CN114444777A - 用于车辆碳排量识别的人工智能模型应用系统 - Google Patents
用于车辆碳排量识别的人工智能模型应用系统 Download PDFInfo
- Publication number
- CN114444777A CN114444777A CN202111654649.1A CN202111654649A CN114444777A CN 114444777 A CN114444777 A CN 114444777A CN 202111654649 A CN202111654649 A CN 202111654649A CN 114444777 A CN114444777 A CN 114444777A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- carbon emission
- carbon
- date
- artificial intelligence
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—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—Systems or methods specially adapted for 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Abstract
本发明涉及一种用于车辆碳排量识别的人工智能模型应用系统,所述系统包括:初级解析机构以及次级解析机构,用于基于同一工业园区内同一车系的各辆车辆的过往碳排量数据完成深度卷积网络的逐级解析;排放判断设备,用于在判断日期零点将所述各辆车辆在判断日期前一天整天的碳排量数据作为所述网络的多个输入信息以执行所述网络,获得输出的所述车系下每一车辆在判断日期整天对应的碳排量参考值;中和应对设备,用于确定与接收到的碳排量参考值对应的判断日期碳中和策略。通过本发明,能够建立人工智能模型以基于同车系多车辆的历史碳排放数据预测未来日期的同车系单车辆的碳排放数据,从而使得工业园区车辆的碳中和策略达到预期效果。
Description
技术领域
本发明涉及工业园区管理领域,尤其涉及一种用于车辆碳排量识别的人工智能模型应用系统。
背景技术
工业园区是一个国家或区域的政府根据自身经济发展的内在要求,通过行政手段划出一块区域,聚集各种生产要素,在一定空间范围内进行科学整合,提高工业化的集约强度,突出产业特色,优化功能布局,使之成为适应市场竞争和产业升级的现代化产业分工协作生产区。
工业园区是划定一定范围的土地,并先行予以规划,以专供工业设施设置、使用的地区。工业园区的设置,通常是为了促进地方的经济发展而设立。工业园区的用途相当多元,除了工厂、厂办等一般工业设施之外,亦可提供高科技产业使用,甚至有研究机构与学术机构进驻。工业园区如经过妥善的开发,通常会发展成为一个产业聚落。
对于工业园区来说,由于作为一个独立的整体,需要实施各方面的管理操作,例如,需要将工业园区的每天的碳排放量降低到某一个阈值之下,以改善工业园区的生态环境,避免工业园区环境恶化。除了拒绝一些碳排放量较大的产业进入工业园区之外,最大的污染源在于穿梭在工业园区内的各种车辆,这些车辆每天积累的碳排放量是工业园区执行碳中和处理的重要目标。
如果能够在车辆本身完成碳中和处理,将碳排放量抑制在污染源本体,则能够大幅度缩减工业园区的碳中和成本,提升碳中和效果。然而,难点在于这些车辆的车系不同,同时工业园区的道路环境与其他道路环境存在区别,更关键的是,在车辆本身完成碳中和处理时需要提前获知未来日期的车辆本身的碳排放数值,这些因素导致针对工业园区车辆提供的碳中和策略难以实施获知实施效果无法达到预期。
发明内容
为了解决相关领域的技术问题,本发明提供了一种用于车辆碳排量识别的人工智能模型应用系统,能够针对工业园区车辆提供的碳中和策略难以实施的各项难点分别制定了相应的应对措施,例如对车辆进行车系管理,针对仅仅行驶在工业园区内部的车辆执行碳中和策略的智能化解析,还建立人工智能模型以基于同车系多车辆的历史碳排放数据预测未来日期的同车系单车辆的碳排放数据,从而使得工业园区车辆的碳中和策略达到预期效果。
相比较于现有技术,本发明至少需要具备以下三处突出的实质性特点:
(1)将仅仅行驶在同一工业园区内部的同一车系的各辆车辆作为预测对象,建立人工智能模型以基于各辆车辆的历史碳排放数据智能解析判断日期的所述车系下每一车辆的碳排放数据,所述人工智能模型的模型参数与所述各辆车辆的数量相关以完成对所述人工智能模型的定制处理;
(2)针对所述车系的单辆车辆,基于接收到的判断日期的碳排放数据预测所述车辆在判断日期的碳中和策略,其中,所述碳排量数据的数值越大,执行的二氧化碳吸附强度越高;
(3)引入中和应对设备、多个吸附滤网以及网体驱动设备具体实施所述车系的单辆车辆的碳中和策略,所述多个吸附滤网设置在所述车系的每一车辆的排气管口,每一个吸附滤网在竖立状态下执行对排气管口排放的二氧化碳的吸附动作,在横卧状态下暂停执行对排气管口排放的二氧化碳的吸附动作。
根据本发明的第一方面,提供了一种用于车辆碳排量识别的人工智能模型应用系统,所述系统包括:
分布采集机构,采用分别布置在同一工业园区内同一车系的各辆车辆上的数据采集装置以分别采集所述各辆车辆在某一日期整天的碳排量数据;
内容捕获机构,与所述分布采集机构连接,用于获取所述各辆车辆在某一日期次日整天的碳排量数据,并对所述各辆车辆在某一日期次日整天的碳排量数据执行均值计算以获得所述工业园区环境下所述车系的碳排量参考值;
初级解析机构,分别与所述分布采集机构和所述内容捕获机构连接,用于将所述各辆车辆在某一日期整天的碳排量数据作为深度卷积网络的多个输入信息,将所述车系下每一车辆在某一日期次日整天对应的碳排量参考值作为深度卷积网络的单个输出信息,以完成深度卷积网络的初级解析处理;
次级解析机构,与所述初级解析机构连接,用于基于所述各辆车辆的历史碳排量数据和历史碳排量参考值执行对所述深度卷积网络的设定次数的多次训练处理,以完成深度卷积网络的次级解析处理;
排放判断设备,与所述次级解析机构连接,用于在判断日期零点将所述各辆车辆在判断日期前一天整天的碳排量数据作为完成次级解析处理的深度卷积网络的多个输入信息以执行完成次级解析处理的深度卷积网络,获得输出的所述车系下每一车辆在判断日期整天对应的碳排量参考值;
中和应对设备,与所述排放判断设备连接,设置在所述车系的每一车辆上,用于确定与接收到的判断日期整天对应的碳排量参考值对应的判断日期碳中和策略;
其中,选择的所述设定次数的数值与所述各辆车辆的数量呈现单调正向关联关系;
其中,确定与接收到的判断日期整天对应的碳排量参考值对应的判断日期碳中和策略包括:接收到的判断日期整天对应的碳排量参考值数值越大,执行的二氧化碳吸附强度越高。
根据本发明的第二方面,提供了一种用于车辆碳排量识别的人工智能模型应用方法,所述方法包括使用如上述的用于车辆碳排量识别的人工智能模型应用平台以针对同一工业园区内同一车系的各辆车辆基于历史碳排放数据智能解析判断日期的所述车系下每一车辆的碳排放数据进而为车辆在判断日期的碳中和应对准备基础信息。
根据本发明的第三方面,提供了一种计算机可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序在被执行时实现如上述的用于车辆碳排量识别的人工智能模型应用方法的各个步骤。
附图说明
以下将结合附图对本发明的实施方案进行描述,其中:
图1为根据本发明的用于车辆碳排量识别的人工智能模型应用系统的技术流程图。
图2为根据本发明的实施例1示出的用于车辆碳排量识别的人工智能模型应用系统的结构示意图。
图3为根据本发明的实施例2示出的用于车辆碳排量识别的人工智能模型应用系统的结构示意图。
图4为根据本发明的实施例3示出的用于车辆碳排量识别的人工智能模型应用系统的结构示意图。
图5为根据本发明的实施例4示出的用于车辆碳排量识别的人工智能模型应用系统的结构示意图。
图6为根据本发明的实施例6示出的计算机可读存储介质的示意图。
具体实施方式
工业的快速发展,加剧了生态环境的恶化;工业的规模化生产,使地球的有限资源变得越来越稀缺。生态经济的不断发展则要求人们在追求经济效益的同时,兼顾与生态效益、社会效益的和谐统一。于是,人们开始对现行的工业体系产生了质疑,是否可以模仿自然生态系统,使工业生态系统在其生产过程中提高资源利用率,同时减少废物的产量。1990年,在英国工程师协会的报告会中对工业生态系统提出了新的见解,“工业生态系统的概念与生物生态系统概念之间的类比不一定完美无缺,但如果工业体系模仿生物界的运行规则,人类将受益无穷”。现代工业园区及各类产业园区的规划设计更加注重整体的环境景观及企业形象展示,这既是企业走向国际化的需求,也是城市发展对工业园区的必然要求。
对应每一个工业园区来说,碳中和是提升工业园区整体的环境景观,营造良好的生态环境的一个有效手段。目前,工业园区碳排放总量较高的污染源是可以预期的,例如,行驶在工业园区内的各种车辆,但是,这些车辆由于车系不同、工业园区行驶环境与其他行驶环境不同以及需要提前获取车辆碳排放数据以便于配置相应碳中和策略这些难点,导致针对行驶在工业园区内的各种车辆的碳中和策略缺乏有价值的基础数据。
为了解决上述技术问题,本发明搭建了一种用于车辆碳排量识别的人工智能模型应用系统,分别从车系不同、工业园区行驶环境与其他行驶环境不同以及需要提前获取车辆碳排放数据以便于配置相应碳中和策略这些难点出发,建立针对性的人工智能模型以及碳中和实施机制完成对这些难点的逐项解决,从而提升了工业园区整体的碳中和效果。
如图1所示,给出了根据本发明示出的用于车辆碳排量识别的人工智能模型应用系统的技术流程图。
首先,采集用于执行未来日期单车辆碳排放数据预测的人工智能模型的准备数据,所述准备数据包括仅仅行驶在同一工业园区内部的同一车系的各辆车辆的预测日期碳排量数据和预测日期次日碳排量参考值,所述模型的输入信息的数量与所述各辆车辆的数量呈现单调正向关联关系;
其次,采用所述准备数据完成对所述人工智能模型的搭建和多次训练,以解析出可以执行未来日期同车系单车辆碳排放数据预测的人工智能模型,所述人工智能模型为定制的深度卷积网络,所述深度卷积网络包括多个隐层,所述工业园区的占地面积越大,所述隐层的数量越多;
最后,利用所述人工智能模型完成对未来日期同车系单车辆碳排放数据的预测,并基于预测的碳排放数据确定单车辆的碳中和策略,碳排放数据的数值越大,单车辆本车执行的二氧化碳吸附强度越高,从而在污染源端实现了有效的碳中和处理,维护了整个工业园区良好的生态环境;
其中,引入多个吸附滤网以具体实施单车辆本车的碳中和策略,所述多个吸附滤网设置在所述车系的每一车辆的排气管口,每一个吸附滤网在竖立状态下执行对排气管口排放的二氧化碳的吸附动作,在横卧状态下暂停执行对排气管口排放的二氧化碳的吸附动作。
本发明的关键点在于,能够针对工业园区车辆提供的碳中和策略难以实施的各项难点分别制定了相应的应对措施,例如对车辆进行车系管理,针对仅仅行驶在工业园区内部的车辆执行碳中和策略的智能化解析,尤为重要的是,还建立了人工智能模型以基于同车系多车辆的历史碳排放数据预测未来日期的同车系单车辆的碳排放数据,从而完成对未来日期的同车系单车辆的碳中和策略的提前配置,避免工业园区生态环境不断恶化。
下面,将对本发明的用于车辆碳排量识别的人工智能模型应用系统以实施例的方式进行具体说明。
实施例1
图2为根据本发明的实施例1示出的用于车辆碳排量识别的人工智能模型应用系统的结构示意图。如图2所示,所述用于车辆碳排量识别的人工智能模型应用系统包括以下部件:
分布采集机构,采用分别布置在同一工业园区内同一车系的各辆车辆上的数据采集装置以分别采集所述各辆车辆在某一日期整天的碳排量数据;
内容捕获机构,与所述分布采集机构连接,用于获取所述各辆车辆在某一日期次日整天的碳排量数据,并对所述各辆车辆在某一日期次日整天的碳排量数据执行均值计算以获得所述工业园区环境下所述车系的碳排量参考值;
初级解析机构,分别与所述分布采集机构和所述内容捕获机构连接,用于将所述各辆车辆在某一日期整天的碳排量数据作为深度卷积网络的多个输入信息,将所述车系下每一车辆在某一日期次日整天对应的碳排量参考值作为深度卷积网络的单个输出信息,以完成深度卷积网络的初级解析处理;
次级解析机构,与所述初级解析机构连接,用于基于所述各辆车辆的历史碳排量数据和历史碳排量参考值执行对所述深度卷积网络的设定次数的多次训练处理,以完成深度卷积网络的次级解析处理;
排放判断设备,与所述次级解析机构连接,用于在判断日期零点将所述各辆车辆在判断日期前一天整天的碳排量数据作为完成次级解析处理的深度卷积网络的多个输入信息以执行完成次级解析处理的深度卷积网络,获得输出的所述车系下每一车辆在判断日期整天对应的碳排量参考值;
其中,对于传统的神经网络来说,所有的数据是一股脑计算的,因而不仅计算量大,还会出现过拟合的现象,而深度卷积网络的意思就是先进行特征提取,再进行运算,总的来说,深度卷积网络分为三个层:卷积层、池化层、全连接层。
在所述深度卷积网络中,各个层的具体功能如下所述。卷积层的功能:利用卷积核进行计算,计算的目的是得到特征值,这些特征值将构成一个特征图。池化层的功能:最简单的功能层,他是一种对特征图进行优化的函数,常被提到的Relu函数为:F(x)=max(0,x),他的功能是把特征值中大于0的数保留下来,其余全部变成零。全连接层:这一层和经典的神经网络原理大致一样,他用于输出一个结果函数,其工作原理基于上述的卷积和池化层。
中和应对设备,与所述排放判断设备连接,设置在所述车系的每一车辆上,用于确定与接收到的判断日期整天对应的碳排量参考值对应的判断日期碳中和策略;
其中,选择的所述设定次数的数值与所述各辆车辆的数量呈现单调正向关联关系;
其中,确定与接收到的判断日期整天对应的碳排量参考值对应的判断日期碳中和策略包括:接收到的判断日期整天对应的碳排量参考值数值越大,执行的二氧化碳吸附强度越高;
其中,接收到的判断日期整天对应的碳排量参考值数值越大,执行的二氧化碳吸附强度越高包括:执行的二氧化碳吸附强度中,每单位时间吸附的二氧化碳的最大体积与接收到的判断日期整天对应的碳排量参考值呈正向关联关系。
实施例2
图3为根据本发明的实施例2示出的用于车辆碳排量识别的人工智能模型应用系统的结构示意图。如图3所示,相比较于本发明的实施例1,所述用于车辆碳排量识别的人工智能模型应用系统还包括:
多个吸附滤网,设置在所述车系的每一车辆的排气管口,每一个吸附滤网在竖立状态下执行对排气管口排放的二氧化碳的吸附动作,在横卧状态下暂停执行对排气管口排放的二氧化碳的吸附动作。
实施例3
图4为根据本发明的实施例3示出的用于车辆碳排量识别的人工智能模型应用系统的结构示意图。如图4所示,相比较于本发明的实施例2,所述用于车辆碳排量识别的人工智能模型应用系统还包括:
网体驱动设备,分别与所述多个吸附滤网和所述中和应对设备连接,用于基于接收到的判断日期整天对应的碳排量参考值确定所述多个吸附滤网中处于竖立状态下的吸附滤网数量;
其中,接收到的判断日期整天对应的碳排量参考值数值越大,执行的二氧化碳吸附强度越高包括:接收到的判断日期整天对应的碳排量参考值数值越大,确定的所述多个吸附滤网中处于竖立状态下的吸附滤网数量越多;
其中,接收到的判断日期整天对应的碳排量参考值数值越大,确定的所述多个吸附滤网中处于竖立状态下的吸附滤网数量越多包括:确定的所述多个吸附滤网中处于竖立状态下的吸附滤网数量与接收到的判断日期整天对应的碳排量参考值数值成正比。
实施例4
图5为根据本发明的实施例4示出的用于车辆碳排量识别的人工智能模型应用系统的结构示意图。如图5所示,相比较于本发明的实施例1,所述用于车辆碳排量识别的人工智能模型应用系统还包括:
信号交互机构,包括设置在所述车系的每一车辆上的第一通信接口以及设置在所述工业园区的管理服务器处的第二通信接口;
其中,所述内容捕获机构、所述初级解析机构、所述次级解析机构以及所述排放判断设备设置在所述工业园区的管理服务器处;
其中,所述第一通信接口分别与所述内容捕获机构以及所述排放判断设备电性连接,同时与所述第二通信接口建立双向的无线通信链路;
其中,所述第一通信接口分别与所述内容捕获机构以及所述排放判断设备电性连接,同时与所述第二通信接口建立双向的无线通信链路包括:所述第一通信接口与所述第二通信接口建立的双向的无线通信链路为时分双工通信链路或者频分双工通信链路;
其中,所述第二通信接口分别与所述分布采集机构以及所述中和应对设备电性连接。
在上述实施例的任一实施例中,可选地,在所述用于车辆碳排量识别的人工智能模型应用系统中:
将所述各辆车辆在某一日期整天的碳排量数据作为深度卷积网络的多个输入信息,将所述车系下每一车辆在某一日期次日整天对应的碳排量参考值作为深度卷积网络的单个输出信息,以完成深度卷积网络的初级解析处理包括:所述深度卷积网络包括多个隐层,所述工业园区的占地面积越大,所述隐层的数量越多;
其中,所述深度卷积网络包括多个隐层,所述工业园区的占地面积越大,所述隐层的数量越多包括:所述隐层的数量与所述工业园区的占地面积成正比;
其中,将所述各辆车辆在某一日期整天的碳排量数据作为深度卷积网络的多个输入信息,将所述车系下每一车辆在某一日期次日整天对应的碳排量参考值作为深度卷积网络的单个输出信息,以完成深度卷积网络的初级解析处理还包括:所述深度卷积网络还包括单个输入层和单个输出层,所述多个隐层位于所述单个输入层和所述单个输出层之间。
在上述实施例的任一实施例中,可选地,在所述用于车辆碳排量识别的人工智能模型应用系统中:
采用分别布置在同一工业园区内同一车系的各辆车辆上的数据采集装置以分别采集所述各辆车辆在某一日期整天的碳排量数据包括:被采集碳排量数据的每一车辆被配置为仅仅在所述工业园区内部行驶的车辆。
以及在上述实施例的任一实施例中,可选地,在所述用于车辆碳排量识别的人工智能模型应用系统中还可以包括:
同步控制部件,分别与所述内容捕获机构、所述初级解析机构、所述次级解析机构以及所述排放判断设备连接;
其中,所述同步控制部件用于分别实现所述内容捕获机构、所述初级解析机构、所述次级解析机构以及所述排放判断设备的两两部件的同步控制。
实施例5
在本实施例中,本发明搭建了一种用于车辆碳排量识别的人工智能模型应用方法,所述方法包括使用如上述的用于车辆碳排量识别的人工智能模型应用平台以针对同一工业园区内同一车系的各辆车辆基于历史碳排放数据智能解析判断日期的所述车系下每一车辆的碳排放数据进而为车辆在判断日期的碳中和应对准备基础信息。
实施例6
图6为根据本发明的实施例6示出的计算机可读存储介质的示意图。如图6所示,根据本公开实施例的计算机可读存储介质60,其上存储有非暂时性计算机可读指令61。当该非暂时性计算机可读指令61由处理器运行时,执行前述的本发明的实施例5的用于车辆碳排量识别的人工智能模型应用方法的全部或部分步骤。
另外,所述用于车辆碳排量识别的人工智能模型应用系统还可以包括并行通信机构,设置在所述工业园区的管理服务器处,分别与所述内容捕获机构、所述初级解析机构、所述次级解析机构以及所述排放判断设备连接;
其中,所述并行通信机构用于实现所述内容捕获机构、所述初级解析机构、所述次级解析机构以及所述排放判断设备两两之间的并行数据交互;
其中,采用分别布置在同一工业园区内同一车系的各辆车辆上的数据采集装置以分别采集所述各辆车辆在某一日期整天的碳排量数据包括:针对每一辆车辆,使用分时模式采用布置在本车上的数据采集装置以分别采集本车在某一日期整天的各个时间分段的碳排量数据;
其中,采用分别布置在同一工业园区内同一车系的各辆车辆上的数据采集装置以分别采集所述各辆车辆在某一日期整天的碳排量数据包括:针对每一辆车辆,将分别采集的本车在某一日期整天的各个时间分段的碳排量数据累计以获得本车在某一日期整天的碳排量数据。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种用于车辆碳排量识别的人工智能模型应用系统,其特征在于,所述系统包括:
分布采集机构,采用分别布置在同一工业园区内同一车系的各辆车辆上的数据采集装置以分别采集所述各辆车辆在某一日期整天的碳排量数据;
内容捕获机构,与所述分布采集机构连接,用于获取所述各辆车辆在某一日期次日整天的碳排量数据,并对所述各辆车辆在某一日期次日整天的碳排量数据执行均值计算以获得所述工业园区环境下所述车系的碳排量参考值;
初级解析机构,分别与所述分布采集机构和所述内容捕获机构连接,用于将所述各辆车辆在某一日期整天的碳排量数据作为深度卷积网络的多个输入信息,将所述车系下每一车辆在某一日期次日整天对应的碳排量参考值作为深度卷积网络的单个输出信息,以完成深度卷积网络的初级解析处理;
次级解析机构,与所述初级解析机构连接,用于基于所述各辆车辆的历史碳排量数据和历史碳排量参考值执行对所述深度卷积网络的设定次数的多次训练处理,以完成深度卷积网络的次级解析处理;
排放判断设备,与所述次级解析机构连接,用于在判断日期零点将所述各辆车辆在判断日期前一天整天的碳排量数据作为完成次级解析处理的深度卷积网络的多个输入信息以执行完成次级解析处理的深度卷积网络,获得输出的所述车系下每一车辆在判断日期整天对应的碳排量参考值;
中和应对设备,与所述排放判断设备连接,设置在所述车系的每一车辆上,用于确定与接收到的判断日期整天对应的碳排量参考值对应的判断日期碳中和策略;
其中,选择的所述设定次数的数值与所述各辆车辆的数量呈现单调正向关联关系;
其中,确定与接收到的判断日期整天对应的碳排量参考值对应的判断日期碳中和策略包括:接收到的判断日期整天对应的碳排量参考值数值越大,执行的二氧化碳吸附强度越高。
2.如权利要求1所述的用于车辆碳排量识别的人工智能模型应用系统,其特征在于,所述系统还包括:
多个吸附滤网,设置在所述车系的每一车辆的排气管口,每一个吸附滤网在竖立状态下执行对排气管口排放的二氧化碳的吸附动作,在横卧状态下暂停执行对排气管口排放的二氧化碳的吸附动作。
3.如权利要求2所述的用于车辆碳排量识别的人工智能模型应用系统,其特征在于,所述系统还包括:
网体驱动设备,分别与所述多个吸附滤网和所述中和应对设备连接,用于基于接收到的判断日期整天对应的碳排量参考值确定所述多个吸附滤网中处于竖立状态下的吸附滤网数量;
其中,接收到的判断日期整天对应的碳排量参考值数值越大,执行的二氧化碳吸附强度越高包括:接收到的判断日期整天对应的碳排量参考值数值越大,确定的所述多个吸附滤网中处于竖立状态下的吸附滤网数量越多。
4.如权利要求1所述的用于车辆碳排量识别的人工智能模型应用系统,其特征在于,所述系统还包括:
信号交互机构,包括设置在所述车系的每一车辆上的第一通信接口以及设置在所述工业园区的管理服务器处的第二通信接口;
其中,所述内容捕获机构、所述初级解析机构、所述次级解析机构以及所述排放判断设备设置在所述工业园区的管理服务器处;
其中,所述第一通信接口分别与所述内容捕获机构以及所述排放判断设备电性连接,同时与所述第二通信接口建立双向的无线通信链路;
其中,所述第二通信接口分别与所述分布采集机构以及所述中和应对设备电性连接。
5.如权利要求1-4任一所述的用于车辆碳排量识别的人工智能模型应用系统,其特征在于:
将所述各辆车辆在某一日期整天的碳排量数据作为深度卷积网络的多个输入信息,将所述车系下每一车辆在某一日期次日整天对应的碳排量参考值作为深度卷积网络的单个输出信息,以完成深度卷积网络的初级解析处理包括:所述深度卷积网络包括多个隐层,所述工业园区的占地面积越大,所述隐层的数量越多。
6.如权利要求5所述的用于车辆碳排量识别的人工智能模型应用系统,其特征在于:
所述深度卷积网络包括多个隐层,所述工业园区的占地面积越大,所述隐层的数量越多包括:所述隐层的数量与所述工业园区的占地面积成正比。
7.如权利要求6所述的用于车辆碳排量识别的人工智能模型应用系统,其特征在于:
将所述各辆车辆在某一日期整天的碳排量数据作为深度卷积网络的多个输入信息,将所述车系下每一车辆在某一日期次日整天对应的碳排量参考值作为深度卷积网络的单个输出信息,以完成深度卷积网络的初级解析处理还包括:所述深度卷积网络还包括单个输入层和单个输出层,所述多个隐层位于所述单个输入层和所述单个输出层之间。
8.如权利要求1-4任一所述的用于车辆碳排量识别的人工智能模型应用系统,其特征在于:
采用分别布置在同一工业园区内同一车系的各辆车辆上的数据采集装置以分别采集所述各辆车辆在某一日期整天的碳排量数据包括:被采集碳排量数据的每一车辆被配置为仅仅在所述工业园区内部行驶的车辆。
9.一种用于车辆碳排量识别的人工智能模型应用方法,所述方法包括使用如权利要求1-8任一所述的用于车辆碳排量识别的人工智能模型应用平台以针对同一工业园区内同一车系的各辆车辆基于历史碳排放数据智能解析判断日期的所述车系下每一车辆的碳排放数据进而为车辆在判断日期的碳中和应对准备基础信息。
10.一种计算机可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序在被执行时实现如权利要求9所述方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111654649.1A CN114444777B (zh) | 2021-12-31 | 2021-12-31 | 用于车辆碳排量识别的人工智能模型应用系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111654649.1A CN114444777B (zh) | 2021-12-31 | 2021-12-31 | 用于车辆碳排量识别的人工智能模型应用系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114444777A true CN114444777A (zh) | 2022-05-06 |
CN114444777B CN114444777B (zh) | 2022-12-02 |
Family
ID=81365891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111654649.1A Active CN114444777B (zh) | 2021-12-31 | 2021-12-31 | 用于车辆碳排量识别的人工智能模型应用系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114444777B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187788A (zh) * | 2023-05-04 | 2023-05-30 | 江苏智能低碳科技发展有限公司 | 用于厂区的能碳管理算法应用平台 |
CN116611786A (zh) * | 2023-05-21 | 2023-08-18 | 泰州市云水垚工程科技有限公司 | 基于人工智能的污水处理策略调节系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004157716A (ja) * | 2002-11-06 | 2004-06-03 | Mitsubishi Heavy Ind Ltd | 二酸化炭素排出量管理システム |
CN109190211A (zh) * | 2018-08-17 | 2019-01-11 | 中国科学院地理科学与资源研究所 | 一种核定区域排放空间的方法 |
CN111292526A (zh) * | 2020-01-16 | 2020-06-16 | 深圳市元征科技股份有限公司 | 车辆限行策略的调整方法、装置、服务器及存储介质 |
CN111445060A (zh) * | 2020-03-06 | 2020-07-24 | 华南理工大学珠海现代产业创新研究院 | 一种社区碳排放监测和预测系统及方法 |
CN113239314A (zh) * | 2021-04-09 | 2021-08-10 | 国网河北省电力有限公司沧州供电分公司 | 用于碳排放量预测的方法、装置、终端及计算机可读存储介质 |
-
2021
- 2021-12-31 CN CN202111654649.1A patent/CN114444777B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004157716A (ja) * | 2002-11-06 | 2004-06-03 | Mitsubishi Heavy Ind Ltd | 二酸化炭素排出量管理システム |
CN109190211A (zh) * | 2018-08-17 | 2019-01-11 | 中国科学院地理科学与资源研究所 | 一种核定区域排放空间的方法 |
CN111292526A (zh) * | 2020-01-16 | 2020-06-16 | 深圳市元征科技股份有限公司 | 车辆限行策略的调整方法、装置、服务器及存储介质 |
CN111445060A (zh) * | 2020-03-06 | 2020-07-24 | 华南理工大学珠海现代产业创新研究院 | 一种社区碳排放监测和预测系统及方法 |
CN113239314A (zh) * | 2021-04-09 | 2021-08-10 | 国网河北省电力有限公司沧州供电分公司 | 用于碳排放量预测的方法、装置、终端及计算机可读存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187788A (zh) * | 2023-05-04 | 2023-05-30 | 江苏智能低碳科技发展有限公司 | 用于厂区的能碳管理算法应用平台 |
CN116611786A (zh) * | 2023-05-21 | 2023-08-18 | 泰州市云水垚工程科技有限公司 | 基于人工智能的污水处理策略调节系统 |
CN116611786B (zh) * | 2023-05-21 | 2024-01-12 | 深圳市翔之林环保技术有限公司 | 基于人工智能的污水处理策略调节系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114444777B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114444777B (zh) | 用于车辆碳排量识别的人工智能模型应用系统 | |
CN106503840A (zh) | 停车场可用车位预测方法及系统 | |
CN110930705B (zh) | 一种路口交通决策系统、方法及设备 | |
CN109376906B (zh) | 基于多维度轨迹的出行时间预测方法、系统及电子设备 | |
CN111275962B (zh) | 车辆轨迹数据聚集效应预测方法及装置 | |
CN104050319B (zh) | 一种实时在线验证复杂交通控制算法的方法 | |
CN101419623B (zh) | 地理模拟优化系统 | |
CN113885398B (zh) | 一种基于可微推理的水循环智能感知与监控系统 | |
CN106301825A (zh) | Dpi规则的生成方法及装置 | |
CN106295351A (zh) | 一种风险识别方法及装置 | |
CN113139511B (zh) | 水土保持生产建设项目扰动图斑提取方法、介质和设备 | |
CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
CN104778355B (zh) | 基于广域分布交通系统的异常轨迹检测方法 | |
Krämer et al. | Domain-Specific Languages For Agile Urban Policy Modelling. | |
Leprêtre et al. | Fitness landscapes analysis and adaptive algorithms design for traffic lights optimization on SIALAC benchmark | |
CN117076922A (zh) | 城际出行od需求量预测模型训练方法、预测方法及系统 | |
Kumar et al. | Deep reinforcement learning with vehicle heterogeneity based traffic light control for intelligent transportation system | |
Liang et al. | New technology brings new opportunity for telecommunication carriers: Artificial intelligent applications and practices in telecom operators | |
CN113240073B (zh) | 基于深度学习的智能决策系统及方法 | |
CN113378306B (zh) | 交通控制方法、装置、电子设备及计算机可读存储介质 | |
Cabecinha et al. | A multi-scale approach to modelling spatial and dynamic ecological patterns for reservoir's water quality management | |
CN111881232A (zh) | 一种红绿灯的语义关联车道获取方法和装置 | |
CN107248118A (zh) | 数据挖掘方法、装置和系统 | |
Myeong et al. | How to Integrate the Data-based Strategies and Advanced Technologies into Efficient Air Pollution Management in Smart Cities? | |
CN112801372B (zh) | 数据处理方法、装置、电子设备和可读存储介质 |
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 |