CN112131523A - 一种基于有限监测点位的时空数据生成方法及系统 - Google Patents
一种基于有限监测点位的时空数据生成方法及系统 Download PDFInfo
- Publication number
- CN112131523A CN112131523A CN202010953119.6A CN202010953119A CN112131523A CN 112131523 A CN112131523 A CN 112131523A CN 202010953119 A CN202010953119 A CN 202010953119A CN 112131523 A CN112131523 A CN 112131523A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- tail gas
- exhaust
- network model
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012937 correction Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 34
- 238000009826 distribution Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 30
- 239000003344 environmental pollutant Substances 0.000 claims description 23
- 231100000719 pollutant Toxicity 0.000 claims description 23
- 238000005259 measurement Methods 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 9
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000446 fuel Substances 0.000 claims description 4
- 239000000779 smoke Substances 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 53
- 230000000875 corresponding effect Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical class O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 5
- 239000012080 ambient air Substances 0.000 description 4
- 239000000356 contaminant Substances 0.000 description 4
- 239000003570 air Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006552 photochemical reaction Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明的一种基于有限监测点位的时空数据生成方法及系统，包括以下步骤：S100、获取尾气遥测数据和车辆基本信息数据；S200、把获取到的数据输入事先构建并训练好的尾气监测数据生成对抗网络模型，生成对应的时空数据。所述对抗网络模型的构建和训练步骤如下：S201、获取尾气遥测数据和车辆基本信息数据，并进行关联影响分析；S202、根据关联影响因素设计尾气排放先验修正模型；S203、根据尾气遥测数据和尾气排放先验修正模型设计尾气监测数据生成对抗网络模型；S204、训练尾气监测数据生成对抗网络模型。本发明可克服由于有限监测点位导致尾气观测数据的数据空间稀疏性及监测数据本身存在空间异质性等问题，实现对城市区域的车辆尾气排放态势进行全局估计。
Description
技术领域
本发明涉及环境监测技术领域，具体涉及一种基于有限监测点位 的时空数据生成方法及系统。
背景技术
公安部交通管理局2018年7月16日发布，截至6月底，全国机 动车保有量达3.19亿辆，目前，全国58个城市汽车保有量超过百万辆， 7个城市达300万辆以上，机动车驾驶人数量达3.96亿人。机动车尾 气排放所造成的环境问题引起社会的广泛关注。对城市路网设置尾气 遥测站点进行尾气监测，但监测点位有限会导致尾气观测数据的数据 空间稀疏性。
对于数据的空间稀疏性问题，通常采用插值方法实现对未知测量 点位进行估计，已有的相关工作大多基于地理统计学方法，如反距离 加权插值，样条插值，克里格法等。这些模型一般基于地理临近性假 设，而没有考虑其他的外部环境因素，与物理世界的真实情况不相符。 还有一些方法专注于利用数据间相关性，并利用这些额外数据来提高 插值准确率。
由于城市中布设的尾气遥测站点有限，可获取的尾气遥测数据具 有空间稀疏性。此外，道路交通网络、交通流信息、城市功能区分布 等信息的空间异质性也会影响区域尾气分布，传统的地理空间插值模 型未考虑这些因素，对未知点位的估计准确度不高。
发明内容
本发明提出的一种基于有限监测点位的时空数据生成方法及系 统，可解决在有限观测点位下的区域尾气分布估计的数据空间稀疏性 和异质性问题。
为实现上述目的，本发明采用了以下技术方案：
一种基于有限监测点位的时空数据生成方法，包括：
S100、获取尾气遥测数据和车辆基本信息数据；
S200、把获取到的数据输入事先构建并训练好的尾气监测数据生 成对抗网络模型，生成对应的时空数据。
进一步的，其中，所述尾气监测数据生成对抗网络模型的构建和 训练步骤如下：
S201、获取尾气遥测数据和车辆基本信息数据，并进行关联影响 分析；
S202、根据关联影响因素设计尾气排放先验修正模型；
S203、根据尾气遥测数据和尾气排放先验修正模型设计尾气监测 数据生成对抗网络模型；
S204、训练尾气监测数据生成对抗网络模型。
进一步的，所述S201获取尾气遥测数据和车辆基本信息数据具体 包括：
S2011、获取检测设备编号，检测时间，车牌号码，车速，车辆加 速度，车辆长度，CO、HC、NOx测量值，不透光烟度值，风速，风 向，气温，湿度，气压，动态/静态测量，数据有效性，抓拍照片，燃 料类型，车辆登记日期，并基于上述属性，通过遥测数据和车检数据 匹配查询，分别选取气象环境因素数据以及车辆信息数据；
S2012、选取相关因素变量。
进一步的，所述相关因素变量包括：
车辆行驶工况及车辆基本信息、车辆基准质量、车身长度、车辆 行驶速度、车辆加速度、车辆比功率、气象环境因素、环境温度、环 境湿度、环境气压。
进一步的，所述S202、根据关联影响因素设计尾气排放先验修正 模型具体包括：
S2021、基于车速估算单个车辆的尾气排放因子，如公式1.1所示
其中v是待检测车辆的速度，a，b，c，d，e是排放因子模型的计 算系数，不同的污染物采用不同计算系数；
任意路段上的尾气排放因子根据公式1.2估算，
其中，R表示给定路段，
代表单位之间内通过该路段的车流量， 
表示该路段的车道数，Rlen表示该路段的长度；
S2022、利用有限点位直接测量车辆尾气排放污染物遥测数据推算 车辆的排放因子的反演方程，如式1.3所示，
其中，Q是检测车辆尾气中CO和CO2的浓度体积分数之比，Q′ 是检测车辆尾气中HC和CO2的浓度体积分数之比，Q″是检测车辆 尾气中NOx和CO2的浓度体积分数之比，v是待检测车辆的速度。 则单位时间内在给定路段上尾气排放因子为，
其中，i∈{CO,HC,NOx}，
是车道编号为k的第j辆待检 测车辆的污染物编号为i的排放因子；
考虑到机动车尾气遥测系统检测尾气污染物时会受到外部环境因 素的影响，引入误差项ΔE来修正理论计算值E和实际测量值
之间的误 差，
进一步的，所述S203根据尾气遥测数据和尾气排放先验修正模型 设计尾气监测数据生成对抗网络模型具体包括：
S2031、生成器损失函数设计，生成器的损失函数包括先验损失和 条件约束两部分，如公式1.6所示，
其中，α条件约束项系数，-D(G(z)+E)是模型先验损失函数，用 于对生成器G生成的非真实样本进行惩罚，D是判别器，通过训练 判别器使得其为生成近似真实的遥测数据输出更大的概率值；||M ask ⊙M(G(z)))e||1是条件约束项，其用来惩罚观测点位真实测量样本与 生成样本之间的误差；Mask是观测模板矩阵，其在观测位置的值为1， 在未知观测位置值为0，⊙表示Hadamard积；
S2032、判别器损失函数设计，判别器的输入包括COPERT先验 模型产生的尾气数据，以及由生成器G产生的样本数据，判别器的输 出是一个标量即0或1，判断该样本是否是真实的尾气数据；
判别器D的目标是最大化真实数据D(x)和生成数据D(G(z)+E)间 的误差；引入一个梯度惩罚项对判别器进行优化；
判别器的目标损失函数表示为
其中，λ是梯度惩罚项系数，k是Lipschitz常数，
是真实样本 和生成样本的混合
总的损失函数记作，
网络结构的生成器和判别器均由4个卷积层构成，每个卷积层后 连接一个LeakyReLU。
进一步的，所述S204、训练尾气监测数据生成对抗网络模型，生 成对应的时空数据具体包括：
根据COPERT模型生成尾气排放数据的先验分布pdata(x)；
初始化生成器G和判别器D的学习参数θ，ω；
从pdata(x)分布中采样数据样本x(i)((1≤i≤n))；
从标准高斯分布p(z)产生随机噪声向量z；
从0-1均匀分布U(0，1)产生0-1之间随机数∈；
构建联合分布样本
E(i)是 有限监测点位的尾气实际测量值；
根据公式1.7计算判别器损失函数LossD(i)；
更新判别器权重参数
根据生成合成样本G(i，z)和公式1.6计算生成器损失函数LossG(i)；
更新生成器权重参数
达到收敛条件，得到 尾气监测数据生成对抗网络模型以及生成时空数据样本G(i，z)。
另一方面，本发明还公开一种基于有限监测点位的时空数据生成 系统，包括以下单元：
数据获取单元，用于获取尾气遥测数据和车辆基本信息数据；
数据生成单元，把获取到的数据输入事先构建并训练好的尾气监 测数据生成对抗网络模型，生成对应的时空数据。
进一步的，还包括以下子单元：
数据获取和处理单元，获取尾气遥测数据和车辆基本信息数据， 并进行关联影响分析；
修正模型建立单元，用于根据关联影响因素设计尾气排放先验修 正模型；
对抗网络模型生成单元，用于根据尾气遥测数据和尾气排放先验 修正模型设计尾气监测数据生成对抗网络模型；
对抗网络模型训练单元，用于训练尾气监测数据生成对抗网络模 型。
由上述技术方案可知，本发明提出了一种基于有限点位约束的尾 气数据生成对抗网络模型，其基于COPERT模型利用交通流信息数据 生成尾气区域的先验空间分布，并利用有限监测点位的真实观测作为 约束，训练生成对抗网络模型，利用训练好的生成器生成近似真实的 遥测数据分布。
本发明可克服由于有限监测点位导致尾气观测数据的数据空间稀 疏性及监测数据本身存在空间异质性等问题，实现对城市区域的车辆 尾气排放态势进行全局估计。
附图说明
图1是本发明的方法流程图；
图2是本发明实施例涉及车辆使用年限对尾气污染检测影响；
图3是本发明实施例涉及车辆基准质量对尾气污染检测影响；
图4是本发明实施例涉及车身长度对尾气污染检测影响；
图5是本发明实施例涉及车辆行驶速度对尾气污染检测影响；
图6是本发明实施例涉及车辆行驶加速度对尾气污染检测影响；
图7是本发明实施例涉及车辆比功率对尾气污染检测影响；
图8是本发明实施例涉及风速对尾气污染检测影响；
图9是本发明实施例涉及环境温度对尾气污染检测影响；
图10是本发明实施例涉及环境湿度对尾气污染检测影响；
图11是本发明实施例涉及环境气压对尾气污染检测影响；
图12是本发明实施例基于稀疏点位约束的生成对抗网络模型示意 图；
图13是本发明实施例实测站点的移动源污染物测量数据与生成数 据曲线对比；
图14是本发明实施例移动源污染生成样本时空分布可视化：(a)-(c)城市 住宅商区，城市郊区，以及公园绿化区的CO，HC，NO$_{x}$24小时变化曲 线。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结 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，所描述的实施例是本发明一部分实施例，而不是 全部的实施例。
如图1所示，本实施例所述的基于有限监测点位的时空数据生成 方法，包括：
S100、获取尾气遥测数据和车辆基本信息数据；
S200、把获取到的数据输入事先构建并训练好的尾气监测数据生 成对抗网络模型，生成对应的时空数据。
其中，所述尾气监测数据生成对抗网络模型的构建和训练步骤如 下：
S201、获取尾气遥测数据和车辆基本信息数据，并进行关联影响 分析；
S202、根据关联影响因素设计尾气排放先验修正模型；
S203、根据尾气遥测数据和尾气排放先验修正模型设计尾气监测 数据生成对抗网络模型；
S204、训练尾气监测数据生成对抗网络模型，生成对应的时空数 据。
以下具体说明：
所述S201获取尾气遥测数据和车辆基本信息数据；具体包括：
S2011、从检测设备编号，检测时间，车牌号码，车速，车辆加速 度，车辆长度，CO、HC、NOx测量值,不透光烟度值，风速，风向， 气温，湿度，气压,动态/静态测量，数据有效性，抓拍照片，燃料类型， 车辆登记日期等众多属性中，通过遥测数据和车检数据匹配查询，分别选取气象环境因素数据以及车辆信息数据；
S2012、选取相关因素变量如表1所示。
表1相关因素分析符号说明
| 字段 | 说明 | 字段 | 说明 |
| UseYear | 车辆使用年限(年) | BaseWeight | 车辆基准重量(kg) |
| Speed | 车速(km/h) | Temperature | 温度(℃) |
| Length | 车身长度(m) | Humidity | 湿度(％) |
| VSP | 车辆比功率(kw/T) | Pressure | 大气压(kPa) |
| Acc | 车辆加速度(m/s<sup>2</sup>) | WindSpeed | 风速(m/s) |
| CO | 一氧化碳体积分数(％) | HC | 碳氢化物体积分数(10<sup>-6</sup>) |
| NO<sub>x</sub> | 氮氧化物体积分数(10<sup>-6</sup>) | Opacity | 不透光烟度(％) |
首先考虑车辆行驶工况及车辆基本信息对尾气污染排放检测的影 响，从图2可以发现，使用年限在两年以内的车辆，尾气污染物排放呈 现较低分布。
考虑车辆基准质量对尾气污染排放检测的影响，从图3可以发 现，轻型车辆(基准质量在5吨以内)的CO和HC污染物排放呈现较高 分布，重型车辆(基准质量在10吨以上)的NOx污染物排放呈现较高 分布。
考虑车身长度对尾气污染排放检测的影响，从图4可以发现，4米 以内小型车辆的CO和HC排放呈现较高分布，NOx高排放分布在6米左 右的大型车辆。其与车辆基准质量对污染分布的影响类似，因此可以 考虑利用遥测数据中的车身长度信息作为车辆基准质量辅助信息。
考虑车辆行驶速度对移动源污染排放检测的影响，从图5可以发 现，在车辆的20～30km/h低速行驶区间，车辆污染排放较高。
考虑车辆加速度对移动源污染排放检测的影响，从图6可以发 现，污染排放呈现较高分布主要集中在车辆的低加速度区间。
考虑车辆比功率对移动源污染排放检测的影响，从图7可以发 现，污染排放呈现较高分布主要集中在车辆的低比功率区间。
然后考虑气象环境因素对移动源污染排放检测的影响。从图8可 以发现，环境风速越大，移动源污染物排放呈现较低分布。
考虑环境温度对移动源污染排放检测的影响，从图9可以发现， CO污染物排放受温度影响相对较小，随温度变化比较均匀，HC和 NOx在较高温度呈现较低分布，主要由于CO的化学性质相对稳定， HC和NOx在高温光照下容易发生光化学反应难以稳定存在。
考虑环境湿度对移动源污染排放检测的影响，从图10可以发现， 在较低的相对湿度情况下，NOx排放呈现较高分布呈现较高分布。
考虑环境气压对移动源污染排放检测的影响，从图11可以发现， 环境气压值变化相对稳定，存在测量值为0的情况可能由于环境气压 测量仪器故障。
由上述分析可以发现尾气污染排放测量与环境因素以及车辆工况 因素呈现非线性关系，考虑采用Spearman秩序相关系数分析监测序列 与环境因素以及车辆工况因素相关性。Spearman秩相关系数和其相应 的t值检验值如表2，从中可以看出，CO和NOx排放检测与车辆行驶工 况相关性较大，而HC排放检测与外部环境因素相关性较大。
表2污染监测影响因素Spearman秩序相关系数及t值检验
所述S202、根据关联影响因素设计尾气排放先验修正模型具体包 括：
S2021、基于车速估算单个车辆的尾气排放因子，如公式1.1所示
其中v是待检测车辆的速度，a，b，c，d，e是排放因子模型的计 算系数，不同的污染物采用不同计算系数，如表3所示。
表3不同污染物的COPERT模型计算系数
进一步任意路段上的尾气排放因子可以根据公式1.2估算，
其中，R表示给定路段，
代表单位之间内通过该路段的车流量， 
表示该路段的车道数，Rlen表示该路段的长度。
S2022、利用有限点位直接测量车辆尾气排放污染物遥测数据推算 车辆的排放因子的反演方程，如式1.3所示，
其中，Q是检测车辆尾气中CO和CO2的浓度体积分数之比，Q′ 是检测车辆尾气中HC和CO2的浓度体积分数之比，Q″是检测车辆 尾气中NOx和CO2的浓度体积分数之比，v是待检测车辆的速度。 则单位时间内在给定路段上尾气排放因子为，
其中，i∈{CO,HC,NOx}，
是车道编号为k的第j辆待检 测车辆的污染物编号为i的排放因子。
考虑到机动车尾气遥测系统检测尾气污染物时会受到外部环境因 素的影响，如温度，风速，天气状况等，因此引入误差项ΔE来修正理 论计算值E和实际测量值
之间的误差，
上述步骤S203：根据尾气遥测数据和尾气排放先验修正模型设计 尾气监测数据生成对抗网络模型，具体包括如下细分步骤S2031至 S2032：
S2031、生成器损失函数设计，生成器的损失函数包括先验损失和 条件约束两部分，如公式1.6所示，如图12所示；
其中，α条件约束项系数，-D(G(z)+E)是模型先验损失函数，用 于对生成器G生成的非真实样本进行惩罚，D是判别器，通过训练 判别器使得其为生成近似真实的遥测数据输出更大的概率值。||M ask ⊙M(G(z)))e||1是条件约束项，其用来惩罚观测点位真实测量样本与 生成样本之间的误差。Mask是观测模板矩阵，其在观测位置的值为1， 在未知观测位置值为0，⊙表示Hadamard积。
S2032、判别器损失函数设计，判别器的输入包括COPERT先验 模型产生的尾气数据，以及由生成器G产生的样本数据，判别器的输 出是一个标量(0或1)，判断该样本是否是真实的尾气数据。判别器 D的目标是最大化真实数据D(x)和生成数据D(G(z)+E)间的误差。引 入一个梯度惩罚项对判别器进行优化。判别器的目标损失函数可以表 示为
其中，λ是梯度惩罚项系数，k是Lipschitz常数，
是真实样本 和生成样本的混合
总的损失函数可记作，
网络结构参数如表4所示。模型训练1000次，模型优化算法采 用均方根反向传播算法(Root Mean Square Propagation，RMSprop)， 学习步长为5e-5。
生成器和判别器均由4个卷积层构成，每个卷积层后连接一个 Leaky ReLU。
表4生成对抗网络参数
进一步地，上述步骤S204：训练尾气监测数据生成对抗网络模型， 生成对应的时空数据，具体为：
根据COPERT模型生成尾气排放数据的先验分布pdata(x)；
初始化生成器G和判别器D的学习参数θ，ω；
从pdata(x)分布中采样数据样本x(i)((1≤i≤n))；
从标准高斯分布p(z)产生随机噪声向量z；
从0-1均匀分布U(0，1)产生0-1之间随机数∈；
构建联合分布样本
E(i)是 有限监测点位的尾气实际测量值；
根据公式1.7计算判别器损失函数LossD(i)；
更新判别器权重参数
根据生成合成样本G(i，z)和公式1.6计算生成器损失函数LossG(i)；
更新生成器权重参数
达到收敛条件，得到 尾气监测数据生成对抗网络模型以及生成时空数据样本G(i，z)。
训练步骤具体如下：
输入：
COPERT模型生成尾气排放数据的先验分布pdata(x)；有限监测点位 的尾气实际测量值
生成数据分布p(z)；梯度惩罚项系数λ；条件约 束系数α；训练样本大小n
输出：
生成器G
1：初始化学习参数θ，ω；
2：whileθ不收敛do
3：for所有训练样本i(1≤1≤n)do
4：真实样本x(i)来自COPERT先验模型数据分布pdata(x)
5：随机噪声向量z服从标准高斯分布p(z)
6：产生0-1之间随机数∈∈U(0，1)
7：联合分布样本
8：根据公式1.7计算判别器损失函数LossD(i)
9：end for
10：更新权重参数
11：for所有训练样本i(1≤1≤n)do
12：随机噪声向量z服从标准高斯分布p(z)
13：生成合成样本G(i，z)
14：根据公式1.6计算生成器损失函数LossG(i)
15：end for
16:更新权重参数
17:end while
18:return训练完成的生成器G。
以下是本方案的应用数据：
图13是实测站点的移动源污染物测量数据与生成数据曲线对比， 其中各图分污染物分别为：(a)Fuel；(b)是CO；(c)是HC；(d) NOx。
从图13中可以看出，生成模型误差明显低于COPERT计算误差，在 CO存在较大偏差下也可以有效学习模型误差，可以有效利用实测点位 监测数据对COPERT模型进行修正，表明本方法可以有效学习COPERT 模型与真实移动源污染遥测数据分布之间的差异，对COPERT模型进行 修正。
图14给出了三种典型区域的移动源污染生成样本的时空变化分 布：城市住宅及商区，城市郊区，公园绿化区。图14(b)-(d)给出了24 小时内CO，HC，NOx的变化曲线，通过对比不同区域的移动源污染分 布可以发现，城市住宅区域的移动源污染排放明显高于城市郊区和公 园绿化区，这符合城市住宅及商区是城市车流量主要通勤区域。
由上可知，本发明的一种基于有限监测点位的时空数据生成方法， 克服由于有限监测点位导致尾气观测数据的数据空间稀疏性及监测数 据本身存在空间异质性等问题，实现对城市区域的车辆尾气排放态势 进行全局估计。
另一方面，本发明还公开一种基于有限监测点位的时空数据生成 系统，包括以下单元：
数据获取单元，用于获取尾气遥测数据和车辆基本信息数据；
数据生成单元，把获取到的数据输入事先构建并训练好的尾气监 测数据生成对抗网络模型，生成对应的时空数据。
进一步的，还包括以下子单元：
数据获取和处理单元，获取尾气遥测数据和车辆基本信息数据， 并进行关联影响分析；
修正模型建立单元，用于根据关联影响因素设计尾气排放先验修 正模型；
对抗网络模型生成单元，用于根据尾气遥测数据和尾气排放先验 修正模型设计尾气监测数据生成对抗网络模型；
对抗网络模型训练单元，用于训练尾气监测数据生成对抗网络模 型。
可理解的是，本发明实施例提供的系统与本发明实施例提供的方 法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的 相应部分。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系 统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全 软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请 可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存 储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实 施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机 程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指 令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和 /或方框图中的流程和/或方框的结合。可提供这些计算机程序指令 到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设 备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理 设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程 和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据 处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算 机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现 在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指 定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设 备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生 计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提 供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多 个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管 参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员 应当理解：其依然可以对前述各实施例所记载的技术方案进行修改， 或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不 使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于有限监测点位的时空数据生成方法，其特征在于，包括以下步骤：
S100、获取尾气遥测数据和车辆基本信息数据；
S200、把获取到的数据输入事先构建并训练好的尾气监测数据生成对抗网络模型，生成对应的时空数据。
2.根据权利要求1所述的基于有限监测点位的时空数据生成方法，其特征在于：其中，所述尾气监测数据生成对抗网络模型的构建和训练步骤如下：
S201、获取尾气遥测数据和车辆基本信息数据，并进行关联影响分析；
S202、根据关联影响因素设计尾气排放先验修正模型；
S203、根据尾气遥测数据和尾气排放先验修正模型设计尾气监测数据生成对抗网络模型；
S204、训练尾气监测数据生成对抗网络模型。
3.根据权利要求2所述的基于有限监测点位的时空数据生成方法，其特征在于：所述S201获取尾气遥测数据和车辆基本信息数据具体包括：
S2011、获取检测设备编号，检测时间，车牌号码，车速，车辆加速度，车辆长度，CO、HC、NOx测量值，不透光烟度值，风速，风向，气温，湿度，气压，动态/静态测量，数据有效性，抓拍照片，燃料类型，车辆登记日期，并基于上述属性，通过遥测数据和车检数据匹配查询，分别选取气象环境因素数据以及车辆信息数据；
S2012、选取相关因素变量。
4.根据权利要求3所述的基于有限监测点位的时空数据生成方法，其特征在于，
所述相关因素变量包括：
车辆行驶工况及车辆基本信息、车辆基准质量、车身长度、车辆行驶速度、车辆加速度、车辆比功率、气象环境因素、环境温度、环境湿度、环境气压。
5.根据权利要求4所述的基于有限监测点位的时空数据生成方法，其特征在于，所述S202、根据关联影响因素设计尾气排放先验修正模型具体包括：
S2021、基于车速估算单个车辆的尾气排放因子，如公式1.1所示
其中v是待检测车辆的速度，a，b，c，d，e是排放因子模型的计算系数，不同的污染物采用不同计算系数；
任意路段上的尾气排放因子根据公式1.2估算，
其中，R表示给定路段，
代表单位之间内通过该路段的车流量，
表示该路段的车道数，Rlen表示该路段的长度；
S2022、利用有限点位直接测量车辆尾气排放污染物遥测数据推算车辆的排放因子的反演方程，如式1.3所示，
其中，Q是检测车辆尾气中CO和CO2的浓度体积分数之比，Q′是检测车辆尾气中HC和CO2的浓度体积分数之比，Q″是检测车辆尾气中NOx和CO2的浓度体积分数之比，v是待检测车辆的速度。则单位时间内在给定路段上尾气排放因子为，
其中，i∈{CO,HC,NOx}，
是车道编号为k的第j辆待检测车辆的污染物编号为i的排放因子；
考虑到机动车尾气遥测系统检测尾气污染物时会受到外部环境因素的影响，引入误差项ΔE来修正理论计算值E和实际测量值
之间的误差，
6.根据权利要求5所述的基于有限监测点位的时空数据生成方法，其特征在于，所述S203根据尾气遥测数据和尾气排放先验修正模型设计尾气监测数据生成对抗网络模型具体包括：
S2031、生成器损失函数设计，生成器的损失函数包括先验损失和条件约束两部分，如公式1.6所示，
其中，α条件约束项系数，-D(G(z)+E)是模型先验损失函数，用于对生成器G生成的非真实样本进行惩罚，D是判别器，通过训练判别器使得其为生成近似真实的遥测数据输出更大的概率值；||M ask⊙M(G(z)))e||1是条件约束项，其用来惩罚观测点位真实测量样本与生成样本之间的误差；Mask是观测模板矩阵，其在观测位置的值为1，在未知观测位置值为0，⊙表示Hadamard积；
S2032、判别器损失函数设计，判别器的输入包括COPERT先验模型产生的尾气数据，以及由生成器G产生的样本数据，判别器的输出是一个标量即0或1，判断该样本是否是真实的尾气数据；
判别器D的目标是最大化真实数据D(x)和生成数据D(G(z)+E)间的误差；引入一个梯度惩罚项对判别器进行优化；
判别器的目标损失函数表示为
其中，λ是梯度惩罚项系数，k是Lipschitz常数，
是真实样本和生成样本的混合
总的损失函数记作，
网络结构的生成器和判别器均由4个卷积层构成，每个卷积层后连接一个Leaky ReLU。
7.根据权利要求6所述的基于有限监测点位的时空数据生成方法，其特征在于，所述S204、训练尾气监测数据生成对抗网络模型，生成对应的时空数据具体包括：
根据COPERT模型生成尾气排放数据的先验分布pdata(x)；
初始化生成器G和判别器D的学习参数θ，ω；
从pdata(x)分布中采样数据样本x(i)((1≤i≤n))；
从标准高斯分布p(z)产生随机噪声向量z；
从0-1均匀分布U(0，1)产生0-1之间随机数∈；
构建联合分布样本
E(i)是有限监测点位的尾气实际测量值；
根据公式1.7计算判别器损失函数LossD(i)；
更新判别器权重参数
根据生成合成样本G(i，z)和公式1.6计算生成器损失函数LossG(i)；
更新生成器权重参数
达到收敛条件，得到尾气监测数据生成对抗网络模型以及生成时空数据样本G(i，z)。
8.一种基于有限监测点位的时空数据生成系统，其特征在于，包括以下单元：
数据获取单元，用于获取尾气遥测数据和车辆基本信息数据；
数据生成单元，把获取到的数据输入事先构建并训练好的尾气监测数据生成对抗网络模型，生成对应的时空数据。
9.一种基于有限监测点位的时空数据生成系统，其特征在于，包括以下子单元：
数据获取和处理单元，获取尾气遥测数据和车辆基本信息数据，并进行关联影响分析；
修正模型建立单元，用于根据关联影响因素设计尾气排放先验修正模型；
对抗网络模型生成单元，用于根据尾气遥测数据和尾气排放先验修正模型设计尾气监测数据生成对抗网络模型；
对抗网络模型训练单元，用于训练尾气监测数据生成对抗网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010953119.6A CN112131523B (zh) | 2020-09-11 | 2020-09-11 | 一种基于有限监测点位的时空数据生成方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010953119.6A CN112131523B (zh) | 2020-09-11 | 2020-09-11 | 一种基于有限监测点位的时空数据生成方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112131523A true CN112131523A (zh) | 2020-12-25 |
| CN112131523B CN112131523B (zh) | 2023-09-26 |
Family
ID=73845477
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010953119.6A Active CN112131523B (zh) | 2020-09-11 | 2020-09-11 | 一种基于有限监测点位的时空数据生成方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112131523B (zh) |
Cited By (2)
| 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 |
| CN113744541A (zh) * | 2021-05-17 | 2021-12-03 | 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) | 对抗图卷积网络的路网排放缺失时空分布重构方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650825A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种机动车尾气排放数据融合系统 |
| 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 |
| CN109214570A (zh) * | 2018-09-03 | 2019-01-15 | 安徽优思天成智能科技有限公司 | 一种基于深度时空修正模型的城市区域尾气污染预测方法 |
| WO2020015762A1 (zh) * | 2018-07-18 | 2020-01-23 | 乾碳国际公司 | 混动车辆预测性功率控制系统方案 |
| WO2020029356A1 (zh) * | 2018-08-08 | 2020-02-13 | 杰创智能科技股份有限公司 | 一种基于生成对抗网络的脸部变化预测方法 |
-
2020
- 2020-09-11 CN CN202010953119.6A patent/CN112131523B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650825A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种机动车尾气排放数据融合系统 |
| 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 |
| WO2020015762A1 (zh) * | 2018-07-18 | 2020-01-23 | 乾碳国际公司 | 混动车辆预测性功率控制系统方案 |
| WO2020029356A1 (zh) * | 2018-08-08 | 2020-02-13 | 杰创智能科技股份有限公司 | 一种基于生成对抗网络的脸部变化预测方法 |
| CN109214570A (zh) * | 2018-09-03 | 2019-01-15 | 安徽优思天成智能科技有限公司 | 一种基于深度时空修正模型的城市区域尾气污染预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 曾君;郭华芳;胡跃明;: "机动车比功率在高排污车辆鉴别中的应用", 环境科学学报, no. 04 * |
Cited By (2)
| 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 |
| CN113744541A (zh) * | 2021-05-17 | 2021-12-03 | 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) | 对抗图卷积网络的路网排放缺失时空分布重构方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112131523B (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rahmani et al. | Modeling of road-traffic noise with the use of genetic algorithm | |
| CN110398320B (zh) | 一种易于持续优化的燃气泄漏检测定位方法及系统 | |
| He et al. | Estimating carbon dioxide emissions of freeway traffic: a spatiotemporal cell-based model | |
| CN106650825A (zh) | 一种机动车尾气排放数据融合系统 | |
| Jin et al. | Self-driving tourism induced carbon emission flows and its determinants in well-developed regions: A case study of Jiangsu Province, China | |
| US12190720B2 (en) | Method of determining the amount of pollutant emissions from a vehicle over a road network section | |
| Kukkonen et al. | Modelling of the urban concentrations of PM 2.5 on a high resolution for a period of 35 years, for the assessment of lifetime exposure and health effects | |
| CN112131523B (zh) | 一种基于有限监测点位的时空数据生成方法及系统 | |
| CN116070839A (zh) | 一种多源数据的道路微环境空气质量贡献溯源方法 | |
| Viteri et al. | A high resolution vehicular emissions inventory for Ecuador using the IVE modelling system | |
| Subramaniam et al. | Modelling of CO2 emission prediction for dynamic vehicle travel behavior using ensemble machine learning technique | |
| Wang et al. | Developing a high-resolution vehicular emission inventory by integrating an emission model and a traffic model: Part 1—Modeling fuel consumption and emissions based on speed and vehicle-specific power | |
| Miao et al. | Quantifying and predicting air quality on different road types in urban environments using mobile monitoring and automated machine learning | |
| Hao et al. | Modal activity-based vehicle energy/emissions estimation using sparse mobile sensor data | |
| CN118013769B (zh) | 一种基于WRF-Chem的大气污染物浓度预测方法 | |
| Park et al. | State-of-the-art automobile emissions models and applications in North America and Europe for sustainable transportation | |
| CN115239027B (zh) | 空气质量格点化集合预报的方法及装置 | |
| Wei et al. | Combining Google traffic map with deep learning model to predict street-level traffic-related air pollutants in a complex urban environment | |
| Saleh et al. | Driving cycle for motorcycles in modern cities: case studies of Edinburgh and Delhi | |
| Johansson et al. | Evaluation of air quality using dynamic land-use regression and fusion of environmental information | |
| Li et al. | Non-linear models of light-duty vehicle emission factors considering pavement roughness | |
| Safana et al. | Correlation Model of Horizontal Geometric and Road Grade on CO₂ and PM₂. ₅ Vehicle Emission In Bandung City | |
| Dia et al. | Vehicle emission models using Australian fleet data | |
| Rauf et al. | Transport emission models: A bibliometric and content analysis | |
| CN117808211B (zh) | 一种基于空气质量检测数据的评估方法及系统 |
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 |