CN113128776B - 数据自迁移的多车型柴油车排放预测方法及系统 - Google Patents

数据自迁移的多车型柴油车排放预测方法及系统 Download PDF

Info

Publication number
CN113128776B
CN113128776B CN202110454380.6A CN202110454380A CN113128776B CN 113128776 B CN113128776 B CN 113128776B CN 202110454380 A CN202110454380 A CN 202110454380A CN 113128776 B CN113128776 B CN 113128776B
Authority
CN
China
Prior art keywords
vehicle type
emission
speed
vehicle
existing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110454380.6A
Other languages
English (en)
Other versions
CN113128776A (zh
Inventor
李兵兵
康宇
鲁晔
曹洋
夏秀山
许镇义
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Ecological Environment Monitoring Center Anhui Heavy Pollution Weather Forecast And Early Warning Center
Institute of Advanced Technology University of Science and Technology of China
Original Assignee
Anhui Ecological Environment Monitoring Center Anhui Heavy Pollution Weather Forecast And Early Warning Center
Institute of Advanced Technology University of Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Ecological Environment Monitoring Center Anhui Heavy Pollution Weather Forecast And Early Warning Center, Institute of Advanced Technology University of Science and Technology of China filed Critical Anhui Ecological Environment Monitoring Center Anhui Heavy Pollution Weather Forecast And Early Warning Center
Priority to CN202110454380.6A priority Critical patent/CN113128776B/zh
Publication of CN113128776A publication Critical patent/CN113128776A/zh
Application granted granted Critical
Publication of CN113128776B publication Critical patent/CN113128776B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/214—Database migration support
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Testing Of Engines (AREA)

Abstract

本发明的一种数据自迁移的多车型柴油车排放预测方法及系统，包括以下步骤获取已有车型柴油车的速度‑排放数据，采集目标车型柴油车的设定量速度‑排放数据并进行数据预处理；对已有车型和目标车型柴油车的速度曲线数据进行速度时序特征提取；利用最大均值差异衡量已有车型和目标车型之间速度时序特征的分布差异；针对已有车型和目标车型分别构建预测模块，以速度‑排放共有特征为预测模块的输入，分别对已有车型和目标车型的下一时刻尾气排放进行预测。本发明在仅有少量数据的前提下促进其他车型排放模型的建立，在仅有少量数据的前提下通过利用已有车型柴油车的速度‑排放模型辅助其他车型速度‑排放模型的建立，大大节约了成本。

Description

数据自迁移的多车型柴油车排放预测方法及系统
技术领域
本发明涉及环境检测领域中柴油车尾气迁移预测技术领域，具体涉及一种数据自迁移的多车型柴油车排放预测方法。
背景技术
当前环境问题日益严重，尾气污染已经成为城市空气污染的重要组成部分。而尾气污染中柴油车尾气排放占了相当大的一部分比例，因此对柴油车尾气排放进行监控是有重要实际意义的。对于尾气监控通常采用建立观测站点的方式，但这种方式无疑是成本高昂的，幸运的是对于柴油车而言，行驶速度曲线一般可以与尾气排放均建立相应的关系，即E＝f(v),其中E为尾气排放量，v为柴油车行驶速度，f为映射函数，继而可以估算下一时刻柴油车的尾气排放。
目前的方案利用深度学习或者物理模型对其建模，可以仅通过观察柴油车的行驶速度就可以大致估算下一时刻该车的尾气排放。但是想要建立这种速度-排放模型往往需要花费大量的资源采集充足的数据。考虑到不同车型之间这种关系模型是不同的，因此可以很自然的想到，在仅采集少量数据的前提下能否利用已有车型的数据辅助其他车型柴油车相应模型的建立，从而节约大量的时间和资源。
发明内容
本发明提出的一种数据自迁移的多车型柴油车排放预测方法，可解决现有方法对速度-排放模型建模成本较大的问题。
为实现上述目的，本发明采用了以下技术方案：
一种数据自迁移的多车型柴油车排放预测方法，包括以下步骤，
S10、获取已有车型柴油车的速度-排放数据，采集目标车型柴油车的设定量速度-排放数据并进行数据预处理；
S20、构建弱共享特征提取模块，对已有车型和目标车型柴油车的速度曲线数据进行速度时序特征提取；
S30、构建迁移模块，利用最大均值差异衡量已有车型和目标车型之间速度时序特征的分布差异，通过最小化差异，从而使特征提取模块提取到尽可能相似的特征，即学习到已有车型和目标车型关于速度-排放共有特征；
S40、针对已有车型和目标车型分别构建预测模块，以速度-排放共有特征为预测模块的输入，分别对已有车型和目标车型的下一时刻尾气排放进行预测。
进一步的，所述S10获取已有车型柴油车的速度-排放数据，采集目标车型柴油车的设定量速度-排放数据并进行数据预处理具体包括：
S11:获取已有车型柴油车的速度-排放数据,采集少量目标车型柴油车的少量速度-排放数据；
S12:对上述数据进行插值，异常值处理，归一化操作；
S13:对处理后的速度数据和排放数据按照Δt间隔进行划分，求解任意Δt内的平均速度和平均污染值；
以T个时间步建立时间序列
Figure GDA0004153575150000021
和
Figure GDA0004153575150000022
Vs和Vt分别表示已有车型和目标车型柴油车的速度时间序列，t表示目标与测试时刻，/>
Figure GDA0004153575150000023
和/>
Figure GDA0004153575150000024
分别表示已有车型和目标车型柴油车在t-T时刻的速度；
将下一时刻的已有车型柴油车尾气浓度值
Figure GDA0004153575150000025
和目标车型柴油车尾气浓度值/>
Figure GDA0004153575150000026
作为预测标签。
进一步的，所述S20构建弱共享特征提取模块，对已有车型和目标车型柴油车的速度曲线数据进行速度时序特征提取具体包括：
S21：针对已有车型柴油车利用LSTM构建特征提取模块fs，其参数为θs，则特征提取过程被描述为：
Figure GDA0004153575150000027
Figure GDA0004153575150000028
为已有车型柴油车提取到的时序特征；
S22：针对目标车型柴油车同样利用LSTM构建特征提取模块ft，其参数为θt，则特征提取过程被描述为：
Figure GDA0004153575150000029
Figure GDA0004153575150000031
为目标车型柴油车提取到的时序特征；
S23：设计弱共享参数机制：
Lθ＝||θs-θt||2
Lθ为弱共享损失函数，引入弱共享参数机制，可以利用fs的参数辅助ft参数的学习。
进一步的，所述S30构建迁移模块，利用最大均值差异衡量已有车型和目标车型之间速度时序特征的分布差异，通过最小化差异，从而使特征提取模块提取到尽可能相似的特征，即学习到已有车型和目标车型关于速度-排放共有特征具体包括：
S31:应用最大均值差异MMD2对已有车型柴油车特征
Figure GDA0004153575150000032
和目标车型柴油车特征/>
Figure GDA0004153575150000033
之间的差异进行度量
Figure GDA0004153575150000034
Figure GDA0004153575150000035
和/>
Figure GDA0004153575150000036
分别表示已有车型柴油车的第i个数据样本特征和目标车型的第j个数据样本特征；
通过减少
Figure GDA0004153575150000037
提高已有车型柴油车特征/>
Figure GDA0004153575150000038
和目标车型柴油车特征/>
Figure GDA0004153575150000039
之间的相似性，实现已有车型向目标车型的知识传递。
进一步的，所述S40针对已有车型和目标车型分别构建预测模块，以速度-排放共有特征为预测模块的输入，分别对已有车型和目标车型的下一时刻尾气排放进行预测具体包括：
S41:针对已有车型柴油车利用三层全连接网络建立预测模块Cs,预测标签为下一时刻的柴油车排放值：
Figure GDA00041535751500000310
Figure GDA00041535751500000311
为已有车型柴油车下一时刻尾气排放预测值；
则已有车型的预测损失为：
Figure GDA0004153575150000041
S42:针对目标车型柴油车利用三层全连接网络建立预测模块Ct,预测标签为下一时刻的柴油车排放值：
Figure GDA0004153575150000042
Figure GDA0004153575150000043
为目标车型柴油车下一时刻尾气排放预测值；
则目标车型的预测损失为：
Figure GDA0004153575150000044
S43:计算总的损失函数：
Ltotal＝Lt+αLs+βMMD2+μLθ
α，β，μ为平衡系数，通过最小化损失函数Ltotal，获得分布相似的特征
Figure GDA0004153575150000045
和/>
Figure GDA0004153575150000046
继而获得模型在已有车型和目标车型上良好表现。
另一方面，本发明的一种数据自迁移的多车型柴油车排放预测系统，包括以下单元：
数据获取单元，用于获取已有车型柴油车的速度-排放数据，采集目标车型柴油车的设定量速度-排放数据并进行数据预处理；
特征提取模块提取单元，用于构建弱共享特征提取模块，对已有车型和目标车型柴油车的速度曲线数据进行速度时序特征提取；
迁移模块构建单元，用于构建迁移模块，利用最大均值差异衡量已有车型和目标车型之间速度时序特征的分布差异，通过最小化差异，从而使特征提取模块提取到尽可能相似的特征，即学习到已有车型和目标车型关于速度-排放共有特征；
预测单元，用于针对已有车型和目标车型分别构建预测模块，以速度-排放共有特征为预测模块的输入，分别对已有车型和目标车型的下一时刻尾气排放进行预测。
由上述技术方案可知，针对上述问题，本发明的数据自迁移的多车型柴油车排放预测方法及系统，利用最大均值差异衡量不同车型之间速度-排放对应关系的差异，意图通过最小化这种差异，挖掘速度-排放之间最本质的相关性，从而在仅有少量数据的前提下促进其他车型排放模型的建立。
本发明克服现有方法对数据的强依赖性，在仅有少量数据的前提下通过利用已有车型柴油车的速度-排放模型辅助其他车型速度-排放模型的建立，大大节约了成本。
需要说明的是，本发明仅对已有车型的柴油车速度-排放数据量有要求，而目标车型柴油车仅需要少量速度-排放数据，从而极大的节约了时间成本和资源成本。
附图说明
图1为本发明的方法流程图；
图2为本发明方法网络模型示意图；
图3为本发明实验结果。
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和图2所示，本实施例所述的数据自迁移的多车型柴油车排放预测方法，包括以下步骤：
步骤1：获取已有车型柴油车的速度-排放数据，采集目标车型柴油车的少量速度-排放数据并进行数据预处理，时序划分等操作。
步骤2：构建弱共享特征提取模块，对已有车型和目标车型柴油车的速度曲线数据进行速度时序特征提取。
步骤3：构建迁移模块，利用最大均值差异衡量已有车型和目标车型之间速度时序特征的分布差异，通过最小化差异，从而使特征提取模块提取到尽可能相似的特征，即学习到已有车型和目标车型关于速度-排放共有特征。
步骤4：针对已有车型和目标车型分别构建预测模块，以速度-排放共有特征为预测模块的输入，分别对已有车型和目标车型的下一时刻尾气排放进行预测。
以下具体说明：
进一步地，上述步骤S1：获取已有车型柴油车的速度-排放数据，采集目标车型柴油车的少量速度-排放数据并进行数据预处理，时序划分等操作，具体包括如下细分步骤S11至S13：
S11:获取已有车型柴油车的速度-排放数据,采集少量目标车型柴油车的少量速度-排放数据。
S12:对上述数据进行插值，异常值处理，归一化操作。
S13:对处理后的速度数据和排放数据按照Δt间隔进行划分，求解任意Δt内的平均速度和平均污染值。以T个时间步建立时间序列
Figure GDA0004153575150000061
和
Figure GDA0004153575150000062
Vs和Vt分别表示已有车型和目标车型柴油车的速度时间序列，t表示目标与测试时刻，/>
Figure GDA0004153575150000063
和/>
Figure GDA0004153575150000064
分别表示已有车型和目标车型柴油车在t-T时刻的速度。将下一时刻的已有车型柴油车尾气浓度值/>
Figure GDA0004153575150000065
和目标车型柴油车尾气浓度值/>
Figure GDA0004153575150000066
作为预测标签。Δt可以取5分钟，T＝5。
进一步地，上述步骤S2：构建弱共享特征提取模块，对已有车型和目标车型柴油车的速度数据进行特征提取，具体包括如下细分步骤S21至S23：
S21：针对已有车型柴油车利用LSTM构建特征提取模块fs，其参数为θs，则特征提取过程可以被描述为：
Figure GDA0004153575150000067
Figure GDA0004153575150000068
为已有车型柴油车提取到的时序特征。
S22：针对目标车型柴油车同样利用LSTM构建特征提取模块ft，其参数为θt，则特征提取过程可以被描述为：
Figure GDA0004153575150000069
Figure GDA00041535751500000610
为目标车型柴油车提取到的时序特征；
S23：考虑到已有车型柴油车的大量数据足以支持特征提取模块fs的训练，得到一个良好的特征提取模块，为了充分发挥已有车型柴油车数据的优势，设计弱共享参数机制。
Lθ＝||θs-θt||2
Lθ为弱共享损失函数，引入弱共享参数机制，可以利用fs的参数辅助ft参数的学习。
进一步地，上述步骤S3：构建迁移模块，衡量已有车型和目标车型之间特征分布差异，并最小化差异，从而使特征提取模块提取到相似的特征，即学习到速度-排放最本质的特征，具体包括如下细分步骤S31：
S31:应用最大均值差异MMD2对已有车型柴油车特征
Figure GDA0004153575150000071
和目标车型柴油车特征/>
Figure GDA0004153575150000072
之间的差异进行度量
Figure GDA0004153575150000073
Figure GDA0004153575150000074
和/>
Figure GDA0004153575150000075
分别表示已有车型柴油车的第i个数据样本特征和目标车型的第j个数据样本特征。
通过减少
Figure GDA0004153575150000076
可以提高已有车型柴油车特征/>
Figure GDA0004153575150000077
和目标车型柴油车特征/>
Figure GDA0004153575150000078
之间的相似性，从而实现已有车型向目标车型的知识传递。
进一步地，上述步骤S4：构建预测模块，根据学习到的特征分别对已有车型和目标车型的下一时刻尾气排放进行预测，具体包括如下细分步骤S41至S43：
S41:针对已有车型柴油车利用三层全连接网络建立预测模块Cs,预测标签为下一时刻的柴油车排放值。
Figure GDA0004153575150000079
Figure GDA00041535751500000710
为已有车型柴油车下一时刻尾气排放预测值；
则已有车型的预测损失为：
Figure GDA00041535751500000711
S42:针对目标车型柴油车利用三层全连接网络建立预测模块Ct,预测标签为下一时刻的柴油车排放值。
Figure GDA00041535751500000712
Figure GDA0004153575150000081
为目标车型柴油车下一时刻尾气排放预测值；
则目标车型的预测损失为：
Figure GDA0004153575150000082
S43:计算总的损失函数：
Ltotal＝Lt+αLs+βMMD2+μLθ
α，β，μ为平衡系数。通过最小化损失函数Ltotal，可以获得分布相似的特征
Figure GDA0004153575150000083
和
Figure GDA0004153575150000084
继而获得模型在已有车型和目标车型上良好表现。
图3为30个时间步(150分钟)内从已有车型柴油车到目标车型柴油车根据过去5个时间步速度序列的CO预测结果。可以看出本发明的方法有较好的拟合效果。
综上所述，本发明的一种数据自迁移的多车型柴油车排放预测方法与系统的优点在于：在仅需采集少量数据的前提下可以利用已有车型柴油车的数据辅助目标车型柴油车的速度-排放建模，大大的节约了时间和资源。
另一方面，本发明的一种数据自迁移的多车型柴油车排放预测系统，包括以下单元：
数据获取单元，用于获取已有车型柴油车的速度-排放数据，采集目标车型柴油车的设定量速度-排放数据并进行数据预处理；
特征提取模块提取单元，用于构建弱共享特征提取模块，对已有车型和目标车型柴油车的速度曲线数据进行速度时序特征提取；
迁移模块构建单元，用于构建迁移模块，利用最大均值差异衡量已有车型和目标车型之间速度时序特征的分布差异，通过最小化差异，从而使特征提取模块提取到尽可能相似的特征，即学习到已有车型和目标车型关于速度-排放共有特征；
预测单元，用于针对已有车型和目标车型分别构建预测模块，以速度-排放共有特征为预测模块的输入，分别对已有车型和目标车型的下一时刻尾气排放进行预测。
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 (4)

1.一种数据自迁移的多车型柴油车排放预测方法，其特征在于：包括以下步骤，
S10、获取已有车型柴油车的速度-排放数据，采集目标车型柴油车的设定量速度-排放数据并进行数据预处理；
S20、构建弱共享特征提取模块，对已有车型和目标车型柴油车的速度曲线数据进行速度时序特征提取；
S30、构建迁移模块，利用最大均值差异衡量已有车型和目标车型之间速度时序特征的分布差异，通过最小化差异，从而使特征提取模块提取到尽可能相似的特征，即学习到已有车型和目标车型关于速度-排放共有特征；
S40、针对已有车型和目标车型分别构建预测模块，以速度-排放共有特征为预测模块的输入，分别对已有车型和目标车型的下一时刻尾气排放进行预测；
所述S10获取已有车型柴油车的速度-排放数据，采集目标车型柴油车的设定量速度-排放数据并进行数据预处理具体包括：
S11:获取已有车型柴油车的速度-排放数据,采集少量目标车型柴油车的少量速度-排放数据；
S12:对上述数据进行插值，异常值处理，归一化操作；
S13:对处理后的速度数据和排放数据按照Δt间隔进行划分，求解任意Δt内的平均速度和平均污染值；
以T个时间步建立时间序列
Figure QLYQS_1
和
Figure QLYQS_2
Vs和Vt分别表示已有车型和目标车型柴油车的速度时间序列，t表示目标与测试时刻，/>
Figure QLYQS_3
和/>
Figure QLYQS_4
分别表示已有车型和目标车型柴油车在t-T时刻的速度；
将下一时刻的已有车型柴油车尾气浓度值
Figure QLYQS_5
和目标车型柴油车尾气浓度值/>
Figure QLYQS_6
作为预测标签；
所述S20构建弱共享特征提取模块，对已有车型和目标车型柴油车的速度曲线数据进行速度时序特征提取具体包括：
S21：针对已有车型柴油车利用LSTM构建特征提取模块fs，其参数为θs，则特征提取过程被描述为：
Figure QLYQS_7
Figure QLYQS_8
为已有车型柴油车提取到的时序特征；
S22：针对目标车型柴油车同样利用LSTM构建特征提取模块ft，其参数为θt，则特征提取过程被描述为：
Figure QLYQS_9
Figure QLYQS_10
为目标车型柴油车提取到的时序特征；
S23：设计弱共享参数机制：
Lθ＝||θs-θt||2
Lθ为弱共享损失函数，引入弱共享参数机制，可以利用fs的参数辅助ft参数的学习。
2.根据权利要求1所述的数据自迁移的多车型柴油车排放预测方法，其特征在于：所述S30构建迁移模块，利用最大均值差异衡量已有车型和目标车型之间速度时序特征的分布差异，通过最小化差异，从而使特征提取模块提取到尽可能相似的特征，即学习到已有车型和目标车型关于速度-排放共有特征具体包括：
S31:应用最大均值差异MMD2对已有车型柴油车特征
Figure QLYQS_11
和目标车型柴油车特征/>
Figure QLYQS_12
之间的差异进行度量
Figure QLYQS_13
Figure QLYQS_14
和/>
Figure QLYQS_15
分别表示已有车型柴油车的第i个数据样本特征和目标车型的第j个数据样本特征；
通过减少
Figure QLYQS_16
提高已有车型柴油车特征/>
Figure QLYQS_17
和目标车型柴油车特征/>
Figure QLYQS_18
之间的相似性，实现已有车型向目标车型的知识传递。
3.根据权利要求2所述的数据自迁移的多车型柴油车排放预测方法，其特征在于：所述S40针对已有车型和目标车型分别构建预测模块，以速度-排放共有特征为预测模块的输入，分别对已有车型和目标车型的下一时刻尾气排放进行预测具体包括：
S41:针对已有车型柴油车利用三层全连接网络建立预测模块Cs,预测标签为下一时刻的柴油车排放值：
Figure QLYQS_19
Figure QLYQS_20
为已有车型柴油车下一时刻尾气排放预测值；
则已有车型的预测损失为：
Figure QLYQS_21
S42:针对目标车型柴油车利用三层全连接网络建立预测模块Ct,预测标签为下一时刻的柴油车排放值：
Figure QLYQS_22
Figure QLYQS_23
为目标车型柴油车下一时刻尾气排放预测值；
则目标车型的预测损失为：
Figure QLYQS_24
S43:计算总的损失函数：
Ltotal＝Lt+αLs+βMMM2+μLθ
α，β，μ为平衡系数，通过最小化损失函数Ltotal，获得分布相似的特征
Figure QLYQS_25
和/>
Figure QLYQS_26
继而获得模型在已有车型和目标车型上良好表现。
4.一种数据自迁移的多车型柴油车排放预测系统，用于实现权利要求1-3任一所述的数据自迁移的多车型柴油车排放预测方法，其特征在于：包括以下单元：
数据获取单元，用于获取已有车型柴油车的速度-排放数据，采集目标车型柴油车的设定量速度-排放数据并进行数据预处理；
特征提取模块提取单元，用于构建弱共享特征提取模块，对已有车型和目标车型柴油车的速度曲线数据进行速度时序特征提取；
迁移模块构建单元，用于构建迁移模块，利用最大均值差异衡量已有车型和目标车型之间速度时序特征的分布差异，通过最小化差异，从而使特征提取模块提取到尽可能相似的特征，即学习到已有车型和目标车型关于速度-排放共有特征；
预测单元，用于针对已有车型和目标车型分别构建预测模块，以速度-排放共有特征为预测模块的输入，分别对已有车型和目标车型的下一时刻尾气排放进行预测。
CN202110454380.6A 2021-04-26 2021-04-26 数据自迁移的多车型柴油车排放预测方法及系统 Active CN113128776B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110454380.6A CN113128776B (zh) 2021-04-26 2021-04-26 数据自迁移的多车型柴油车排放预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110454380.6A CN113128776B (zh) 2021-04-26 2021-04-26 数据自迁移的多车型柴油车排放预测方法及系统

Publications (2)

Publication Number Publication Date
CN113128776A CN113128776A (zh) 2021-07-16
CN113128776B true CN113128776B (zh) 2023-07-07

Family

ID=76780069

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110454380.6A Active CN113128776B (zh) 2021-04-26 2021-04-26 数据自迁移的多车型柴油车排放预测方法及系统

Country Status (1)

Country Link
CN (1) CN113128776B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106205126A (zh) * 2016-08-12 2016-12-07 北京航空航天大学 基于卷积神经网络的大规模交通网络拥堵预测方法及装置
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
DE102016215900A1 (de) * 2016-08-24 2018-03-01 Robert Bosch Gmbh Verfahren zur Ermittlung von Emissionen eines Fahrzeugs und System zur Durchführung des Verfahrens
CN109492830A (zh) * 2018-12-17 2019-03-19 杭州电子科技大学 一种基于时空深度学习的移动污染源排放浓度预测方法
CN110503139A (zh) * 2019-08-07 2019-11-26 中国科学技术大学 一种城市区域尾气污染预测方法
CN110782093A (zh) * 2019-10-26 2020-02-11 福州大学 一种融合ssae深度特征学习和lstm网络的pm2.5小时浓度预测方法及系统
CN110826772A (zh) * 2019-10-15 2020-02-21 深圳市赛梅斯凯科技有限公司 车辆尾气排放预测方法、装置、设备及存储介质
CN111612254A (zh) * 2020-05-22 2020-09-01 中国科学院合肥物质科学研究院 基于改进注意力双向长短期记忆网络的道路机动车尾气排放预测方法
CN112132264A (zh) * 2020-09-11 2020-12-25 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) 基于时空残差感知网络的区域尾气排放预测方法及系统
CN112395777A (zh) * 2021-01-21 2021-02-23 南栖仙策(南京)科技有限公司 基于汽车尾气排放模拟环境的发动机标定参数寻优方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2441686C (en) * 2003-09-23 2004-12-21 Westport Research Inc. Method for controlling combustion in an internal combustion engine and predicting performance and emissions

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106205126A (zh) * 2016-08-12 2016-12-07 北京航空航天大学 基于卷积神经网络的大规模交通网络拥堵预测方法及装置
DE102016215900A1 (de) * 2016-08-24 2018-03-01 Robert Bosch Gmbh Verfahren zur Ermittlung von Emissionen eines Fahrzeugs und System zur Durchführung des Verfahrens
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
CN109492830A (zh) * 2018-12-17 2019-03-19 杭州电子科技大学 一种基于时空深度学习的移动污染源排放浓度预测方法
CN110503139A (zh) * 2019-08-07 2019-11-26 中国科学技术大学 一种城市区域尾气污染预测方法
CN110826772A (zh) * 2019-10-15 2020-02-21 深圳市赛梅斯凯科技有限公司 车辆尾气排放预测方法、装置、设备及存储介质
CN110782093A (zh) * 2019-10-26 2020-02-11 福州大学 一种融合ssae深度特征学习和lstm网络的pm2.5小时浓度预测方法及系统
CN111612254A (zh) * 2020-05-22 2020-09-01 中国科学院合肥物质科学研究院 基于改进注意力双向长短期记忆网络的道路机动车尾气排放预测方法
CN112132264A (zh) * 2020-09-11 2020-12-25 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) 基于时空残差感知网络的区域尾气排放预测方法及系统
CN112395777A (zh) * 2021-01-21 2021-02-23 南栖仙策(南京)科技有限公司 基于汽车尾气排放模拟环境的发动机标定参数寻优方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Residual Autoencoder-LSTM for City Region Vehicle Emission Pollution Prediction;Z. Xu等;2018 IEEE 14th International Conference on Control and Automation (ICCA);811-816 *
基于LSTM神经网络的柴油机NO_x排放预测;戴金池;庞海龙;俞妍;卜建国;资新运;;内燃机学报(第05期);77-83 *

Also Published As

Publication number Publication date
CN113128776A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
CN111651937B (zh) 变工况下类内自适应轴承故障诊断方法
CN110533086B (zh) 图像数据半自动标注方法
CN109657552B (zh) 基于迁移学习实现跨场景冷启动的车型识别装置与方法
CN112581463A (zh) 图像缺陷的检测方法、装置、电子设备、存储介质及产品
CN112561119B (zh) 一种使用arima-rnn组合模型的云服务器资源性能预测方法
CN106326581A (zh) 一种续驶里程的确定方法、装置及汽车
CN112801555A (zh) 一种基于车联网大数据的车辆动力性综合评价方法
CN116467674A (zh) 一种配电网智能故障处理融合更新系统及其方法
CN113269795A (zh) 一种基于废钢车厢区域的识别方法
CN113128776B (zh) 数据自迁移的多车型柴油车排放预测方法及系统
CN116244647A (zh) 一种无人机集群的运行状态估计方法
CN114330430A (zh) 一种基于大数据特征分析的电梯故障判断方法及系统
CN114020593A (zh) 一种基于轨迹聚类的异质流程日志采样方法与系统
CN111062827B (zh) 一种基于人工智能模式的工程监理方法
CN110633314A (zh) 车联网数据处理方法及装置
CN113221352A (zh) 基于数字孪生的复杂装备健康管理方法及系统
CN113469405B (zh) 基于子图分割的跨城市尾气迁移预测方法、系统及介质
CN117610578A (zh) 智能污水处理系统及方法
CN114077663A (zh) 应用日志的分析方法及装置
CN113033414B (zh) 用电数据异常检测方法、装置、计算机设备和存储介质
CN115169721A (zh) 一种基于迁移辨识的精馏过程单吨能耗预测方法及系统
CN115236521A (zh) 基于半监督协同训练框架的锂离子电池健康状态估计方法
CN116012019A (zh) 一种基于大数据分析的金融风控管理系统
Wang et al. Adversarial based unsupervised domain adaptation for bearing fault diagnosis
CN114118305A (zh) 一种样本筛选方法、装置、设备及计算机介质

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