban traffic system using mobile monitoring
Choudhary et al. Urban real-world driving traffic emissions during interruption and congestion
US9053593B2 (en) Vehicle data analysis method and vehicle data analysis system
López-Martínez et al. Modelling the fuel consumption and pollutant emissions of the urban bus fleet of the city of Madrid
CN109578155A (zh) 考虑实际使用确定关于移动性的污染性质的指示符的方法
Shahariar et al. On-road CO2 and NOx emissions of a diesel vehicle in urban traffic
Kropiwnicki A unified approach to the analysis of electric energy and fuel consumption of cars in city traffic
CN110243384A (zh) 实际行驶排放试验路线的确定方法、装置、设备和介质
Xue et al. A context-aware framework for risky driving behavior evaluation based on trajectory data
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
KR20200122239A (ko) 연소 엔진을 탑재한 차량의 구동 시스템의 배기가스 배출량 감소 방법
Fernandes et al. Comparing different approaches for estimating tailpipe emissions in passenger cars
Bej et al. Air pollution from vehicle-tailpipe emissions and diagnostic approaches through cyber–physical platform-a review
Elmi et al. Pollutant emissions from passenger cars in traffic congestion situation in the State of Kuwait: options and challenges
Mądziel Instantaneous CO2 emission modelling for a Euro 6 start-stop vehicle based on portable emission measurement system data and artificial intelligence methods
Zhai et al. Comparative analysis of drive-cycles, speed limit violations, and emissions in two cities: Toronto and Beijing
Abas et al. Efforts to establish Malaysian urban drive-cycle for fuel economy analysis
Lee et al. Classification of road type and driving style using obd data
Roso et al. Evaluation of a real-world driving cycle and its impacts on fuel consumption and emissions
Frey et al. Use of on-board tailpipe emissions measurements for development of mobile source emission factors
Trindade et al. Driver Rating: a mobile application to evaluate driver behavior
Sriniwas et al. A real world drive cycle for India

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Eindhoven, the Netherlands

Applicant after: Signify Holdings Ltd.

Address before: Eindhoven, the Netherlands

Applicant before: PHILIPS LIGHTING HOLDING B.V.

GR01 Patent grant
GR01 Patent grant