CN115048875A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN115048875A
CN115048875A CN202210980952.9A CN202210980952A CN115048875A CN 115048875 A CN115048875 A CN 115048875A CN 202210980952 A CN202210980952 A CN 202210980952A CN 115048875 A CN115048875 A CN 115048875A
Authority
CN
China
Prior art keywords
output
motor vehicle
layer
neural network
emission data
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.)
Pending
Application number
CN202210980952.9A
Other languages
English (en)
Inventor
钱枫
程书瑾
王超
许小伟
王洁
邓明星
祝能
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.)
Wuhan University of Science and Engineering WUSE
Original Assignee
Wuhan University of Science and Engineering WUSE
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 Wuhan University of Science and Engineering WUSE filed Critical Wuhan University of Science and Engineering WUSE
Priority to CN202210980952.9A priority Critical patent/CN115048875A/zh
Publication of CN115048875A publication Critical patent/CN115048875A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明公开了一种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，包括S100：采样得到的大量机动车尾气排放数据，对机动车尾气排放数据进行预处理，得到预处理后的机动车尾气排放数据集；S200：采用二模型融合方法将神经网络和支持向量机算法进行融合，获得机动车NOx浓度反演融合模型；S300：利用预处理好的机动车尾气排放数据集训练NOx浓度反演融合模型，提取汽车尾气数据特征，将低层的细粒度特征与高层的粗粒度特征相融合以减少特征的丢失与网络层数增多可能带来的过拟合问题，并输出NOx浓度是否超标的预测结果。本发明的方法，训练效果更好，模型收敛更快、实时性高、鲁棒性好，真实性与准确性较高。

Description

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
技术领域
本发明属于紧固设备技术领域，更具体地，涉及一种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。
背景技术
随着经济的不断进步和生活水平的提高，居民对于出行需求更加渴望，我国汽车产销量飞速增长，目前我国购买机动车的个人及家庭越来越多，每年以百分之十的速度递增。随着我国机动车保有量的增加，机动车尾气造成的环境污染日趋严重。机动车排出的污染物主要包括：CO、C02、NO、N02、硫化物和微粒物PM2．5，直接侵袭人的呼吸器官，严重危害公众健康。为了控制机动车辆的污染物排放，不仅要改进汽车制造工艺，还要提高城市尾气监控技术。NO和N02统称为氮氧化物NOx，是机动车排放尾气的重要组成物。快速、准确、连续在线地监测NOx的浓度，才能便于环保部门进行有效的监管和执法，而长期监测获得的机动车尾气的大数据可以提供城市大气环境指标，更能为政府部门进行环境保护提供依据。监测机动车排出的NOx浓度对于评估机动车尾气排放水平，保护城市大气环境具有极其重要的意义。
目前，在车辆尾气NOx浓度反演与检测方面，国内外研究者做了很多工作，提出很多方法。仍然存在诸多问题，成本高、鲁棒性差、检测精度低以及实时性不高等缺点仍然存在，具体如下：（1）车载尾气检测设备法：通过在每辆机动车安装车载尾气检测设备（如PEMS），与汽车尾气排放管相连，优点是可以实时检测尾气排放，检测数据实时性较高。这种方法虽然有效但是不具备普遍适用性，因为安装车载尾气检测设备需要大量的成本投入，不可能为每一辆车都装载一个尾气检测设备；（2）普通遥感监测法：使用普通遥感监测法来检测尾气排放浓度，其结果受实际环境影响大，且对低浓度排放物不敏感，检测结果稳定性较差且精度不高；（3）特定工况检测法：在固定工况下对汽车尾气排放浓度进行预测，没有较好的鲁棒性，泛化能力差。例如AMS工况法只能检测特定车速下的车辆尾气排放状况；怠速法和双怠速法只能进行无负荷车辆的尾气浓度检测。特定工况的检测结果与车辆实际运行工况有较大差距，因而这种检测方法的结果具有不准确性。（4）化学检测法:需要配备体积较大的分析仪，较为笨重，不适合于便携式原位在线测量，只能在机动车尾气采样后到实验室进行分析，因此实时性较差，降低了尾气排放污染物检测的有效性。（5）光学检测法：具有无二次污染、测量范围大、能够同时进行多组分检测、在线连续实时监测、测量灵敏度高等优点，但成本较高，易受环境影响，稳定性差。（6）单一机器学习模型法：基于单一的机器学习模型进行模型训练与预测，这种方法对比上述方法具备很多优势，但仍具有一定缺陷。若模型参数过多，易造成计算量过大，训练周期长，且极易造成过拟合现象。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供一种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，使用两模型融合的方法反演预测车辆NOx尾气浓度的精度远高于一般的单一模型的结果精度，另外相较于一般基于神经网络的反演模型，采用深层神经网络模型结合SVM模型训练效果更好，模型收敛更快，不需要昂贵的设备、实时性高、训练效果更好、鲁棒性好，且训练模型时使用大量的多特征尾气数据，数据主要来源于环保部门，因此数据真实性与准确性较高。
为了实现上述目的，按照本发明的一个方面，提供一种基于机动车排放数据的城市大气环境指标预警方法，包括如下步骤：
S100：采样得到的大量机动车尾气排放数据，对机动车尾气排放数据进行预处理，得到预处理后的机动车尾气排放数据集；
S200：采用二模型融合方法将神经网络和支持向量机算法进行融合，获得机动车NOx浓度反演融合模型；
S300：利用预处理好的机动车尾气排放数据集训练NOx浓度反演融合模型，神经网络部分用于提取汽车尾气数据特征，将低层的细粒度特征与高层的粗粒度特征相融合以减少特征的丢失与网络层数增多可能带来的过拟合问题，支持向量机用于接收神经网络输出，并输出NOx浓度是否超标的预测结果。
进一步地，步骤S200中，所述NOx浓度反演融合模型包括如下步骤：
S201：对所述机动车尾气排放数据集进行预处理获得对NOx浓度影响显著的尾气特征作为融合模型的输入参数，下一时刻的氮氧化物排放量及氮氧化物排放量是否超标的预测结果作为融合模型的输出参数；
S202：采用深层神经网络结构提取车辆尾气数据信息，经过输入层、隐藏层、输出层等多层次结构，输出层输出NOx浓度值；
S203：根据所述机动车尾气排放数据集不为负值特性确定神经网络的激活函数；
S204：将通过神经网络提取到的高层特征进行上采样逐层传递到低层，与低层特征进行融合后输出结果，再将低层的输出结果下采样逐层传递到高层，将高层原有信息与经过下采样传递上来的信息融合再进行输出，由此以实现低层特征与高层特征的有效融合；
S205：根据所述NOx浓度反演融合模型中NOx浓度是否超标的预测部分确定支持向量机模型的超参数；
S206：将机动车尾气排放数据集进行分组，一部分作为训练集，一部分作为验证集，另一部分作为测试集，用训练集对融合模型进行训练，使用随机梯度下降方法进行融合模型参数更新，再利用验证集来调整超参数，使用测试集测试训练得到的模型；
S207：承接深层神经网络全连接层的输出作为支持向量机的输入并建立分类模型，输出NOx浓度是否超标的预测结果。
进一步地，步骤S201中，所述输入参数为DNN数据集：
DNN={fuel specifications，speed，acceleration，driving mode，referenceweight，engine coolant temperature，engine speed, engine fuel consumption，engine torque，CO,CH,NOX}
其中，fuel specifications为车辆燃油规格、speed为车辆速度、acceleration为车辆加速度、driving mode为车辆驱动方式、reference weight为车辆基准重量、enginecoolant temperature为发动机冷却液温度、Engine speed为发动机转速、engine fuelconsumption为发动机燃油消耗率、engine torque为发动机扭矩、CO为一氧化碳、CH为碳氢化合物、NOX为氮氧化物。
进一步地，步骤S204中，神经网络低层特征与高层特征的融合过程包括：
S2041：神经网络的输入为DNN数据集；
S2042：对数据集中的缺失数据进行补充，对特征维度中的各个特征进行均值归一化处理；
S2043：通过一系列卷积和上采样操作，获取适用于特征融合的特征图大小，采用RelU激活函数对卷积层1的输出进行非线性映射，并采用最大池化方式进行池化处理。输入为特征图16X16，依次经过卷积层1，RelU1，池化层1，得到8X8大小的输出；
S2044：对步骤S2043中的输出数据经过卷积层2、RelU2、池化层2，得到4X4大小的输出；
S2045：将步骤S2044中得到的4X4输出经过上采样，得到8X8大小的输出；
S2046：将步骤S2045中得到的8X8输出与步骤S2043中得到的8X8输出进行融合；
S2047：将步骤S2046中得到的融合8X8输出进行上采样操作，得到16X16输出；
S2048：将步骤S2047中得到的16X16输出与步骤S2043中得到的16X16输出进行融合；
S2049：将步骤S2048中得到的融合16X16输出经过卷积层3、RelU3、池化层3，得到8X8输出，并与步骤S2046中得到的8X8输出进行融合；
S2050：将步骤S2049中得到的二次融合8X8输出经过卷积层4、RelU4、池化层4，得到4X4输出；
S2051：将步骤S2050中得到的4X4输出与步骤S2044中得到的4X4输出进行融合，得到融合4X4输出；
S2052：将步骤S2051中得到的融合4X4输出通过展平操作输出为16X1维向量；
S2053：通过两层全连接层分别将数据输出为8X1维、1X1维，最后1X1维即为输出的NOx浓度结果。
进一步地，步骤S207中包括：
S2071：支持向量机模型接受神经网络输出层的8X1维输入；
S2072：对每一个样本点(xi,yi)引入松弛变量
Figure 331856DEST_PATH_IMAGE001
，
Figure 700520DEST_PATH_IMAGE002
，则此时优化目标和约束条 件如下：
Minimize
Figure 250319DEST_PATH_IMAGE003
s.t.
Figure 115824DEST_PATH_IMAGE005
其中，
Figure 971784DEST_PATH_IMAGE006
是d维权重向量，
Figure 76007DEST_PATH_IMAGE007
为偏置项，C是惩罚系数，i= 1,2,3,…,s, s为全部样本数。
进一步地，步骤S2072中，引入拉格朗日乘子：
Figure 701023DEST_PATH_IMAGE008
其中，
Figure 216187DEST_PATH_IMAGE009
，
Figure 559444DEST_PATH_IMAGE010
为拉格朗日乘子，且
Figure 467357DEST_PATH_IMAGE011
，
Figure 946880DEST_PATH_IMAGE012
；
求L的极值，令
Figure 649256DEST_PATH_IMAGE013
；
则，
Figure 479809DEST_PATH_IMAGE014
结合上式和约束条件，获得KKT条件：
Figure 909522DEST_PATH_IMAGE015
。
进一步地，基于KKT条件，优化目标变为如下形式：
Minimize
Figure 509131DEST_PATH_IMAGE016
对
Figure 382409DEST_PATH_IMAGE017
求
Figure 434679DEST_PATH_IMAGE018
的极大，得到原问题的对偶问题：
Figure 418815DEST_PATH_IMAGE019
s.t.
Figure 138509DEST_PATH_IMAGE020
即，
Figure 169307DEST_PATH_IMAGE021
s.t.
Figure 974452DEST_PATH_IMAGE022
支持向量机即将在低维空间下线性不可分的数据点映射到高维空间下，使其线性可分，即：
Minimize
Figure 762279DEST_PATH_IMAGE023
其中，T为维度转换函数。
进一步地，引入高斯核函数如下：
Figure 70901DEST_PATH_IMAGE024
其中，取
Figure 285982DEST_PATH_IMAGE025
；
则此时
Figure 312843DEST_PATH_IMAGE026
，其中，
Figure 153629DEST_PATH_IMAGE027
；
求解出对偶问题的解
Figure 316757DEST_PATH_IMAGE028
，存在
Figure 702739DEST_PATH_IMAGE029
的一个分量
Figure 216897DEST_PATH_IMAGE030
使得
Figure 346527DEST_PATH_IMAGE031
，则原问题的解为：
Figure 629741DEST_PATH_IMAGE032
Figure 435892DEST_PATH_IMAGE033
则决策超平面为：
Figure 437346DEST_PATH_IMAGE034
决策函数为：
Figure 370667DEST_PATH_IMAGE035
在支持向量机的模型输出结果中，如输出1，则表示NOx浓度排放超标；若输出-1，则表示NOx浓度排放合格。
进一步地，神经网络训练时采用有监督样本：
Figure 242808DEST_PATH_IMAGE036
其中，m为样本数量，xi(i=1,2,3,…,m)为输入特征，yi(i=1,2,3,…,m)为标签值。
按照本发明的第二方面，提供一种基于机动车排放数据的城市大气环境指标预警系统，包括：
数据采集模块，用于采样得到的大量机动车尾气排放数据，对机动车尾气排放数据进行预处理，得到预处理后的机动车尾气排放数据集；
NOx浓度反演融合模型建立模块，用于采用二模型融合方法将神经网络和支持向量机算法进行融合，获得机动车NOx浓度反演融合模型；
NOx浓度预测模块，用于利用预处理好的机动车尾气排放数据集训练NOx浓度反演融合模型，神经网络部分用于提取汽车尾气数据特征，将低层的细粒度特征与高层的粗粒度特征相融合以减少特征的丢失与网络层数增多可能带来的过拟合问题，支持向量机用于接收神经网络输出，并输出NOx浓度是否超标的预测结果。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1.本发明的方法，使用两模型融合的方法反演预测车辆NOx尾气浓度的精度远高于一般的单一模型的结果精度，另外相较于一般基于神经网络的反演模型，采用深层神经网络模型结合SVM模型训练效果更好，模型收敛更快，不需要昂贵的设备、实时性高、训练效果更好、鲁棒性好，且训练模型时使用大量的多特征尾气数据，数据主要来源于环保部门，因此数据真实性与准确性较高。
2.本发明的方法，通过将深层神经网络与支持向量机两个模型进行融合，并在深层神经网络中将低层特征与高层特征相融合，克服了单一模型计算量过大，训练周期长，易造成过拟合现象的缺点，拥有较好的鲁棒性，泛化能力强大。只需要输入一些相关性较强的尾气特征数据，即可快速预测与估计车辆NOx尾气排放浓度，为城市大气环境指标提供合理依据。
3.本发明的方法，数据来源于环保部门的检测，基于机动车实际运行工况下的尾气输出数据进行模型的训练与预测，相较于特定工况检测法而言，检测方法的结果具有较好的准确性与实用性。
附图说明
图1为本发明实施例一种基于机动车排放数据的城市大气环境指标预警方法流程示意图；
图2为神经网络数据集组成示意图；
图3为神经网络中卷积、激活、池化块操作产生的效果示意图；
图4为本发明实施例中神经网络低层特征与高层特征融合示意图；
图5为本发明实施例中神经网络特征融合结构示意图；
图6为本发明实施例中神经网络模型示意图；
图7为本发明实施例中基于机动车排放数据的城市大气环境指标预警方法效果图；
图8为本发明实施例中神经网络模型与支持向量机模型融合示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1和图8所示，本发明基于环保部门采样得到的大量机动车尾气排放数据进行反演与估计，提出一种基于深度学习和机器学习的机动车尾气NOx浓度预测方法及系统，可为城市大气环境指标提供合理依据。本实施例所述的基于深度学习和机器学习的机动车尾气NOx浓度预测方法及系统，包括以下步骤：
第一步：采样得到的大量机动车尾气排放数据，将车辆尾气数据导入到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，采用二模型融合方法将神经网络和支持向量机算法进行融合，获得机动车NOx浓度反演融合模型；
第三步，利用预处理好的尾气数据训练NOx浓度反演融合模型，神经网络部分用来提取汽车尾气数据特征，采用低层的细粒度特征与高层的粗粒度特征相融合的方法以减少特征的丢失与网络层数增多可能带来的过拟合问题，支持向量机用来接收神经网络输出，并输出NOx浓度是否超标的预测结果。
具体地，所述NOx浓度反演模型的建立步骤如下：
(1)确定模型的输入输出参数：所述NOx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对NOx浓度影响显著的尾气特征，包括车辆燃油规格、车辆速度、车辆加速度、车辆驱动方式、车辆基准重量、发动机冷却液温度、发动机转速、发动机燃油消耗率以及发动机扭矩、一氧化碳、碳氢化合物以及氧化物等主要尾气数据特征；所述NOx浓度反演融合模型中深层神经网络的输出为下一时刻的氮氧化物排放浓度所述NOx浓度反演融合模型中支持向量机的输出为氮氧化物排放浓度否超标的预测结果；具体的输入数据集如下：
DNN={fuel specifications，speed，acceleration，driving mode，referenceweight，engine coolant temperature，engine speed, engine fuel consumption，engine torque，CO,CH,NOX}
其中，fuel specifications为车辆燃油规格、speed为车辆速度、acceleration为车辆加速度、driving mode为车辆驱动方式、reference weight为车辆基准重量、enginecoolant temperature为发动机冷却液温度、Engine speed为发动机转速、engine fuelconsumption为发动机燃油消耗率、ngine torque为发动机扭矩、CO为一氧化碳、CH为碳氢化合物、NOX为氮氧化物。
深层神经网络的数据输入如图2所示，本发明中的神经网络训练时采用有监督样本：
Figure 236172DEST_PATH_IMAGE037
其中，m为样本数量，xi(i=1,2,3,…,m)为输入，yi(i=1,2,3,…,m)为标签值。
(2)确定神经网络的结构：所述NOx浓度反演融合模型包含深层神经网络结构，采用深层神经网络结构提取车辆尾气数据信息，经过输入层、隐藏层、输出层等多层次结构，输出层输出NOx浓度值。通过将神经元输入进行加权与求和得到净活性值z，即：
Figure 724922DEST_PATH_IMAGE038
其中,
Figure 180043DEST_PATH_IMAGE039
表示神经元的净输入，
Figure 437849DEST_PATH_IMAGE040
是d维权 重向量，
Figure 602114DEST_PATH_IMAGE007
为偏置项，T为转置。再将净活性值经过激活函数得到活性值a，即：
Figure 47002DEST_PATH_IMAGE041
其中f为激活函数，激活函数的选择对模型的收敛速率至关重要。将活性值a再作为输入传递给下一层的神经元，直到传输至输出层，在输出层输出NOx浓度值。在神经网络模型训练收敛后，去除最后一层输出层，将输出层的输入传递给支持向量机进行NOx浓度值是否超标的预测。
(3)确定神经网络的激活函数：所述NOx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传递前的二次非线性转换，引入激活函数是为了增加神经网络模型的非线性，以获得更语义化的特征。本模型中选择RelU函数作为激活函数，因为所有车辆尾气排放数据不可能为负值。选取RelU函数可以在反向传播时获得较好的下降梯度，不会产生梯度消失的问题，可有效降低计算复杂度，提高模型的训练效率。
(4)确定神经网络的特征融合模式：将通过神经网络提取到的高层特征进行上采样逐层传递到低层，与低层特征进行融合后输出结果；再将低层的输出结果下采样逐层传递到高层，将高层原有信息与经过下采样传递上来的信息融合再进行输出，由此以实现低层特征与高层特征的有效融合，有效避免神经网络模型结构过深而带来的过拟合问题，因为神经网络是很难做到恒等映射的，增加神经网络的层数很容易造成模型对训练集的过拟合现象。因此，本发明在增加神经网络层数的同时，将向前传递的特征分成两部分，一部分经过卷积、池化等操作提取出更高层次的特征，另一部分不经过操作直接向前传递，最后将这两部分特征进行融合，即低层特征与高层特征的连接。如图3所示，神经网络低层特征与高层特征的融合过程如下：
1)数据输入：神经网络的输入为DNN数据集，
DNN={fuel specifications，speed，acceleration，driving mode，referenceweight，engine coolant temperature，engine speed, engine fuel consumption，engine torque，CO,CH,NOX}
本发明的输入数据分为两个维度，分别为特征维度和时间维度，如图2所示。特征维度即与机动车输出NOx浓度值密切相关的相关车辆特征，如车辆燃油规格、车辆速度、车辆加速度、车辆驱动方式、车辆基准重量、发动机冷却液温度、发动机转速、发动机燃油消耗率、发动机扭矩、一氧化碳、碳氢化合物以及氮氧化物等。时间维度为连续取上述特征的一个月结果，将其以每小时为间隔作为样本，每个样本的特征为前三个小时特征维度相关量组成的矩阵，标签为第四个小时的NOx浓度值。
2）数据预处理：在将DNN数据集作为数据流输入到网络之前，需要对数据进行预处理操作，本发明中的预处理操作主要包括两部分，首先对数据集中的缺失数据进行补充，主要采取线性插值的方法进行缺失数据的填补，再对特征维度中的各个特征进行均值归一化处理，以使特征处于同一量级，可减少计算量，提高网络收敛的效率，均值归一化公式如下：
Figure 322125DEST_PATH_IMAGE042
其中，xi为当前特征值，
Figure 700017DEST_PATH_IMAGE043
为特征值的均值，si为特征值的取值范围，即特征最大 值与特征最小值的差值。
3）卷积块：卷积块主要由一系列卷积层和上采样层组成，目的是通过一系列卷积和上采样操作，获取适用于特征融合的特征图大小。如图4所示，本发明将特征图的大小由12X3 经过一系列操作后转化为16X16。
4)卷积层1、RelU1、池化层1:这三个层组合产生的效果如图3所示，卷积核大小为3X3，池化核大小为2X2。卷积层的作用是尽可能多地提取输入数据的信息；激活层主要目的是加入非线性因素，提高模型的表达能力，本发明选用的是RelU激活函数对卷积层1的输出进行非线性映射；池化层主要进行降维操作，减少参数计算量，本发明选用的是最大池化方式，池化操作只改变特征图的大小，不改变通道数。本步骤的输入为特征图16X16，数据依次经过卷积层1，RelU1，池化层1，得到8X8大小的输出；
5)接下来经过卷积层2、RelU2、池化层2，得到4X4大小的输出；
6)将步骤5)中得到的4X4输出经过上采样，得到8X8大小的输出；
7)将步骤6)中得到的8X8输出与步骤4)中得到的8X8输出进行融合，本发明采用的是早融合中的concat方式，直接将两个特征进行连接，若两个输入特征x和y的维数若为p和q，则输出特征z的维数为p+q；
8)将步骤7)中得到的融合8X8输出进行上采样操作，得到16X16输出；
9)将步骤8)中得到的16X16输出与步骤3)中得到的16X16输出进行融合；
10)将步骤9)中得到的融合16X16输出经过卷积层3、RelU3、池化层3，得到8X8输出；
11)将步骤10)中得到的8X8输出与步骤7)中得到的融合8X8输出进行再次融合，得到二次融合8X8输出；
12)将步骤11)中得到的二次融合8X8输出经过卷积层4、RelU4、池化层4，得到4X4输出；
13)将步骤12)中得到的4X4输出与步骤5)中得到的4X4输出进行融合，得到融合4X4输出；
14)展平操作：将步骤13)中得到的融合4X4输出通过展平操作输出为16X1维向量；
15）全连接层：通过两层全连接层分别将数据输出为8X1维、1X1维，最后的1X1维即为输出的NOx浓度结果。
神经网络通过多层卷积和池化进行下采样操作，获取特征的高层抽象信息，在下采样这个过程中虽然扩大了感受野，但是不可避免地造成了局部细节信息损失，对模型准确率造成影响。为保持特征信息完整，将从高层特征提取到的丰富语义信息作为先验信息指导低层特征，再将低层的细粒度特征传回高层进行高低层特征融合，实现有效特征的提取。
(5)确定支持向量机模型的超参数：所述NOx浓度反演融合模型中包含NOx浓度是否超标的预测部分即支持向量机模型，支持向量机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，本模型使用网格搜索来进行超参数的调整，本发明中C的取值范围为[1,10,100,200,400,600,800,1000],gamma的取值范围为[0.01,0.1,1,10,100,1000]；
(6)神经网络模型训练方法：把原始数据进行分组，一部分作为训练集，一部分作为验证集，另一部分作为测试集，首先用训练集对模型进行训练，使用随机梯度下降的方法进行模型参数的更新，再利用验证集来调整超参数，如学习率、神经网络层数、每层神经元个数、卷积核尺寸等，最后使用测试集测试训练得到的模型。本发明中神经网络模型的性能评价以平均绝对百分误差( mean absolute percent error，MAPE) 作为衡量预测模型的精确度的一个重要指标，应用均方根误差( root mean squared error，RMSE) 和平均绝对误差( mean absolute error，MAE) 指标评价实际输出和预测输出之间的偏差，可较好地评价模型的预测能力。具体公式如下：
Figure 756222DEST_PATH_IMAGE044
Figure 219565DEST_PATH_IMAGE045
Figure 32800DEST_PATH_IMAGE046
其中，n为训练样本的数量，
Figure 999619DEST_PATH_IMAGE047
为NOx反演预测值，
Figure 240107DEST_PATH_IMAGE048
为NOx的实际浓度值，优化方 法采取随机梯度下降，通过反向传播以优化模型参数，得到较高的模型准确率。
(7)支持向量机模型训练方法：在本发明中，支持向量机用于承接深层神经网络全连接层的输出作为输入，并建立分类模型，输出NOx浓度是否超标的预测结果。本发明中支持向量机模型的性能评价为准确率、精确率、召回率和F-score，具体如下：
Figure 190746DEST_PATH_IMAGE049
Figure 791360DEST_PATH_IMAGE050
Figure 878265DEST_PATH_IMAGE051
Figure 555234DEST_PATH_IMAGE052
其中，准确率（Accuracy）是正确结果占总样本的百分比；精确率（Precision）指在 所有被预测为正的样本中，实际为正的样本概率；召回率（Recall）指在实际为正的样本中 被预测为正的样本概率；F-score是权衡精确率与召回率的指标，为召回率和精确率的调和 平均值,
Figure 462010DEST_PATH_IMAGE053
为被模型预测为正类的正样本，
Figure 617048DEST_PATH_IMAGE054
为被模型预测为负类的负样本,
Figure 824038DEST_PATH_IMAGE055
为被模 型预测为正类的负样本,
Figure 655597DEST_PATH_IMAGE056
为被模型预测为负类的正样本，在本发明中，取
Figure 49669DEST_PATH_IMAGE057
=1。
(8)支持向量机模型训练过程：本发明中的支持向量机模型的主要作用为接受神经网络输出层的8X1维输入，输出为NOx浓度是否超标的预测结果。支持向量机的正超平面，决策超平面，负超平面公式如下：
Figure 8398DEST_PATH_IMAGE058
Figure 69895DEST_PATH_IMAGE059
Figure 823087DEST_PATH_IMAGE060
通过在决策超平面上取两个不同的点，可以得到如下关系式：
Figure 970035DEST_PATH_IMAGE061
其中，
Figure 716143DEST_PATH_IMAGE062
为决策超平面上两个不同的点，此式说明
Figure 366567DEST_PATH_IMAGE063
与决策超平面垂直。
通过在正负超平面上分别取点xm和xn，可以得到如下关系式：
Figure 556240DEST_PATH_IMAGE064
其中，
Figure 190484DEST_PATH_IMAGE065
即为正负超平面之间的间距，通常希望这个间距越大越好， 记为L。
则有：
Figure 491015DEST_PATH_IMAGE066
Maximize L,即minimize
Figure 995946DEST_PATH_IMAGE067
s.t.
Figure 596998DEST_PATH_IMAGE068
即，subject to yi*(
Figure 452959DEST_PATH_IMAGE069
)
Figure 291602DEST_PATH_IMAGE070
1,i=1,2,3,…,s, s为全部样本数。
为简化计算，取优化目标和约束条件如下：
Minimize
Figure 182198DEST_PATH_IMAGE071
Subject to
Figure 713673DEST_PATH_IMAGE072
=yi*(
Figure 791350DEST_PATH_IMAGE073
)
Figure 948531DEST_PATH_IMAGE070
1,i=1,2,3,…,s, s为全部样本数。
而输入深层神经网络的数据集如下：
DNN={fuel specifications，speed，acceleration，driving mode，referenceweight，engine coolant temperature，engine speed, engine fuel consumption，engine torque，CO,CH,NOX}
DNN中可能存在异常数据点，而SVM是用来承接神经网络模型经过处理后的输出的， 为避免异常数据点对分类间隔的影响，对每一个样本点(xi,yi)引入松弛变量
Figure 693633DEST_PATH_IMAGE001
，
Figure 130431DEST_PATH_IMAGE002
。
则此时优化目标和约束条件如下：
Minimize
Figure 960984DEST_PATH_IMAGE074
，其中C是惩罚系数
s.t.
Figure 741038DEST_PATH_IMAGE075
，i=1,2,3,…,s, s为全部样本数。
引入拉格朗日乘子：
Figure 863583DEST_PATH_IMAGE076
其中，
Figure 181432DEST_PATH_IMAGE077
，
Figure 899990DEST_PATH_IMAGE078
为拉格朗日乘子，且
Figure 619684DEST_PATH_IMAGE079
，
Figure 663863DEST_PATH_IMAGE080
。
求L的极值，令
Figure 203429DEST_PATH_IMAGE081
则，
Figure 240524DEST_PATH_IMAGE082
结合上式和约束条件，可得KKT条件：
Figure 814725DEST_PATH_IMAGE083
基于KKT条件，优化目标变为如下形式：
Minimize
Figure 764226DEST_PATH_IMAGE084
由于SVM的对偶性，为求解效率和应用核技巧，可将原问题转换为求解对偶问题。 对
Figure 791088DEST_PATH_IMAGE085
求
Figure 382607DEST_PATH_IMAGE086
的极大，得到原问题的对偶问题。
Figure 811314DEST_PATH_IMAGE087
s.t.
Figure 183914DEST_PATH_IMAGE088
即，
Figure 963651DEST_PATH_IMAGE089
s.t.
Figure 827702DEST_PATH_IMAGE090
支持向量机即将在低维空间下线性不可分的数据点映射到高维空间下，使其线性可分，即：
Figure 110916DEST_PATH_IMAGE091
其中，T为维度转换函数。
而维度转换函数一般难以获得，此时需要引入高斯核函数（RBF函数），其公式如下：
Figure 933378DEST_PATH_IMAGE092
在本发明中，取
Figure 934832DEST_PATH_IMAGE093
。
则此时
Figure 586262DEST_PATH_IMAGE094
，其中，
Figure 989562DEST_PATH_IMAGE095
。
求解出对偶问题的解
Figure 982926DEST_PATH_IMAGE096
，存在
Figure 940517DEST_PATH_IMAGE097
的一个分量
Figure 677529DEST_PATH_IMAGE098
使得
Figure 935335DEST_PATH_IMAGE099
，则原问题的解为：
Figure 834021DEST_PATH_IMAGE100
Figure 793756DEST_PATH_IMAGE101
则决策超平面为：
Figure 68879DEST_PATH_IMAGE102
决策函数为：
Figure 181192DEST_PATH_IMAGE103
在支持向量机的模型输出结果中，如输出1，则表示NOx浓度排放超标；若输出-1，则表示NOx浓度排放合格。
其中，所述第一步，数据预处理包括数据清洗、数据集成、数据变换、数据归约。本发明中主要包括对缺失数据的识别和处理以及数据的归一化，归一化方法选择均值归一化；
所述第二步，利用二模型融合的方法将深层神经网络和支持向量机联系起来，在深层神经网络中将低层次的细粒度信息与高层次的粗粒度信息进行融合，可以有效避免数据在神经网络中传递时造成的信息丢失和损坏，也可有效防止因模型过深而造成的过拟合问题，易于使模型收敛。利用深层神经网络提取数据的深层特征，经过全连接层后输出结果为NOx浓度，并将提取到的深层特征输入到支持向量机模型中进行预测，输出结果为NOx浓度是否超标的预测结果；
所述确定神经网络的激活函数，激活函数RelU的表达式为：
Figure 250779DEST_PATH_IMAGE104
神经网络模型结构训练中使用RelU激活函数可显著提高网络的收敛速度。CNN网络结构选用RelU函数进行激活时，学习率的调节很重要，它影响网络的收敛速度和最优值的选取。本发明开始使用0.01的学习率进行网络训练训练验证，接下来使用0.0001、0.001、0.01、0.03 共四个学习率进行网络测试。用归一化进行数据处理，优化器的权重衰减设为0.0005，设置不同的学习率，每次按照batchsize设定的大小送入网络进行迭代；
所述神经网络模型训练方法，将原始数据按照6:2:2的比例划分训练集、验证集和测试集。使用训练集训练模型参数，利用验证集进行超参数的调整，利用测试集进行模型性能的检验，其评价指标为平均绝对百分误差(MAPE)，均方根误差(RMSE) 和平均绝对误差(MAE)。通过划分训练集、验证集和测试集可以有效避免模型过拟合，加快模型收敛效率，最后得到的结果具有说服性。
所述确定支持向量机的超参数，对支持向量机来说，C是惩罚系数，本质是正则化系数，理解为调节优化方向中两个指标，即间隔大小和分类准确度的权重，即对误差的宽容度。C越高，说明模型越不能容忍出现误差,但是容易造成过拟合；C越小，模型对于误差比较宽容,但是容易欠拟合。C过大或过小，都会使泛化能力变差。gamma是选择RBF函数作为kernel后，该函数自带的一个参数。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。支持向量的个数会直接影响训练与预测的速度。
实施例1：
1.在进行反演之前，需要从环保部门获取数据，数据集中的尾气特征包括车辆燃油规格、车辆速度、车辆加速度、车辆驱动方式、车辆基准重量、发动机冷却液温度、发动机转速、发动机燃油消耗率、发动机扭矩、一氧化碳、碳氢化合物以及氮氧化物等，数据集为以下形式：
DNN={fuel specifications，speed，acceleration，driving mode，referenceweight，engine coolant temperature，engine speed, engine fuel consumption，engine torque，CO,CH,NOX}
其中，fuel specifications为车辆燃油规格、speed为车辆速度、acceleration为车辆加速度、driving mode为车辆驱动方式、reference weight为车辆基准重量、enginecoolant temperature为发动机冷却液温度、Engine speed为发动机转速、engine fuelconsumption为发动机燃油消耗率、engine torque为发动机扭矩、CO为一氧化碳、CH为碳氢化合物、NOX为氮氧化物。
2.确定神经网络的样本与标签，本发明中的神经网络训练时采用有监督样本。
Figure 448542DEST_PATH_IMAGE105
其中，m为样本数量，xi(i=1,2,3,…,m)为输入特征，yi(i=1,2,3,…,m)为标签值。
3.对输入的样本数据进行预处理操作，主要为对缺失数据的补充和均值归一化，防止不同量级的特征影响模型的精度和收敛速度；
4.利用归一化之后的数据进行数据集划分，按照6:2:2的比例划分训练集、验证集和测试集，训练深层神经网络模型，采取低层与高层的特征进行融合的方法，神经网络低层特征与高层特征融合示意图如图4所示，神经网络特征融合结构示意图如5所示，神经网络模型示意图如图6所示；
5.将训练好的神经网络模型权重进行保存，最终得到训练后的深层神经网络模型，将原始数据输入神经网络模型进行预测，结果如图7所示，展示了NOx浓度的反演效果。
6.在进行支持向量机模型训练的时候，固定神经网络训练的权重，只单方面训练支持向量机模型。将神经网络的输出层舍去，将本发明中的车辆NOx尾气排放浓度预测的神经网络模型的输出层输入作为支持向量机的输入，完成两模型的融合，两层融合模型示意图如图8所示。
7.进行支持向量机模型的训练。其标签为进行神经网络模型训练时的NOx浓度标签值是否超过排放限制，若超过，则为1，若未超过，则为-1。即：
S (i)＝{-1,1}
其中，i为第i个样本数据，s(i)为第i个样本数据的标签。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于机动车排放数据的城市大气环境指标预警方法，其特征在于，包括如下步骤：
S100：采样得到的大量机动车尾气排放数据，对机动车尾气排放数据进行预处理，得到预处理后的机动车尾气排放数据集；
S200：采用二模型融合方法将神经网络和支持向量机算法进行融合，获得机动车NOx浓度反演融合模型；
S300：利用预处理好的机动车尾气排放数据集训练NOx浓度反演融合模型，神经网络部分用于提取汽车尾气数据特征，将低层的细粒度特征与高层的粗粒度特征相融合以减少特征的丢失与网络层数增多可能带来的过拟合问题，支持向量机用于接收神经网络输出，并输出NOx浓度是否超标的预测结果。
2.根据权利要求1所述的一种基于机动车排放数据的城市大气环境指标预警方法，其特征在于，步骤S200中，所述NOx浓度反演融合模型包括如下步骤：
S201：对所述机动车尾气排放数据集进行预处理获得对NOx浓度影响显著的尾气特征作为融合模型的输入参数，下一时刻的氮氧化物排放量及氮氧化物排放量是否超标的预测结果作为融合模型的输出参数；
S202：采用深层神经网络结构提取车辆尾气数据信息，经过输入层、隐藏层、输出层等多层次结构，输出层输出NOx浓度值；
S203：根据所述机动车尾气排放数据集不为负值特性确定神经网络的激活函数；
S204：将通过神经网络提取到的高层特征进行上采样逐层传递到低层，与低层特征进行融合后输出结果，再将低层的输出结果下采样逐层传递到高层，将高层原有信息与经过下采样传递上来的信息融合再进行输出，由此以实现低层特征与高层特征的有效融合；
S205：根据所述NOx浓度反演融合模型中NOx浓度是否超标的预测部分确定支持向量机模型的超参数；
S206：将机动车尾气排放数据集进行分组，一部分作为训练集，一部分作为验证集，另一部分作为测试集，用训练集对融合模型进行训练，使用随机梯度下降方法进行融合模型参数更新，再利用验证集来调整超参数，使用测试集测试训练得到的模型；
S207：承接深层神经网络全连接层的输出作为支持向量机的输入并建立分类模型，输出NOx浓度是否超标的预测结果。
3.根据权利要求2所述的一种基于机动车排放数据的城市大气环境指标预警方法，其特征在于，步骤S201中，所述输入参数为DNN数据集：
DNN={fuel specifications，speed，acceleration，driving mode，reference weight，engine coolant temperature，engine speed, engine fuel consumption，enginetorque，CO,CH,NOX}
其中，fuel specifications为车辆燃油规格、speed为车辆速度、acceleration为车辆加速度、driving mode为车辆驱动方式、reference weight为车辆基准重量、enginecoolant temperature为发动机冷却液温度、Engine speed为发动机转速、engine fuelconsumption为发动机燃油消耗率、engine torque为发动机扭矩、CO为一氧化碳、CH为碳氢化合物、NOX为氮氧化物。
4.根据权利要求3所述的一种基于机动车排放数据的城市大气环境指标预警方法，其特征在于，步骤S204中，神经网络低层特征与高层特征的融合过程包括：
S2041：神经网络的输入为DNN数据集；
S2042：对数据集中的缺失数据进行补充，对特征维度中的各个特征进行均值归一化处理；
S2043：通过一系列卷积和上采样操作，获取适用于特征融合的特征图大小，采用RelU激活函数对卷积层1的输出进行非线性映射，并采用最大池化方式进行池化处理，输入为特征图16X16，依次经过卷积层1，RelU1，池化层1，得到8X8大小的输出；
S2044：对步骤S2043中的输出数据经过卷积层2、RelU2、池化层2，得到4X4大小的输出；
S2045：将步骤S2044中得到的4X4输出经过上采样，得到8X8大小的输出；
S2046：将步骤S2045中得到的8X8输出与步骤S2043中得到的8X8输出进行融合；
S2047：将步骤S2046中得到的融合8X8输出进行上采样操作，得到16X16输出；
S2048：将步骤S2047中得到的16X16输出与步骤S2043中得到的16X16输出进行融合；
S2049：将步骤S2048中得到的融合16X16输出经过卷积层3、RelU3、池化层3，得到8X8输出，并与步骤S2046中得到的8X8输出进行融合；
S2050：将步骤S2049中得到的二次融合8X8输出经过卷积层4、RelU4、池化层4，得到4X4输出；
S2051：将步骤S2050中得到的4X4输出与步骤S2044中得到的4X4输出进行融合，得到融合4X4输出；
S2052：将步骤S2051中得到的融合4X4输出通过展平操作输出为16X1维向量；
S2053：通过两层全连接层分别将数据输出为8X1维、1X1维，最后1X1维即为输出的NOx浓度结果。
5.根据权利要求4所述的一种基于机动车排放数据的城市大气环境指标预警方法，其特征在于，步骤S207中包括：
S2071：支持向量机模型接受神经网络输出层的8X1维输入；
S2072：对每一个样本点(xi,yi)引入松弛变量
Figure 732311DEST_PATH_IMAGE001
，
Figure 118293DEST_PATH_IMAGE002
，则此时优化目标和约束条件如 下：
Minimize
Figure 616140DEST_PATH_IMAGE003
s.t.
Figure 28984DEST_PATH_IMAGE005
其中，
Figure 585867DEST_PATH_IMAGE006
是d维权重向量，
Figure 587321DEST_PATH_IMAGE007
为偏置项，C是惩罚系数，i=1,2, 3,…,s, s为全部样本数。
6.根据权利要求5所述的一种基于机动车排放数据的城市大气环境指标预警方法，其特征在于，步骤S2072中，引入拉格朗日乘子：
Figure 520642DEST_PATH_IMAGE008
其中，
Figure 907630DEST_PATH_IMAGE009
，
Figure 635414DEST_PATH_IMAGE010
为拉格朗日乘子，且
Figure 124164DEST_PATH_IMAGE011
，
Figure 330018DEST_PATH_IMAGE012
；
求L的极值，令
Figure 587824DEST_PATH_IMAGE013
Figure 735777DEST_PATH_IMAGE014
；
则，
Figure 711824DEST_PATH_IMAGE015
结合上式和约束条件，获得KKT条件：
Figure 721368DEST_PATH_IMAGE016
。
7.根据权利要求6所述的一种基于机动车排放数据的城市大气环境指标预警方法，其特征在于，基于KKT条件，优化目标变为如下形式：
Minimi
Figure 833680DEST_PATH_IMAGE017
对
Figure 903268DEST_PATH_IMAGE018
求
Figure 366610DEST_PATH_IMAGE019
的极大，得到原问题的对偶问题：
Figure 166463DEST_PATH_IMAGE020
s.t.
Figure 398861DEST_PATH_IMAGE021
即，
Figure 904929DEST_PATH_IMAGE022
s.t.
Figure 324409DEST_PATH_IMAGE023
支持向量机即将在低维空间下线性不可分的数据点映射到高维空间下，使其线性可分，即：
Minimize
Figure 941335DEST_PATH_IMAGE024
其中，T为维度转换函数。
8.根据权利要求7所述的一种基于机动车排放数据的城市大气环境指标预警方法，其特征在于，引入高斯核函数如下：
Figure 28240DEST_PATH_IMAGE025
其中，取
Figure 688897DEST_PATH_IMAGE026
；
则此时
Figure 861253DEST_PATH_IMAGE027
，其中，
Figure 16290DEST_PATH_IMAGE028
；
求解出对偶问题的解
Figure 957702DEST_PATH_IMAGE029
，存在
Figure 805572DEST_PATH_IMAGE030
的一个分量
Figure 465223DEST_PATH_IMAGE031
使得
Figure 407640DEST_PATH_IMAGE032
，则原问题的解为：
Figure 203558DEST_PATH_IMAGE033
Figure 222330DEST_PATH_IMAGE034
则决策超平面为：
Figure 103698DEST_PATH_IMAGE035
决策函数为：
Figure 866118DEST_PATH_IMAGE036
在支持向量机的模型输出结果中，如输出1，则表示NOx浓度排放超标；若输出-1，则表示NOx浓度排放合格。
9.根据权利要求1-8中任一项所述的一种基于机动车排放数据的城市大气环境指标预警方法，其特征在于，神经网络训练时采用有监督样本：
Figure 782121DEST_PATH_IMAGE038
其中，m为样本数量，xi(i=1,2,3,…,m)为输入特征，yi(i=1,2,3,…,m)为标签值。
10.一种基于机动车排放数据的城市大气环境指标预警系统，其特征在于，包括：
数据采集模块，用于采样得到的大量机动车尾气排放数据，对机动车尾气排放数据进行预处理，得到预处理后的机动车尾气排放数据集；
NOx浓度反演融合模型建立模块，用于采用二模型融合方法将神经网络和支持向量机算法进行融合，获得机动车NOx浓度反演融合模型；
NOx浓度预测模块，用于利用预处理好的机动车尾气排放数据集训练NOx浓度反演融合模型，神经网络部分用于提取汽车尾气数据特征，将低层的细粒度特征与高层的粗粒度特征相融合以减少特征的丢失与网络层数增多可能带来的过拟合问题，支持向量机用于接收神经网络输出，并输出NOx浓度是否超标的预测结果。
CN202210980952.9A 2022-08-16 2022-08-16 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 Pending CN115048875A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210980952.9A CN115048875A (zh) 2022-08-16 2022-08-16 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210980952.9A CN115048875A (zh) 2022-08-16 2022-08-16 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

Publications (1)

Publication Number Publication Date
CN115048875A true CN115048875A (zh) 2022-09-13

Family

ID=83167244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210980952.9A Pending CN115048875A (zh) 2022-08-16 2022-08-16 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

Country Status (1)

Country Link
CN (1) CN115048875A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116468205A (zh) * 2023-06-20 2023-07-21 青岛朗清众睿科技有限公司 一种机动车环保检测质量监测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766454A (zh) * 2020-12-04 2021-05-07 山东科技大学 一种空气pm2.5浓度预测方法、系统、终端及存储介质
CN113269348A (zh) * 2021-04-09 2021-08-17 中国科学院合肥物质科学研究院 一种基于机器学习的机动车尾气浓度预测方法及系统
CN113379148A (zh) * 2021-06-24 2021-09-10 合肥工业大学智能制造技术研究院 基于多种机器学习算法融合的污染物浓度反演方法
CN114266200A (zh) * 2022-02-24 2022-04-01 山东大学 二氧化氮浓度预测方法及系统
CN114970922A (zh) * 2021-02-24 2022-08-30 华南师范大学 一种基于数据挖掘的大气污染预测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766454A (zh) * 2020-12-04 2021-05-07 山东科技大学 一种空气pm2.5浓度预测方法、系统、终端及存储介质
CN114970922A (zh) * 2021-02-24 2022-08-30 华南师范大学 一种基于数据挖掘的大气污染预测方法及装置
CN113269348A (zh) * 2021-04-09 2021-08-17 中国科学院合肥物质科学研究院 一种基于机器学习的机动车尾气浓度预测方法及系统
CN113379148A (zh) * 2021-06-24 2021-09-10 合肥工业大学智能制造技术研究院 基于多种机器学习算法融合的污染物浓度反演方法
CN114266200A (zh) * 2022-02-24 2022-04-01 山东大学 二氧化氮浓度预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TT丫: "深度学习之PAN详解", 《HTTPS://BLOG.CSDN.NET/WEIXIN_55073640/ARTICLE/DETAILS/122637249》 *
张向荣、冯婕、刘芳: "《人工智能前言技术丛书 模式识别》", 30 September 2019, 西安电子科技大学出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116468205A (zh) * 2023-06-20 2023-07-21 青岛朗清众睿科技有限公司 一种机动车环保检测质量监测方法及系统
CN116468205B (zh) * 2023-06-20 2023-09-08 青岛朗清众睿科技有限公司 一种机动车环保检测质量监测方法及系统

Similar Documents

Publication Publication Date Title
CN111832814B (zh) 一种基于图注意力机制的空气污染物浓度预测方法
Wen et al. A novel spatiotemporal convolutional long short-term neural network for air pollution prediction
CN108426812B (zh) 一种基于记忆神经网络的pm2.5浓度值预测方法
Hu et al. Prediction of fuel consumption for enroute ship based on machine learning
CN112116080A (zh) 一种融合了注意力机制的cnn-gru水质预测方法
CN107577910B (zh) 一种基于深层次神经网络的车辆尾气浓度反演方法
CN110555551B (zh) 一种智慧城市的空气质量大数据管理方法及系统
CN114664091A (zh) 一种基于节假日流量预测算法的预警方法及系统
Shang et al. A hybrid method for traffic incident detection using random forest-recursive feature elimination and long short-term memory network with Bayesian optimization algorithm
CN114781538A (zh) 一种ga-bp神经网络耦合决策树的空气质量预测方法和系统
Cacciola et al. Aspects about air pollution prediction on urban environment
CN108629450A (zh) 一种液化天然气公交车尾气排放预测方法
CN114154619A (zh) 一种基于cnn和bilstm的船舶轨迹预测方法
CN115048875A (zh) 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
CN117171546A (zh) 一种结合污染扩散指数的城市空气质量预测方法
Thike et al. An early stopping-based artificial neural network model for atmospheric corrosion prediction of carbon steel
Lei et al. Prediction of PM2. 5 concentration considering temporal and spatial features: A case study of Fushun, Liaoning Province
Fei et al. Vehicle exhaust concentration estimation based on an improved stacking model
Zhan et al. Prediction of air quality in major cities of China by deep learning
CN116304941A (zh) 一种基于多模型组合的海洋数据质量控制方法及装置
Bian et al. A deep learning based model for driving risk assessment
Dhole et al. An ensemble approach to multi-source transfer learning for air quality prediction
Nababan et al. Air Quality Prediction Based on Air Pollution Emissions in the City Environment Using XGBoost with SMOTE
Yang et al. Vehicular trajectory big data: Driving behavior recognition algorithm based on deep learning
CN115906669A (zh) 一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220913