CN112905960A - 用于判定尾气烟羽数据有效性和对其筛选的方法及产品 - Google Patents
用于判定尾气烟羽数据有效性和对其筛选的方法及产品 Download PDFInfo
- Publication number
- CN112905960A CN112905960A CN202110189992.7A CN202110189992A CN112905960A CN 112905960 A CN112905960 A CN 112905960A CN 202110189992 A CN202110189992 A CN 202110189992A CN 112905960 A CN112905960 A CN 112905960A
- Authority
- CN
- China
- Prior art keywords
- plume
- data
- smoke
- carbon dioxide
- smoke plume
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012216 screening Methods 0.000 title claims abstract description 27
- 239000000779 smoke Substances 0.000 claims abstract description 269
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 199
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 112
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 99
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 88
- 231100000719 pollutant Toxicity 0.000 claims abstract description 88
- 238000009792 diffusion process Methods 0.000 claims abstract description 73
- 230000001360 synchronised effect Effects 0.000 claims abstract description 53
- 230000004044 response Effects 0.000 claims abstract description 38
- 239000007789 gas Substances 0.000 claims description 75
- 238000002372 labelling Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 13
- 229910002091 carbon monoxide Inorganic materials 0.000 description 13
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 6
- 239000000356 contaminant Substances 0.000 description 6
- 230000001174 ascending effect Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- KAKZBPTYRLMSJV-UHFFFAOYSA-N Butadiene Chemical compound C=CC=C KAKZBPTYRLMSJV-UHFFFAOYSA-N 0.000 description 4
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 229930195733 hydrocarbon Natural products 0.000 description 3
- 150000002430 hydrocarbons Chemical class 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000001294 propane Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000012443 analytical study Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital
Abstract
本发明涉及一种用于判定尾气烟羽数据有效性和对其筛选的方法及产品,其中用于判定尾气烟羽数据有效性的方法,包括:根据尾气的多个烟羽点的烟羽数据的相关性,判断所述尾气是否具有同步扩散趋势;响应于所述尾气具有同步扩散趋势,利用所述尾气中除二氧化碳以外的其他污染物与二氧化碳的烟羽数据,执行不过原点的线性拟合运算,以得到所述其他污染物中每种污染物与所述二氧化碳的烟羽比值;以及根据线性拟合结果以及每个烟羽点的烟羽数据,判定所述烟羽比值的有效性。根据本发明实施例的方法,可以采用不过原点的线性拟合,并通过常数项来吸收对拟合斜率的无关误差,以保证拟合斜率的准确度。
Description
技术领域
本发明一般地涉及机动车尾气遥测技术领域。更具体地,本发明涉及一种用于判定尾气烟羽数据有效性和对其筛选的方法及产品。
背景技术
近年来,通过政策制定以及对固定污染来源的治理,我国的空气质量得到了明显改善,特别是细颗粒物(例如PM2.5)的浓度具有显著的下降。然而,随着机动车保有量的不断上涨,移动源排放对大气污染的贡献不断上升,特别是在重点区域和重点城市尤为突出,这对于环境的治理提出了更大的挑战。生态环境部发布的《中国移动源环境管理年报(2020)》指出,柴油车NOx排放量超过汽车排放总量的80%,细颗粒物PM排放量超过90%,且汽油车一氧化碳CO排放量超过汽车排放总量的80%,碳氢化合物HC排放量超过70%。
机动车尾气遥感检测是一种无接触的光学测量手段,其可以通过在车道上安置光学测试设备,实现对尾气排放的自动化测量,同时还能够实时采集被测车辆的行驶速度、加速度等工况信息以及温度、湿度等测试点环境信息和车辆信息等。因此,利用遥测技术能够有助于进行实际车流-排放大数据测试和实时分析,以便准确掌握机动车实际道路排放特征,并为针对性制定排放控制政策以及实现精准管控提供数据支持。
然而,在实际道路环境中进行机动车尾气遥感检测会受到各种因素的干扰,并且还会因设备校准不及时、设备老化等问题,使得遥测数据质量并不稳定,这将严重影响道路遥感技术在执法中的应用。因此,如何能够提高和判定遥测数据质量是目前道路遥感监测技术中亟待解决的问题。
发明内容
鉴于上面所提到的技术问题,本发明的技术方案在多个方面提供一种用于判定尾气烟羽数据有效性和对其筛选的方法及产品。
在本发明的第一方面中,提供一种用于判定尾气烟羽数据有效性的方法,包括:根据尾气的多个烟羽点的烟羽数据的相关性,判断所述尾气是否具有同步扩散趋势;响应于所述尾气具有同步扩散趋势,利用所述尾气中除二氧化碳以外的其他污染物与二氧化碳的烟羽数据,执行不过原点的线性拟合运算,以得到所述其他污染物中每种污染物与所述二氧化碳的烟羽比值;以及根据线性拟合结果以及每个烟羽点的烟羽数据,判定所述烟羽比值的有效性。
在本发明的一个实施例中,所述多个烟羽点包括删除一个或多个初始烟羽点后剩余的烟羽点。
在本发明的另一个实施例中,尾气的多个烟羽点的烟羽数据的相关性包括:对所述尾气中的二氧化碳在所述多个烟羽点的二氧化碳烟羽数据进行排序,并根据每个烟羽点的所述二氧化碳烟羽数据的排序顺序进行第一秩次的标记;根据对所述二氧化碳烟羽数据进行排序的排序规则,对所述每种污染物在所述多个烟羽点的污染物烟羽数据进行排序,并根据每个烟羽点的污染物烟羽数据的排序顺序进行第二秩次的标记;以及根据每个烟羽点的所述第一秩次和所述第二秩次的秩次差以及所述多个烟羽点的个数,确定所述每种污染物与所述二氧化碳在所述多个烟羽点的烟羽数据的相关性。
在本发明的又一个实施例中,根据每个烟羽点的二氧化碳烟羽数据的排序顺序进行第一秩次的标记包括:响应于所述多个烟羽点的二氧化碳烟羽数据均不同,所述第一秩次与所述二氧化碳烟羽数据的排序顺序的序数相等;响应于相邻顺序的多个二氧化碳烟羽数据相等,所述第一秩次为所述相邻顺序的多个二氧化碳烟羽数据的序数的平均数;以及根据每个烟羽点的污染物烟羽数据的排序顺序进行第二秩次的标记包括:响应于所述多个烟羽点的污染物烟羽数据均不同,所述第二秩次与所述污染物烟羽数据的排序顺序的序数相等;响应于相邻顺序的多个污染物烟羽数据相等,所述第二秩次为所述相邻顺序的污染物烟羽数据的序数的平均数。
在本发明的一个实施例中,根据尾气的多个烟羽点的烟羽数据的相关性,判断所述尾气是否具有同步扩散趋势包括:根据所述多个烟羽点的个数,确定相关性阈值;响应于所述其它污染物与所述二氧化碳的烟羽数据的相关性大于所述相关性阈值,判定所述其它污染物与所述二氧化碳具有同步扩散趋势;或者响应于所述其它污染物与所述二氧化碳的烟羽数据的相关性小于或等于所述相关性阈值,判定所述其它污染物与所述二氧化碳不具有同步扩散趋势。
在本发明的另一个实施例中,根据线性拟合结果以及每个烟羽点的烟羽数据,判定所述烟羽比值的有效性包括:根据所述每个烟羽点上的每种污染物和二氧化碳的烟羽数据,确定所述每个烟羽点对所述烟羽比值的库克值;并且响应于所有烟羽点对应的所述库克值均小于预设阈值,判定所述烟羽比值有效;或者响应于一个或多个烟羽点对应的所述库克值大于或等于所述预设阈值,判定所述烟羽比值无效。
在本发明的第二方面中,提供一种用于对尾气烟羽数据进行筛选的方法,包括:针对来自多个尾气的多组烟羽数据,对每组烟羽数据分别执行如本发明的第一方面中任一所述的方法,以判定所述每组烟羽数据的烟羽比值的有效性;以及根据所述每组烟羽数据的烟羽比值的有效性,对所述多组烟羽数据进行筛选。
在本发明的第三方面中,提供一种用于判定尾气烟羽数据有效性的设备,包括:第一装置,其用于根据尾气的多个烟羽点的烟羽数据的相关性,判断所述尾气是否具有同步扩散趋势;第二装置,其用于响应于所述尾气具有同步扩散趋势,利用所述尾气中除二氧化碳以外的其他污染物与二氧化碳的烟羽数据,执行不过原点的线性拟合运算,以得到所述其他污染物中每种污染物与所述二氧化碳的烟羽比值;以及第三装置,其用于根据线性拟合结果以及每个烟羽点的烟羽数据,判定所述烟羽比值的有效性。
在本发明的第四方面中,提供一种电子设备,包括,至少一个处理器;存储器,其存储有程序指令,当所述程序指令由所述至少一个处理器执行时,使得所述电子设备执行根据本发明的第一方面中的任意一项、或本发明的第二方面中所述的方法。
在本发明的第五方面中,提供一种计算机可读存储介质,其存储有用于判定尾气烟羽数据有效性和/或用于对尾气烟羽数据进行筛选的程序,当所述程序由处理器来运行时,执行根据本发明的第一方面中的任意一项、或本发明的第二方面中所述的方法。
通过上述对本发明的技术方案及其多个实施例的描述,本领域技术人员可以理解本发明的用于判定尾气烟羽数据有效性的方法,可以通过对具有同步扩散趋势的尾气的烟羽数据进行不过原点的线性拟合,以便通过常数项吸收围绕拟合线的数据波动,来反映不同烟羽点扩散的差异性,从而可以解决因强制烟羽扩散必须过原点导致烟羽比值(即拟合斜率)失真的问题。本发明的用于判定尾气烟羽数据有效性的方法还可以通过判断每个烟羽点的烟羽数据对烟羽比值的影响,来准确判定烟羽比值的有效性,从而有利于提高对烟羽比值的有效性判定结果的准确性。
进一步地,本发明还提供了一种用于对尾气烟羽数据进行筛选的方法,可以基于烟羽数据本身,从提高拟合斜率准确性以及判定结果的准确性等方面提高对烟羽数据筛选的准确性,从而可以对遥测数据进行准确有效的校正和筛选,以便实现对遥测数据质量进行准确判定和提高有效遥测数据利用率的目的。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分其中:
图1是示出根据本发明实施方式的用于判定尾气烟羽数据有效性的方法流程图;
图2是示出根据本发明实施方式的不过原点线性拟合与过原点线性拟合结果的对比示意图;
图3是示出根据本发明实施方式的判断同步扩散趋势的方法流程图;
图4是示出根据现有技术选取烟羽点进行线性拟合的结果示意图;
图5是示出根据本发明实施方式的对具有同步扩散趋势的尾气进行线性拟合的结果示意图;
图6是示出根据本发明实施方式的判定烟羽比值有效性的方法流程图;
图7是示出根据本发明实施方式的判定烟羽比值无效的示意图;
图8是示出根据本发明实施方式的用于判定尾气烟羽数据有效性的设备的示意图;以及
图9是示出根据本发明实施例的系统示意图。
具体实施方式
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。基于本发明中的实施例,本领域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,都属于本发明保护的范围。
应当理解,本发明的权利要求、说明书及附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。本发明的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的,而并不意在限定本发明。如在本发明说明书和权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解,在本发明说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
本发明人发现,尾气遥测数据质量通常受两大因素制约:第一个是内部因素,包括尾气烟羽扩散程度及效果、烟羽捕捉程度、设备最低检出限、尾气浓度反演算法等;第二个是外部因素,包括点位环境、车辆工况等。基于实际道路的遥测技术无法像实验室测试一样控制合理的运行工况和环境变量,因此必须从自身出发发现问题、校正并提高数据质量。
以美国ESP公司的RSD4600型遥测设备为例,该设备在获得每辆车尾气的50个烟羽点的烟羽数据后,先删除其中前2个烟羽点,再删除二氧化碳CO2净烟羽小于10%厘米(cm)的烟羽点,当剩余烟羽点的个数大于5个时,将剩余烟羽点的烟羽数据标记为有效烟羽数据,最后用过原点最小二乘法对尾气中的一氧化碳CO、碳氢化合物HC、氮氧化物NOX分别与CO2的有效烟羽数据进行线性拟合,以获得各污染物的烟羽比值(即拟合斜率)。
然而,该遥测数据判定流程并不严谨,具体说明如下:第一,经统计发现,50%的车辆记录的有效烟羽点的个数不超过10个,即有将近一半的遥测数据的尾气烟羽捕捉率不足20%,烟羽点损失量巨大导致在线性拟合时不能准确反映车辆烟羽的实际扩散情况;第二,基于过原点的线性拟合方法从理论上强制CO2与各污染物的扩散最终趋零,而实际的烟羽扩散并不满足这一条件,这将导致得到的烟羽比值严重失真;第三,烟羽点拟合过程中并未考虑异常扩散点对拟合斜率的影响,加之烟羽点数量不足,1个异常烟羽点就会高估或低估最终求得的烟羽比值。根据这样的判定方法难以获得高质量的遥测数据结果,从而在利用获得的烟羽比值进行实际应用时将会对应用效果产生很大影响。
本发明针对现有技术的不足,提供了一种全新的可实现的解决方案。特别的,本发明实施方式的用于判定尾气烟羽数据有效性的方法可以无需设定CO2净烟羽限值,从而可以保证尾气烟羽点数的最大化,以避免由于烟羽点损失无法准确反映烟羽扩散特征等问题。本发明实施方式的用于判定尾气烟羽数据有效性的方法还可以采用不过原点的线性拟合方法,克服过原点拟合导致烟羽比值失真的问题。进一步地,本发明实施方式的方法还考虑到异常扩散点对拟合斜率的影响,从而可以通过对每个烟羽点的烟羽数据进行验证,来判定烟羽比值的有效性。
通过下面的描述,本领域技术人员可以理解的是,本发明还在多个实施例中提供了判断尾气是否具有同步扩散趋势的方法,通过确定尾气中除二氧化碳以外的其他污染物与二氧化碳的秩相关性,来判断同步扩散趋势,可以不受烟羽数据本身大小的影响,从而可以消除外部因素对同步扩散趋势判定结果的影响,并能够有效避免异常烟羽点对扩散趋势的整体把握。下面结合附图来详细描述本发明的具体实施方式。
图1是示出根据本发明实施方式的用于判定尾气烟羽数据有效性的方法流程图。如图1中所示,方法100可以包括:在步骤102中,可以根据尾气的多个烟羽点的烟羽数据的相关性,判断尾气是否具有同步扩散趋势。烟羽点可以是通过例如遥测设备采集烟羽数据的点。在一些实施例中,多个烟羽点可以是烟羽中的多个位置。在另一些实施例中,多个烟羽点可以是形成烟羽扩散的多个时间点。每个烟羽点可以获取尾气中的一种或多种污染物的烟羽数据。在又一些实施例中,烟羽数据可以包括浓度、温度、湿度、速度等中的一种或多种。多个烟羽点的烟羽数据的相关性可以包括烟羽数据本身的相关性,也可以包括秩相关性等。
在本发明的一个实施例中,判断尾气是否具有同步扩散趋势可以包括:判断尾气中除二氧化碳以外的其他污染物与二氧化碳是否具有同步扩散趋势。在一些实施例中,其它污染物可以包括多种污染物,判断尾气是否具有同步扩散趋势可以包括:分别判断尾气中除二氧化碳以外的其他污染物中每种污染物与二氧化碳是否具有同步扩散趋势;以及可以根据每种污染物与二氧化碳是否具有同步扩散趋势的判断结果分别执行后续操作。在另一些实施例中,其它污染物可以包括多种污染物,判断尾气是否具有同步扩散趋势可以包括:判断尾气中除二氧化碳以外的其他污染物中每种污染物与二氧化碳是否均具有同步扩散趋势;以及响应于均具有扩散趋势,可以判定尾气具有同步扩散趋势并执行后续拟合和有效性判定等操作。
在一些应用场景中,可以使用例如RSD4600型机动车尾气遥感检测设备采集机动车尾气遥测数据,采集原理包括:每一辆经过遥测系统的机动车所排放的CO2、CO、NOx、HC(以丙烷或者是1,3-丁二烯为代表物)等污染物会吸收遥测系统的红外光光源或紫外光光源发出的光束,之后遥测系统的探测器再次接收到的光强就会减弱,减弱大小与不同尾气组分浓度大小有关,每次接收到的光束可以认为是一个烟羽点;同时,遥测系统的摄像机拍摄的车辆牌照图像可以获取车牌信息,遥测系统的速度和加速度传感器能够测量车辆的驾驶工况,如此,经过遥测系统的每一辆车的尾气烟羽扩散数据、车辆信息都会存储在终端(例如电脑)里,整个采集过程约在1~2秒钟左右。
在本发明的一个实施例中,多个烟羽点可以包括删除一个或多个初始烟羽点后剩余的烟羽点。初始烟羽点可以包括车辆经过遥测设备时,遥测设备开始采集烟羽数据的烟羽点。例如,在一些实施例中,遥测设备针对每辆车辆的尾气采集50个烟羽点,最开始采集的一个或多个烟羽点即为初始烟羽点。在另一些实施例中,多个烟羽点可以包括删除两个初始烟羽点后剩余的烟羽点(例如48个烟羽点)。由于车辆挡光放开瞬间,车体光路切换还未完全恢复稳定,此时采集的烟羽数据的准确性和稳定性将受到影响,可能无法反应烟羽的真实扩散情况,因此删除一个或多个初始烟羽点可以排除因光路不稳定对遥测数据质量的影响。进一步地,在删除少量初始烟羽点后可以对剩余的大部分烟羽点执行步骤102的操作,可以以尽可能多的烟羽点来判断同步扩散趋势,更有利于反映烟羽的真实扩散情况。
接着,在步骤104中,可以响应于尾气具有同步扩散趋势,利用尾气中除二氧化碳以外的其他污染物与二氧化碳的烟羽数据,执行不过原点的线性拟合运算,以得到其他污染物中每种污染物与二氧化碳的烟羽比值。在一些实施例中,其他污染物可以包括一氧化碳CO、碳氢化合物HC(以丙烷或者是1,3-丁二烯为代表物)和氮氧化物NOx等中的至少一种。当其他污染物包括多种污染物时,可以分别对其中的每种污染物与二氧化碳执行不过原点的线性拟合运算,即可以得到每种污染物对二氧化碳的烟羽比值。由于通常尾气中二氧化碳的含量(或者浓度)最大,因此选用二氧化碳作为烟羽比值基准有利于提高拟合结果的准确性。
上文中所述的不过原点的线性拟合运算可以包括不过原点的最小二乘线性拟合运算,其计算公式可以如公式一所示。
y=kx+b (公式一)
在公式一中,x可以表示二氧化碳的浓度值,y可以表示其他污染物(例如CO、HC、NOx等中的一种)的浓度值,拟合求得的斜率k即为燃烧方程中所述的烟羽比值(例如CO/CO2、HC/CO2、NO/CO2的烟羽比值),截距b可以用于吸收拟合过程中的误差,以便于确保对斜率k的估计无偏。
目前为止,最小二乘线性拟合是大多数遥测技术中求解烟羽比值的经典方法,但在实际应用中常采用过原点的线性拟合,即认为CO2与各污染物的扩散最终趋于0,而道路遥感获得的尾气烟羽扩散并不满足这一条件,因此过原点线性拟合会误导对实际扩散趋势的把握,进而导致错误的烟羽比值。为了便于理解本发明实施方式的不过原点的线性拟合的优势,下面将结合图2进行示例性的描述。
图2是示出根据本发明实施方式的不过原点线性拟合与过原点线性拟合结果的对比示意图。如图2中所示,以实际应用中采集到的CO与CO2的烟羽数据进行拟合为例,不过原点的线性拟合直线201的方程可以为y=-0.23+0.0069x,该直线201的拟合度R2为0.83,显著性P≤0.001;过原点的线性拟合直线202的方程可以为y=-0.00412x,该直线202的拟合度R2为0.21,显著性P≤0.001。
上文中所述的拟合度R2可以用于表示回归直线对观测值(即本实施例中的烟羽数据)的拟合程度。R2最大值为1。R2的值越接近1,说明回归直线对观测值的拟合程度越好;反之,R2的值越小,说明回归直线对观测值的拟合程度越差。
可以看出,直线201的拟合度明显大于直线202的拟合度且更接近于1,表示直线201的拟合程度更好。从图2中还可以直观的看到,直线201的趋势更符合烟羽数据(图示中的圆点表示)的分布规律。这是由于不过原点的线性拟合直线201的拟合结果中加入了截距b,该截距b可以根据不同尾气烟羽的实际扩散特征而调节正负和大小,从而可以通过吸收无关误差来准确求解拟合斜率。
下面返回图1继续描述,流程可以前进到步骤106中,方法100可以根据线性拟合结果以及每个烟羽点的烟羽数据,判定烟羽比值的有效性。在一些实施例中,可以根据每个烟羽点的烟羽数据对步骤104中得到的线性拟合结果的影响程度,来判定烟羽比值的有效性。在另一些实施例中,可以将删除某个烟羽点后剩余烟羽点的烟羽数据的线性拟合结果与步骤104中得到的线性拟合结果进行对比,根据对比结果来确定该删除的烟羽点对步骤104得到的线性拟合结果的影响程度,从而判定烟羽比值的有效性。在又一些实施例中,响应于某个烟羽点对线性拟合结果的影响较大,可以判定该烟羽点为强影响点(或称异常烟羽点),从而可以判定烟羽比值无效;或者响应于每个烟羽点单独对线性拟合结果的影响均较小,可以判定无强影响点,从而可以判定烟羽比值有效。
以上结合图1总体上对根据本发明实施方式的用于判定尾气烟羽数据有效性的方法进行了描述,本领域技术人员可以理解的是,图1中所示是示例性的而非限制性的,例如,在一些实施例中,可以在步骤104中的执行不过原点的线性拟合运算之前,删除二氧化碳CO2净烟羽小于预设限值的烟羽点,并对剩余的烟羽点的烟羽数据执行不过原点的线性拟合运算。预设限值可以根据需要进行设置。在另一些实施例中,预设限值可以包括0~7%厘米(cm)中的任意值。在一些优选实施例中,预设限值可以为7%cm。相比于现有技术中在过原点线性拟合前删除二氧化碳CO2净烟羽小于10%cm的烟羽点而言,根据本发明实施例的对删除二氧化碳CO2净烟羽小于7%cm的烟羽点后剩余的烟羽点进行不过原点的线性拟合,不仅能够保证一定数量的烟羽点数,还能够删除一些质量较差的烟羽点,从而能够进一步提高拟合结果的准确性,并且还因减少进行线性拟合的数据而能够减少机器运算的数据量,从而有利于提高运算速度。还例如,在本发明的另一个实施例中,步骤102可以包括根据尾气的多个烟羽点的秩相关性,判断尾气是否具有同步扩散趋势,下面将结合图3进行示例性的描述。
图3是示出根据本发明实施方式的判断同步扩散趋势的方法流程图。通过下面的描述,可以理解的是,方法300可以是前文中结合图1描述的步骤102的一个具体实现形式,因此,前文中关于步骤102的描述也可以适用于下面结合图3的描述中。
如图3中所示,方法300可以包括:在步骤301中,可以对尾气中的二氧化碳在多个烟羽点的二氧化碳烟羽数据进行排序,并根据每个烟羽点的二氧化碳烟羽数据的排序顺序进行第一秩次的标记。在一些实施例中,排序可以是根据烟羽数据的值大小进行升序或者降序顺序的排序。第一秩次可以是与二氧化碳烟羽数据的排序顺序的序数相关。例如,在另一些实施例中,根据每个烟羽点的二氧化碳烟羽数据的排序顺序进行第一秩次的标记可以包括:响应于多个烟羽点的二氧化碳烟羽数据均不同,第一秩次可以与二氧化碳烟羽数据的排序顺序的序数相等;或者响应于相邻顺序的多个二氧化碳烟羽数据相等,第一秩次可以为相邻顺序的多个二氧化碳烟羽数据的序数的平均数。例如,在一个具体实施例中,响应于相邻顺序的两个二氧化碳烟羽数据(例如浓度值)相等,该相邻顺序的两个二氧化碳烟羽数据的序数分别为4、5,则该相邻顺序的两个二氧化碳烟羽数据的第一秩次可以均为4.5,即(4+5)/2=4.5。
接着,在步骤302中,可以根据对二氧化碳烟羽数据进行排序的排序规则,对每种污染物在多个烟羽点的污染物烟羽数据进行排序,并根据每个烟羽点的污染物烟羽数据的排序顺序进行第二秩次的标记。在一些实施例中,排序规则可以包括升序排序或者降序排序等中的至少一种。污染物烟羽数据的排序规则可以与二氧化碳烟羽数据的排序规则一致。例如,在另一些实施例中,步骤301中对二氧化碳烟羽数据进行升序排序,在步骤302中可以对污染物烟羽数据进行升序排序。在又一些实施例中,步骤301中对二氧化碳烟羽数据进行降序排序,在步骤302中可以对污染物烟羽数据进行降序排序。
上文中所述的第二秩次可以是与污染物烟羽数据的排序顺序的序数相关。例如,在本发明的一个实施例中,根据每个烟羽点的污染物烟羽数据的排序顺序进行第二秩次的标记可以包括:响应于多个烟羽点的污染物烟羽数据均不同,第二秩次可以与污染物烟羽数据的排序顺序的序数相等;或者响应于相邻顺序的多个污染物烟羽数据相等,第二秩次可以为相邻顺序的污染物烟羽数据的序数的平均数。
然后,流程可以前进到步骤303中,可以根据每个烟羽点的第一秩次和第二秩次的秩次差以及多个烟羽点的个数,确定每种污染物与二氧化碳在多个烟羽点的烟羽数据的相关性。在一些实施例中,确定每种污染物与二氧化碳在多个烟羽点的烟羽数据的相关性可以通过例如斯皮尔曼(“Spearman”)秩相关系数来确定。Spearman秩相关系数的计算公式如下:
在公式二中,ρ表示Spearman秩相关系数,di表示第i个烟羽点的第一秩次和第二秩次的秩次差,n表示烟羽点的个数。为了便于理解,下面将以CO和CO2的烟羽数据以及10个烟羽点(即n=10)为例,结合表一进行示例性的说明。
表一:
n | CO(%) | CO<sub>2</sub>(%) | 第二秩次 | 第一秩次 | d<sub>i</sub> |
1 | 0.4618 | 13.8865 | 1 | 3 | 2 |
2 | 0.4822 | 14.8566 | 3 | 4 | 1 |
3 | 0.5130 | 14.9713 | 5 | 5 | 0 |
4 | 0.4993 | 11.7808 | 4 | 2 | 2 |
5 | 0.4652 | 11.5313 | 2 | 1 | 1 |
6 | 0.5164 | 15.1725 | 6 | 7 | 1 |
7 | 0.5684 | 18.5374 | 8 | 10 | 2 |
8 | 0.5893 | 18.2996 | 10 | 9 | 1 |
9 | 0.5718 | 15.1437 | 9 | 6 | 3 |
10 | 0.5647 | 15.9233 | 7 | 8 | 1 |
如表一中所示,可以分别对CO和CO2的烟羽数据(例如表中的浓度值)进行升序排序,并分别得到每个烟羽点上CO的第二秩次和CO2的第一秩次,进而得到每个烟羽点的二者的秩次差di,10个烟羽点秩次差的平方和即为这样由公式二可以得到Spearman秩相关系数
在本发明的实施例中,Spearman秩相关系数可以基于不同污染物烟羽数据的秩次来测度不同污染物烟羽数据之间单调关联的强度和方向,且对烟羽数据的分布及间隔等没有要求,因此根据本发明实施例的采用Spearman秩相关系数进行同步扩散趋势判断能够适用于时间或空间顺序测量的数据,具有对异常点稳健等特点。具体来说,例如对每辆车48个烟羽点的成对CO2与CO、或CO2与HC、或CO2与NOX按浓度值由小到大排序,并基于排序分别标记第一秩次(1、2、3、…、48)和第二秩次(1、2、3、…、48),无论48个烟羽点的浓度值取值如何,所有车辆的烟羽点的第一秩次和第二秩次可以均为1、2、3、…、48,从而能够有效避免异常烟羽点对扩散趋势的整体把握。
如图3中进一步示出的,在步骤304中,可以根据多个烟羽点的个数,确定相关性阈值。在一些实施例中,相关性阈值可以通过对照Spearman秩相关系数临界值表来确定。
进一步地,在步骤305中,可以响应于其它污染物与二氧化碳的烟羽数据的相关性大于相关性阈值,判定其它污染物与二氧化碳具有同步扩散趋势,即可以判定尾气具有同步扩散趋势。或者在步骤306中,可以响应于其它污染物与二氧化碳的烟羽数据的相关性小于或等于相关性阈值,判定其它污染物与二氧化碳不具有同步扩散趋势,即尾气不具有同步扩散趋势。为了便于理解,下面将结合图4和图5进行示例性的描述。
图4是示出根据现有技术选取烟羽点进行线性拟合的结果示意图。如图4中所示,采用删除二氧化碳CO2净烟羽小于10%厘米(cm)的烟羽点(烟羽点的个数为19个)进行线性拟合,为了便于对比,在这里也进行不过原点的线性拟合操作,得到的直线方程为y=-0.109+0.000131x,该直线的拟合度R2为0.0081,显著性P=0.715。计算该直线的Spearman秩相关系数ρ为0.084,其显著性p=0.731。
图5是示出根据本发明实施方式的对具有同步扩散趋势的尾气进行线性拟合的结果示意图。如图5中所示,采用本发明实施例的保留大部分烟羽点(烟羽点的个数为48个)进行不过原点的线性拟合,得到的直线方程为y=-0.155+0.000862x,该直线的拟合度R2为0.3,显著性P≤0.001。计算该直线的Spearman秩相关系数ρ为0.59,其显著性p=5.99e-06。
通过对比图4和图5所示的结果,可以发现,图4中所示的拟合直线的拟合度和Spearman秩相关系数均很低,说明CO与CO2不具有同步扩散趋势,而图5中所示拟合直线的拟合度虽然较低,但是Spearman秩相关系数较高,说明捕捉到了烟羽扩散特征。这表明烟羽数据个数的筛选对拟合结果质量具有重要影响。进一步地,通过对照Spearman秩相关系数临界值表,当n=48且显著性水平α=0.1时,ρ的临界值=0.188(可以作为本实施例的相关性阈值),即如果样本秩相关系数绝对值大于临界值,则在90%的置信水平下相关性是显著的。图5中的ρ=0.59大于临界值0.188,表明CO与CO2具有明显的同步扩散趋势。该同步扩散趋势表明即使在最小二乘线性拟合中,车辆尾气烟羽点极其离散,即拟合度R2很小,各污染物与CO2的烟羽比值(拟合斜率)仍有意义。而现有技术中仅采用拟合度R2来验证线性拟合结果的质量,存在着无法捕捉同步扩散趋势的缺陷。
以上结合图3-图5对本发明实施例的判断尾气是否具有同步扩散趋势的方式进行了示例性的说明,本领域技术人员可以理解的是,上面的描述是示例性的而非限制性的,例如,污染物烟羽数据的排序可以不限于根据二氧化碳烟羽数据的排序规则,在另一些实施例中,也可以先确定污染物烟羽数据的排序规则,而二氧化碳烟羽数据的排序可以根据污染物烟羽数据的排序规则进行排序。进一步地,在本发明的另一个实施例中,在对具有同步扩散趋势的尾气进行线性拟合以得到烟羽比值之后,可以利用每个烟羽点的库克值来对烟羽比值的有效性进行验证。下面将结合图6进行示例性的说明。
图6是示出根据本发明实施方式的判定烟羽比值有效性的方法流程图。通过下面的描述,可以理解的是,方法600可以是前文中结合图1描述的步骤106的一个具体实现形式,因此,前文中关于步骤106的描述也可以适用于下面结合图6的描述中。
如图6中所示,方法600可以包括:在步骤601中,可以根据每个烟羽点上的每种污染物和二氧化碳的烟羽数据,确定每个烟羽点对烟羽比值的库克值。库克(“Cook”)值(或称库克距离)是统计分析中判断异常值的指标之一,其可以以标准化的方式比较包含和舍去任一数据点的情况下两个线性模型中斜率的差异,例如数据点的Cook值越大,包含和舍去这一数据点时求得的两个斜率的差别越大。Cook值的计算公式可以为:
公式三中Di表示库克值;表示数据点xi的杠杆值,其可以表明该数据点xi在水平方向上与总体的偏离程度;为均方误差;p为自变量个数。在一些实施例中,xi可以表示烟羽点i的二氧化碳烟羽数据(例如浓度值),yi可以表示烟羽点i的其他污染物(例如CO、HC、NOx等中的一种)烟羽数据(例如浓度值),表示根据线性拟合结果对xi的拟合值。
为了便于理解,下面根据某辆车48个烟羽点做CO2与CO的不过原点的最小二乘线性拟合结果,以第一个烟羽点(即i=1)为例进行示例性说明。具体地,已知y1=0.1046(即CO在第一个烟羽点的浓度值)、x1=21.5521(即CO2在第一个烟羽点的浓度值)、n=48、p=1,则拟合值 因此第一个烟羽点的库克值为
基于道路遥感的尾气检测是一套自动化的光学测量手段,测量过程中数据波动较大。准确的烟羽比值是后期开展一切分析研究的基础,因此对烟羽比值的有效性做出准确评估对于提升遥测数据质量来说,是必要的且重要的步骤。本发明人经过大量研究和实验证明,采用库克值进行辅助评估可以准确的反映烟羽比值的有效性。根据公式三可以看出,Cook值能够反映烟羽点在水平方向上和垂直方向上对线性拟合的综合影响。因此相对于仅能反映烟羽点在一个方向上(即水平方向上或垂直方向上)对线性拟合影响的评测指标而言,本发明实施例采用的库克值能够提供更全面以及更准确的判定结果。
接着,在步骤602中,可以响应于所有烟羽点对应的库克值均小于预设阈值,判定烟羽比值有效。或者在步骤603中,可以响应于一个或多个烟羽点对应的库克值大于或等于预设阈值,判定烟羽比值无效。预设阈值可以根据实际应用场景和需要进行设置。例如,在一个实施例中,预设阈值可以设置为1。在另一个实施例中,预设阈值可以设置为0.5。
具体地,以预设阈值设置为1为例,如果每个烟羽点对相应烟羽比值的Cook值小于1,则与该烟羽比值相关的污染物烟羽数据和二氧化碳烟羽数据中没有对拟合斜率造成强影响的烟羽点,即可以判定该烟羽比值有效。否则,可以判定存在对拟合斜率造成强影响的烟羽点(即异常烟羽点),这将导致高估或低估基于步骤104求得的烟羽比值,因此可以判定该烟羽比值无效。为了便于理解,下面将结合图7的一个具体实施例进行说明。
图7是示出根据本发明实施方式的判定烟羽比值无效的示意图。如图7中所示,以CO对CO2的烟羽比值为例,基于不过原点的线性拟合操作得到的拟合直线701的直线方程为y=-0.23+0.0069x,该直线的拟合度R2为0.83,显著性P≤0.001,烟羽比值为0.0069。如图7中进一步示出的,在对图示中虚线框内的烟羽点进行验证时发现,该烟羽点的库克值大于1(即设定的预设阈值为1),而删除该烟羽点后得到的拟合直线702的直线方程为y=-0.283+0.0113x,该直线的拟合度R2为0.89,显著性P≤0.001,烟羽比值变为0.0113。由此可见,删除虚线框内的烟羽点前后的直线斜率由0.0069变为0.0113,两斜率相差近1.65倍,异常烟羽点对斜率具有较大影响,异常烟羽点的存在难以保证烟羽比值的准确性,因此可以判定包括异常烟羽点的烟羽比值无效。
在本发明的第二方面中,提供一种用于对尾气烟羽数据进行筛选的方法,可以包括:针对来自多个尾气的多组烟羽数据,对每组烟羽数据分别执行如本发明的第一方面中任一所述的方法,以判定每组烟羽数据的烟羽比值的有效性;以及根据每组烟羽数据的烟羽比值的有效性,对多组烟羽数据进行筛选。多组烟羽数据可以来自多辆车的尾气遥测数据,其中每组烟羽数据可以来自一辆车的一次尾气遥测记录。在一些实施例中,对多组烟羽数据进行筛选可以包括:响应于多组烟羽数据中的一组或多组烟羽数据的烟羽比值无效,删除该一组或多组烟羽数据。在另一些实施例中,每组烟羽数据可以根据包括的污染物种类和数量,对应多个烟羽比值;可以对每组烟羽数据的多个烟羽比值分别执行判定有效性的操作,并根据每个烟羽比值的有效性结果,保留或者删除每个烟羽比值对应的污染物烟羽数据。
在一个具体实践中,利用本发明实施例的用于对尾气烟羽数据进行筛选的方法,对基于RSD4600型水平式遥感监测系统得到的350491辆车的烟羽数据进行筛选,结果如下:首先,77.1%的车辆排放的CO、61.63%的车辆排放的HC、31.88%的车辆排放的NOX在90%的置信水平下检测到显著的与CO2具有同步扩散趋势;然后,可以删除CO2净烟羽小于7%厘米(cm)的烟羽点,并利用剩余的烟羽点计算烟羽比值;再根据Cook值分别对CO、HC、NOX筛选出23%、20%、13%含有异常烟羽点的车辆记录,即其烟羽比值无效。综上,可以分别得到59.29%CO对CO2、49.3%HC对CO2、27.73%NOX对CO2的具有有效烟羽比的车辆记录。
在本发明的第三方面中,提供一种用于判定尾气烟羽数据有效性的设备,如图8所示,设备800可以包括:第一装置801,其可以用于根据尾气的多个烟羽点的烟羽数据的相关性,判断尾气是否具有同步扩散趋势;第二装置802,其可以用于响应于尾气具有同步扩散趋势,利用尾气中除二氧化碳以外的其他污染物与二氧化碳的烟羽数据,执行不过原点的线性拟合运算,以得到其他污染物中每种污染物与二氧化碳的烟羽比值;以及第三装置803,其可以用于根据线性拟合结果以及每个烟羽点的烟羽数据,判定烟羽比值的有效性。
本发明的设备在上文中已经结合用于判定尾气烟羽数据有效性的方法进行了详细的描述和解释,这里将不再赘述。
在本发明的第四方面中,提供一种电子设备,可以包括,至少一个处理器;存储器,其存储有程序指令,当程序指令由至少一个处理器执行时,使得电子设备执行根据本发明的第一方面中的任意一项、或本发明的第二方面中所述的方法。
图9是示出根据本发明实施例的系统示意图。该系统900可以包括根据本发明实施例的电子设备901以及其外围设备和外部网络,其中电子设备901执行用于判定尾气烟羽数据有效性和/或用于对尾气烟羽数据进行筛选等操作,以实现前述结合图1-图7所述的本发明的技术方案。
如图9中所示,电子设备901可以包括CPU 9011,其可以是通用CPU、专用CPU或者其他信息处理以及程序运行的执行单元。进一步,电子设备901还可以包括大容量存储器9012和只读存储器ROM 9013,其中大容量存储器9012可以配置用于存储各类数据,包括烟羽数据、烟羽比值等以及判定尾气烟羽数据有效性和/或对尾气烟羽数据进行筛选所需要的各种程序,ROM 9013可以配置成存储对于电子设备901的系统中各功能模块的初始化、系统的基本输入/输出的驱动程序及引导操作系统所需的数据。
进一步,电子设备901还可以包括其他的硬件或组件,例如示出的图形处理器(“GPU”)9015和现场可编程逻辑门阵列(“FPGA”)9016等。可以理解的是,尽管在电子设备901中示出了多种硬件或组件,但这里仅仅是示例性的而非限制性的,本领域技术人员可以根据实际需要增加或移除相应的硬件。
本发明实施例的电子设备901还可以包括通信接口9018,从而可以通过该通信接口9018连接到局域网/无线局域网(LAN/WLAN)905,进而可以通过LAN/WLAN连接到本地服务器906或连接到因特网(“Internet”)907。替代地或附加地,本发明实施例的电子设备901还可以通过通信接口9018基于无线通信技术直接连接到因特网或蜂窝网络,例如基于第三代(“3G”)、第四代(“4G”)或第5代(“5G”)的无线通信技术。在一些应用场景中,本发明实施例的电子设备901还可以根据需要访问外部网络的服务器908以及可能的数据库909,以便获得各种已知的例如车辆信息、相关性阈值、预设阈值、数据和模块等,并且可以远程地存储检测的各种数据。
电子设备901的外围设备可以包括显示装置902、输入装置903以及数据传输接口904。在一个实施例中,显示装置902可以例如包括一个或多个扬声器和/或一个或多个视觉显示器,其配置用于对本发明实施例的电子设备的检测过程或者最终结果进行语音提示和/或图像视频显示。输入装置903可以包括例如键盘、鼠标、麦克风、姿势捕捉相机,或其他输入按钮或控件,其配置用于接收检测信息的输入或用户指令。数据传输接口904可以包括例如串行接口、并行接口或通用串行总线接口(“USB”)、小型计算机系统接口(“SCSI”)、串行ATA、火线(“FireWire”)、PCI Express和高清多媒体接口(“HDMI”)等,其配置用于与其他设备或系统的数据传输和交互。根据本发明的方案,该数据传输接口904可以接收烟羽数据等,并且向电子设备901传送各种类型的数据和结果。
本发明实施例的电子设备901的上述CPU 9011、大容量存储器9012、只读存储器(“ROM”)9013、GPU 9015、FPGA 9016和通信接口9018可以通过总线9019相互连接,并且通过该总线与外围设备实现数据交互。在一个实施例中,通过该总线9019,CPU 9011可以控制电子设备901中的其他硬件组件及其外围设备。
在工作中,本发明实施例的电子设备901的处理器CPU 9011可以通过输入装置903或数据传输接口904接收数据,并调取存储于存储器9012中的计算机程序指令或代码(例如涉及用于判定尾气烟羽数据有效性和/或用于对尾气烟羽数据进行筛选的代码)对接收到的烟羽数据及其判定请求进行检测,以获得烟羽比值并判定烟羽比值的有效性等。同时,电子设备901的CPU 9011还可以执行获取烟羽数据的操作。接着,处理器CPU 9011开始根据获得的烟羽数据进行同步扩散趋势、烟羽比值的计算以及对烟羽比值的有效性进行判定等。在CPU 9011通过执行用于判定尾气烟羽数据有效性和/或用于对尾气烟羽数据进行筛选的程序确定了尾气烟羽数据有效性或者筛选结果后,可以在显示装置902上显示或者通过语音提示的方式输出尾气烟羽数据有效性或者筛选结果。另外,电子设备901还可以通过通信接口9018将所述结果上传至网络,例如远程的数据库909。
还应当理解,本发明示例的执行指令的任何模块、单元、组件、服务器、计算机、终端或设备可以包括或以其他方式访问计算机可读介质,诸如存储介质、计算机存储介质或数据存储设备(可移除的)和/或不可移动的)例如磁盘、光盘或磁带。计算机存储介质可以包括以用于存储信息的任何方法或技术实现的易失性和非易失性,可移动和不可移动介质,例如计算机可读指令、数据结构、程序模块或其他数据。
在本发明的第五方面中,提供一种计算机可读存储介质,其存储有用于判定尾气烟羽数据有效性和/或用于对尾气烟羽数据进行筛选的程序,当所述程序由处理器来运行时,执行根据本发明的第一方面中的任意一项、或本发明的第二方面中所述的方法。
计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(Resistive Random Access Memory)、动态随机存取存储器DRAM(DynamicRandom Access Memory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等,或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
通过上面对本发明的技术方案以及多个实施例的描述,本领域技术人员可以理解的是,本发明实施方式的用于判定尾气烟羽数据有效性的方法,可以保留大部分的烟羽点的烟羽数据,并通过对同步扩散趋势的判断,来实现对烟羽比值的初步筛选,即认为不具有同步扩散趋势的烟羽数据难以得到准确有效的烟羽比值。本发明实施方式采用不过原点的线性拟合,并通过常数项来吸收对拟合斜率的无关误差,以保证拟合斜率的准确度。在一些实施例中,本发明实施方式可以采用秩相关性来判断同步扩散趋势,这种判断方法对异常、离散且不稳定的烟羽点表现稳健,从而能够更好地把握实际道路遥测中采集的各类烟羽扩散情况。在另一些实施例中,本发明实施方式可以基于拟合结果计算每个烟羽点的Cook值,根据Cook值大小反映不同烟羽点对烟羽比值稳健性的影响程度,以此判断该烟羽比值是否准确有效。本发明提出的用于判定尾气烟羽数据有效性的方法思路清晰,流程严谨,操作简便。同时,本发明人根据来源于多年份实际道路测量得到的遥测数据,对本发明实施方式的方法进行了充足验证,证明本发明实施方式的方法具有较好的普适性。
进一步地,本发明实施方式基于判定尾气烟羽数据有效性的方法提出了用于对尾气烟羽数据进行筛选的方法,以便于对不同来源的多组烟羽数据进行筛选。该方法可以依据每辆车的烟羽数据进行筛选,并从源头上实现对机动车尾气遥感检测数据的修正,为提高遥测数据质量提供技术支持。
虽然本发明的实施例如上,但所述内容只是为便于理解本发明而采用的实施例,并非用以限定本发明的范围和应用场景。任何本发明所述技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种用于判定尾气烟羽数据有效性的方法,包括:
根据尾气的多个烟羽点的烟羽数据的相关性,判断所述尾气是否具有同步扩散趋势;
响应于所述尾气具有同步扩散趋势,利用所述尾气中除二氧化碳以外的其他污染物与二氧化碳的烟羽数据,执行不过原点的线性拟合运算,以得到所述其他污染物中每种污染物与所述二氧化碳的烟羽比值;以及
根据线性拟合结果以及每个烟羽点的烟羽数据,判定所述烟羽比值的有效性。
2.根据权利要求1所述的方法,其中所述多个烟羽点包括删除一个或多个初始烟羽点后剩余的烟羽点。
3.根据权利要求1所述的方法,其中尾气的多个烟羽点的烟羽数据的相关性包括:
对所述尾气中的二氧化碳在所述多个烟羽点的二氧化碳烟羽数据进行排序,并根据每个烟羽点的所述二氧化碳烟羽数据的排序顺序进行第一秩次的标记;
根据对所述二氧化碳烟羽数据进行排序的排序规则,对所述每种污染物在所述多个烟羽点的污染物烟羽数据进行排序,并根据每个烟羽点的污染物烟羽数据的排序顺序进行第二秩次的标记;以及
根据每个烟羽点的所述第一秩次和所述第二秩次的秩次差以及所述多个烟羽点的个数,确定所述每种污染物与所述二氧化碳在所述多个烟羽点的烟羽数据的相关性。
4.根据权利要求3所述的方法,其中根据每个烟羽点的二氧化碳烟羽数据的排序顺序进行第一秩次的标记包括:
响应于所述多个烟羽点的二氧化碳烟羽数据均不同,所述第一秩次与所述二氧化碳烟羽数据的排序顺序的序数相等;
响应于相邻顺序的多个二氧化碳烟羽数据相等,所述第一秩次为所述相邻顺序的多个二氧化碳烟羽数据的序数的平均数;以及
根据每个烟羽点的污染物烟羽数据的排序顺序进行第二秩次的标记包括:
响应于所述多个烟羽点的污染物烟羽数据均不同,所述第二秩次与所述污染物烟羽数据的排序顺序的序数相等;
响应于相邻顺序的多个污染物烟羽数据相等,所述第二秩次为所述相邻顺序的污染物烟羽数据的序数的平均数。
5.根据权利要求1-4任一所述的方法,其中根据尾气的多个烟羽点的烟羽数据的相关性,判断所述尾气是否具有同步扩散趋势包括:
根据所述多个烟羽点的个数,确定相关性阈值;
响应于所述其它污染物与所述二氧化碳的烟羽数据的相关性大于所述相关性阈值,判定所述其它污染物与所述二氧化碳具有同步扩散趋势;或者
响应于所述其它污染物与所述二氧化碳的烟羽数据的相关性小于或等于所述相关性阈值,判定所述其他污染物与所述二氧化碳不具有同步扩散趋势。
6.根据权利要求1所述的方法,其中,根据线性拟合结果以及每个烟羽点的烟羽数据,判定所述烟羽比值的有效性包括:
根据所述每个烟羽点上的每种污染物和二氧化碳的烟羽数据,确定所述每个烟羽点对所述烟羽比值的库克值;并且
响应于所有烟羽点对应的所述库克值均小于预设阈值,判定所述烟羽比值有效;或者
响应于一个或多个烟羽点对应的所述库克值大于或等于所述预设阈值,判定所述烟羽比值无效。
7.一种用于对尾气烟羽数据进行筛选的方法,包括:
针对来自多个尾气的多组烟羽数据,对每组烟羽数据分别执行如权利要求1-6中任一所述的方法,以判定所述每组烟羽数据的烟羽比值的有效性;以及
根据所述每组烟羽数据的烟羽比值的有效性,对所述多组烟羽数据进行筛选。
8.一种用于判定尾气烟羽数据有效性的设备,包括:
第一装置,其用于根据尾气的多个烟羽点的烟羽数据的相关性,判断所述尾气是否具有同步扩散趋势;
第二装置,其用于响应于所述尾气具有同步扩散趋势,利用所述尾气中除二氧化碳以外的其他污染物与二氧化碳的烟羽数据,执行不过原点的线性拟合运算,以得到所述其他污染物中每种污染物与所述二氧化碳的烟羽比值;以及
第三装置,其用于根据线性拟合结果以及每个烟羽点的烟羽数据,判定所述烟羽比值的有效性。
9.一种电子设备,包括,
至少一个处理器;
存储器,其存储有程序指令,当所述程序指令由所述至少一个处理器执行时,使得所述电子设备执行根据权利要求1-6的任意一项、或权利要求7所述的方法。
10.一种计算机可读存储介质,其存储有用于判定尾气烟羽数据有效性和/或用于对尾气烟羽数据进行筛选的程序,当所述程序由处理器来运行时,执行根据权利要求1-6的任意一项、或权利要求7所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110189992.7A CN112905960B (zh) | 2021-02-18 | 2021-02-18 | 用于判定尾气烟羽数据有效性和对其筛选的方法及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110189992.7A CN112905960B (zh) | 2021-02-18 | 2021-02-18 | 用于判定尾气烟羽数据有效性和对其筛选的方法及产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112905960A true CN112905960A (zh) | 2021-06-04 |
CN112905960B CN112905960B (zh) | 2024-04-19 |
Family
ID=76123819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110189992.7A Active CN112905960B (zh) | 2021-02-18 | 2021-02-18 | 用于判定尾气烟羽数据有效性和对其筛选的方法及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112905960B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113970523A (zh) * | 2021-09-17 | 2022-01-25 | 安徽中科华仪科技有限公司 | 一种岸基全激光船舶尾气遥感检测方法 |
CN113984967A (zh) * | 2021-10-25 | 2022-01-28 | 河北先河环保科技股份有限公司 | 船舶尾气监测方法、装置、系统、终端及存储介质 |
EP4290218A1 (en) * | 2022-06-07 | 2023-12-13 | Josefina de la Fuente Egido | Equipment for measuring pollutant emissions on multi-lane roads emitted by motor vehicles by means of laser spectroscopy using light intensity absorption devices |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102116735A (zh) * | 2010-01-06 | 2011-07-06 | 天际科技有限公司 | 一种汽车排放物遥感检测系统及方法 |
CN106371939A (zh) * | 2016-09-12 | 2017-02-01 | 山东大学 | 一种时序数据异常检测方法及其系统 |
KR101708329B1 (ko) * | 2016-05-31 | 2017-02-21 | 대한민국 | 연식 적합성을 고려한 운행차 배출가스 정밀검사 질량 환산 방법 |
CN106649579A (zh) * | 2016-11-17 | 2017-05-10 | 苏州航天系统工程有限公司 | 一种用于管网建模的时序数据清洗方法 |
CN106682699A (zh) * | 2016-12-31 | 2017-05-17 | 中国科学技术大学 | 一种基于聚类分析的车辆尾气排放特征分析处理方法 |
CN206399819U (zh) * | 2016-12-29 | 2017-08-11 | 聚光科技(杭州)股份有限公司 | 汽车尾气检测系统 |
CN107239592A (zh) * | 2017-04-24 | 2017-10-10 | 清华大学 | 一种空气污染监测数据的时间序列增长分析方法及系统 |
CN110082319A (zh) * | 2019-04-22 | 2019-08-02 | 深圳市锦瑞生物科技有限公司 | 定标数据修正方法及其电子设备 |
CN110243762A (zh) * | 2019-06-18 | 2019-09-17 | 深圳大雷汽车检测股份有限公司 | 机动车尾气遥测和监管系统及自学习高排污车辆判定算法 |
CN111046084A (zh) * | 2019-12-18 | 2020-04-21 | 重庆大学 | 一种多元时间序列监测数据的关联规则挖掘方法 |
CN111650345A (zh) * | 2020-07-14 | 2020-09-11 | 中科三清科技有限公司 | 大气环境污染检测数据的处理方法、装置、设备及介质 |
CN111965115A (zh) * | 2020-07-21 | 2020-11-20 | 天津大学 | 一种基于高光谱的船舶尾气测量系统及方法 |
CN112113912A (zh) * | 2020-08-18 | 2020-12-22 | 北京理工大学 | 一种柴油车排放遥感大数据监测系统及监测方法 |
-
2021
- 2021-02-18 CN CN202110189992.7A patent/CN112905960B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102116735A (zh) * | 2010-01-06 | 2011-07-06 | 天际科技有限公司 | 一种汽车排放物遥感检测系统及方法 |
KR101708329B1 (ko) * | 2016-05-31 | 2017-02-21 | 대한민국 | 연식 적합성을 고려한 운행차 배출가스 정밀검사 질량 환산 방법 |
CN106371939A (zh) * | 2016-09-12 | 2017-02-01 | 山东大学 | 一种时序数据异常检测方法及其系统 |
CN106649579A (zh) * | 2016-11-17 | 2017-05-10 | 苏州航天系统工程有限公司 | 一种用于管网建模的时序数据清洗方法 |
CN206399819U (zh) * | 2016-12-29 | 2017-08-11 | 聚光科技(杭州)股份有限公司 | 汽车尾气检测系统 |
CN106682699A (zh) * | 2016-12-31 | 2017-05-17 | 中国科学技术大学 | 一种基于聚类分析的车辆尾气排放特征分析处理方法 |
CN107239592A (zh) * | 2017-04-24 | 2017-10-10 | 清华大学 | 一种空气污染监测数据的时间序列增长分析方法及系统 |
CN110082319A (zh) * | 2019-04-22 | 2019-08-02 | 深圳市锦瑞生物科技有限公司 | 定标数据修正方法及其电子设备 |
CN110243762A (zh) * | 2019-06-18 | 2019-09-17 | 深圳大雷汽车检测股份有限公司 | 机动车尾气遥测和监管系统及自学习高排污车辆判定算法 |
CN111046084A (zh) * | 2019-12-18 | 2020-04-21 | 重庆大学 | 一种多元时间序列监测数据的关联规则挖掘方法 |
CN111650345A (zh) * | 2020-07-14 | 2020-09-11 | 中科三清科技有限公司 | 大气环境污染检测数据的处理方法、装置、设备及介质 |
CN111965115A (zh) * | 2020-07-21 | 2020-11-20 | 天津大学 | 一种基于高光谱的船舶尾气测量系统及方法 |
CN112113912A (zh) * | 2020-08-18 | 2020-12-22 | 北京理工大学 | 一种柴油车排放遥感大数据监测系统及监测方法 |
Non-Patent Citations (6)
Title |
---|
H. L. BRANTLEY 等: ""Mobile air monitoring data-processing strategies and effects on spatial air pollution trends"", 《ATMOSPHERIC MEASUREMENT TECHNIQUES》, vol. 7, no. 7, 22 July 2014 (2014-07-22), pages 2169 - 2183 * |
SHIJIE LIU 等: ""Data quality evaluation and calibration of on-road remote sensing systems based on exhaust plumes"", 《JOURNAL OF ENVIRONMENTAL SCIENCES》, vol. 123, no. 1, 31 January 2023 (2023-01-31), pages 317 - 326 * |
唐旭 等: ""基于LIBSVM的LNG公交车尾气排放预测模型"", 《交通信息与安全》, no. 05, 28 October 2018 (2018-10-28), pages 81 - 88 * |
张强: ""基于遥感监测数据的机动车尾气排放估计算法研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 9, 15 September 2019 (2019-09-15), pages 027 - 840 * |
王黎明: "《回归分析》", 31 May 2019, 上海财经大学出版社, pages: 125 - 130 * |
钟晓妮 等: "《中华生物医学统计大辞典描述统计分册》", 31 December 2020, 中国统计出版社, pages: 76 - 78 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113970523A (zh) * | 2021-09-17 | 2022-01-25 | 安徽中科华仪科技有限公司 | 一种岸基全激光船舶尾气遥感检测方法 |
CN113984967A (zh) * | 2021-10-25 | 2022-01-28 | 河北先河环保科技股份有限公司 | 船舶尾气监测方法、装置、系统、终端及存储介质 |
EP4290218A1 (en) * | 2022-06-07 | 2023-12-13 | Josefina de la Fuente Egido | Equipment for measuring pollutant emissions on multi-lane roads emitted by motor vehicles by means of laser spectroscopy using light intensity absorption devices |
Also Published As
Publication number | Publication date |
---|---|
CN112905960B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112905960B (zh) | 用于判定尾气烟羽数据有效性和对其筛选的方法及产品 | |
CN112113912B (zh) | 一种柴油车排放遥感大数据监测系统及监测方法 | |
Carslaw et al. | Recent evidence concerning higher NOx emissions from passenger cars and light duty vehicles | |
US11226289B2 (en) | Remote sensing-based detection system and method for gaseous pollutant from diesel vehicle exhaust | |
US11639882B2 (en) | Method and system for detecting exhaust emissions of vehicle equipped with ignition engine based on big data of remote sensing | |
Borken-Kleefeld et al. | New emission deterioration rates for gasoline cars–Results from long-term measurements | |
Zhang et al. | Automobile emissions are statistically gamma distributed | |
López-Martínez et al. | Modelling the fuel consumption and pollutant emissions of the urban bus fleet of the city of Madrid | |
CN112834235B (zh) | 车辆尾气检测方法、装置、计算机设备以及可读存储介质 | |
Smit | Development and performance of a new vehicle emissions and fuel consumption software (PΔP) with a high resolution in time and space | |
US20170131202A1 (en) | System and method to detect vehicle emissions noncompliance | |
Graham et al. | Nitrous oxide emissions from light duty vehicles | |
D’Angelo et al. | First approach to exhaust emissions characterization of light vehicles in Montevideo, Uruguay | |
CN109085100B (zh) | 污染物浓度的确定方法及装置 | |
CN110595795A (zh) | 整车排放比对测试方法、装置、设备及计算机可读存储介质 | |
CN115292331B (zh) | 一种异常地理区域的获取方法、设备及介质 | |
CN111425281B (zh) | 一种柴油车加油或加尿素行为检测方法及系统 | |
CN112394040A (zh) | 一种机动车排污监管系统及方法 | |
Gruening et al. | Potential of Remote Sensing Devices (RSDs) to screen vehicle emissions | |
Hao et al. | Potential of big data approach for remote sensing of vehicle exhaust emissions | |
KR101756791B1 (ko) | 오염물질 배출농도의 질량 환산 결과를 이용한 연비계산 방법 | |
Liu et al. | Data quality evaluation and calibration of on-road remote sensing systems based on exhaust plumes | |
Frey | Variability and uncertainty in highway vehicle emission factors | |
CN116994441B (zh) | 一种交通流信息数据处理方法及系统 | |
Lambert et al. | Is the Real Driving Emission methodology really representative of the people’s driving behaviour? Study of the driving patterns in Brussels |
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 |