CN111340280A - 污染物排放量的监测与防控系统、方法、装置及介质 - Google Patents
污染物排放量的监测与防控系统、方法、装置及介质 Download PDFInfo
- Publication number
- CN111340280A CN111340280A CN202010103064.XA CN202010103064A CN111340280A CN 111340280 A CN111340280 A CN 111340280A CN 202010103064 A CN202010103064 A CN 202010103064A CN 111340280 A CN111340280 A CN 111340280A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- module
- heavy
- data
- edge
- 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
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 91
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 91
- 238000012544 monitoring process Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000002265 prevention Effects 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 17
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 8
- 239000000446 fuel Substances 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 3
- 238000009434 installation Methods 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 13
- 238000001514 detection method Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000006403 short-term memory Effects 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 206010033799 Paralysis Diseases 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
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种重型车污染物排放量的监测与防控系统、方法、装置及存储介质。所述系统包括边缘车载终端模块、边缘计算节点模块和防控云计算服务器模块；防控云计算服务器模块用于训练重型车污染物排放量预测模型，并将训练好的预测模型发送至所述边缘计算节点模块中的各个路旁单元，以使边缘计算节点模块的各个路旁单元可独立完成重型车污染物排放量的预测任务，能够有效降低计算时延，提高系统运行效率；且在兼顾污染物排放量监测准确性的同时，仅使用重型车安装的车载OBD设备数据，便可完成对重型车污染物排放量的监测与防控，减少了施行过程中的人力物力成本，避免了资源浪费，提高了工作效率。本发明广泛应用于重型车污染监测、防控领域。
Description
技术领域
本发明涉及重型车污染监测、防控领域，尤其涉及一种重型车污染物排放量的监测与防控系统、方法、装置及存储介质。
背景技术
机动车排放已经成为大中城市PM2.5的首要来源，其中重型柴油车是重中之重。重型柴油车保有量占比不足5％，但是NOX和PM排放占比分别高达52％和60％以上。重型柴油车实际排放超标现象严重，低环保标准车辆冒充国Ⅳ和国Ⅴ车辆销售。在重型车排放检查监管的实践中，检查人员痛感重型柴油车排放控制效果之差；在定期年检、路检，发现了大量的车辆排放超标、监测排放控制系统是否正常工作的车载诊断系统未设或虚设，各种排放超标违法现象触目惊心。重型车远程在线监测能有效监管重型车在实际使用中的排放情况和相关问题，是车联网应用在环保监测领域的先行应用。在国家多项政策、标准法规中已经明确提出采用远程在线监管系统对重型车进行监管的要求，已然远程在线监测成为重型车监管的有力手段和必然趋势。
目前，对重型车污染物排放量的监测存在多种方案，依据数据来源可分为本车和车外两种。基于本车数据的重型车联网污染监测通过在重型车本身加装传感器等装置的方式，获取重型车的排放量，然后通过通信模块将监测到的排放量实时联网发送到云端。例如，公开号为CN201820074756.4的专利文件通过在重型车上加装PM测量装置、CVS定容取样系统、排放分析仪、稀释空气过滤器等装置对重型车各类污染物的排放量进行监测，最终在主控电脑进行汇总；这一方案需要在车辆上进行大幅度改装，添加监测所需的硬件设施，对重型车所有者产生了额外的负担，同时改装后的重型车可能被再次非法改装，产生污染瞒报、误报的情况，最终导致污染监测形同虚设。另一类监测方案则采用在道路旁监测位点布设监测装置的方式采集数据，通过对附近环境的空气质量进行监测，间接监测过路重型车的污染物排放量。例如，公开号为CN201910782585.X的专利文件公开了一种采用边缘计算的机动车尾气遥感检测系统，包括尾气检测系统、黑烟车检测系统和边缘计算模块，尾气检测系统包括机动车尾气遥感检测模块和车牌自动识别模块，机动车尾气遥感检测模块和车牌自动识别模块分别与边缘计算模块信号连接，机动车尾气遥感检测模块负责检测机动车尾气中的污染因子，并将污染因子信息传递给边缘计算模块，车牌自动识别模块负责抓拍和识别机动车拍照，最终识别对应车牌车辆经过监测位点的排放情况，从而实现对重型车污染物排放量的监测；此类方案依赖于道路旁监测系统提供的数据以及对车辆的识别，复杂的道路环境并不像理想实验室一样能够良好得隔绝其他车辆的影响，道路上其他车辆的尾气以及现场的空气质量水平都会对目标车辆的尾气监测造成干扰，以至于无法获得准确的污染物排放量；另一方面基于计算机视觉的车牌识别系统在车辆高速行驶中也并不能保证完全准确，一旦发生识别错误的情况，将对后期的数据统计分析乃至处罚会造成严重影响。
2008年6月24日，环境保护部发布《车用压燃式、气体燃料点燃式发动机与汽车车载诊断(OBD)系统技术要求》，经过多年的发展，北京、广州、深圳等地已强制要求销售车辆安装OBD，并逐渐向全国推广。OBD装置包括了对发动机、催化转化器、颗粒捕集器、氧传感器、排放控制系统、燃油系统、EGR等车辆多个系统部件的监测，是汽车污染监测的有效措施，同时只需加装一个通信模块，与路旁单元(RSU)等路旁设施进行通信，传输OBD监测到的排放数据，即可实现对重型车的污染物排放量的监测，是一种切实可行的对重型车污染物排放量的监测与防控方案。但在实践中，重型车OBD接口不规范、缺少排放监测关键功能甚至非法屏蔽排放监测系统等问题较为普遍，即使车辆排放不正常，OBD也不会报警。
针对这种实际情况，综合运用OBD反馈的信息，构建模型计算重型车NOx等污染物排放情况，对重型车污染物排放量的监测有着良好的前景和现实意义。OBD提供的信息十分丰富，包括当前发动机参数，如转速、负荷、扭矩、进气歧管压力等；车辆活动信息，如经纬度、速度、油门踏板开度等；以及排放后处理系统参数，如尿素喷射量、SCR载体温度等。实验证明发动机转速、负荷以及车辆速度等信息与重型车污染物排放有着明显关系，通过分析挖掘各参数量与污染物排放量的关联关系，进而建立回归分析模型，能够有效地预测重型车污染物排放量，也可与OBD发送的污染物排放量形成对照，对偏差较大的车辆重点监控以打击非法屏蔽等排放量作弊行为，为对重型车污染物排放量的监测与防控提供了一种全新的可行方案。
OBD反馈数据属于高维时序数据，类似于循环神经网络(RNN)等时序数据预测模型均需要在云计算环境下使用具有强大计算能力的服务器来运行，但当前面向云计算污染监测技术难以直接应用于由车辆OBD与路旁设施构成的边缘计算环境，这是因为：
(1)重型车的联网监测与防控对实时性要求较高，从OBD反馈信息到路旁单元，再到路旁单元上传数据到云计算中心，最终云计算中心返回给车辆OBD这一过程会存在较长的延时，此时车辆可能已驶离目标区域，无法正常接收到返回的管控信息，造成一些监管上的问题；
(2)重型车多行驶在高速公路及国道上，地理位置偏僻，地形地貌复杂，网络环境各异，从而导致OBD可以顺畅地反馈数据到路旁单元，路旁单元至远程的云计算中心的通信则需要耗费大量的资源，从而造成不必要的浪费；
(3)云计算模式下计算与管控均为中心化设置，一旦云计算中心出现故障，将导致全路对重型车的污染监测瘫痪，在容灾备份上有更高的难度。
发明内容
针对上述至少一个技术问题，本发明的目的在于提供一种重型车污染物排放量的监测与防控系统、方法、装置及存储介质。
本发明所采取的技术方案是：一方面，本发明实施例包括一种重型车污染物排放量的监测与防控系统，包括边缘车载终端模块、边缘计算节点模块和防控云计算服务器模块；
所述边缘车载终端模块用于将采集到的重型车的实时数据发送至所述边缘计算节点模块，并接收所述边缘计算节点模块返回的信息；
所述边缘计算节点模块用于根据接收到的所述实时数据，利用训练好的预测模型进行预测得到污染物排放量数据，并将所述污染物排放量数据和相应的管控指令返回至所述边缘车载终端模块，和将接收到的所述实时数据和所述污染物排放量数据发送至所述防控云计算服务器模块；
所述防控云计算服务器模块用于存储接收到的数据并训练所述预测模型，并发送训练好的预测模型和所述相应的管控指令至所述边缘计算节点模块。
进一步地，所述边缘车载终端模块包括数据采集系统单元和通讯装置；所述数据采集系统单元包括车载诊断系统；
所述数据采集系统单元用于采集重型车的实时数据；
所述通讯装置用于实现所述边缘车载终端模块和所述边缘计算节点模块之间的通信。
进一步地，所述实时数据包括重型车辆的运行状态、尾气氮氧化物NOX、车况数据、重型车辆油耗数据和驾驶者操控数据。
进一步地，所述边缘计算节点模块包括多个路旁单元，所述路旁单元为具有计算能力的路旁数据采集装置。
进一步地，所述防控云计算服务器模块还用于根据接收到的数据，对训练好的预测模型进行更新处理，并将更新后的预测模型发送至所述边缘计算节点模块。
进一步地，在离线状态下，所述系统的各个模块用于对所述预测模型进行训练，所述离线状态为所述系统运行初始状态。
进一步地，对所述预测模型进行训练的过程为：
所述边缘车载终端模块将采集到的重型车的实时数据发送至所述边缘计算节点模块；
所述边缘计算节点模块将接收到的所述实时数据数据发送至所述防控云计算服务器模块；
所述防控云计算服务器模块对接收到的所述实时数据进行预处理得到训练样本集，并将所述训练样本集输入预测模块中，以对所述预测模块进行训练；
所述防控云计算服务器模块将训练好的预测模块发送至所述边缘计算节点模块。
另一方面，本发明实施例还包括一种重型车污染物排放量的监测与防控方法，通过所述的重型车污染物排放量的监测与防控系统执行对重型车污染物排放量的监测与防控，包括：
所述边缘车载终端模块将采集到的重型车的实时数据发送至所述边缘计算节点模块，并接收所述边缘计算节点模块返回的信息；
所述边缘计算节点模块根据接收到的所述实时数据，利用训练好的预测模型进行预测得到污染物排放量数据，并将所述污染物排放量数据和相应的管控指令返回至所述边缘车载终端模块，和将接收到的所述实时数据和所述污染物排放量数据发送至所述防控云计算服务器模块；
所述防控云计算服务器模块存储接收到的数据，并发送所述相应的管控指令至所述边缘计算节点模块。
另一方面，本发明实施例还包括一种重型车污染物排放量的监测与防控装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行所述的一种重型车污染物排放量的监测与防控方法。
另一方面，本发明实施例还包括一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述的一种重型车污染物排放量的监测与防控方法。
本发明的有益效果是：本发明提供一种面向移动边缘计算的重型车污染物排放量的监测与防控系统，针对边缘计算环境下终端设备的资源受限的实际情况，本发明提供轻量级的重型车污染物排放预测模型，能够有效降低计算时延，提高系统运行效率；与其他需要额外安装各种车内车外监测装置的方案相比，本发明在兼顾污染物排放监测准确性的同时，仅使用重型车安装的车载OBD设备数据，便可完成对重型车污染物排放量的监测与防控，减少了施行过程中的人力物力成本，避免了资源浪费，提高了工作效率。
附图说明
图1为本发明实施例所述重型车污染物排放量的监测与防控系统的结构示意图；
图2为实施例所述循环神经网络(RNN)的结构示意图；
图3为实施例所述长短期记忆网络(LSTM)的结构示意图。
具体实施方式
参照图1，本发明实施例包括一种重型车污染物排放量的监测与防控系统，包括边缘车载终端模块、边缘计算节点模块和防控云计算服务器模块；
所述边缘车载终端模块用于将采集到的重型车的实时数据发送至所述边缘计算节点模块，并接收所述边缘计算节点模块返回的信息；
所述边缘计算节点模块用于根据接收到的所述实时数据，利用训练好的预测模型进行预测得到污染物排放量数据，并将所述污染物排放量数据和相应的管控指令返回至所述边缘车载终端模块，和将接收到的所述实时数据和所述污染物排放量数据发送至所述防控云计算服务器模块；
所述防控云计算服务器模块用于存储接收到的数据，并发送所述相应的管控指令至所述边缘计算节点模块。
本实施例借鉴边缘计算架构分布式、海量数据处理和低资源开销等结构，构建了一种基于循环神经网络的重型车污染物排放量的监测与防控系统，其整体架构如图1所示，该分布式重型车污染物排放量的监测与防控系统主要由以下3部分组成：
(1)边缘车载终端模块，本实施例中，所述边缘车载终端模块包含以OBD为中心的数据采集系统，以及与边缘计算节点模块通信的通信装置。在车辆行驶过程中，OBD反馈车辆运行状态、尾气氮氧化物NOX、车况数据、车辆油耗数据、驾驶者操控数据至通信装置，通信装置通过WiFi与路旁的边缘计算节点模块中的各路旁单元通信，实时上传采集到的数据，并接收边缘计算节点模块中的各路旁单元的返回信息，并及时向驾驶员反馈当前污染物排放状态以及接收到的管控指令。
(2)边缘计算节点模块，在本实施例中，所述边缘计算节点模块包括多个路旁单元(RSU)。所述路旁单元为具有一定计算能力的路旁数据采集装置，在边缘计算模式下可以部分承担重型车OBD数据预测污染物排放量的计算任务。路旁单元为重型车提供WiFi接入，接收重型车上安装的OBD所发送的实时数据，并根据接收到的所述实时数据，利用计算好的预测模型进行预测得到污染物排放量数据，并将所述污染物排放量数据和相应的管控指令返回至所述边缘车载终端模块，和将接收到的所述实时数据和所述污染物排放量数据发送至所述防控云计算服务器模块；边缘计算节点可独立完成污染物排放量的预测任务。
(3)防控云计算服务器模块，所述防控云计算服务器模块具有强大的云计算能力和海量的异构数据参数处理能力，用于训练重型车污染物排放量预测模型，并将训练好的所述预测模型下发至路旁的边缘计算节点模块中的各路旁单元，并在监测与防控阶段持续收集和存储车辆实时数据。
本发明实施例所述系统主要分为两个阶段：离线训练阶段和在线污染监测与防控阶段，所述离线训练阶段为在离线状态下，即在系统的初始状态下，对所述预测模型进行训练的阶段，而所述在线污染监测与防控阶段指的是是利用训练好的模型对重型车污染物排放量进行预测的阶段。
其中，离线训练阶段包括：
S1.边缘车载终端模块将采集到的重型车的实时数据发送至所述边缘计算节点模块；具体地，边缘车载终端模块将重型车辆实时的运行状态、尾气氮氧化物NOX、车况数据、车辆油耗数据、驾驶者操控数据等通过WiFi传输至路旁的边缘计算节点模块的各个路旁单元；
S2.边缘计算节点模块将接收到的所述实时数据数据发送至所述防控云计算服务器模块；具体地，边缘计算节点模块的各个路旁单元接收到各重型车辆的实时数据后，将所述实时数据打包上传至防控云计算服务器模块；
S3.防控云计算服务器模块对接收到的所述实时数据进行预处理得到训练样本集，并将所述训练样本集输入预测模块中，以对所述预测模块进行训练；具体地，防控云计算服务器模块利用各路旁单元上传的各车辆的所述实时数据后，经过数据清洗、预处理等操作形成训练样本集，并针对性地训练重型车污染物排放预测模型，之后，将训练好的所述预测模型下发到边缘计算节点模块的各个路旁单元，以使各个路旁单元能够利用训练好的预测模型对重型车污染物排放量进行预测。
在线污染监测与防控阶段包括：
P1.边缘车载终端模块收集重型车辆的实时数据并通过WiFi传输至边缘计算节点模块的各个路旁单元；
P2.边缘计算节点模块的各个路旁单元接收重型车辆的实时数据，并利用训练好的预测模型预测得到重型车辆的污染物排放量，同时，将当前防控云计算服务器模块下发的管控指令返回给边缘车载终端模块，并将所述实时数据数据与预测后的污染物排放量上传至防控云计算服务器模块；
P3.防控云计算服务器模块接收边缘计算节点模块中各个路旁单元发送的数据后进行存储，生成相应的管控指令，并将相应的管控指令发送到相应的路旁单元。
在本实施例中，监管部门可调取防控云计算服务器模块存储的数据，并根据所述数据进行统计分析，从而制定相应管控方案，所述管控指令根据所述管控方案生成。在线污染监测与防控阶段，边缘计算节点模块的各个路旁单元会缓存任务日志数据，也就是一段时间内接收到的重型车辆的实时数据和根据实时数据预测出的污染物排放量数据，并定期上传至防控云计算服务器模块，定期清理缓存数据；同时，防控云计算服务器模块能实时获取重型车辆的实时数据，感知数据异常变化，并对预测模型进行更新处理，最后将更新好的预测模型重新发送至边缘计算节点模块相应的路旁单元。
本实施例中，所述实时数据包括重型车辆的运行状态、尾气氮氧化物、车况数据、重型车辆油耗数据和驾驶者操控数据，所述实时数据是通过车载OBD设备采集得到的，车载OBD设备可反馈大量重型车辆的运行状态、发动机运行状态以及排放传感器的数据，具体如表1所示。
表1车载OBD设备采集到的重型车辆的实时数据
针对车载OBD设备实时反馈车辆信息的特点，本发明实施例采用长短期记忆网络训练所述重型车污染物排放量预测模型。长短期记忆网络(Long Short-Term Memory，LSTM)是一种改进的循环神经网络(Recurrent Neural Network，RNN)，它能够解决RNN网络在反向传播期间梯度过小以至停止学习的问题，从而得到更加长期的记忆。
典型的RNN网络如图2所示，对于一个输入序列X＝[x0，x1，x2，…，xt]，其中xi＝[fgd，fgs，flon，…，fsoc]是车载OBD设备反馈的数据向量，RNN网络首先使第一个输入x0通过神经网络模块A，得到输出值h0，同时传递隐层信息至神经网络模块A，与下一次循环的输入x1共同得到输出值h1，循环此过程直至输入序列X结束并产生最后一个输出ht。在这一过程中，每一次得到的预测输出除了与这一时刻的输入xi相关，同时通过隐层信息的传递，也与序列之前的状态存在关联关系。对于重型车污染物排放量预测的任务，当前时刻的排放量主要由当前的速度、发动机转速等数据决定，但同时也会受到之前某些时刻司机的刹车等驾驶行为的影响，因此采用RNN网络可以有效地融合当前时刻与之前各时刻的车载OBD设备反馈的信息，从而对污染物排放量做出更加精准的预测。但在实践过程中，RNN网络会遇到长期依赖问题，即在RNN网络训练过程中使用的梯度下降方法，会在经过许多阶段传播后出现梯度消失(大部分情况)或爆炸(很少，但对优化过程具有较大影响)的现象，最终导致预测结果的准确性降低。
而长短期记忆网络(LSTM)通过引入门(Gates)的概念解决这一问题。如图3所示，网络中最上方的数据通路传递着细胞状态(Cell State)，细胞状态对应于RNN中的隐层状态，是LSTM网络解决长期依赖的关键；每次循环，细胞状态均由LSTM网络中的遗忘门(Forget Gate)和输入门(Input Gate)更新。
遗忘门用于决定上一次循环后的细胞状态的丢弃度ct-1，其计算方法为：
ft＝σ(Wf·[ht-1，xt]+bf)
其输入为上一次循环的输出ht-1和本次循环输入xt，σ为sigmod函数。
输入门用于决定本次更新汇入细胞状态的信息，包括系数和细胞状态更新候选值：
it＝σ(Wi·[ht-1，xt]+bi)
遗忘门与输入门共同决定了本次循环后的细胞状态ct：
得到本次循环的细胞状态ct后即可用于计算本次循环的输出值ht。输出ht由通过了输出门(Output Gate)的输入与细胞状态共同决定，即：
ot＝σ(Wo·[ht-1，xt]+bo)
ht＝ot*tanh(ct)
本实施例中，防控云计算服务器模块通过长短期记忆网络训练所述重型车污染物排放量预测模型，并将训练好的所述预测模型发送至边缘计算节点模块的各个路旁单元，使得边缘计算节点模块的各个路旁单元可独立完成重型车辆污染物排放量的预测任务，而不需要防控云计算服务器模块的参与。
综上所述，本发明实施例中所述一种重型车污染物排放量的监测与防控系统具有以下优点：
本发明实施例提供一种面向移动边缘计算的重型车污染物排放量的监测与防控系统，针对边缘计算环境下终端设备的资源受限的实际情况，提供轻量级的重型车污染物排放预测模型，能够有效降低计算时延，提高系统运行效率；且本实施例通过长短期记忆网络训练所述预测模型，能够使预测结果更加准确；与其他需要额外安装各种车内车外监测装置的方案相比，本发明在兼顾污染物排放监测准确性的同时，仅使用重型车安装的车载OBD设备数据，便可完成对重型车污染物排放量的监测与防控，减少了施行过程中的人力物力成本，避免了资源浪费，提高了工作效率。
另一方面，本实施例还包括一种重型车污染物排放量的监测与防控方法，通过实施例所述的系统执行对重型车污染物排放量的监测与防控，包括：
所述边缘车载终端模块将采集到的重型车的实时数据发送至所述边缘计算节点模块，并接收所述边缘计算节点模块返回的信息；
所述边缘计算节点模块根据接收到的所述实时数据，利用训练好的预测模型进行预测得到污染物排放量数据，并将所述污染物排放量数据和相应的管控指令返回至所述边缘车载终端模块，和将接收到的所述实时数据和所述污染物排放量数据发送至所述防控云计算服务器模块；
所述防控云计算服务器模块存储接收到的数据，并发送所述相应的管控指令至所述边缘计算节点模块。
另一方面，本实施例还包括一种重型车污染物排放量的监测与防控装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行所述重型车污染物排放量的监测与防控的方法。
另一方面，本实施例还包括一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于执行所述重型车污染物排放量的监测与防控的方法。
需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。此外，本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。此外，除非另有定义，本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种元件，但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如，在不脱离本公开范围的情况下，第一元件也可以被称为第二元件，类似地，第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例，并且除非另外要求，否则不会对本发明的范围施加限制。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本实施例描述的过程的操作，除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本实施例所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (10)
1.一种重型车污染物排放量的监测与防控系统，其特征在于，包括边缘车载终端模块、边缘计算节点模块和防控云计算服务器模块；
所述边缘车载终端模块用于将采集到的重型车的实时数据发送至所述边缘计算节点模块，并接收所述边缘计算节点模块返回的信息；
所述边缘计算节点模块用于根据接收到的所述实时数据，利用训练好的预测模型进行预测得到污染物排放量数据，并将所述污染物排放量数据和相应的管控指令返回至所述边缘车载终端模块，和将接收到的所述实时数据和所述污染物排放量数据发送至所述防控云计算服务器模块；
所述防控云计算服务器模块用于存储接收到的数据并训练所述预测模型，并发送训练好的预测模型和所述相应的管控指令至所述边缘计算节点模块。
2.根据权利要求1所述的一种重型车污染物排放量的监测与防控系统，其特征在于，所述边缘车载终端模块包括数据采集系统单元和通讯装置；所述数据采集系统单元包括车载诊断系统；
所述数据采集系统单元用于采集重型车的实时数据；
所述通讯装置用于实现所述边缘车载终端模块和所述边缘计算节点模块之间的通信。
3.根据权利要求2所述的一种重型车污染物排放量的监测与防控系统，其特征在于，所述实时数据包括重型车辆的运行状态、尾气氮氧化物NOX、车况数据、重型车辆油耗数据和驾驶者操控数据。
4.根据权利要求1所述的一种重型车污染物排放量的监测与防控系统，其特征在于，所述边缘计算节点模块包括多个路旁单元，所述路旁单元为具有计算能力的路旁数据采集装置。
5.根据权利要求1所述的一种重型车污染物排放量的监测与防控系统，其特征在于，所述防控云计算服务器模块还用于根据接收到的数据，对训练好的预测模型进行更新处理，并将更新后的预测模型发送至所述边缘计算节点模块。
6.根据权利要求1所述的一种重型车污染物排放量的监测与防控系统，其特征在于，在离线状态下，所述系统的各个模块用于对所述预测模型进行训练，所述离线状态为所述系统运行初始状态。
7.根据权利要求6所述的一种重型车污染物排放量的监测与防控系统，其特征在于，对所述预测模型进行训练的过程为：
所述边缘车载终端模块将采集到的重型车的实时数据发送至所述边缘计算节点模块；
所述边缘计算节点模块将接收到的所述实时数据数据发送至所述防控云计算服务器模块；
所述防控云计算服务器模块对接收到的所述实时数据进行预处理得到训练样本集，并将所述训练样本集输入预测模块中，以对所述预测模块进行训练；
所述防控云计算服务器模块将训练好的预测模块发送至所述边缘计算节点模块。
8.一种重型车污染物排放量的监测与防控方法，其特征在于，通过权利要求1-7任一项所述的系统执行对重型车污染物排放量的监测与防控，包括：
所述边缘车载终端模块将采集到的重型车的实时数据发送至所述边缘计算节点模块，并接收所述边缘计算节点模块返回的信息；
所述边缘计算节点模块根据接收到的所述实时数据，利用训练好的预测模型进行预测得到污染物排放量数据，并将所述污染物排放量数据和相应的管控指令返回至所述边缘车载终端模块，和将接收到的所述实时数据和所述污染物排放量数据发送至所述防控云计算服务器模块；
所述防控云计算服务器模块存储接收到的数据，并发送所述相应的管控指令至所述边缘计算节点模块。
9.一种重型车污染物排放量的监测与防控装置，其特征在于，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行权利要求8所述的方法。
10.一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于执行如权利要求8所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010103064.XA CN111340280A (zh) | 2020-02-19 | 2020-02-19 | 污染物排放量的监测与防控系统、方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010103064.XA CN111340280A (zh) | 2020-02-19 | 2020-02-19 | 污染物排放量的监测与防控系统、方法、装置及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111340280A true CN111340280A (zh) | 2020-06-26 |
Family
ID=71186977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010103064.XA Pending CN111340280A (zh) | 2020-02-19 | 2020-02-19 | 污染物排放量的监测与防控系统、方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111340280A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112003887A (zh) * | 2020-07-06 | 2020-11-27 | 北京航空航天大学 | 一种面向工业互联网时序数据预测的云端-边缘协同深度学习装置 |
| CN112819031A (zh) * | 2021-01-04 | 2021-05-18 | 中国汽车技术研究中心有限公司 | 车载重量预测方法及系统、电子设备、介质 |
| CN114924889A (zh) * | 2022-06-21 | 2022-08-19 | 浙江大学 | 一种基于云边端协同的超低排放智能调控系统及方法 |
| WO2022222657A1 (zh) * | 2021-04-21 | 2022-10-27 | 深圳市道通科技股份有限公司 | 一种汽车诊断系统、方法及云服务器 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104074580A (zh) * | 2013-03-29 | 2014-10-01 | 孙磊 | 对大气污染物中由汽车尾气排放产生的污染物的监控系统及方法 |
| US20160318368A1 (en) * | 2015-04-29 | 2016-11-03 | International Business Machines Corporation | Automatic Vehicle Climate Control Based on Predicted Air Quality |
| CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控系统 |
| 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 |
| CN109005223A (zh) * | 2018-07-26 | 2018-12-14 | 南京邮电大学 | 物联网资源调度方法及系统、计算机可读存储介质和终端 |
| CN109617947A (zh) * | 2018-11-07 | 2019-04-12 | 重庆光电信息研究院有限公司 | 依管理类别设置的城市异源物联网边缘计算系统及方法 |
| CN110149334A (zh) * | 2019-05-23 | 2019-08-20 | 浙江吉利控股集团有限公司 | 车辆管理系统 |
| CN110514789A (zh) * | 2019-08-23 | 2019-11-29 | 南京新远见智能科技有限公司 | 一种采用边缘计算的机动车尾气遥感检测系统及方法 |
-
2020
- 2020-02-19 CN CN202010103064.XA patent/CN111340280A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104074580A (zh) * | 2013-03-29 | 2014-10-01 | 孙磊 | 对大气污染物中由汽车尾气排放产生的污染物的监控系统及方法 |
| US20160318368A1 (en) * | 2015-04-29 | 2016-11-03 | International Business Machines Corporation | Automatic Vehicle Climate Control Based on Predicted Air Quality |
| CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控系统 |
| 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 |
| CN109005223A (zh) * | 2018-07-26 | 2018-12-14 | 南京邮电大学 | 物联网资源调度方法及系统、计算机可读存储介质和终端 |
| CN109617947A (zh) * | 2018-11-07 | 2019-04-12 | 重庆光电信息研究院有限公司 | 依管理类别设置的城市异源物联网边缘计算系统及方法 |
| CN110149334A (zh) * | 2019-05-23 | 2019-08-20 | 浙江吉利控股集团有限公司 | 车辆管理系统 |
| CN110514789A (zh) * | 2019-08-23 | 2019-11-29 | 南京新远见智能科技有限公司 | 一种采用边缘计算的机动车尾气遥感检测系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 夏侯如超: "基于边缘计算的室内空气质量监测方法及其预测模型研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112003887A (zh) * | 2020-07-06 | 2020-11-27 | 北京航空航天大学 | 一种面向工业互联网时序数据预测的云端-边缘协同深度学习装置 |
| CN112819031A (zh) * | 2021-01-04 | 2021-05-18 | 中国汽车技术研究中心有限公司 | 车载重量预测方法及系统、电子设备、介质 |
| CN112819031B (zh) * | 2021-01-04 | 2022-06-17 | 中国汽车技术研究中心有限公司 | 车载重量预测方法及系统、电子设备、介质 |
| WO2022222657A1 (zh) * | 2021-04-21 | 2022-10-27 | 深圳市道通科技股份有限公司 | 一种汽车诊断系统、方法及云服务器 |
| CN114924889A (zh) * | 2022-06-21 | 2022-08-19 | 浙江大学 | 一种基于云边端协同的超低排放智能调控系统及方法 |
| CN114924889B (zh) * | 2022-06-21 | 2024-05-14 | 浙江大学 | 一种基于云边端协同的超低排放智能调控系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340280A (zh) | 污染物排放量的监测与防控系统、方法、装置及介质 | |
| Carslaw et al. | Recent evidence concerning higher NOx emissions from passenger cars and light duty vehicles | |
| Jaikumar et al. | Modal analysis of real-time, real world vehicular exhaust emissions under heterogeneous traffic conditions | |
| Zhang et al. | On-board monitoring (OBM) for heavy-duty vehicle emissions in China: Regulations, early-stage evaluation and policy recommendations | |
| CN110826772A (zh) | 车辆尾气排放预测方法、装置、设备及存储介质 | |
| López-Martínez et al. | Modelling the fuel consumption and pollutant emissions of the urban bus fleet of the city of Madrid | |
| CN109489978B (zh) | 一种基于V-a工况的柴油机车多种排放检测方法的多源数据关联分析方法 | |
| CN107368913B (zh) | 一种基于最小二乘支持向量机的油耗预测方法 | |
| CN101963800A (zh) | 一种柴油车道路排放远程实时监测系统和监测方法 | |
| CN106781512A (zh) | 基于城市物联网的汽车尾气智能检测与监督系统及方法 | |
| CN113379145B (zh) | 一种车辆排放远程在线监控平台、系统及车载终端 | |
| CN111122171A (zh) | 一种基于vsp工况的柴油车与柴油机多种排放检测方法的多源异构数据关联分析方法 | |
| CN113624291A (zh) | 油耗监测方法、油耗监测装置以及工程车辆 | |
| Liu et al. | Identifying the effect of vehicle operating history on vehicle running emissions | |
| Chen et al. | Quantifying on-road vehicle emissions during traffic congestion using updated emission factors of light-duty gasoline vehicles and real-world traffic monitoring big data | |
| Seo et al. | Development of a cold-start emission model for diesel vehicles using an artificial neural network trained with real-world driving data | |
| Bej et al. | Air pollution from vehicle-tailpipe emissions and diagnostic approaches through cyber–physical platform-a review | |
| CN115392116A (zh) | 一种基于obd数据修复的重型柴油卡车超排判定方法 | |
| Guardiola et al. | From OBD to connected diagnostics: a game changer at fleet, vehicle and component level | |
| CN116580523A (zh) | 交通能耗监测与管理方法、系统、电子装置和存储介质 | |
| CN107764827A (zh) | 尾气监控方法和系统 | |
| CN114517727A (zh) | 数据采集装置、分析装置、分析方法及计算机程序产品 | |
| van Kempen et al. | Yard Emission monitoring for Sustainability: Real-world measurements and outlook on Connected Automated Transport development for yards | |
| Erlandsson et al. | Measurement of emissions from heavy duty vehicles meeting Euro IV/V emission levels by using on-board measurement in real life operation | |
| Qiao et al. | Prediction of instantaneous particle number for light-duty gasoline vehicles under real driving conditions based on ensemble learning |
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: 20200626 |
|
| RJ01 | Rejection of invention patent application after publication |