CN113269348A - 一种基于机器学习的机动车尾气浓度预测方法及系统 - Google Patents
一种基于机器学习的机动车尾气浓度预测方法及系统 Download PDFInfo
- Publication number
- CN113269348A CN113269348A CN202110382766.0A CN202110382766A CN113269348A CN 113269348 A CN113269348 A CN 113269348A CN 202110382766 A CN202110382766 A CN 202110382766A CN 113269348 A CN113269348 A CN 113269348A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- tail gas
- exhaust
- gas concentration
- 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 53
- 238000010801 machine learning Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 230000004927 fusion Effects 0.000 claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 6
- 239000007789 gas Substances 0.000 claims description 83
- 230000006870 function Effects 0.000 claims description 38
- 230000004913 activation Effects 0.000 claims description 17
- 238000002790 cross-validation Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000010200 validation analysis Methods 0.000 claims description 11
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000002826 coolant Substances 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement 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
- 230000001902 propagating effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明的一种基于机器学习的机动车尾气浓度预测方法及系统,包括以下步骤,S1、将车辆尾气数据从相应数据库中导入到excel或者csv文件,并对数据进行预处理,得到预处理后的尾气数据;S2、构建模型框架,结合机器学习中的神经网络和支持向量回归两种方法,采用多模型融合方法,融合两种模型进行尾气浓度反演;S3、利用预处理好的尾气数据,训练尾气浓度反演融合模型,神经网络部分用来记忆深层次尾气数据,支持向量回归用来反演尾气浓度;S4、利用训练好的尾气浓度反演融合模型,输入车辆尾气数据进行尾气浓度预测。本发明检测精度高,易普及;多重特征处理,准确度高:原始数据经过神经网络和支持向量回归两个模型,两次特征处理,能够提升准确度。
Description
技术领域
本发明涉及环境测量检测技术领域,具体涉及一种基于机器学习 的机动车尾气浓度预测方法及系统。
背景技术
随着交通运输技术的发展给人类生活带来了诸多便利,但也带来 了威胁人类健康的尾气污染。尤其机动车样式多、分布广和流动快的 特点更是加剧了环境的污染,不仅对环境造成了不良影响还严重危害 了人体健康。所以对不同环境及驾驶条件下的车辆尾气浓度进行检测 是提高空气质量的关键问题。但是,目前对于尾气浓度反演的方法仍 然存在诸多问题,成本高、没有普适性以及检测精度低等缺点,具体 如下:
车载尾气检测设备法:通过每辆机动车车载尾气检测设备的方法 实时检测尾气排放,这种方法虽然有效但是实际意义不大,不可能为 每辆车装载一个尾气检测设备,成本高,不具有普适性;
普通遥感检测法:普通遥感检测法针对现实实际排放物进行遥感 估计与预测,受实际环境影响大,对低浓度排放物不敏感,检测精度 低;
普通预测排放方法:利用单一机器学习模型处理车辆尾气数据并 预测,近年来这种方法取得较大突破,但单一模型仍然存在缺陷,体 量大的模型导致模型参数过多难以优化,体量小的模型存在预测效果 不好的缺点。
发明内容
本发明提出的一种基于机器学习的机动车尾气浓度预测方法及系 统,可以有效克服成本高的缺点,具有普适性,检测精度高。
为实现上述目的,本发明采用了以下技术方案:
一种基于机器学习的机动车尾气浓度预测方法,包括以下步骤,
S1、将车辆尾气数据从相应数据库中导入到excel或者csv文件, 并对数据进行预处理,得到预处理后的尾气数据;
S2、构建模型框架,结合机器学习中的神经网络和支持向量回归 两种方法,采用多模型融合方法,融合两种模型进行尾气浓度反演;
S3、利用预处理好的尾气数据,训练尾气浓度反演融合模型,神 经网络部分用来记忆深层次尾气数据,支持向量回归用来反演尾气浓 度;
S4、利用训练好的尾气浓度反演融合模型,输入车辆尾气数据进 行尾气浓度预测。
进一步的,尾气浓度反演模型的建立步骤如下:
(1)确定模型的输入输出:尾气浓度反演融合模型输入为经过预 处理之后的尾气数据中的影响显著的尾气特征,包括发动机冷却液温 度、发动机转速、发动机燃油消耗以及发动机扭矩这些尾气数据特征; 所述尾气浓度反演融合模型的输出为氮氧化物排放量;
(2)确定神经网络的结构:所述尾气浓度反演融合模型包含神经 网络结构,采用神经网络结构提取车辆尾气数据深层信息,经过输入 层,隐藏层这些多层次结构,通过每层之间的神经元进行加权、求和 与转移传输给下一层的神经元,传输方向从输入层开始,沿着隐藏层 一直向前,从而完成信息提取和记忆的过程;
(3)确定神经网络的激活函数:所述尾气浓度反演融合模型的神 经网络结构中包含激活函数的选择,激活函数用来对每层神经元之间 的加权求和值进行转移前的二次转换,防止神经网络的计算值朝着不 可预料的方向发展,本模型中选区ReLU函数作为激活函数;
(4)确定支持向量回归的超参数:所述尾气浓度反演融合模型中 包含尾气浓度预测部分即支持向量回归子模型,支持向量回归中包括 超参数惩罚系数C和核函数的幅宽gamma;
(5)确定损失函数与优化方法:所述尾气浓度反演融合模型的损 失函数为预测值与标准值的平均绝对误差,即其中N 为训练样本的数量,loss为损失函数值,yi为尾气反演预测浓度值,为 尾气的实际浓度值,优化方法采取随机梯度下降,通过反方向传播最 终优化模型;
(6)进行交叉验证:所述尾气浓度反演融合模型利用交叉验证来 验证模型的性能,交叉验证是把原始数据进行分组,一部分作为训练 集,另一部分作为验证集,首先用训练集对分类器进行训练,再利用 验证集来测试训练得到的模型,以此来作为评价模型的性能指标。
进一步的,所述S1中的数据预处理包括缺失数据的填充、无效数 据的清洗以及数据的标准化。
进一步的,所述确定神经网络的激活函数,激活函数ReLU的表 达式为:f(x)=max(0,x),表示神经网络只传输大于零的值并引入了非线 性。
进一步的,所述确定支持向量回归的超参数,惩罚系数C表示对 模型的宽容度,C越高说明越不能容忍出现误差,容易过拟合;C越 小,容易欠拟合,C过大或过小都会使模型泛化能力变差;gamm a参数隐含地决定了数据映射到新的特征空间后的分布,gamma 越大,支持向量越少,gamma值越小,支持向量越多,支持向量 的个数影响训练与预测的速度。
进一步的,所述交叉验证即利用5折交叉验证的方法,将原始数 据均分成5组,将每个子集拘束分别做一次验证集,其余4组子集数 据作为训练集,得到5个模型,用这5个模型最终的验证集验证模型 的性能。
进一步的,所述尾气浓度反演融合模型参数确定为超参数为惩罚 系数C=100,核函数的幅宽gamma=0.01。
另一方面,本发明还公开一种基于机器学习的机动车尾气浓度预 测系统,包括以下单元,
数据采集单元,用于获取车辆尾气数据;
数据处理单元,用于将车辆尾气数据从相应数据库中导入到excel 或者csv文件,并对数据进行预处理,得到预处理后的尾气数据;
预测模型构建单元,用于构建模型框架,结合机器学习中的神经 网络和支持向量回归两种方法,采用多模型融合方法,融合两种模型 进行尾气浓度反演;
模型训练单元,用于利用预处理好的尾气数据,训练尾气浓度反 演融合模型,神经网络部分用来记忆深层次尾气数据,支持向量回归 用来反演尾气浓度;
尾气浓度预测单元,用于利用训练好的尾气浓度反演融合模型, 输入车辆尾气数据进行尾气浓度预测。
由上述技术方案可知,与现有技术相比,本发明的基于机器学习 的机动车尾气浓度预测方法具有以下有益效果:
1.检测精度高,易普及:传统检测方法消耗大量成本且不具有普适 性;
2.多重特征处理,准确度高:原始数据经过神经网络和支持向量回 归两个模型,两次特征处理,能够提升准确度;
3.具有结构创新性:采用多模型融合技术进行尾气反演,具有模型 结构层面的创新性。
附图说明
图1是本发明的方法框图;
图2是神经网络模型示意图;
图3是两层融合模型示意图;
图4是反演算法效果图。
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机器学习的机动车尾气浓度预测 方法,包括以下步骤:
第一步:将车辆尾气数据从相应数据库中导入到excel或者csv 文件,并对数据进行预处理,得到预处理后的尾气数据;
第二步,构建模型框架,结合机器学习中的神经网络和支持向量 回归两种方法,采用多模型融合方法,融合两种模型进行尾气浓度反 演;
第三步,利用预处理好的尾气数据,训练尾气浓度反演融合模型, 神经网络部分用来记忆深层次尾气数据,支持向量回归用来反演尾气 浓度;
所述尾气浓度反演模型的建立步骤如下:
(1)确定模型的输入输出:所述尾气浓度反演融合模型输入为经 过预处理之后的尾气数据中的影响显著的尾气特征,包括发动机冷却 液温度、发动机转速、发动机燃油消耗以及发动机扭矩等主要尾气数 据特征;所述尾气浓度反演融合模型的输出主要为氮氧化物排放量;
(2)确定神经网络的结构:所述尾气浓度反演融合模型包含神经 网络结构,采用神经网络结构提取车辆尾气数据深层信息,经过输入 层,隐藏层等多层次结构,通过每层之间的神经元进行加权、求和与 转移传输给下一层的神经元,传输方向从输入层开始,沿着隐藏层一 直向前,从而完成信息提取和记忆的过程;
(3)确定神经网络的激活函数:所述尾气浓度反演融合模型的神 经网络结构中包含激活函数的选择,激活函数用来对每层神经元之间 的加权求和值进行转移前的二次转换,防止神经网络的计算值朝着不 可预料的方向发展,本模型中选区ReLU函数作为激活函数,因为所 有车辆数据不可能为负值,选取ReLU函数有效防止在神经元计算中 一些无意义的计算结果的出现;
(4)确定支持向量回归的超参数:所述尾气浓度反演融合模型中 包含尾气浓度预测部分即支持向量回归子模型,支持向量回归中有两 个非常重要的超参数为惩罚系数C和核函数的幅宽gamma,本模型参 数确定为C=100,gamma=0.01;
(5)确定损失函数与优化方法:所述尾气浓度反演融合模型在训 练过程中,损失函数及其优化方法必不可少,本模型的损失函数为预 测值与标准值的平均绝对误差,即其中N为训练样 本的数量,loss为损失函数值,yi为尾气反演预测浓度值,为 尾气的实际浓度值,优化方法采取随机梯度下降,通过反方向传播最 终优化模型。
(6)进行交叉验证:所述尾气浓度反演融合模型利用交叉验证来 验证模型的性能,交叉验证是把原始数据进行分组,一部分作为训练 集,另一部分作为验证集,首先用训练集对分类器进行训练,再利用 验证集来测试训练得到的模型,以此来作为评价模型的性能指标。
其中,所述第一步,数据预处理包括缺失数据的填充、无效数据 的清洗以及数据的标准化;
所述第二步,利用多模型融合的方法将神经网络和支持向量回归 联系起来,即利用神经网络提取数据的深层信息并记忆,并将提取到 的深层特征输入到支持向量回归模型中进行预测;
所述确定神经网络的激活函数,激活函数ReLU的表达式为: f(x)=max(0,x),表示神经网络只传输大于零的值并引入了非线性;
所述确定支持向量回归的超参数,对支持向量回归来说,惩罚系 数C表示对模型的宽容度,C越高说明越不能容忍出现误差,容易过 拟合;C越小,容易欠拟合,C过大或过小都会使模型泛化能力变差; gamma参数隐含地决定了数据映射到新的特征空间后的分布,gamma越大,支持向量越少,gamma值越小,支持向量越多, 支持向量的个数影响训练与预测的速度;
所述交叉验证,利用5折交叉验证的方法,将原始数据均分成5 组,将每个子集拘束分别做一次验证集,其余4组子集数据作为训练 集,这样会得到5个模型,用这5个模型最终的验证集验证模型的性 能,可以有效的避免模型过拟合,最后得到的结果具有说服性。
以下举例说明本发明:
1.在进行反演之前,需要从尾气数据库中导入部分数据,为了方便 实施,本发明的数据是导入到csv文件中进行读取与处理;
2.对csv文件读取到的数据进行筛选;
3.对数据中每个特征与尾气排放进行相关性分析,选择几个相关性 最高以及规定的部分特征进行数据降维,可以减少数据量与计算量;
4.对筛选后的数据进行数据标准化,防止不同特征的特征值量级不 一样影响模型精度;
5.利用标准化之后的数据进行数据集划分,按照8:2的比例划分训 练集和测试集,训练神经网络模型,神经网络模型的示意图如002所 示;
6.将训练好的神经网络模型权重进行保存,舍去最后一层预测层,将预测 层的输入链接到支持向量回归模型中,完成两层模型的融合,两层融合模型示 意图如图3所示;
7.基于神经网络处理过的数据,同样进行数据集划分,训练支持向 量回归模型;
8.最终得到训练后的神经网络和支持向量回归融合模型,将原始数据输入 两层融合模型进行预测,结果如图4所示,展示了尾气浓度的反演效果。
另一方面,本发明还公开一种基于机器学习的机动车尾气浓度预 测系统,包括以下单元,
数据采集单元,用于获取车辆尾气数据;
数据处理单元,用于将车辆尾气数据从相应数据库中导入到excel 或者csv文件,并对数据进行预处理,得到预处理后的尾气数据;
预测模型构建单元,用于构建模型框架,结合机器学习中的神经 网络和支持向量回归两种方法,采用多模型融合方法,融合两种模型 进行尾气浓度反演;
模型训练单元,用于利用预处理好的尾气数据,训练尾气浓度反 演融合模型,神经网络部分用来记忆深层次尾气数据,支持向量回归 用来反演尾气浓度;
尾气浓度预测单元,用于利用训练好的尾气浓度反演融合模型, 输入车辆尾气数据进行尾气浓度预测。
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 (8)
1.一种基于机器学习的机动车尾气浓度预测方法,其特征在于:包括以下步骤,
S1、将车辆尾气数据从相应数据库中导入到excel或者csv文件,并对数据进行预处理,得到预处理后的尾气数据;
S2、构建模型框架,结合机器学习中的神经网络和支持向量回归两种方法,采用多模型融合方法,融合两种模型进行尾气浓度反演;
S3、利用预处理好的尾气数据,训练尾气浓度反演融合模型,神经网络部分用来记忆深层次尾气数据,支持向量回归用来反演尾气浓度;
S4、利用训练好的尾气浓度反演融合模型,输入车辆尾气数据进行尾气浓度预测。
2.根据权利要求1所述的基于机器学习的机动车尾气浓度预测方法,其特征在于:尾气浓度反演模型的建立步骤如下:
(1)确定模型的输入输出:尾气浓度反演融合模型输入为经过预处理之后的尾气数据中的影响显著的尾气特征,包括发动机冷却液温度、发动机转速、发动机燃油消耗以及发动机扭矩这些尾气数据特征;所述尾气浓度反演融合模型的输出为氮氧化物排放量;
(2)确定神经网络的结构:所述尾气浓度反演融合模型包含神经网络结构,采用神经网络结构提取车辆尾气数据深层信息,经过输入层,隐藏层这些多层次结构,通过每层之间的神经元进行加权、求和与转移传输给下一层的神经元,传输方向从输入层开始,沿着隐藏层一直向前,从而完成信息提取和记忆的过程;
(3)确定神经网络的激活函数:所述尾气浓度反演融合模型的神经网络结构中包含激活函数的选择,激活函数用来对每层神经元之间的加权求和值进行转移前的二次转换,防止神经网络的计算值朝着不可预料的方向发展,本模型中选区ReLU函数作为激活函数;
(4)确定支持向量回归的超参数:所述尾气浓度反演融合模型中包含尾气浓度预测部分即支持向量回归子模型,支持向量回归中包括超参数惩罚系数C和核函数的幅宽gamma;
(5)确定损失函数与优化方法:所述尾气浓度反演融合模型的损失函数为预测值与标准值的平均绝对误差,即其中N为训练样本的数量,loss为损失函数值,yi为尾气反演预测浓度值,为尾气的实际浓度值,优化方法采取随机梯度下降,通过反方向传播最终优化模型;
(6)进行交叉验证:所述尾气浓度反演融合模型利用交叉验证来验证模型的性能,交叉验证是把原始数据进行分组,一部分作为训练集,另一部分作为验证集,首先用训练集对分类器进行训练,再利用验证集来测试训练得到的模型,以此来作为评价模型的性能指标。
3.根据权利要求1所述的基于机器学习的机动车尾气浓度预测方法,其特征在于:所述S1中的数据预处理包括缺失数据的填充、无效数据的清洗以及数据的标准化。
4.根据权利要求2所述的基于机器学习的机动车尾气浓度预测方法,其特征在于:所述确定神经网络的激活函数,激活函数ReLU的表达式为:f(x)=max(0,x),表示神经网络只传输大于零的值并引入了非线性。
5.根据权利要求2所述的基于机器学习的机动车尾气浓度预测方法,其特征在于:所述确定支持向量回归的超参数,惩罚系数C表示对模型的宽容度,C越高说明越不能容忍出现误差,容易过拟合;C越小,容易欠拟合,C过大或过小都会使模型泛化能力变差;gamma参数隐含地决定了数据映射到新的特征空间后的分布,gamma越大,支持向量越少,gamma值越小,支持向量越多,支持向量的个数影响训练与预测的速度。
6.根据权利要求1所述的基于机器学习的机动车尾气浓度预测方法,其特征在于:所述交叉验证即利用5折交叉验证的方法,将原始数据均分成5组,将每个子集拘束分别做一次验证集,其余4组子集数据作为训练集,得到5个模型,用这5个模型最终的验证集验证模型的性能。
7.根据权利要求2所述的基于机器学习的机动车尾气浓度预测方法,其特征在于:所述尾气浓度反演融合模型参数确定为超参数为惩罚系数C=100,核函数的幅宽gamma=0.01。
8.一种基于机器学习的机动车尾气浓度预测系统,其特征在于:包括以下单元,
数据采集单元,用于获取车辆尾气数据;
数据处理单元,用于将车辆尾气数据从相应数据库中导入到excel或者csv文件,并对数据进行预处理,得到预处理后的尾气数据;
预测模型构建单元,用于构建模型框架,结合机器学习中的神经网络和支持向量回归两种方法,采用多模型融合方法,融合两种模型进行尾气浓度反演;
模型训练单元,用于利用预处理好的尾气数据,训练尾气浓度反演融合模型,神经网络部分用来记忆深层次尾气数据,支持向量回归用来反演尾气浓度;
尾气浓度预测单元,用于利用训练好的尾气浓度反演融合模型,输入车辆尾气数据进行尾气浓度预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110382766.0A CN113269348B (zh) | 2021-04-09 | 2021-04-09 | 一种基于机器学习的机动车尾气浓度预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110382766.0A CN113269348B (zh) | 2021-04-09 | 2021-04-09 | 一种基于机器学习的机动车尾气浓度预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269348A true CN113269348A (zh) | 2021-08-17 |
CN113269348B CN113269348B (zh) | 2023-05-30 |
Family
ID=77228603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110382766.0A Active CN113269348B (zh) | 2021-04-09 | 2021-04-09 | 一种基于机器学习的机动车尾气浓度预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269348B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115048875A (zh) * | 2022-08-16 | 2022-09-13 | 武汉科技大学 | 基于机动车排放数据的城市大气环境指标预警方法及系统 |
CN115324698A (zh) * | 2022-08-09 | 2022-11-11 | 上海交通大学 | 基于神经网络的柴油机尾气分析传感方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330300A (zh) * | 2017-08-24 | 2017-11-07 | 中国科学技术大学 | 一种基于支持向量回归的车辆尾气浓度反演方法 |
CN107577910A (zh) * | 2017-08-24 | 2018-01-12 | 中国科学技术大学 | 一种基于深层次神经网络的车辆尾气浓度反演方法 |
-
2021
- 2021-04-09 CN CN202110382766.0A patent/CN113269348B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330300A (zh) * | 2017-08-24 | 2017-11-07 | 中国科学技术大学 | 一种基于支持向量回归的车辆尾气浓度反演方法 |
CN107577910A (zh) * | 2017-08-24 | 2018-01-12 | 中国科学技术大学 | 一种基于深层次神经网络的车辆尾气浓度反演方法 |
Non-Patent Citations (1)
Title |
---|
JIE YANG, ETC.: "A Build-In Data Inversion Method to Retrieve Aerosol Size Distributions for a Portable Ultrafine Particles Sizer(PUPS)", 《IEEE ACCESS》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115324698A (zh) * | 2022-08-09 | 2022-11-11 | 上海交通大学 | 基于神经网络的柴油机尾气分析传感方法 |
CN115324698B (zh) * | 2022-08-09 | 2023-06-16 | 上海交通大学 | 基于神经网络的柴油机尾气分析传感方法 |
CN115048875A (zh) * | 2022-08-16 | 2022-09-13 | 武汉科技大学 | 基于机动车排放数据的城市大气环境指标预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113269348B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A hybrid model for prediction in asphalt pavement performance based on support vector machine and grey relation analysis | |
CN113269348A (zh) | 一种基于机器学习的机动车尾气浓度预测方法及系统 | |
CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
CN113538353B (zh) | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 | |
CN113049500A (zh) | 水质检测模型训练和水质检测方法、电子设备及存储介质 | |
CN111177135B (zh) | 一种基于界标的数据填补方法及装置 | |
CN116245373A (zh) | 一种基于深度学习的电力数据质量规则自适应方法 | |
CN117472789B (zh) | 基于集成学习的软件缺陷预测模型构建方法和装置 | |
Yang et al. | Physics-informed multi-state temporal frequency network for RUL prediction of rolling bearings | |
Li et al. | A novel dual attention mechanism combined with knowledge for remaining useful life prediction based on gated recurrent units | |
CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
Wang et al. | Multisensor fault diagnosis via Markov chain and Evidence theory | |
CN114363004B (zh) | 风险评估方法、装置、计算机设备和存储介质 | |
CN116957136A (zh) | 一种基于时序深度学习的路面性能预测方法及装置 | |
CN116910526A (zh) | 模型训练方法、装置、通信设备及可读存储介质 | |
CN115878986A (zh) | 一种变工况轴承的退化趋势评估方法 | |
CN115687330A (zh) | 一种汽车故障码解析方法、存储介质及电子设备 | |
CN115511159A (zh) | 一种基于贝叶斯神经网络的快速路事件检测方法和装置 | |
CN113537010B (zh) | 基于单通道图数据增强和迁移训练残差网络的十五相异步电动机滚动轴承故障诊断方法 | |
CN116304587A (zh) | 一种基于cae和agru的滚动轴承退化趋势预测方法 | |
Yang et al. | An empirical study on optimal solutions selection strategies for effort-aware just-in-time software defect prediction | |
Hafeez et al. | Towards sequential multivariate fault prediction for vehicular predictive maintenance | |
CN116992602B (zh) | 一种基于失效状态表征的可靠性模糊评价方法、电子设备和存储介质 | |
Marei et al. | CNC Machining Centre Thermal Error Prediction from Temperature Sensors Using Autoencoder-Augmented Long Short Term Memory Networks | |
An et al. | Research on transaction optimization strategy based on data analysis of second-hand car trading platform |
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 |