CN110322015B - 车检数据生成方法 - Google Patents
车检数据生成方法 Download PDFInfo
- Publication number
- CN110322015B CN110322015B CN201910721437.7A CN201910721437A CN110322015B CN 110322015 B CN110322015 B CN 110322015B CN 201910721437 A CN201910721437 A CN 201910721437A CN 110322015 B CN110322015 B CN 110322015B
- Authority
- CN
- China
- Prior art keywords
- data
- ins
- model
- variable
- tel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Engines (AREA)
Abstract
本发明公开了一种车检数据生成方法,包括:将已拥有的部分机动车尾气的遥测数据与机动车车辆的车检数据合并成一个数据集,并进行预处理;将数据集中遥测数据的变量作为自变量,车检数据的变量作为因变量,参考机动车排放因子计算模型EMIT的计算公式作模型拟合,并得到EMIT模型中各个系数;将数据集中遥测数据的变量带入拟合的EMIT模型中,将计算结果与数据集中遥测数据的变量一并带入生成式对抗网络并进行网络训练,得到训练好的数据生成模型,从而利用训练好的数据生成模型生成与机动车遥测数据匹配的车检数据。该方法可以生成用于网络训练的车检数据,以确保网络准确计算尾气排放量。
Description
技术领域
本发明涉及环境检测技术处理领域,尤其涉及一种车检数据生成方法。
背景技术
几年来,机动车仍呈快速增加趋势,机动车尾气造成的污染也愈加严重。许多大城市空气污染也由以SO2(二氧化硫)为主的煤烟型污染转变为以CO(一氧化碳)、NO(一氧化氮)等为主的机动车尾气污染和煤烟型污染并存的复合型污染,损害环境空气质量并严重威胁居民健康。尽管不断采取措施防治机动车尾气污染,如淘汰不合格车辆、提高排放标准、升级油品质量等,但污染形势仍然比较严峻。研究表明,机动车尾气污染已成为制约环境空气质量改善的重要原因。在某些大城市的本地排放源中,机动车对各种污染物贡献量分别在20%和40%以上,可见防治机动车污染对于改善环境空气质量具有重要意义。因此,亟需机动车尾气遥感检测设备及制定相应环保政策,以减少和控制机动车尾气排放。
在如今的信息化时代,机动车尾气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遥感监测设备进行机动车尾气遥测。遥测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。机动车尾气遥测设备由车牌照记录单元、车辆速度和加速度测量单元、红外和紫外吸收光谱法污染气体检测单元、控制和数据分析处理单元组成,其中:车牌照记录单元完成对所在车道上行驶的被测车辆的车牌图像获取,识别机动车车牌照号码;车辆速度和加速度测量单元利用光发射器发出的光束被遮挡时间差计算出车辆行驶的速度和加速度;红外和紫外吸收光谱法污染气体检测单元包括红外测量部分、紫外测量部分和信号处理装置:红外测量部分测量尾气中的CO和CO2(二氧化碳)的红外吸收光谱、紫外测量部分测量尾气中NO和HC(碳氢化合物)的紫外吸收光谱,根据吸收谱反演测量浓度,信号处理装置进行计算处理,得到车辆各种尾气的排放值;控制和数据分析处理单元接收各单元的检测结果,进行数据分析、处理、匹配和存储,并通过通信接口将分析处理后的车辆信息发送给远端数据控制中心。机动车尾气遥测设备可以实现对设备部署点的所有机动车尾气排放进行实时监控,可以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、对行驶中的机动车进行实时在线检测方面发挥重大作用,极大地解决了机动车进行车辆年检时采取简易工况法中存在的偶然性以及机动车尾气检测抽样间隔过长的问题,使得机动车监管更加高效。
在实验室条件下,遥测设备的准确率非常高,但是在室外条件下,汽车尾气颗粒的扩散受到环境条件(温度,湿度、风速、大气压)以及机动车行驶时使得尾气烟羽迅速扩散等的影响较大,遥测设备测得的机动车尾气体积浓度绝对值不能真实反映机动车尾气排放情况。机动车在车辆年检时,通常采用简易工况法来检测机动车尾气排放情况,GB18285-2005《点燃式发动机汽车排气污染物排放限值和测量方法》给出了ASM稳态工况测量方法,因此使用稳态工况法得到的排放数据可以认为是机动车在特定工况下排放的准确数值。因此,可以利用卷积网络或BP网络等深度学习方法探索遥测数据与车检数据的一致性,从而实现在已知该机动车遥测数据的情况下,能够推断出其准确的尾气排放量。
但在实验训练阶段,由于车检数据属于保密数据,难以获得全部的车检数据,只能获得部分地区的部分车检数据,使得在训练网络时缺乏数据支撑,给网络的训练过程带来极大的困难,因而难以准确的计算出尾气排放量。
发明内容
本发明的目的是提供一种车检数据生成方法,可以生成用于网络训练的车检数据,以确保网络准确计算尾气排放量。
本发明的目的是通过以下技术方案实现的:
一种车检数据生成方法,其特征在于,包括:
将已拥有的部分机动车尾气的遥测数据与机动车车辆的车检数据合并成一个数据集,并进行预处理;
将数据集中遥测数据的变量作为自变量,车检数据的变量作为因变量,参考机动车排放因子计算模型EMIT的计算公式作模型拟合,并得到EMIT模型中各个系数;
将数据集中遥测数据的变量带入拟合的EMIT模型中,将计算结果与数据集中遥测数据的变量一并带入生成式对抗网络并进行网络训练,得到训练好的数据生成模型,从而利用训练好的数据生成模型生成与机动车遥测数据匹配的车检数据。
由上述本发明提供的技术方案可以看出,基于EMIT的生成式对抗网络,利用已有的部分车检数据和遥测数据来生成新的在车检数据,解决在训练网络过程中缺少数据的问题,有利于提高训练后网络的性能,进而使得训练后的网络能够准确计算尾气排放量。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的一种车检数据生成方法的流程图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
本发明实施例提供一种车检数据生成方法,如图1所示,包括:
1、将已拥有的部分机动车尾气的遥测数据(简称遥测数据)与机动车车辆的车检数据(简称车检数据)合并成一个数据集,并进行预处理。
本发明实施例中,遥测数据主要包括:遥测数据中的环境相关变量、机动车行驶状态信息、遥测尾气成分浓度;车检数据主要包括:环境变量和各成分排放浓度;
本发明实施例中,对数据集进行预处理主要包括:数据清洗以及单位转换,通过预处理来过滤无用数据,并保持数据集中各部分数据的单位统一。
本发明实施例中,预处理后数据集的第i条样本数据D(i)记为:
2、将数据集中遥测数据的变量作为自变量,车检数据的变量作为因变量,参考机动车排放因子计算模型(EMIT)的计算公式作模型拟合,并得到EMIT模型中各个系数。
EMIT是一种基于速度-加速度的排放模型,能够计算某类机动车在瞬时的污染物排放水平,由麻省理工大学的Cappiello等开发。其模型计算公式分别如下:
CO计算公式:
HC计算公式:
NO计算公式:
上式公式所涉及的各系数的取值如表1~表2所示。
表1模型拟合得到的系数
表2模型拟合得到的系数
其中,EOCO、EOHC、EONO为发动机排放率,TPCO、TPHC、TPNO为机动车排放浓度。其中Ptract为机动车发动的基本功率,计算公式如下:
Ptract=A·v+B·v2+C·v3+M·a·v
其中,A为滚动阻力项,B为滚动阻力项的速度修正,C为空气阻力项,M为机动车质量。
本发明实施例中,将遥测数据中的机动车行驶状态信息{v,a}作为自变量,将车检数据的各成分排放浓度{COIns,HCIns,NOIns}作为因变量;
将{v,a}作为输入,X_data={COIns,HCIns,NOIns}作为机动车排放因子计算模型EMIT的计算公式的输出,即赋给{TPCO,TPHC,TPNO}的值,利用最小二乘法拟合上述公式,求得拟合系数,从而得到一个拟合后的EMIT模型;其中,TPCO、TPHC、TPNO依次为排放管的CO、HC、NO排放浓度。
3、将数据集中遥测数据的变量带入拟合的EMIT模型中,将计算结果与遥测数据中的环境相关变量{WindSpeed,WindDeriction,TTel,PTel,HTel}与机动车行驶状态信息{v,a}一并带入生成式对抗网络,作为网络的输入进行训练,得到训练好的数据生成模型,从而利用训练好的数据生成模型生成与机动车遥测数据匹配的车检数据。
生成式对抗网络(GAN)是Goodfellow等在2014年提出的一种生成式模型。GAN在结构上受博弈论中的二人零和博弈的启发,系统由一个生成器(即数据生成模型)和一个判别器构成。生成器捕捉真实数据样本的潜在分布,并生成新的数据样本;判别器负责判别输入是真实数据还是生成的样本。GAN网络有很多的衍生模型,其中WGAN-GP解决了原始GAN中梯度消失、权值两极化等问题。
本发明实施例中,采用的生成式对抗网络模型优选为WGAN-GP。
本步骤优选实施方式如下:
1)将{v,a}输入至拟合的EMIT模型中,得到TP={TPCO,TPHC,TPNO}的值。
2)考虑环境因素(主要是风速)对遥测设备测量精确度的影响,结合遥测数据中的环境相关变量与TP,得到发动机排放率E:
E=ln(1+WindSpeed·sin(WindDirection))·TP
其中,E={ECO,EHC,ENO},ECO、EHC、ENO依次为发动机的CO、HC、NO排放浓度;
3)将{COTel,HCTel,NOTel,v,v2,v3,a,WindSpeed·sin(WindDeriction),TTel-TIns,PTel-PIns,HTel-HIns}作为数据生成模块G的输入。
示例性的,数据生成模块G的网络架构输入节点为11,第一层为全连接层,节点数为32;第2层为全连接层,节点数为64;第三层为全连接层,节点数为128;第四层为输出层。
数据生成模块G输出为:
Bias=Δ(COTel,HCTel,NOTel,v,v2,v3,a,WindSpeed·sin(WindDeriction),TTel-TIns,PTel-PIns,HTel-HIns)
其中,Bias={BCO,BHC,BNO}={ECO-COIns,EHC-HCIns,ENO-NOIns}为E={ECO,EHC,ENO}与X_data={COIns,HCIns,NOIns}的偏差,BCO,BHC,BNO依次为CO、HC、NO的偏差;
其偏差的影响因素主要有上述公式中的各个变量;则最终,数据生成模块G生成的数据为:
EF=E+Bias={ECO+BCO,EHC+BHC,ENO+BNO}
4)将数据生成模块G生成的数据EF与X_data={COIns,HCIns,NOIns}一同作为判别器D的输入。
示例性的,判别器D的网络架构输入节点为6,第一层为全连接层,节点数为32;第2层为全连接层,节点数为64;第三层为全连接层,节点数为128;第四层为输出层。
判别器输出为D(EF)与D(X_data);数据生成模块G与判别器D的损失函数分别为:
G_loss=-D(EF)
D_loss=D(X_data)-D(EF)
本领域技术人员可以理解,判别器网络D可以理解为一个函数D(·),将EF和X_data作为判别器D的输入,则相应的输出可以记为D(EF)与D(X_data)。
训练时,使用RMSprop自适应学习率方法交替最小化上述两个损失函数,最终使两个损失函数收敛,从而得到训练好的数据生成模块G,之后,则可以使用训练好的数据生成模块G生成与机动车遥测数据匹配的车检数据。
本发明实施例上述方案的优点简述如下:
1)本发明所解决的由于缺乏车检数据,而利用基于EMIT的生成式对抗网络生成遥测数据对应的车检数据的问题中,期望利用该方法生成的数据分布只要能与已有的车检的真实数据的分布在数据空间上重合甚至全部包括,那么在之后基于遥测数据与车检数据一致性的深度学习的网络训练中,网络在生成数据的训练下也同样能捕捉到与真实车检数据一样分布特性与特征,也同样能学习到遥测数据与车检数据的关联特征。
2)本发明中采用了更为成熟的WGAN-GP网络结构。同时,生成式对抗网络的约束条件在本数据集中,约束不够强,导致生成的数据分布不够集中,在数据空间中过于分散,因此本发明中提出了基于EMIT模型的生成式对抗网络,利用EMIT模型增强约束,可以使得生成的数据分布更加集中,并且准确。
3)EMIT是一种机动车尾气排放因子计算模型,理论上可以直接估算出机动车的排放因子。但由于机动车具有差异性,行驶状态无法确定,估算结果与真实结果存在差异,其差异也就是由各种影响因子综合造成的。因此,本发明利用生成式对抗网络的生成器拟合其不确定项,使得其结果的准确性更高。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,上述实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (3)
1.一种车检数据生成方法,其特征在于,包括:
将已拥有的部分机动车尾气的遥测数据与机动车车辆的车检数据合并成一个数据集,并进行预处理;
将数据集中遥测数据的变量作为自变量,车检数据的变量作为因变量,参考机动车排放因子计算模型EMIT的计算公式作模型拟合,并得到EMIT模型中各个系数;
将数据集中遥测数据的变量带入拟合的EMIT模型中,将计算结果与数据集中遥测数据的变量一并带入生成式对抗网络并进行网络训练,得到训练好的数据生成模型,从而利用训练好的数据生成模型生成与机动车遥测数据匹配的车检数据;
所述将数据集中遥测数据的变量带入拟合的EMIT模型中,将计算结果与数据集中遥测数据的变量一并带入生成式对抗网络并进行网络训练,得到训练好的数据生成模型包括:
所述生成式对抗网络包括:数据生成模块G与判别器D;
将{v,a}输入至拟合的EMIT模型中,得到TP={TPCO,TPHC,TPNO}的值;其中,{v,a}表示数据集中遥测数据的机动车行驶状态信息;
再结合遥测数据中的环境相关变量与TP,得到发动机排放率E:
E=ln(1+WindSpeed·sin(WindDirection))·TP
其中,E={ECO,EHC,ENO},ECO、EHC、ENO依次为发动机的CO、HC、NO排放浓度,WindSpeed与WindDirection分别表示遥测时的风速与风向;
将{COTel,HCTel,NOTel,v,v2,v3,a,WindSpeed·sin(WindDeriction),TTel-TIns,PTel-PIns,HTel-HIns}作为数据生成模块G的输入,数据生成模块G输出为:
Bias=Δ(COTel,HCTel,NOTel,v,v2,v3,a,WindSpeed·sin(WindDeriction),TTel-TIns,PTel-PIns,HTel-HIns)
其中,Bias={BCO,BHC,BNO}={ECO-COIns,EHC-HCIns,ENO-NOIns}为E={ECO,EHC,ENO}与X_data={COIns,HCIns,NOIns}的偏差,BCO,BHC,BNO依次为CO、HC、NO的偏差;TTel、PTel、HTel依次表示遥测时的温度、大气压强、相对湿度;COIns、HCIns、NOIns、TIns、PIns、HIns依次表示车检时CO的排放浓度、HC的排放浓度、NO的排放浓度、温度、大气压强、相对湿度;
则最终,数据生成模块G生成的数据为:
EF=E+Bias={ECO+BCO,EHC+BHC,ENO+BNO}
将数据生成模块G生成的数据EF与X_data={COIns,HCIns,NOIns}一同作为判别器D的输入,判别器D输出为D(EF)与D(X_data);数据生成模块G与判别器D的损失函数分别为:
G_loss=-D(EF)
D_loss=D(X_data)-D(EF)
训练时,使用RMSprop自适应学习率方法最小化上述两个损失函数,最终使两个损失函数收敛,从而得到训练好的数据生成模块G。
3.根据权利要求2所述的一种车检数据生成方法,其特征在于,所述将数据集中遥测数据的变量作为自变量,车检数据的变量作为因变量,参考机动车排放因子计算模型EMIT的计算公式作模型拟合,并得到EMIT模型中各个系数包括:
将遥测数据中的机动车行驶状态信息{v,a}作为自变量,将车检数据的各成分排放浓度{COIns,HCIns,NOIns}作为因变量;
将{v,a}作为输入,X_data={COIns,HCIns,NOIns}作为机动车排放因子计算模型EMIT的计算公式的输出,即赋给{TPCO,TPHC,TPNO}的值,利用最小二乘法拟合上述公式,求得拟合系数,从而得到一个拟合后的EMIT模型;其中,TPCO、TPHC、TPNO依次为排放管的CO、HC、NO排放浓度,统称为排放管排放率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910721437.7A CN110322015B (zh) | 2019-08-06 | 2019-08-06 | 车检数据生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910721437.7A CN110322015B (zh) | 2019-08-06 | 2019-08-06 | 车检数据生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110322015A CN110322015A (zh) | 2019-10-11 |
CN110322015B true CN110322015B (zh) | 2022-09-06 |
Family
ID=68125534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910721437.7A Active CN110322015B (zh) | 2019-08-06 | 2019-08-06 | 车检数据生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110322015B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712707A (zh) * | 2020-12-26 | 2021-04-27 | 清华四川能源互联网研究院 | 车辆碳排放监测系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2017100353A4 (en) * | 2014-09-30 | 2017-04-27 | Green Light Environment Pty Ltd | A computing device, computer implemented method and computer readable storage medium for the generation of hierarchical data structure environmental impact assessment reports |
CN106650826A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种多车道水平式尾气遥测设备数据处理方法 |
-
2019
- 2019-08-06 CN CN201910721437.7A patent/CN110322015B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2017100353A4 (en) * | 2014-09-30 | 2017-04-27 | Green Light Environment Pty Ltd | A computing device, computer implemented method and computer readable storage medium for the generation of hierarchical data structure environmental impact assessment reports |
CN106650826A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种多车道水平式尾气遥测设备数据处理方法 |
Non-Patent Citations (2)
Title |
---|
An Open Traffic Light Control Model for Reducing Vehicles" \hbox{CO}_{2} Emissions Based on ETC Vehicles;Chunxiao Li;《IEEE Transactions on Vehicular Technology》;20110919;全文 * |
轻型汽油乘用车劣化对不同品种VOCs排放及臭氧生成潜势的影响研究;张宇;《中国优秀硕士学位论文全文数据库》;20190715;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110322015A (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110967320B (zh) | 一种柴油车气态排气污染物遥感检测系统及方法 | |
CN112485319B (zh) | 大气环境走航监测方法及信息处理方法、装置、监测车 | |
Craig et al. | Air pollution and public health: a guidance document for risk managers | |
CN108268935B (zh) | 一种基于时序循环神经网络的pm2.5浓度值预测方法及系统 | |
US11938784B2 (en) | Health protection system for passengers on a train in a polluted indoor environment and method thereof | |
CN107577910B (zh) | 一种基于深层次神经网络的车辆尾气浓度反演方法 | |
CN114280695A (zh) | 一种空气污染物监测预警方法及云平台 | |
CN108197731B (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 | |
CN110135466B (zh) | 一种污染物排放超标车辆判断方法及系统 | |
CN107330300A (zh) | 一种基于支持向量回归的车辆尾气浓度反演方法 | |
CN110988263B (zh) | 一种基于改进的Stacking模型的车辆尾气浓度估计方法 | |
CN113295826B (zh) | 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 | |
CN110322015B (zh) | 车检数据生成方法 | |
Xia et al. | Rapid assessments of light-duty gasoline vehicle emissions using on-road remote sensing and machine learning | |
Fei et al. | Vehicle exhaust concentration estimation based on an improved stacking model | |
CN112394040A (zh) | 一种机动车排污监管系统及方法 | |
CN117649123A (zh) | 一种智慧园区管理系统 | |
CN117630283A (zh) | 燃煤发电企业在线碳排放监测方法与系统 | |
Jun et al. | Artificial neural network model for identifying taxi gross emitter from remote sensing data of vehicle emission | |
He et al. | Vehicle Emission Detection in Data‐Driven Methods | |
KR20100012377A (ko) | 광학기술을 이용한 시정 진단 프로그램 | |
Sonawane et al. | Air quality analysis & prediction using machine learning: Pune smart city case study | |
CN113505160A (zh) | 一种基于卷积深度神经网络的机动车尾气排放估计方法 | |
CN113804595A (zh) | 一种多参数空气质量监测系统 | |
CN115950797B (zh) | 污染物溯源方法和系统 |
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 |