CN114880626B - 一种获取地理区域内异常车辆的数据处理系统 - Google Patents
一种获取地理区域内异常车辆的数据处理系统 Download PDFInfo
- Publication number
- CN114880626B CN114880626B CN202210755429.6A CN202210755429A CN114880626B CN 114880626 B CN114880626 B CN 114880626B CN 202210755429 A CN202210755429 A CN 202210755429A CN 114880626 B CN114880626 B CN 114880626B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- pollutant
- list
- geographic area
- target
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 title claims abstract description 10
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 89
- 231100000719 pollutant Toxicity 0.000 claims abstract description 89
- 238000004590 computer program Methods 0.000 claims abstract description 8
- 239000000356 contaminant Substances 0.000 claims description 14
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000002547 anomalous effect Effects 0.000 claims description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 2
- 238000011109 contamination Methods 0.000 claims description 2
- 229930195733 hydrocarbon Natural products 0.000 claims description 2
- 150000002430 hydrocarbons Chemical class 0.000 claims description 2
- 238000000034 method Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 9
- 239000002245 particle Substances 0.000 description 5
- 238000007599 discharging Methods 0.000 description 3
- 239000013618 particulate matter Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002904 solvent Substances 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
- 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
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Economics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
Abstract
本发明提供了一种获取地理区域内异常车辆的数据处理系统,包括:数据库,处理器和存储有计算机程序的存储器,其中,所述数据库包括初始车辆ID、初始车辆ID对应的车辆速度、初始车辆ID对应的污染物排放量,处理器执行计算机程序,实现以下步骤:通过建立污染概率模型且污染概率模型,得到准确性高的目标污染概率模型,使得对于无法通过OBD系统获取车辆污染物排放量的车辆,只需将车辆的类型和车辆速度输入至目标污染概率模型中进而获取到该车辆是否为异常车辆,有利于进一步确定异常车辆是否为污染源,避免对异常车辆的遗漏。
Description
技术领域
本发明涉及交通领域,具体涉及一种获取地理区域内异常车辆的数据处理系统。
背景技术
随着科技的进步与发展,人们的出行与运输通常使用格式各样的车辆,车辆行驶会产生污染物并排放到空气中,对空气造成污染,其中部分车辆排放的污染物含量在正常排放要求的范围内,这部分车辆不构成污染源,另外部分车辆排放的污染物超过了正常要求的范围,这部分车辆则构成污染源,即为异常车辆。
目前,用户通常使用车载诊断系统即OBD系统确定构成污染源的车辆,然而部分车辆为了逃避检查选择不在车辆上安装OBD系统或者自行将OBD系统拆卸下来,用户并不能从OBD系统中确定所有构成污染源的车辆,确定异常车辆的工作难度很大。
发明内容
针对上述技术问题,本发明采用的技术方案为:一种获取地理区域内异常车辆的数据处理系统,包括:数据库,处理器和存储有计算机程序的存储器,其中,所述数据库包括初始车辆ID、初始车辆ID对应的车辆速度、初始车辆ID对应的污染物排放量,当所述计算机程序被处理器执行时,实现以下步骤:
S100、在目标时间段内,从数据库中获取第一车辆ID列表A={A1,A2,……,An}和第二车辆ID列表B={B1,B2,……,Bm},其中,Ai是指第i个第一类车辆ID,i=1……n,n为在目标地理区域内第一类车辆ID数量,Bj是指第j个第二类车辆ID,j=1……m,m为在目标地理区域内第二类车辆ID数量;
S200、获取Ai对应的第一污染物列表和Ai对应的第二污染物列表,并基于Ai对应的第一污染物列表和Ai对应的第二污染物列表,获取目标污染物模型;
S300、在所述目标地理区域内的,获取B对应的车辆速度列表V'={V'1,V'2,……,V'm},其中,V'j是指Bj对应的车辆速度;
S400、将V'j和Bj对应的车辆类型输入至所述目标污染概率模型中,获取Bj对应的污染概率F'j;
S500、当F'j≥预设概率阈值F0时,确定Bj对应的初始车辆为异常车辆。
本发明至少具有以下技术效果:通过建立污染概率模型且污染概率模型,得到准确性高的目标污染概率模型,使得对于无法通过OBD系统获取车辆污染物排放量的车辆,只需将车辆的类型和车辆速度输入至目标污染概率模型中进而获取到该车辆是否为异常车辆,有利于进一步确定异常车辆是否为污染源,避免对异常车辆的遗漏。
同时,通过获取关键地理区域ID列表和关键地理区域ID列表中任一关键地理区域对应的相关地理区域ID列表;在时间节点下,获取预设时间间隔下的关键地理区域对应的区域污染物排放量差,确定关键地理区域为正常地理区域或者为异常地理区域;可知,本发明一方面能够实现划分出不同的地理区域,确定任一地理区域的污染物含量时,通过该地理区域内的车辆污染物的排放量和该地理区域的相邻地理区域的污染物含量,将相邻地理区域的污染物含量作为影响因素,准确的确定出异常地理区域,另一方面,也可以判断出车辆排放量对该地理区域是否造成污染。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的获取地理区域内异常车辆的数据处理系统中处理器执行的流程图;
图2为本发明另一实施例提供的获取地理区域内异常车辆的数据处理系统中处理器执行的流程图。
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,所描述的实施例仅仅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作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。
实施例一
本实施例一提供了一种获取地理区域内异常车辆的数据处理系统,所述系统包括:数据库,处理器和存储有计算机程序的存储器,其中,所述数据库包括初始车辆ID、初始车辆ID对应的车辆速度、初始车辆ID对应的污染物排放量,当所述计算机程序被处理器执行时,实现以下步骤,如图1所示:
S100、在目标时间段内,从数据库中获取第一车辆ID列表A={A1,A2,……,An}和第二车辆ID列表B={B1,B2,……,Bm},其中,Ai是指第i个第一类车辆ID,i=1……n,n为在目标地理区域内第一类车辆ID数量,Bj是指第j个第二类车辆ID,j=1……m,m为在目标地理区域内第二类车辆ID数量。
具体地,所述目标时间段的取值范围为1~3天,优选地,所述目标时间段为1天。
具体地,所述初始车辆ID为表征初始车辆身份的唯一标识,其中,在S100步骤中所述初始车辆可以理解为在目标时间段内的任一车辆。
进一步地,所述第一类车辆ID是指安装了OBD系统的初始车辆对应的初始车辆ID。
进一步地,所述第二类车辆ID是指未安装了OBD系统的初始车辆对应的初始车辆ID。
具体地,所述目标地理区域可以根据实际需求进行设置地理区域,例如,所述预设地理区域为街道、小区等。
S200、获取Ai对应的第一污染物列表和Ai对应的第二污染物列表,并基于Ai对应的第一污染物列表和Ai对应的第二污染物列表,获取目标污染物模型。
具体地,在S200步骤中还包括如下步骤:
S201、获取Ai对应的第一污染物列表Ci={Ci1,Ci2,……,Cis},其中,Cir是指在Ai对应的第一类污染物排放量中第r种污染物的排放量,r=1……s,s为污染物种类数量。
具体地,所述第一类污染物排放量是指基于车辆速度确定出的车辆对应的污染物排放量,可以理解为:在所述目标地理区域内的,获取A对应的车辆速度列表V={V1,V2,……,Vn},其中,Vi是指Ai对应的车辆速度,可以理解为第一类车辆ID对应的初始车辆在目标地理区域内的平均车速,本领域技术人员知晓获取车辆的平均车速的方法,在此不再赘述。
优选地,s=4,即所述污染物种类包括一氧化碳、一氧化氮、碳氢化合物和PM2.5,其中,在一个具体的实施例中,所述方法还包括如下步骤:
S1001、将目标地理区域对应的污染物数据转化成M×N的矩阵数据且将M×N的矩阵数据作为目标污染物数据;
S1003、将目标污染物数据输入至PMF源解析模型中,获取目标地理区域对应的PM2.5污染源;本领域技术人员知晓通过PMF源解析模型确定污染源的过程,能够准确的知晓目标地理区域中PM2.5中颗粒物类型,进而对于后续跟进污染物的类型确定车。
进一步地,PMF源解析模型中的污染物优化值Q,Q符合如下条件:
,其中,eab是指第a个污染物数据对应的样品中第b种无机
组分的残差,uab表示第a个污染物数据对应的样品中第b种无机组分的标准差,本领域技术
人员可以知晓确定污染物数据对应的样品中无机组分的残差和准差的方法,在此不再赘
述;可以理解为:Q的目的是优化PMF源解析模型,使得对PM2.5的污染源确定准确,其中,本
领域技术人员知晓,污染物数据对应的样品是预先采集的。
S203、根据Ci输入至预设污染物概率模型中,获取Ai对应的污染概率值Fi,Fi符合如下条件:
进一步地,Hi符合如下条件:
进一步地,H0符合如下条件:
在一个具体的实施例中,所述方法还包括如下步骤获取C0 q:
S2031、在预设时间段内,获取关键车辆类型列表D={D1,D2,……,Dp},Dq={Dq1,Dq2,……,Dqz},其中,Dqt是指第q车辆类型的第t个初始车辆的关键污染物排放量,q=1……p,p为车辆类型数量,t=1……z,z为初始车辆数量。
优选地,p=5,即车辆类型包括:小型轿车、SUV、公交、货车、客车。
具体地,所述预设时间段的取值范围为1~3个月,优选地,所述预设时间段的取值为1个月。
S2033、根据Dqt,获取C0 q,C0 q符合如下条件:
上述实施例能够考虑到车辆类型作为影响因素,便于训练污染物概率的模型,提高获取污染物概率的准确性。
S205、根据Fi和Ai对应的第二污染物列表,获取A对应的损失函数L。所述损失函数L能够对预设污染概率模型进行修正,使得目标污染概率模型更为精确。
在一个具体的实施例中,所述S205步骤还包括如下步骤获取L:
S2051、根据Fi,获取第一中间车辆ID列表Q1和第二中间车辆ID列表Q2。
具体地,Q1中任一第一中间车辆ID是指当Fi≥预设概率阈值F0时的初始车辆ID。
具体地,Q2中任一第二中间车辆ID是指A中除第一中间车辆ID之外的其他初始车辆ID。
S2053、获取Ai对应的第二污染物列表Ui={Ui1,Ui2,……,Uis},Uir是指在Ai对应的第二类污染物排放量中第r种污染物的排放量。
具体地,所述第二类污染物排放量是指基于OBD系统,获取到的车辆对应的污染物排放量,其中,所述关键污染物排放量与所述第二类型污染物排放量一致均通过OBD系统获取。
S2055、根据Ui,获取第三中间车辆ID列表Q3和第四中间车辆ID列表Q4。
具体地,Q3中任一第三中间车辆ID是指当Gi≥预设污染物排放量阈值时的初始车辆ID,其中,Gi符合如下条件:
具体地,Q4中任一第四中间车辆ID是指A中除第三中间车辆ID之外的其他初始车辆ID。
S2057、根据Q1、Q2、Q3和Q4,确定出关键车辆ID列表R={R1,R2,……,Rα}和非关键车辆ID列表R'={R'1,R'2,……,R'β},Rx是指第x个关键车辆ID,x=1……α,α为关键车辆ID数量,R'y是指第y个非关键车辆ID,y=1……β,β为非关键车辆ID数量。
具体地,α+β=n
具体地,所述关键车辆ID是指在Q1∩Q3和Q2∩Q4中任一初始车辆ID,且所述关键车辆ID对应的初始车辆作为异常车辆。
具体地,所述非关键车辆ID是指在A中除目标车辆ID之外的其他初始车辆ID。
S2059、根据Rx对应的目标概率Kx和R'y对应的目标概率K'y,获取损失函数值L,L符合如下条件:
优选地,Kx=1且K'y=0。
优选地,Wxr=1/s和Wyr=1/s。
S207、根据L,对预设污染概率模型进行调整,得到目标污染概率模型;本领域技术人员知晓根据损失函数调整模型的方法,在此不再赘述。
S300、在所述目标地理区域内的,获取B对应的车辆速度列表V'={V'1,V'2,……,V'm},其中,V'j是指Bj对应的车辆速度,可以理解为第二类车辆ID对应的初始车辆在目标地理区域内的平均车速,本领域技术人员知晓获取车辆的平均车速的方法,在此不再赘述。
S400、将V'j和Bj对应的车辆类型输入至所述目标污染概率模型中,获取Bj对应的污染概率F'j。
S500、当F'j≥预设概率阈值F0时,确定Bj对应的初始车辆为异常车辆。
上述实施例通过建立污染概率模型且污染概率模型,得到准确性高的目标污染概率模型,使得对于无法通过OBD系统获取车辆污染物排放量的车辆,只需将车辆的类型和车辆速度输入至目标污染概率模型中进而获取到该车辆是否为异常车辆,有利于进一步确定异常车辆是否为污染源,避免对异常车辆的遗漏。
在一个具体的实施例中,当所述计算机程序被处理器执行时,还实现以下步骤,如图2所示:
S1、获取关键地理区域ID列表E={E1,E2,……,Eλ},其中,Eγ是指第γ关键地理区域ID,γ=1……λ,λ为关键地理区域数量。
具体地,所述关键地理区域ID是指关键地理区域的唯一身份标识,其中,关键地理区域通过geohash方法进行确定,优选地,geohash的位数为6位。
具体地,所述相关地理区域ID是指在关键地理区域ID列表中与任一项关键地理区域相邻的关键地理区域ID。
具体地,VCγ和均通过污染物检测装置进行采集,其中,所述污染物检测装置
即道路空气质量监测采集系统,道路空气质量监测采集系统包括颗粒物分级监测单元、常
规气体污染物监测单元、气象数据监测单元;其中,所述颗粒物分级监测单元采用颗粒物计
数器原理,可检测粒径在20至1000nm的颗粒物,可同时测量6通道的颗粒物浓度;所述常规
气体污染物监测单元采用电化学原理检测SO2、NO2、O3、CO气态污染物;采用光散射原理检
测PM2.5、PM10颗粒物浓度;所述象数据监测单元实时测量大气环境空气温湿度、风速、风向
和大气压力。
S5、当VC'γ≤0时,确定关键地理区域为正常地理区域。
S6、当VC'γ>0时,获取关键地理区域内的车辆对应的污染物排放量差值DC'γ,其中,DC'γ符合如下条件:
具体地,DCγ为在时间节点T下,关键地理区域内的所有车辆的污染物排放量之和。
具体地,在S6步骤中时间间隔∆T=T+1-T,其中,∆T的取值范围为60~120min,优选地,∆T的取值为60min。
S7、当VC'γ-DC'γ≤指定污染物排放量阈值时,确定关键地理区域为异常地理区域,可以理解为:关键地理区域的主要污染物来源于车辆的排放污染物。
具体地,在S9步骤中还通过如下步骤:
S91、遍历QC'γ且当QC'γg≥指定污染物排放量阈值时,QC'γg对应的关键地理区域为异常地理区域;
S93、当QC'γg<指定污染物排放量阈值时,QC'γg对应的关键地理区域为正常地理区域。
具体地,E中除Eγ之外的任一关键地理区域可以参照S1-S9步骤,在此不再赘述。
上述实施例通过获取关键地理区域ID列表和关键地理区域ID列表中任一关键地理区域对应的相关地理区域ID列表;在时间节点下,获取预设时间间隔下的关键地理区域对应的区域污染物排放量差,确定关键地理区域为正常地理区域或者为异常地理区域;可知,本发明一方面能够实现划分出不同的地理区域,确定任一地理区域的污染物含量时,通过该地理区域内的车辆污染物的排放量和该地理区域的相邻地理区域的污染物含量,将相邻地理区域的污染物含量作为影响因素,准确的确定出异常地理区域,另一方面,也可以判断出车辆排放量对该地理区域是否造成污染。
虽然已经通过示例对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员还应理解,可以对实施例进行多种修改而不脱离本发明的范围和精神。本发明的范围由所附权利要求来限定。
Claims (8)
1.一种获取地理区域内异常车辆的数据处理系统,其特征在于,所述系统包括:数据库,处理器和存储有计算机程序的存储器,其中,所述数据库包括初始车辆ID、初始车辆ID对应的车辆速度、初始车辆ID对应的污染物排放量,当所述计算机程序被处理器执行时,实现以下步骤:
S100、在目标时间段内,从数据库中获取第一车辆ID列表A={A1,A2,……,An}和第二车辆ID列表B={B1,B2,……,Bm},其中,Ai是指第i个第一类车辆ID,i=1……n,n为在目标地理区域内第一类车辆ID数量,Bj是指第j个第二类车辆ID,j=1……m,m为在目标地理区域内第二类车辆ID数量;
S200、获取Ai对应的第一污染物列表和Ai对应的第二污染物列表,并基于Ai对应的第一污染物列表和Ai对应的第二污染物列表,获取目标污染物模型,其中,在S200步骤中还包括如下步骤:
S201、获取Ai对应的第一污染物列表Ci={Ci1,Ci2,……,Cis},其中,Cir是指在Ai对应的第一类污染物排放量中第r种污染物的排放量,r=1……s,s为污染物种类数量;
S203、根据Ci输入至预设污染物概率模型中,获取Ai对应的污染概率值Fi,Fi符合如下条件:
其中,Hi符合如下条件:
其中,Wir是指Cir对应的权重值,H0符合如下条件:
S205、根据Fi和Ai对应的第二污染物列表,获取A对应的损失函数L;
S207、根据L,对预设污染概率模型进行调整,得到目标污染概率模型;
S300、在所述目标地理区域内的,获取B对应的车辆速度列表V'={V'1,V'2,……,V'm},其中,V'j是指Bj对应的车辆速度;
S400、将V'j和Bj对应的车辆类型输入至所述目标污染概率模型中,获取Bj对应的污染概率F'j;
S500、当F'j≥预设概率阈值F0时,确定Bj对应的初始车辆为异常车辆。
3.根据权利要求2所述的系统,其特征在于,所述预设时间段的取值范围为1~3个月。
4.根据权利要求1所述的系统,其特征在于,所述第一类车辆ID是指安装了OBD系统的初始车辆对应的初始车辆ID。
5.根据权利要求1所述的系统,其特征在于,所述第二类车辆ID是指未安装了OBD系统的初始车辆对应的初始车辆ID。
6.根据权利要求1所述的系统,其特征在于,所述第一类污染物排放量是指基于车辆速度确定出的车辆对应的污染物排放量。
7.根据权利要求1所述的系统,其特征在于,所述污染物种类至少包括一氧化碳、一氧化氮、碳氢化合物和PM2.5。
8.根据权利要求7所述的系统,其特征在于,还包括如下步骤:
S1001、将目标地理区域对应的污染物数据转化成M×N的矩阵数据且将M×N的矩阵数据作为目标污染物数据;
S1003、将目标污染物数据输入至PMF源解析模型中,获取目标地理区域对应的PM2.5污染源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210755429.6A CN114880626B (zh) | 2022-06-30 | 2022-06-30 | 一种获取地理区域内异常车辆的数据处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210755429.6A CN114880626B (zh) | 2022-06-30 | 2022-06-30 | 一种获取地理区域内异常车辆的数据处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114880626A CN114880626A (zh) | 2022-08-09 |
CN114880626B true CN114880626B (zh) | 2022-09-20 |
Family
ID=82683528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210755429.6A Active CN114880626B (zh) | 2022-06-30 | 2022-06-30 | 一种获取地理区域内异常车辆的数据处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114880626B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11859991B2 (en) * | 2022-03-07 | 2024-01-02 | Saudi Arabian Oil Company | Method, apparatus, and system for identifying one or more sources of air pollutants based on emission data from vehicles and air quality data from ambient air measurement apparatuses |
CN115290112B (zh) * | 2022-09-29 | 2023-05-09 | 淄博青禾检测科技有限公司 | 一种用于辅助排放测试的路径获取系统 |
CN115292331B (zh) * | 2022-10-09 | 2023-03-24 | 淄博青禾检测科技有限公司 | 一种异常地理区域的获取方法、设备及介质 |
CN115797849B (zh) * | 2023-02-03 | 2023-04-28 | 以萨技术股份有限公司 | 一种基于图像确定异常行为的数据处理系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110514255A (zh) * | 2019-09-06 | 2019-11-29 | 重庆市城投金卡信息产业(集团)股份有限公司 | 汽车排放量检测方法及其检测系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3049653B1 (fr) * | 2016-04-04 | 2021-01-15 | Ifp Energies Now | Procede de determination des emissions de polluants d'un vehicule au moyen de parametres macroscopiques |
CN106503448A (zh) * | 2016-10-25 | 2017-03-15 | 中山大学 | 一种自由流道路交通噪声概率预测方法 |
CN109524130A (zh) * | 2018-11-01 | 2019-03-26 | 北京英视睿达科技有限公司 | 车辆对污染物浓度贡献率的确定方法及装置 |
CN110135466B (zh) * | 2019-04-23 | 2022-07-15 | 中国科学技术大学 | 一种污染物排放超标车辆判断方法及系统 |
FR3095837B1 (fr) * | 2019-05-10 | 2021-04-30 | Ifp Energies Now | Procédé de détermination des émissions polluantes d’un véhicule au moyen d’un système embarqué |
FR3104306B1 (fr) * | 2019-12-09 | 2022-02-18 | Ifp Energies Now | Procédé de détermination d’émissions polluantes et/ou sonores et/ou de paramètres de sécurité routière sur une portion de réseau routier |
CN114676988A (zh) * | 2022-03-15 | 2022-06-28 | 山东天星北斗信息科技有限公司 | 一种道路移动源排放地图生成方法及装置 |
-
2022
- 2022-06-30 CN CN202210755429.6A patent/CN114880626B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110514255A (zh) * | 2019-09-06 | 2019-11-29 | 重庆市城投金卡信息产业(集团)股份有限公司 | 汽车排放量检测方法及其检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114880626A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114880626B (zh) | 一种获取地理区域内异常车辆的数据处理系统 | |
Karanasiou et al. | Assessment of source apportionment by Positive Matrix Factorization analysis on fine and coarse urban aerosol size fractions | |
Vallius et al. | Sources and elemental composition of ambient PM2. 5 in three European cities | |
CN110489785B (zh) | 一种大气污染物在线源解析方法及系统 | |
Alleman et al. | PM10 metal concentrations and source identification using positive matrix factorization and wind sectoring in a French industrial zone | |
CN111798928B (zh) | 大气颗粒物污染源解析方法和装置 | |
Marinello et al. | Roadway tunnels: A critical review of air pollutant concentrations and vehicular emissions | |
Bourrous et al. | A semi-automatic analysis tool for the determination of primary particle size, overlap coefficient and specific surface area of nanoparticles aggregates | |
Alvarez et al. | Physical speciation of arsenic, mercury, lead, cadmium and nickel in inhalable atmospheric particles | |
CN112669190B (zh) | 污染源异常排放行为的检测方法、装置及计算机设备 | |
Bernardoni et al. | Size-segregated aerosol in a hot-spot pollution urban area: Chemical composition and three-way source apportionment | |
CN112967764A (zh) | 多技术耦合的污染物源解析方法、装置 | |
Chen et al. | A clustering algorithm for sample data based on environmental pollution characteristics | |
CN115292331B (zh) | 一种异常地理区域的获取方法、设备及介质 | |
CN116413391A (zh) | 柴油货车obd氮氧化物监测数据校准及碳排放数据补全方法 | |
PriyaDarshini et al. | Synergy of receptor and dispersion modelling: Quantification of PM10 emissions from road and soil dust not included in the inventory | |
Fung et al. | Input-adaptive linear mixed-effects model for estimating alveolar lung-deposited surface area (LDSA) using multipollutant datasets | |
Fung et al. | Data imputation in in situ-measured particle size distributions by means of neural networks | |
Xie et al. | Quantitative evaluation of impacts of the steadiness and duration of urban surface wind patterns on air quality | |
Zhai et al. | Ultrafine-particle emission factors as a function of vehicle mode of operation for LDVs based on near-roadway monitoring | |
Wei et al. | Size-resolved simulation of particulate matters and CO2 concentration in passenger vehicle cabins | |
CN114062478B (zh) | 一种可实现自验证的颗粒污染物来源解析的方法 | |
CN116089771A (zh) | 一种颗粒物来源分析方法、装置、终端及存储介质 | |
CN114974452A (zh) | 一种确定二次转化来源的管控目标的方法和装置 | |
CN116434871A (zh) | 基于统计模型和机理模型相结合的水污染溯源方法 |
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 |