CN110826772A - 车辆尾气排放预测方法、装置、设备及存储介质 - Google Patents
车辆尾气排放预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110826772A CN110826772A CN201910980813.4A CN201910980813A CN110826772A CN 110826772 A CN110826772 A CN 110826772A CN 201910980813 A CN201910980813 A CN 201910980813A CN 110826772 A CN110826772 A CN 110826772A
- Authority
- CN
- China
- Prior art keywords
- data
- exhaust emission
- historical
- emission
- 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 51
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000007781 pre-processing Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 24
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 abstract description 8
- 239000007789 gas Substances 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical group O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000009469 supplementation Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 238000010531 catalytic reduction reaction Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000004199 lung function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000010891 toxic waste Substances 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing Of Engines (AREA)
Abstract
本发明公开了一种车辆尾气排放预测方法、装置、设备及存储介质,该方法包括以下步骤:采集样本车辆的原始运行数据和原始尾气排放数据,根据预设预处理策略对所述原始运行数据和原始尾气排放数据进行预处理,获得历史运行数据和历史排放数据;对所述历史运行数据进行筛选得到目标运行数据;基于所述目标运行数据和所述历史排放数据,训练得到尾气排放预测模型;通过所述尾气排放预测模型对待测车辆的尾气排放情况进行预测。通过相关系数和显著性检验确定与车辆尾气排放相关的影响因素,去除了干扰因素,提升了尾气排放分析和预测的准确性和可靠性,通过构建的尾气排放预测模型进一步提升了对车辆尾气排放预测的可重复性和可靠性。
Description
技术领域
本发明涉及环境监测技术领域,尤其涉及一种车辆尾气排放预测方法、装置、设备及存储介质。
背景技术
近年来,空气污染的形势日益严峻,机动车辆尾气污染是其主要成因之一,发动机排放的主要污染气体之一是氮氧化物,其对人体健康具有相当高程度的危害,长期接触会导致肺功能缺陷,所以对机动车辆尾气排放的管控亟待实施,而这必须基于明确的成因分析以及时预测。
排放影响因素分析可以帮助驾驶员了解实际运行条件下的车辆排放性能,表征机动车排放因为哪些指标变化,变化的程度如何,可以指导更加环保的驾驶行为。同时,对排放污染物浓度水平的短期准确预测,将提供预警系统,一定程度上可以反映驾驶状态是否异常,防止不必要的有毒废气排放。对车辆排放的估算,后续还可以广泛用于其他用途,包括计算地区的总排放量,以及作为分散模型的输入来计算大气环境污染浓度。同时,国家倡导开展蓝天保卫战行动,针对重型柴油车发布了新的国六标准,将机动车尾气排放污染监控管理的信息化作为重点关注方向之一。由此可见,对于尾气排放的数据挖掘分析和预测是必要且迫切的。
然而,传统经验的机动车辆尾气排放预测需要关于汽车的复杂背景知识,比如发动机性能的控制方程、排放形成燃烧动力学知识等专业背景知识,不利于对机动车辆尾气排放的重复性预测,可靠性也较低。
发明内容
本发明的主要目的在于提供一种车辆尾气排放预测方法、装置、设备及存储介质,旨在通过构建的尾气排放预测模型提升对机动车辆尾气排放预测的可重复性和可靠性。
为实现上述目的,本发明提供一种车辆尾气排放预测方法,所述车辆尾气排放预测方法包括以下步骤:
集样本车辆的原始运行数据和原始尾气排放数据,根据预设预处理策略对所述原始运行数据和原始尾气排放数据进行预处理,获得历史运行数据和历史排放数据;
对所述历史运行数据进行筛选得到目标运行数据;
基于所述目标运行数据和所述历史排放数据,训练得到尾气排放预测模型;
通过所述尾气排放预测模型对待测车辆的尾气排放情况进行预测。
可选地,所述根据预设预处理策略对所述原始运行数据和原始尾气排放数据进行预处理,获得历史运行数据和历史排放数据的步骤包括:
对所述原始运行数据进行数值缺失检测,以对所述原始运行数据进行数据补齐,得到一次运行数据;
按照预设数据转换规则对所述一次运行数据进行数据转换,得到历史运行数据;
基于所述一次运行数据,对所述原始尾气排放数据进行时间对齐,得到历史排放数据。
可选地,所述对所述历史运行数据进行筛选得到目标运行数据的步骤包括:
计算所述历史运行数据与所述历史排放数据的相关系数;
对所述相关系数进行显著性检验,并根据显著性检验结果从所述历史运行数据中筛选得到目标运行数据。
可选地,所述根据显著性检验结果从所述历史运行数据中筛选得到目标运行数据的步骤包括:
将所述显著性检验结果为与所述历史排放数据具有显著性相关性的历史运行数据作为目标运行数据。
可选地,所述基于所述目标运行数据和所述历史排放数据,训练得到尾气排放预测模型的步骤包括:
对所述目标运行数据和所述历史排放数据进行滑动窗口分割,得到窗口运行数据和窗口排放数据;
从所述窗口运行数据中提取运行数据特征;
对所述运行数据特征和所述窗口排放数据进行训练,得到尾气排放预测模型。
可选地,所述对所述运行数据特征和所述窗口排放数据进行训练,得到尾气排放预测模型的步骤之前,还包括:
对所述运行数据特征进行归一化处理;
对归一化后的运行数据特征进行主成分分析,得到主成分数据特征;
所述对所述运行数据特征和所述窗口排放数据进行训练,得到尾气排放预测模型的步骤包括:
对所述主成分数据特征和所述窗口排放数据进行训练,得到尾气排放预测模型。
可选地,所述对所述运行数据特征和所述窗口排放数据进行训练,得到尾气排放预测模型的步骤包括:
基于极限梯度提升树XGBoost算法和预设正则化方法对所述运行数据特征和所述窗口排放数据进行训练,得到初步模型;
对所述初步模型的超参数进行优化,得到尾气排放预测模型。
进一步地,为实现上述目的,本发明还提供一种车辆尾气排放预测装置,所述车辆尾气排放预测装置包括:
采集模块,用于采集样本车辆的原始运行数据和原始尾气排放数据,根据预设预处理策略对所述原始运行数据和原始尾气排放数据进行预处理,获得历史运行数据和历史排放数据;
筛选模块,用于对所述历史运行数据进行筛选得到目标运行数据;
训练模块,用于基于所述目标运行数据和所述历史排放数据,训练得到尾气排放预测模型;
预测模块,用于通过所述尾气排放预测模型对待测车辆的尾气排放情况进行预测。
进一步地,为实现上述目的,本发明还提供一种车辆尾气排放预测设备,所述车辆尾气排放预测设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的车辆尾气排放预测程序,所述车辆尾气排放预测程序被所述处理器执行时实现如上述所述的车辆尾气排放预测方法的步骤。
进一步地,为实现上述目的,本发明还提供一种存储介质,所述存储介质上存储有车辆尾气排放预测程序,所述车辆尾气排放预测程序被处理器执行时实现如上所述的车辆尾气排放预测方法的步骤。
本发明通过采集样本车辆的原始运行数据和原始尾气排放数据,根据预设预处理策略对所述原始运行数据和原始尾气排放数据进行预处理,获得历史运行数据和历史排放数据;对所述历史运行数据进行筛选得到目标运行数据;基于所述目标运行数据和所述历史排放数据,训练得到尾气排放预测模型;通过所述尾气排放预测模型对待测车辆的尾气排放情况进行预测。通过相关系数和显著性检验确定与车辆尾气排放相关的影响因素,去除了干扰因素,提升了尾气排放分析和预测的准确性和可靠性,通过构建的尾气排放预测模型进一步提升了对车辆尾气排放预测的可重复性和可靠性。
附图说明
图1为本发明车辆尾气排放预测设备实施例方案涉及的设备硬件运行环境的结构示意图;
图2为本发明车辆尾气排放预测方法第一实施例的流程示意图;
图3为本发明车辆尾气排放预测装置较佳实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
需要说明的是,传统经验的机动车辆尾气排放预测需要关于汽车的复杂背景知识,比如发动机性能的控制方程、排放形成燃烧动力学知识等专业背景知识,不利于对机动车辆尾气排放的重复性预测,可靠性也较低。
基于上述缺陷,本发明提供一种车辆尾气排放预测设备,参照图1,图1为本发明车辆尾气排放预测设备实施例方案涉及的设备硬件运行环境的结构示意图。
如图1所示,该车辆尾气排放预测设备可以包括:处理器1001,例如CPU,通信总线1002、待分析用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。待分析用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选待分析用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
本领域技术人员可以理解,图1中示出的车辆尾气排放预测设备的硬件结构并不构成对车辆尾气排放预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、待分析用户接口模块以及车辆尾气排放预测程序。其中,操作系统是管理和控制车辆尾气排放预测设备与软件资源的程序,支持网络通信模块、待分析用户接口模块、车辆尾气排放预测程序以及其他程序或软件的运行;网络通信模块用于管理和控制网络接口1004;待分析用户接口模块用于管理和控制待分析用户接口1003。
在图1所示的车辆尾气排放预测设备硬件结构中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;待分析用户接口1003主要用于连接客户端,与客户端进行数据通信;处理器1001可以调用存储器1005中存储的车辆尾气排放预测程序,并执行以下操作:
采集样本车辆的原始运行数据和原始尾气排放数据,根据预设预处理策略对所述原始运行数据和原始尾气排放数据进行预处理,获得历史运行数据和历史排放数据;
对所述历史运行数据进行筛选得到目标运行数据;
基于所述目标运行数据和所述历史排放数据,训练得到尾气排放预测模型;
通过所述尾气排放预测模型对待测车辆的尾气排放情况进行预测。
进一步地,所述根据预设预处理策略对所述原始运行数据和原始尾气排放数据进行预处理,获得历史运行数据和历史排放数据的步骤包括:
对所述原始运行数据进行数值缺失检测,以对所述原始运行数据进行数据补齐,得到一次运行数据;
按照预设数据转换规则对所述一次运行数据进行数据转换,得到历史运行数据;
基于所述一次运行数据,对所述原始尾气排放数据进行时间对齐,得到历史排放数据。
进一步地,所述对所述历史运行数据进行筛选得到目标运行数据的步骤包括:
计算所述历史运行数据与所述历史排放数据的相关系数;
对所述相关系数进行显著性检验,并根据显著性检验结果从所述历史运行数据中筛选得到目标运行数据。
进一步地,所述根据显著性检验结果从所述历史运行数据中筛选得到目标运行数据的步骤包括:
将所述显著性检验结果为与所述历史排放数据具有显著性相关性的历史运行数据作为目标运行数据。
进一步地,所述基于所述目标运行数据和所述历史排放数据,训练得到尾气排放预测模型的步骤包括:
对所述目标运行数据和所述历史排放数据进行滑动窗口分割,得到窗口运行数据和窗口排放数据;
从所述窗口运行数据中提取运行数据特征;
对所述运行数据特征和所述窗口排放数据进行训练,得到尾气排放预测模型。
进一步地,所述对所述运行数据特征和所述窗口排放数据进行训练,得到尾气排放预测模型的步骤之前,还包括:
对所述运行数据特征进行归一化处理;
对归一化后的运行数据特征进行主成分分析,得到主成分数据特征;
所述对所述运行数据特征和所述窗口排放数据进行训练,得到尾气排放预测模型的步骤包括:
对所述主成分数据特征和所述窗口排放数据进行训练,得到尾气排放预测模型。
进一步地,所述对所述运行数据特征和所述窗口排放数据进行训练,得到尾气排放预测模型的步骤包括:
基于XGBoost算法和预设正则化方法对所述运行数据特征和所述窗口排放数据进行训练,得到初步模型;
对所述初步模型的超参数进行优化,得到尾气排放预测模型。
本发明车辆尾气排放预测设备的具体实施方式与下述车辆尾气排放预测方法各实施例基本相同,在此不再赘述。
本发明还提供一种车辆尾气排放预测方法。
参照图2,图2为本发明车辆尾气排放预测方法第一实施例的流程示意图。
本发明实施例提供了车辆尾气排放预测方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在车辆尾气排放预测方法的各个实施例中,为了便于描述,省略执行主体进行阐述各个实施例。车辆尾气排放预测方法包括:
步骤S10,采集样本车辆的原始运行数据和原始尾气排放数据,根据预设预处理策略对所述原始运行数据和原始尾气排放数据进行预处理,获得历史运行数据和历史排放数据;
现有技术中,传统经验的机动车辆尾气排放预测需要关于汽车的复杂背景知识,比如发动机性能的控制方程、排放形成燃烧动力学知识等专业背景知识,不利于对机动车辆尾气排放的重复性预测,可靠性也较低。
为解决现有技术中的机动车辆尾气排放预测的重复性低、可靠性也较低的技术问题,在本发明实施例中提出一种车辆尾气排放预测方法,旨在通过构建的尾气排放预测模型提升对机动车辆尾气排放预测的可重复性和可靠性。
在本实施例中,要通过尾气排放预测模型对待测车辆的尾气排放情况进行预测,首先要采集样本车辆的原始运行数据和原始尾气排放数据,以构建尾气排放预测模型。原始尾气排放数据指的是车辆运行过程中的尾气排放数据,例如氮氧化物排放量、排放速率等,原始运行数据指的是车辆运行过程中的车辆运行信息,包括但不限于车辆发动机参数、车辆活动参数、排放系统参数、环境信息中的一种或者多种。其中,车辆发动机参数包括但不限于转速、负荷、扭矩、进气歧管压力等中的一种或者多种;车辆活动参数包括但不限于经纬度、速度、油门踏板开度等中的一种或者多种;排放系统参数包括但不限于尿素喷射量、SCR(选择性催化还原技术)载体温度等中的一种或者多种;环境信息包括但不限于大气压力、环境湿度等中的一种或者多种,运维人员可根据需要设置原始运行数据和原始尾气排放数据的具体采集类型,本实施例不做具体限制。
在采集到样本车辆的原始数据时,首先要根据预设预处理策略对原始数据进行预处理,数据预处理主要是为了对原始数据中不符合要求的脏数据进行处理、克服原始尾气排放数据与原始运行数据间可能存在的时间滞后性,以及增加部分参数的直观化。脏数据类型包括无用数据、不完整的数据(字段内容缺失)、错误的数据、重复的数据等。具体地,数据预处理过程包括:对所述原始运行数据进行数值缺失检测,以对所述原始运行数据进行数据补齐,得到一次运行数据;按照预设数据转换规则对所述一次运行数据进行数据转换,得到历史运行数据;基于所述一次运行数据,对所述原始尾气排放数据进行时间对齐,得到历史排放数据。
步骤S20,对所述历史运行数据进行筛选得到目标运行数据;
在获得历史运行数据后,由于样本车辆的历史运行数据多且杂,众多历史运行数据中包括很多对车辆尾气排放影响较小甚至没有影响的数据,若直接基于历史运行数据进行模型构建,将引入大量的干扰因素,降低尾气排放预测的准确性,且由于大量干扰因素的引入还会增大运算量,降低预测效率。因此在本实施例中需要对历史运行数据进行筛选,以得到目标运行数据,具体地,本实施例中对历史运行数据进行筛选是通过计算各个历史运行数据与历史排放数据的相关系数,再对相关系数进行显著性检验,根据显著性检验结果从历史运行数据中筛选得到目标运行数据。若显著性检验结果为当前历史运行数据与历史排放数据具有显著性相关性,则将当前历史运行数据作为目标运行数据。
步骤S30,基于所述目标运行数据和所述历史排放数据,训练得到尾气排放预测模型;
在本实施例中,在得到目标运行数据和历史排放数据后,通过预设的机器学习算法进行训练,得到尾气排放预测模型。具体地,对所述目标运行数据和所述历史排放数据进行滑动窗口分割,得到窗口运行数据和窗口排放数据;从所述窗口运行数据中提取运行数据特征;对所述运行数据特征和所述窗口排放数据进行训练,得到尾气排放预测模型。
进一步地,在所述对所述运行数据特征和所述窗口排放数据进行训练,得到尾气排放预测模型的步骤之前还包括:对所述运行数据特征进行归一化处理;对归一化后的运行数据特征进行主成分分析,得到主成分数据特征;相应地,所述对所述运行数据特征和所述窗口排放数据进行训练,得到尾气排放预测模型的步骤包括:对所述主成分数据特征和所述窗口排放数据进行训练,得到尾气排放预测模型。
步骤S40,通过所述尾气排放预测模型对待测车辆的尾气排放情况进行预测。
在本实施中,在建立尾气排放预测模型后,可通过该尾气排放预测模型对待测车辆的尾气排放情况进行预测。具体地,采集待测车辆的原始运行数据,与步骤S10对应的,也需要对待测车辆的原始运行数据进行预处理,并按照模型构建时筛选到的目标运行数据的类型对预处理后的运行数据,进行筛选得到待测车辆的目标运行数据,根据待测车辆的目标运行数据和尾气排放预测模型即可对待测车辆的尾气排放情况进行预测。
进一步地,对待测车辆的目标运行数据的特征提取与样本车辆的的目标运行数据的特征提取方法一致。
本实施例通过采集样本车辆的原始运行数据和原始尾气排放数据,根据预设预处理策略对所述原始运行数据和原始尾气排放数据进行预处理,获得历史运行数据和历史排放数据;对所述历史运行数据进行筛选得到目标运行数据;基于所述目标运行数据和所述历史排放数据,训练得到尾气排放预测模型;通过所述尾气排放预测模型对待测车辆的尾气排放情况进行预测。通过相关系数和显著性检验确定与车辆尾气排放相关的影响因素,去除了干扰因素,提升了尾气排放分析和预测的准确性和可靠性,通过构建的尾气排放预测模型进一步提升了对车辆尾气排放预测的可重复性和可靠性。
进一步地,提出本发明车辆尾气排放预测方法第二实施例,上述步骤S10中的所述根据预设预处理策略对所述原始运行数据和原始尾气排放数据进行预处理,获得历史运行数据和历史排放数据的步骤包括:
步骤S11,对所述原始运行数据进行数值缺失检测,以对所述原始运行数据进行数据补齐,得到一次运行数据;
在本实施例中,在采集到样本车辆的原始数据时,首先要根据预设预处理策略对原始数据进行预处理,数据预处理主要是为了对原始数据中不符合要求的脏数据进行处理、克服原始尾气排放数据与原始运行数据间可能存在的时间滞后性,以及增加部分参数的直观化。脏数据类型包括无用数据、不完整的数据(字段内容缺失)、错误的数据、重复的数据等。
首先,对原始运行数据进行数值缺失检测,判断原始运行数据中的数据字段是否有确定的数据值,若缺少确定的数据值,则对其进行数据补齐得到一次运行数据,例如,对于发动机转速,在某一时刻或时间段,仅有表头字段(发动机转速),而缺失了具体的数据值,对于缺失的数据值,可采用均值填充、插值填充、零值填充等填充方法中的一种或多种进行数据补齐。若原始运行数据中的数据字段有确定的数据值,则判断该数据值是否为超出正常范围的离群点,若是,例如发动机转速为负值,则将该数据值删除并进行数据补齐,得到一次运行数据,若否,则不进行补齐。在本实施例中,运维人员可根据需要设置数据补齐的具体方式,例如均值填充、插值填充、零值填充等,本实施例不做具体限制。
进一步地,若采集到的原始数据包含了多个驾驶驱动周期,则在步骤S11之前还包括,对原始数据的数据分块处理,以根据原始数据中的时间戳,将数据分为连续测量的时间块。
步骤S12,按照预设数据转换规则对所述一次运行数据进行数据转换,得到历史运行数据;
由于部分特征参数本身的影响不如其变化量的影响直观,需要对其进行转换以得到更加直观化的数据,还有部分数据特征参数无法直接收集记录,例如加速度和车辆比功率(Vehicle Special Power,VSP),需要通过采集的数据进行转换才能获得,在本实施例中,通过预设数据转换规则对需要进行数据转换的一次运行数据进行转化,该预设数据转换规则中包括了需要进行数据转换的一次运行数据的类型、对该类型的一次运行数据进行数据转换的计算公式或规则、以及对该类型的一次运行数据进行数据转换后的类型。例如,对于车辆加速度,需要计算加、减速不同方向的真实加速度和只考虑速度变化量的加速度的绝对值;对于车辆比功率,其是影响车辆排放和油耗的重要指标,是由车辆的瞬时功率需求除以其质量计算所得,考虑了车辆动能、空气动力学阻力、滚动阻力和爬坡引起的载荷的总和。
步骤S13,基于所述一次运行数据,对所述原始尾气排放数据进行时间对齐,得到历史排放数据。
在本实施例中,由于尾气排放数据与车辆运行数据间可能存在时间滞后,故而需要将滞后的原始尾气排放数据向前调整预设时长,以将原始尾气排放数据与其实际对应的一次运行数据进行对应,可以将一次运行数据向后调整预设时长,以将一次运行数据与其实际对应的原始尾气排放数据进行对应。其中,运维人员可根据需要设置预设时长的大小,本实施例不做具体限制,例如,0.1秒,0.5秒,1秒,5秒,10秒等。
为辅助理解,现列举一实例,若预设时长为1秒,对于时间戳为2019年9月9日10点0分0秒的车辆运行数据,则将该车辆运行数据与时间戳为2019年9月9日10点0分1秒的尾气排放数据对应。
进一步地,上述步骤S20包括:
步骤S21,计算所述历史运行数据与所述历史排放数据的相关系数;
相关系数用于表述连续变量之间的关系,其符号表明相关关系的方向,绝对值大小表示关联程度的强弱。由于历史运行数据中与历史排放数据相关的数据可能有多个,因此需要计算每个历史运行数据与历史排放数据相关系数。
最常用的三种相关系数分别是皮尔森相关系数(Pearson correlationcoefficient)、斯皮尔曼秩相关系数(Spearman's rank correlation coefficient)和肯德尔秩相关系数(Kendall's rank correlation coefficient),皮尔森相关系数用于测量线性关联同时要求数据满足正态分布,肯德尔秩相关系数是反映分类变量相关性的,斯皮尔曼秩相关系数是变量排名之间统计依赖性的非参数度量,评估了使用任意单调函数描述两个变量之间关系的程度。本实施例优选斯皮尔曼秩相关系数来度量相关系数。
步骤S22,对所述相关系数进行显著性检验,并根据显著性检验结果从所述历史运行数据中筛选得到目标运行数据。
在计算得到历史运行数据与历史排放数据的相关系数后,还需对相关系数的可靠性进行验证,以确定样本数据中的关系是否足够强到可用于模拟总体中的关系。在本实施例中通过双边显著性检验来进行假设检验。
具体地,可指定显著性水平α=0.01、0.05或者0.1,本实施例优选α=0.05,再参考t分布来完成验证。首先,提出假设,原假设H0:ρ=0表示总体中变量不相关,备择假设Ha:ρ≠0表示总体中变量存在显著相关性;基于样本相关系数r(即历史运行数据与历史排放数据的相关系数)和样本数据量大小n,根据公式计算出检验统计量t值;在显著性水平α=0.05和自由度n-2下,查t分布表得到t分布的上α分位点在时,拒绝原假设,即总体相关系数与0显著不同,说明总体数据间存在显著相关性,显著性检验结果为当前检验的历史运行数据与历史排放数据具有显著性相关性,故而将当前检验的历史运行数据作为目标运行数据之一,进而对所有的历史运行数据的相关系数进行显著性检验,以确定所有与历史排放数据具有显著性相关性的历史运行数据,并将其作为目标运行数据。
在本实施例中,获取到原始数据时,对原始数据进行数据补齐、数据转换和时间对齐等数据预处理,从而为后续确定与车辆尾气排放相关的影响因素和尾气排放预测模型构建提供了准确、有序的数据,有利于降低服务器的计算和处理压力,进而提升了后续处理的效率;通过相关系数和显著性检验确定与车辆尾气排放相关的影响因素,去除了干扰因素,提升了尾气排放分析和预测的准确性和可靠性。
进一步地,提出本发明车辆尾气排放预测方法第三实施例,上述步骤S30包括:
步骤S31,对所述目标运行数据和所述历史排放数据进行滑动窗口分割,得到窗口运行数据和窗口排放数据;
在本实施例中,为了避免随着数据的增加所带来的计算量的巨幅增大和运算速率降低的问题,在得到目标运行数据和历史排放数据后,还包括对目标运行数据和历史排放数据的滑动窗口分割,以提高运行数据特征提取的效率。本实施例不对滑动窗口的大小和移动步长做具体限制,滑动窗口的大小和移动步长可以是固定的,也可以是动态变化的,管理人员可以根据需要设置。
步骤S32,从所述窗口运行数据中提取运行数据特征;
若通过滑动窗口对目标运行数据和历史排放数据进行分割,则目标运行数据的运行数据特征也从当前窗口数据中提取。其中,运行数据特征包括当前窗口数据中各因素的时域特征和频域特征,时域特征是指在数据/信号序列随时间变化的过程中,所具有的与时间相关的一些特征,包括但不限于各个因素的均值、方差、众数等;频域特征被用来发现数据/信号中的周期性特征,,包括但不限于各个因素的直流分量、幅度均值等。基于窗口运行数据中各因素的时域特征和频域特征,即可构建运行数据特征。
步骤S33,对所述运行数据特征和所述窗口排放数据进行训练,得到尾气排放预测模型。
在本实施例中,在提取到运行数据特征后,按照其对应的窗口排放数据组成训练数据集TrainDataSet,按照预设的机器学习算法对训练数据集进行训练,得到尾气排放预测模型。例如,预设的机器学习算法可以为k-最近邻回归,集成学习中的随机森林、梯度提升树(GBDT)、极限梯度提升树(XGBoost),深度神经网络中的多层感知机、极限学习机和长短期记忆循环神经网络中的至少一种。
进一步地,上述步骤S33包括:
步骤S331,基于XGBoost算法和预设正则化方法对所述运行数据特征和所述窗口排放数据进行训练,得到初步模型;
在本实施例中,预设的机器学习算法优选为XGBoost算法,XGBoost算法对损失函数进行了二阶泰勒展开,同时使用了一阶和二阶导数的信息,具有较高的准确性,且XGBoost算法在逐次迭代时,在选取最佳切分点时可以开启多线程进行,大大提升了运行速度。借鉴了随机森林中的列抽样做法,随机选择特征子集。针对稀疏数据,采用了稀疏感知的拆分查找算法来处理数据中的缺失值。使用CPU的多个内核,数据被分类以块存储,可以在后续迭代重复使用,缩短计算时间。
机器学习要求模型具有良好的泛化能力,即模型不仅仅在用于训练的样本数据上,在新输入的待测试数据上也要有好的表现。为减少测试误差而显式设计的策略,统称其为正则化,是对学习算法的一种修改,以偏差的增加换取方差的减少,从而防止模型过拟合,在本实施例中,选择范数惩罚、提前终止和丢弃中的至少一种作为正则化手段。
步骤S332,对所述初步模型的超参数进行优化,得到尾气排放预测模型。
超参数会影响机器学习算法在不同方面的表现,如算法运行时间、模型泛化能力等,在初步模型建立好之后,调整超参数的配置可以获得更好的预测效果。在本实施例中,选择随机搜索和k折交叉验证作为超参数优化的手段。具体地,通过随机搜索赋予联合超参数对数均匀分布,从联合超参数空间中采样,运行计算验证集上的误差,评估性能返回最优解,再通过k折交叉验证对返回的最优解进行验证,最终确定优化后的超参数,得到尾气排放预测模型。
进一步地,在上述步骤S33之前,还包括:
步骤S3301,对所述运行数据特征进行归一化处理;
在本实施例中,通过归一化处理将处于不同量纲的运行数据特征缩放至一统一范围,简化计算,使得各运行数据特征具有可比性,并避免数值大的特征在学习算法中占据主导位置而带来的信息缺失。
步骤S3302,对归一化后的运行数据特征进行主成分分析,得到主成分数据特征;
在本实施例中,通过主成分分析的方法选择与窗口排放数据具有高度相关性而彼此不相关的运行数据特征,这些彼此不相关的运行数据特征即为主成分数据特征,以此,去除冗余变量,减少数据维度,将数据投影到更少维度上,消除数据的多重共线性,同时尽可能地保留原始数据的主要信息。主成分分析的方法在此不再赘述。
相应地,上述步骤S33包括:
对所述主成分数据特征和所述窗口排放数据进行训练,得到尾气排放预测模型。
在本实施例中,在得到主成分数据特征后,按照其对应的窗口排放数据组成训练数据集TrainDataSet,按照预设的机器学习算法对训练数据集进行训练,得到尾气排放预测模型。
本实施例通过对目标运行数据和历史排放数据进行滑动窗口分割,降低了服务器的运算量,从而提高了数据特征提取的效率。
本发明还提供一种车辆尾气排放预测装置。
参照图3,图3为本发明车辆尾气排放预测装置第一实施例的功能模块示意图。所述车辆尾气排放预测装置包括:
采集模块10,用于采集样本车辆的原始运行数据和原始尾气排放数据,根据预设预处理策略对所述原始运行数据和原始尾气排放数据进行预处理,获得历史运行数据和历史排放数据;
筛选模块20,用于对所述历史运行数据进行筛选得到目标运行数据;
训练模块30,用于基于所述目标运行数据和所述历史排放数据,训练得到尾气排放预测模型;
预测模块40,用于通过所述尾气排放预测模型对待测车辆的尾气排放情况进行预测。
进一步地,所述筛选模块还包括:
计算单元,用于计算所述历史运行数据与所述历史排放数据的相关系数;
检验单元,用于对所述相关系数进行显著性检验,并根据显著性检验结果从所述历史运行数据中筛选得到目标运行数据。
进一步地,所述检验单元还包括:
检验子单元,用于将所述显著性检验结果为与所述历史排放数据具有显著性相关性的历史运行数据作为目标运行数据。
进一步地,所述训练模块还包括:
分割单元,用于对所述目标运行数据和所述历史排放数据进行滑动窗口分割,得到窗口运行数据和窗口排放数据;
提取单元,用于从所述窗口运行数据中提取运行数据特征;
训练单元,用于对所述运行数据特征和所述窗口排放数据进行训练,得到尾气排放预测模型。
进一步地,所述车辆尾气排放预测装置还包括:
归一化模块,用于对所述运行数据特征进行归一化处理;
分析模块,用于对归一化后的运行数据特征进行主成分分析,得到主成分数据特征;
所述训练单元还用于,对所述主成分数据特征和所述窗口排放数据进行训练,得到尾气排放预测模型。
进一步地,所述训练单元还包括:
初步训练子单元,用于基于XGBoost算法和预设正则化方法对所述运行数据特征和所述窗口排放数据进行训练,得到初步模型;
优化子单元,用于对所述初步模型的超参数进行优化,得到尾气排放预测模型。
本发明车辆尾气排放预测装置具体实施方式与上述车辆尾气排放预测方法各实施例基本相同,在此不再赘述。
此外,本发明实施例还提出一种存储介质。
存储介质上存储有车辆尾气排放预测程序,车辆尾气排放预测程序被处理器执行时实现如上所述的车辆尾气排放预测方法的步骤。
本发明存储介质具体实施方式与上述车辆尾气排放预测方法各实施例基本相同,在此不再赘述。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,这些均属于本发明的保护之内。
Claims (10)
1.一种车辆尾气排放预测方法,其特征在于,所述车辆尾气排放预测方法包括以下步骤:
采集样本车辆的原始运行数据和原始尾气排放数据,根据预设预处理策略对所述原始运行数据和原始尾气排放数据进行预处理,获得历史运行数据和历史排放数据;
对所述历史运行数据进行筛选得到目标运行数据;
基于所述目标运行数据和所述历史排放数据,训练得到尾气排放预测模型;
通过所述尾气排放预测模型对待测车辆的尾气排放情况进行预测。
2.如权利要求1所述的车辆尾气排放预测方法,其特征在于,所述根据预设预处理策略对所述原始运行数据和原始尾气排放数据进行预处理,获得历史运行数据和历史排放数据的步骤包括:
对所述原始运行数据进行数值缺失检测,以对所述原始运行数据进行数据补齐,得到一次运行数据;
按照预设数据转换规则对所述一次运行数据进行数据转换,得到历史运行数据;
基于所述一次运行数据,对所述原始尾气排放数据进行时间对齐,得到历史排放数据。
3.如权利要求1所述的车辆尾气排放预测方法,其特征在于,所述对所述历史运行数据进行筛选得到目标运行数据的步骤包括:
计算所述历史运行数据与所述历史排放数据的相关系数;
对所述相关系数进行显著性检验,并根据显著性检验结果从所述历史运行数据中筛选得到目标运行数据。
4.如权利要求3所述的车辆尾气排放预测方法,其特征在于,所述根据显著性检验结果从所述历史运行数据中筛选得到目标运行数据的步骤包括:
将所述显著性检验结果为与所述历史排放数据具有显著性相关性的历史运行数据作为目标运行数据。
5.如权利要求1所述的车辆尾气排放预测方法,其特征在于,所述基于所述目标运行数据和所述历史排放数据,训练得到尾气排放预测模型的步骤包括:
对所述目标运行数据和所述历史排放数据进行滑动窗口分割,得到窗口运行数据和窗口排放数据;
从所述窗口运行数据中提取运行数据特征;
对所述运行数据特征和所述窗口排放数据进行训练,得到尾气排放预测模型。
6.如权利要求5所述的车辆尾气排放预测方法,其特征在于,所述对所述运行数据特征和所述窗口排放数据进行训练,得到尾气排放预测模型的步骤之前,还包括:
对所述运行数据特征进行归一化处理;
对归一化后的运行数据特征进行主成分分析,得到主成分数据特征;
所述对所述运行数据特征和所述窗口排放数据进行训练,得到尾气排放预测模型的步骤包括:
对所述主成分数据特征和所述窗口排放数据进行训练,得到尾气排放预测模型。
7.如权利要求5所述的车辆尾气排放预测方法,其特征在于,所述对所述运行数据特征和所述窗口排放数据进行训练,得到尾气排放预测模型的步骤包括:
基于极限梯度提升树XGBoost算法和预设正则化方法对所述运行数据特征和所述窗口排放数据进行训练,得到初步模型;
对所述初步模型的超参数进行优化,得到尾气排放预测模型。
8.一种车辆尾气排放预测装置,其特征在于,所述车辆尾气排放预测装置包括:
采集模块,用于采集样本车辆的原始运行数据和原始尾气排放数据,根据预设预处理策略对所述原始运行数据和原始尾气排放数据进行预处理,获得历史运行数据和历史排放数据;
筛选模块,用于对所述历史运行数据进行筛选得到目标运行数据;
训练模块,用于基于所述目标运行数据和所述历史排放数据,训练得到尾气排放预测模型;
预测模块,用于通过所述尾气排放预测模型对待测车辆的尾气排放情况进行预测。
9.一种车辆尾气排放预测设备,其特征在于,所述车辆尾气排放预测设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的车辆尾气排放预测程序,所述车辆尾气排放预测程序被所述处理器执行时实现如权利要求1-7中任一项所述的车辆尾气排放预测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有车辆尾气排放预测程序,所述车辆尾气排放预测程序被处理器执行时实现如权利要求1-7中任一项所述的车辆尾气排放预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910980813.4A CN110826772A (zh) | 2019-10-15 | 2019-10-15 | 车辆尾气排放预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910980813.4A CN110826772A (zh) | 2019-10-15 | 2019-10-15 | 车辆尾气排放预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110826772A true CN110826772A (zh) | 2020-02-21 |
Family
ID=69549442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910980813.4A Pending CN110826772A (zh) | 2019-10-15 | 2019-10-15 | 车辆尾气排放预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110826772A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462835A (zh) * | 2020-04-07 | 2020-07-28 | 北京工业大学 | 一种基于深度森林回归算法的二噁英排放浓度软测量方法 |
CN112598170A (zh) * | 2020-12-18 | 2021-04-02 | 中国科学技术大学 | 基于多组件融合时间网络的车辆尾气排放预测方法及系统 |
CN112819217A (zh) * | 2021-01-27 | 2021-05-18 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 移动源污染排放主要影响因素预测方法、系统及存储介质 |
CN112967508A (zh) * | 2021-02-26 | 2021-06-15 | 安徽达尔智能控制系统股份有限公司 | 一种用于干线协调的智能决策方法及系统 |
CN113128776A (zh) * | 2021-04-26 | 2021-07-16 | 中国科学技术大学先进技术研究院 | 数据自迁移的多车型柴油车排放预测方法及系统 |
CN113239963A (zh) * | 2021-04-13 | 2021-08-10 | 联合汽车电子有限公司 | 车辆数据的处理方法、装置、设备、车辆和存储介质 |
CN113295826A (zh) * | 2021-05-24 | 2021-08-24 | 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 |
CN113553548A (zh) * | 2021-07-19 | 2021-10-26 | 中汽研汽车检验中心(天津)有限公司 | 一种基于车联网大数据的实际运行工况VSPBin划分方法 |
CN113554153A (zh) * | 2021-07-23 | 2021-10-26 | 潍柴动力股份有限公司 | 氮氧化物排放量预测方法、装置、计算机设备及介质 |
CN113657651A (zh) * | 2021-07-27 | 2021-11-16 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于深度迁移学习的柴油车排放预测方法、介质及设备 |
CN115221652A (zh) * | 2022-07-16 | 2022-10-21 | 天津布尔科技有限公司 | 一种发动机中冷器故障预测方法、装置及存储介质 |
CN115263505A (zh) * | 2022-08-01 | 2022-11-01 | 天津布尔科技有限公司 | 一种车辆nox排放预测方法、装置及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629450A (zh) * | 2018-04-26 | 2018-10-09 | 东南大学 | 一种液化天然气公交车尾气排放预测方法 |
-
2019
- 2019-10-15 CN CN201910980813.4A patent/CN110826772A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629450A (zh) * | 2018-04-26 | 2018-10-09 | 东南大学 | 一种液化天然气公交车尾气排放预测方法 |
Non-Patent Citations (6)
Title |
---|
丛湖平: "体育统计", 31 July 1998, pages: 153 - 154 * |
唐旭等: "基于LIBSVM的LNG公交车尾气排放预测模型" * |
崔鸿雁等: "机器学习中的特征选择方法研究及展望" * |
张强: "基于遥感监测数据的机动车尾气排放估计算法研究", pages 1 - 3 * |
樊重俊等: "大数据分析与应用", 31 January 2016, pages: 237 - 239 * |
汪冬华: "多元统计分析与SPSS应用 第2版", 28 February 2018, pages: 84 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462835A (zh) * | 2020-04-07 | 2020-07-28 | 北京工业大学 | 一种基于深度森林回归算法的二噁英排放浓度软测量方法 |
CN111462835B (zh) * | 2020-04-07 | 2023-10-27 | 北京工业大学 | 一种基于深度森林回归算法的二噁英排放浓度软测量方法 |
CN112598170A (zh) * | 2020-12-18 | 2021-04-02 | 中国科学技术大学 | 基于多组件融合时间网络的车辆尾气排放预测方法及系统 |
CN112598170B (zh) * | 2020-12-18 | 2022-10-28 | 中国科学技术大学 | 基于多组件融合时间网络的车辆尾气排放预测方法及系统 |
CN112819217A (zh) * | 2021-01-27 | 2021-05-18 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 移动源污染排放主要影响因素预测方法、系统及存储介质 |
CN112967508B (zh) * | 2021-02-26 | 2022-03-18 | 安徽达尔智能控制系统股份有限公司 | 一种用于干线协调的智能决策方法及系统 |
CN112967508A (zh) * | 2021-02-26 | 2021-06-15 | 安徽达尔智能控制系统股份有限公司 | 一种用于干线协调的智能决策方法及系统 |
CN113239963A (zh) * | 2021-04-13 | 2021-08-10 | 联合汽车电子有限公司 | 车辆数据的处理方法、装置、设备、车辆和存储介质 |
CN113239963B (zh) * | 2021-04-13 | 2024-03-01 | 联合汽车电子有限公司 | 车辆数据的处理方法、装置、设备、车辆和存储介质 |
CN113128776A (zh) * | 2021-04-26 | 2021-07-16 | 中国科学技术大学先进技术研究院 | 数据自迁移的多车型柴油车排放预测方法及系统 |
CN113128776B (zh) * | 2021-04-26 | 2023-07-07 | 中国科学技术大学先进技术研究院 | 数据自迁移的多车型柴油车排放预测方法及系统 |
CN113295826A (zh) * | 2021-05-24 | 2021-08-24 | 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 |
CN113553548A (zh) * | 2021-07-19 | 2021-10-26 | 中汽研汽车检验中心(天津)有限公司 | 一种基于车联网大数据的实际运行工况VSPBin划分方法 |
CN113554153A (zh) * | 2021-07-23 | 2021-10-26 | 潍柴动力股份有限公司 | 氮氧化物排放量预测方法、装置、计算机设备及介质 |
CN113657651A (zh) * | 2021-07-27 | 2021-11-16 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于深度迁移学习的柴油车排放预测方法、介质及设备 |
CN115221652A (zh) * | 2022-07-16 | 2022-10-21 | 天津布尔科技有限公司 | 一种发动机中冷器故障预测方法、装置及存储介质 |
CN115263505A (zh) * | 2022-08-01 | 2022-11-01 | 天津布尔科技有限公司 | 一种车辆nox排放预测方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826772A (zh) | 车辆尾气排放预测方法、装置、设备及存储介质 | |
CN107577910B (zh) | 一种基于深层次神经网络的车辆尾气浓度反演方法 | |
CN111381170A (zh) | 基于大数据的电动汽车电池包健康状态预测方法及系统 | |
CN111460382B (zh) | 基于高斯过程回归的燃油车有害气体排放预测方法及系统 | |
CN114298521A (zh) | 城轨设备的可靠性分析方法、装置、设备和存储介质 | |
CN113435471A (zh) | 深度特征聚类的高排放移动源污染识别方法及系统 | |
CN112491920A (zh) | 一种车载can总线的异常检测方法及装置 | |
CN113918890B (zh) | 一种基于移动窗口库的低负荷工况构建方法 | |
CN112819217A (zh) | 移动源污染排放主要影响因素预测方法、系统及存储介质 | |
CN116992247B (zh) | 一种尾气分析仪的异常数据检测方法 | |
CN117517596B (zh) | 基于物联网的可燃及有毒有害气体实时监测方法及系统 | |
CN111340280A (zh) | 污染物排放量的监测与防控系统、方法、装置及介质 | |
CN116558834A (zh) | Pems排放分析方法、装置、计算机设备和存储介质 | |
CN115392116A (zh) | 一种基于obd数据修复的重型柴油卡车超排判定方法 | |
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 | |
CN112859805A (zh) | 一种发动机控制器在线诊断方法及相关装置 | |
CN112394040A (zh) | 一种机动车排污监管系统及方法 | |
US11561212B1 (en) | Method for determining NOx sensor data falsification based on remote emission monitoring | |
CN116224950A (zh) | 面向无人生产线自组织重构的智能故障诊断方法和系统 | |
CN115222145A (zh) | 基于新能源汽车运行大数据的续驶里程预测方法及系统 | |
CN114858480A (zh) | 应用于车辆中的部件故障预警方法、装置、设备及介质 | |
CN110273738B (zh) | 一种重型发动机排放诊断测试系统 | |
CN113610142A (zh) | 车辆行驶工况构建方法 | |
Rimpas et al. | Driving Events Identification and Operational Parameters Correlation based on the Analysis of OBD-II Timeseries. | |
CN118194140B (zh) | 车辆尾气排放故障智慧诊断平台及方法 |
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 |
Address after: 518000 706, building 3b, hongrongyuan Shangjun phase II, Longping community, Dalang street, Longhua District, Shenzhen City, Guangdong Province Applicant after: Jintu computing technology (Shenzhen) Co.,Ltd. Address before: 518000 room 905, building 3b, hongrongyuan Shangjun phase II, Longping community, Dalang street, Longhua District, Shenzhen City, Guangdong Province Applicant before: SHENZHEN SEMISKY TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information |