CN116070796B - 柴油车排放等级评估方法及系统 - Google Patents

柴油车排放等级评估方法及系统 Download PDF

Info

Publication number
CN116070796B
CN116070796B CN202310318780.3A CN202310318780A CN116070796B CN 116070796 B CN116070796 B CN 116070796B CN 202310318780 A CN202310318780 A CN 202310318780A CN 116070796 B CN116070796 B CN 116070796B
Authority
CN
China
Prior art keywords
domain
sample data
target
emission
condition
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
CN202310318780.3A
Other languages
English (en)
Other versions
CN116070796A (zh
Inventor
康宇
刘文清
丁焰
曹洋
张玉钧
尹航
李婧
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.)
University of Science and Technology of China USTC
Chinese Research Academy of Environmental Sciences
Hefei Institutes of Physical Science of CAS
Original Assignee
University of Science and Technology of China USTC
Chinese Research Academy of Environmental Sciences
Hefei Institutes of Physical Science of CAS
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 University of Science and Technology of China USTC, Chinese Research Academy of Environmental Sciences, Hefei Institutes of Physical Science of CAS filed Critical University of Science and Technology of China USTC
Priority to CN202310318780.3A priority Critical patent/CN116070796B/zh
Publication of CN116070796A publication Critical patent/CN116070796A/zh
Application granted granted Critical
Publication of CN116070796B publication Critical patent/CN116070796B/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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及尾气排放监测领域，公开了一种柴油车排放等级评估方法及系统，包括：构建样本数据，对源域和目标域样本数据进行预处理，生成预处理数据；根据源域有标签数据及目标域无标签数据，预测目标域可能包含的运行工况，获取源域样本的工况权重；利用工况加权后的源域样本数据以及预处理后的目标域样本数据学习系统参数，实现目标域柴油车排放等级评估。本发明在充分考虑柴油车运行工况空间不同，及其对数据分布差异产生重要影响的情况下，解决了边缘分布和条件分布重要性的动态量化，考虑了分类器类混淆的问题，实现了对柴油车排放等级的准确评估。

Description

柴油车排放等级评估方法及系统
技术领域
本发明涉及尾气排放监测领域，具体涉及一种柴油车排放等级评估方法及系统。
背景技术
随着经济的飞速发展，在地方、区域和全国范围内，机动车保有量持续增长，已成为我国大中城市空气污染的重要来源。其中，以柴油车为代表的移动污染源严重影响着空气质量，根据统计，在综合考虑车辆行驶里程和排放系数的情况下，一辆国三重型柴油车一年排放的氮氧化物相当于100辆国四小轿车排放量。对排放不达标或更低排放标准的重型柴油车而言，氮氧化物排放量会达到国四小轿车的100-200倍。针对上述情况，开展对机动车尾气污染排放监测的研究，尤其实现在路柴油车污染物排放的监测及等级评估对降低尾气排放污染具有非常重要的意义。
目前，在路机动车排放检测主要是由机动车尾气遥感监测设备实现，在无人值守的情况下自动检测并记录行驶车辆的相关污染物排放数据。然而，利用遥感检测数据来判断高排车辆需要在已知车辆工况的前提下。遥感监测设备大多依据城市道路设计固定点位，无法准确获取柴油车的运行工况及其对应排放情况，且不同监测路段，在路柴油车辆所能运行的工况不尽相同，同时受不同检测设备，环境等因素的影响，数据间存在较大的漂移问题。除此之外，传统的柴油车排放等级评估都是通过车辆检测机构的离线车检实现的，存在大量人力、物力和时间的消耗，且车辆离线车检的时间周期相对较长，难以及时掌握在路柴油车的真实排放情况，给移动污染源排放监测及治理带来困难。
发明内容
为解决上述技术问题，本发明提供一种柴油车排放等级评估方法及系统，能够有效地预测城市某道路受检柴油车的运行情况，并判定其排放等级。
为解决上述技术问题，本发明采用如下技术方案：
一种柴油车排放等级评估方法，包括：
通过柴油车自身属性、柴油车运行情况、柴油车尾气检测情况、环境情况构建样本数据
Figure SMS_1
；根据样本数据的特征维度对样本特征向量归一化处理后，作为排放等级评估模型的输入数据，排放等级评估模型的输出为柴油车的排放等级；
排放等级评估模型的训练方法，包括以下步骤：
步骤一：构建源域有标签数据
Figure SMS_12
和目标域无标签数据
Figure SMS_4
；其中，
Figure SMS_8
表示源域，
Figure SMS_5
为第
Figure SMS_9
条源域样本数据，
Figure SMS_11
为
Figure SMS_15
对应的运行工况，
Figure SMS_10
为
Figure SMS_14
对应的排放等级标签，
Figure SMS_2
为源域有标签数据中源域样本数据的条数；
Figure SMS_6
表示目标域，
Figure SMS_13
表示第
Figure SMS_17
条目标域样本数据，
Figure SMS_16
为目标域无标签数据中目标域样本数据的条数；源域样本数据
Figure SMS_18
和目标域样本数据
Figure SMS_3
统称为输入样本数据
Figure SMS_7
；
步骤二：构建并训练包含源域特征提取器
Figure SMS_19
、目标域特征提取器
Figure SMS_20
、工况判别器
Figure SMS_21
和域判别器
Figure SMS_22
的权重模型，权重模型能够区分柴油车不同运行工况并输出源域样本数据的权重，具体包括：最小化工况判别器对源域样本数据工况判别的经验损失
Figure SMS_23
；设定源域和目标域的域标签，利用最大-最小化损失准则训练域判别器；根据域判别器的输出，估计源域和目标域的共享工况，计算权重函数
Figure SMS_24
，使得具有共享工况的源域样本数据被赋予更大的权重；
步骤三：利用加权后的源域样本数据
Figure SMS_25
，构建并训练特征提取器
Figure SMS_30
、排放分类器
Figure SMS_33
、边缘域判别器
Figure SMS_28
和条件域判别器
Figure SMS_32
，具体包括：训练并更新特征提取器
Figure SMS_35
和排放分类器
Figure SMS_37
的网络参数；利用源域和目标域的域标签，以及特征提取器
Figure SMS_27
输出的高维特征训练边缘域判别器
Figure SMS_31
，利用排放分类器
Figure SMS_34
给目标域样本数据赋予的伪标签训练条件域判别器
Figure SMS_36
；利用边缘域判别器
Figure SMS_26
和条件域判别器
Figure SMS_29
的输出损失评估源域样本数据和目标域样本数据在边缘分布和条件分布上的差异距离，并计算得到边缘分布距离与条件分布距离的动态权重因子，得到训练排放等级评估模型的目标损失。
进一步地，所述柴油车自身属性包括使用时间、车辆基重、车身长度；所述柴油车运行情况包括速度、加速度、比功率；所述柴油车尾气检测情况包括一氧化碳浓度、碳氢化合物浓度、氮氧化物浓度；所述环境情况包括风速、温度、湿度、气压。
进一步地，柴油车的运行工况包括启动工况、怠速工况、小负荷工况、中等负荷工况、大负荷以及加速工况；排放等级标签包括低排放、中排放和高排放。
进一步地，步骤二中，最小化工况判别器对源域样本数据工况判别的经验损失
Figure SMS_38
时：
Figure SMS_39
；
Figure SMS_40
为交叉熵损失，
Figure SMS_41
表示运行工况，
Figure SMS_42
表示样本数据在源域的分布概率。
进一步地，步骤二中，利用最大-最小化损失准则训练域判别器
Figure SMS_43
时：
Figure SMS_44
；
即，
Figure SMS_45
Figure SMS_46
；
Figure SMS_48
，
Figure SMS_51
，
Figure SMS_53
、
Figure SMS_47
统一表示为
Figure SMS_50
，
Figure SMS_52
表示样本数据在目标域的分布概率，在
Figure SMS_54
处取到
Figure SMS_49
的最大值：
Figure SMS_55
，
Figure SMS_56
；
权重函数
Figure SMS_57
与
Figure SMS_58
成反比：
Figure SMS_59
；
对权重函数归一化如下：
Figure SMS_60
；
Figure SMS_61
为归一化后的权重函数。
进一步地，步骤三中，训练并更新特征提取器
Figure SMS_62
和排放分类器
Figure SMS_63
的网络参数时，排放分类器
Figure SMS_64
的损失函数
Figure SMS_65
：
Figure SMS_66
；
其中
Figure SMS_67
为指示函数，当
Figure SMS_68
属于类
Figure SMS_69
时值取到1，
Figure SMS_70
为排放等级类别数量。
进一步地，步骤三中训练边缘域判别器
Figure SMS_71
时，计算边缘域判别器
Figure SMS_72
的目标损失
Figure SMS_73
：
Figure SMS_74
；
其中
Figure SMS_75
为边缘域判别器
Figure SMS_76
的交叉熵损失，
Figure SMS_77
为输入样本数据
Figure SMS_78
的域标签，源域的域标签为“0”，目标域的域标签为“1”；
训练条件域判别器
Figure SMS_79
时，计算条件域判别器
Figure SMS_80
的目标损失
Figure SMS_81
：
Figure SMS_82
；
其中，条件域判别器
Figure SMS_84
可以被分成
Figure SMS_87
类的域判别器
Figure SMS_90
，
Figure SMS_83
、
Figure SMS_86
分别为与类
Figure SMS_89
相关的域判别器、与类
Figure SMS_92
相关的域判别器的交叉熵损失，
Figure SMS_85
是输入样本数据
Figure SMS_88
在类
Figure SMS_91
上的预测概率。
进一步地，步骤三中动态权重因子以及排放等级评估模型的目标损失时，定义对应于边缘域判别器的源域和目标域的边缘距离
Figure SMS_93
为：
Figure SMS_94
；
对应于条件域判别器的源域和目标域的条件距离
Figure SMS_95
为：
Figure SMS_96
；
其中
Figure SMS_97
和
Figure SMS_98
表示来自类
Figure SMS_99
的源域和目标域输入样本数据，
Figure SMS_100
为类
Figure SMS_101
上的条件判别器损失，动态权重因子
Figure SMS_102
可估计为：
Figure SMS_103
；
Figure SMS_104
为
Figure SMS_105
的估计；类
Figure SMS_106
的条件判别器损失
Figure SMS_107
计算为：
Figure SMS_108
；
Figure SMS_109
为量化两个概率分布之间差异的损失函数，
Figure SMS_110
是类
Figure SMS_111
域判别器输出的预测结果的拼接；
Figure SMS_112
，
Figure SMS_113
和
Figure SMS_114
是真实的域标签的拼接；
排放等级评估模型的目标损失
Figure SMS_115
；
其中
Figure SMS_116
为平衡系数，
Figure SMS_117
分别表示特征提取器
Figure SMS_118
、排放分类器
Figure SMS_119
、边缘域判别器
Figure SMS_120
和条件域判别器
Figure SMS_121
的模型参数。
进一步地，在得到步骤三中排放等级评估模型的目标损失前，计算最小类混淆损失
Figure SMS_122
，更新特征提取器
Figure SMS_123
和排放分类器
Figure SMS_124
的参数，将最小类混淆损失添加至步骤三中的目标损失中，得到新的目标损失，具体包括：
目标域中的排放分类器输出表示为
Figure SMS_125
,
Figure SMS_126
为目标域中的一批样本数据的个数，利用温度缩放，可以将第
Figure SMS_127
个目标域样本数据属于第
Figure SMS_128
类的概率
Figure SMS_129
重新校准为
Figure SMS_130
：
Figure SMS_131
；
其中，
Figure SMS_132
为排放分类器的逻辑输出，
Figure SMS_133
为用于缩放的温度超参数，当
Figure SMS_134
时，为普通的softmax函数，定义两个类
Figure SMS_135
和
Figure SMS_136
之间的类相关性
Figure SMS_137
：
Figure SMS_138
；
Figure SMS_139
、
Figure SMS_142
分别表示一批目标域样本数据
Figure SMS_144
中来自第
Figure SMS_140
类、第
Figure SMS_143
类的概率，
Figure SMS_145
起到指代所有可能值的作用，定义排放分类器预测第
Figure SMS_146
个目标域样本数据的熵
Figure SMS_141
为：
Figure SMS_147
；
第
Figure SMS_148
个目标域样本数据对建模类混淆重要性的概率量化
Figure SMS_149
为：
Figure SMS_150
；
Figure SMS_151
为第
Figure SMS_152
个样本数据预测到所有类别，
Figure SMS_153
起到指代所有可能值的作用；
Figure SMS_154
为相应的对角矩阵，取熵的相反值来反映确定性；类混淆定义为：
Figure SMS_155
；
对类混淆进行类别归一化，得到归一化结果
Figure SMS_156
：
Figure SMS_157
；
进而，最小类混淆损失
Figure SMS_158
被定义为：
Figure SMS_159
；
排放等级评估模型的目标损失
Figure SMS_160
为：
Figure SMS_161
；
其中
Figure SMS_162
为平衡系数。
一种柴油车排放等级评估系统，包括：排放等级评估模型和排放等级评估模型训练模块；
排放等级评估模型：通过柴油车自身属性、柴油车运行情况、柴油车尾气检测情况、环境情况构建样本数据
Figure SMS_163
；根据样本数据的特征维度对样本特征向量归一化处理后，作为排放等级评估模型的输入数据，排放等级评估模型的输出为柴油车的排放等级；
排放等级评估模型训练模块：
构建源域有标签数据
Figure SMS_168
和目标域无标签数据
Figure SMS_167
；其中，
Figure SMS_176
表示源域，
Figure SMS_166
为第
Figure SMS_170
条源域样本数据，
Figure SMS_172
为
Figure SMS_174
对应的运行工况，
Figure SMS_175
为
Figure SMS_178
对应的排放等级标签，
Figure SMS_169
为源域有标签数据中源域样本数据的条数；
Figure SMS_173
表示目标域，
Figure SMS_171
表示第
Figure SMS_180
条目标域样本数据，
Figure SMS_177
为目标域无标签数据中目标域样本数据的条数；源域样本数据
Figure SMS_179
和目标域样本数据
Figure SMS_164
统称为输入样本数据
Figure SMS_165
；
构建并训练包含源域特征提取器
Figure SMS_181
、目标域特征提取器
Figure SMS_182
、工况判别器
Figure SMS_183
和域判别器
Figure SMS_184
的权重模型，权重模型能够区分柴油车不同运行工况并输出源域样本数据的权重，具体包括：最小化工况判别器对源域样本数据工况判别的经验损失
Figure SMS_185
；设定源域和目标域的域标签，利用最大-最小化损失准则训练域判别器；根据域判别器的输出，估计源域和目标域的共享工况，计算权重函数
Figure SMS_186
，使得具有共享工况的源域样本数据被赋予更大的权重；
利用加权后的源域样本数据
Figure SMS_188
，构建并训练特征提取器
Figure SMS_194
、排放分类器
Figure SMS_198
、边缘域判别器
Figure SMS_190
和条件域判别器
Figure SMS_193
，具体包括：训练并更新特征提取器
Figure SMS_195
和排放分类器
Figure SMS_197
的网络参数；利用源域和目标域的域标签，以及特征提取器
Figure SMS_187
输出的高维特征训练边缘域判别器
Figure SMS_191
，利用排放分类器
Figure SMS_196
给目标域样本数据赋予的伪标签训练条件域判别器
Figure SMS_199
；利用边缘域判别器
Figure SMS_189
和条件域判别器
Figure SMS_192
的输出损失评估源域样本数据和目标域样本数据在边缘分布和条件分布上的差异距离，并计算得到边缘分布距离与条件分布距离的动态权重因子，得到训练排放等级评估模型的目标损失。
本发明中的系统与方法对应，方法的优选方案同样适用于系统。
与现有技术相比，本发明的有益技术效果是：
本发明在充分考虑柴油车运行工况空间不同，及其对数据分布差异产生重要影响的情况下，解决了边缘分布和条件分布重要性的动态量化，考虑了分类器类混淆的问题，实现了对柴油车排放等级的准确评估。
附图说明
图1为本发明训练方法的流程示意图；
图2为本发明的系统框架图；
图3为本发明排放等级评估方法的流程图。
具体实施方式
下面结合附图对本发明的一种优选实施方式作详细的说明。
本发明中排放等级评估模型的构建方法的大致流程如下：
S1：构建样本数据，对源域和目标域样本数据进行预处理，生成预处理数据；
S2：根据源域有标签数据及目标域无标签数据，预测目标域可能包含的运行工况，获取源域样本的工况权重；
S3：利用工况加权后的源域样本数据以及预处理后的目标域样本数据学习系统参数，实现目标域柴油车排放等级评估。
1、样本构建：
根据便携式机动车尾气排放测量系统采集得到的信息，构建样本作为排放等级评估模型的输入，包括柴油车自身属性：使用时间UseYear、车辆基重BaseWeight、车身长度Length，柴油车运行情况：速度Speed、加速度Acc、比功率VSP，柴油车尾气检测情况：一氧化碳浓度NCO、碳氢化合物浓度NHC、氮氧化物浓度NNOX以及环境情况：风速WindSpeed、温度Temperature、湿度Humidity、气压Pressure构成13维的样本特征向量
Figure SMS_200
，也称为样本数据，根据特征维度进行归一化处理，作为输入数据。
柴油车排放监测过程中，柴油车的运行工况包括启动、怠速、小负荷、中等负荷、大负荷以及加速工况，记为
Figure SMS_201
，利用便携式机动车尾气排放测量系统实现对柴油车辆全部运行工况下排放数据的采集，并记录所对应的运行工况作为柴油车排放等级评估系统的工况指示。其中，大负荷也可称为全负荷；小负荷、中等负荷、大负荷的划分是按照设定值对车辆负荷进行的划分。
排放等级标签
Figure SMS_202
为离线车检的柴油车排放级别，划分为三等：低排放、中排放和高排放。假设便携式机动车尾气排放测量系统共采集到柴油车全部运行工况
Figure SMS_206
下训练样本数据
Figure SMS_208
共
Figure SMS_203
条，组成训练样本数据集
Figure SMS_205
，且被检柴油车均为近期完成离线车检车辆，训练样本数据具有可靠的排放等级标签
Figure SMS_207
，训练样本数据集中的
Figure SMS_209
条训练样本数据以及训练样本数据对应的排放等级标签、运行工况组成源域有标签数据
Figure SMS_204
，全部用作训练。本发明中训练样本数据也称为源域样本数据，在路监测数据也称为目标域样本数据。
假设在路监测数据集
Figure SMS_219
中共
Figure SMS_213
条在路监测数据，组成目标域无标签数据
Figure SMS_215
，无可靠柴油车排放等级标签，且没有对应的柴油车运行工况记录，根据在路监测数据，准确区分在路柴油车的运行工况并对其排放等级进行预测，其中排放等级同样包含低中高三个排放等级，即排放等级标签
Figure SMS_223
，训练样本数据（源域）和在路监测数据（目标域）具有相同的特征空间和排放等级标签空间，
Figure SMS_226
，
Figure SMS_227
，
Figure SMS_229
、
Figure SMS_218
分别为训练数据和在路监测数据的特征空间，
Figure SMS_222
、
Figure SMS_210
分别为训练数据和在路监测数据的排放等级标签空间。然而，由于城市路段尾气遥感监测设备的位置固定，受路段条件限制，在路柴油车辆的运行工况
Figure SMS_214
并不会全部存在，例如在不可停车路段，极小概率出现启动工况；在上坡路段，则很少出现怠速工况等，此时，
Figure SMS_212
，目标域工况空间包含在源域工况空间中：
Figure SMS_217
，
Figure SMS_221
为源域工况空间，
Figure SMS_225
为目标域工况空间。除此之外，由于不同检测设备，环境等因素的影响，源域样本数据和目标域样本数据间存在漂移：
Figure SMS_220
，
Figure SMS_224
为源域样本数据的边缘分布概率，
Figure SMS_228
为目标域样本数据的边缘分布概率，即使处于相同运行工况下（共享工况）的源域样本数据和目标域样本数据也具有显著的分布差异，即
Figure SMS_230
，
Figure SMS_211
为源域样本数据中属于共享工况空间
Figure SMS_216
的分布概率。
2、源域样本数据工况权重获取：
基于已知工况信息的源域样本数据以及未知工况的目标域样本数据，获取源域样本数据的工况权重，以降低工况空间不同对源域样本数据分布差异的影响，加权后的源域样本数据继续参与后续计算。
首先，源域样本数据和目标域样本数据分别经过两个不同的特征提取器
Figure SMS_231
和
Figure SMS_232
，
Figure SMS_233
为源域特征提取器，
Figure SMS_234
为目标域特征提取器，通过学习源域特征提取器
Figure SMS_235
和工况判别器
Figure SMS_236
的参数，训练区分柴油车不同运行工况的模型。最小化源域样本数据工况判别的经验损失
Figure SMS_237
：
Figure SMS_238
；
Figure SMS_239
为交叉熵损失，
Figure SMS_240
表示运行工况，
Figure SMS_241
表示源域样本数据的联合分布概率；基于源域特征提取器
Figure SMS_242
学到的模型参数，设定域标签，源域为“0”，目标域为“1”。
后文中，源域样本数据
Figure SMS_243
和目标域样本数据
Figure SMS_247
统称为输入样本数据
Figure SMS_249
，
Figure SMS_245
表示第
Figure SMS_246
个输入样本数据；
Figure SMS_248
、
Figure SMS_250
统一用
Figure SMS_244
表示。
利用最大-最小化损失准则训练域判别器
Figure SMS_251
：
Figure SMS_252
；
即，
Figure SMS_253
Figure SMS_254
；
其中，上述公式对
Figure SMS_255
求偏微分
Figure SMS_256
，利用莱布尼兹规则交换微分和积分的顺序，在
Figure SMS_257
处取到
Figure SMS_258
的最大值：
Figure SMS_259
，
Figure SMS_260
；
在上述最大-最小化损失准则中，域判别器
Figure SMS_261
，
Figure SMS_264
指示样本数据来自于源域，
Figure SMS_266
是sigmoid函数，
Figure SMS_262
为域判别器的计算结果。假设域判别器已经收敛到当前特征提取器的最优值，域判别器的输出值给出了样本数据工况来自源域的可能性。因此，如果
Figure SMS_265
，则该样本数据极有可能来自源域中的离群工况（源域中除去共享工况以外所包含的柴油车运行工况），因为覆盖样本数据的区域几乎没有目标域样本数据，这些样本数据对目标域样本数据预测的贡献很小。另一方面，如果
Figure SMS_267
较小，则样本数据更可能属于源域和目标域的共享工况。具有共享工况的样本数据应该被赋予更大权重，以更好地减少数据分布差异。因此，权重函数
Figure SMS_268
与
Figure SMS_263
成反比：
Figure SMS_269
；
通过权重获得源域样本数据的相对重要程度，来自离群工况的样本数据应该比来自共享源域的样本分配相对较小的权重，权重函数归一化如下：
Figure SMS_270
。
3.车辆排放等级预测
利用加权后的源域样本数据，基于对抗的思想来帮助学习具有可转移性和类别可分性的特征，隐式对齐源域和目标域。此外，由于数据边缘分布和条件分布对域分布差异有着完全不同的贡献，评估这两个分布的相对重要性具有十分重要的意义，因此在车辆排放等级评估系统中，设计实现边缘分布和条件分布对减小域分布差异重要性的动态和定量评估，进一步实现在路柴油车排放等级的精确预测。
加权后的源域样本数据
Figure SMS_271
，经过特征提取器
Figure SMS_272
，训练排放分类器
Figure SMS_273
，可以表述为如下形式：
Figure SMS_274
；
其中
Figure SMS_275
为指示函数，当
Figure SMS_276
属于类
Figure SMS_277
时值取到1，
Figure SMS_278
为排放等级类别数量；边缘域判别器
Figure SMS_279
用于对齐源域和目标域之间的边缘分布，计算边缘域判别器的目标损失
Figure SMS_280
：
Figure SMS_281
；
其中
Figure SMS_282
为域判别器的交叉熵损失，
Figure SMS_283
为输入样本数据
Figure SMS_284
的域标签。
条件域判别器
Figure SMS_286
用于对齐源域和目标域之间的条件分布，与边缘域判别器相比，条件域判别器能够实现更细粒度的分布对齐。具体来说，条件域判别器
Figure SMS_288
可以被分成
Figure SMS_290
类的域判别器
Figure SMS_285
，每个类别对应的域判别器
Figure SMS_292
负责匹配与类
Figure SMS_293
相关的源和目标域样本数据。标签分类器
Figure SMS_294
对每个输入样本数据
Figure SMS_287
的输出可以用来表示每个输入样本数据
Figure SMS_289
对条件域判别器的关注程度，条件域判别器的目标损失
Figure SMS_291
可计算为：
Figure SMS_295
；
其中，
Figure SMS_296
和
Figure SMS_297
分别为与类
Figure SMS_298
相关的域判别器及其交叉熵损失。
Figure SMS_299
是输入样本数据
Figure SMS_300
在
Figure SMS_301
类上的预测概率。
为方便、动态和定量地评估边缘分布和条件分布的相对重要性，引入动态权重因子。在车辆排放等级评估系统中，边缘域判别和条件域判别可分别作用于边缘分布和条件分布。因此，定义对应于边缘域判别器的源域和目标域的边缘分布距离
Figure SMS_302
为：
Figure SMS_303
；
对应于条件域判别器的源域和目标域的条件分布距离
Figure SMS_304
为：
Figure SMS_305
；
其中
Figure SMS_306
和
Figure SMS_307
表示来自类
Figure SMS_308
的样本数据，
Figure SMS_309
为类
Figure SMS_310
上的条件判别器损失，最终，动态权重因子
Figure SMS_311
可估计为：
Figure SMS_312
；
Figure SMS_313
为
Figure SMS_314
的估计；此处不需要显式地额外构建分类器来计算条件距离，可以很容易地利用边缘和条件域判别器实现。更具体地，
Figure SMS_315
在初次迭代中初始化为1。每经过一次迭代，就可以得到目标域的伪标签。那么，类
Figure SMS_316
的条件判别器损失
Figure SMS_317
可以很容易地计算为：
Figure SMS_318
；
其中
Figure SMS_319
是类
Figure SMS_320
域判别器输出的预测结果的拼接，
Figure SMS_321
是真实的域标签的拼接(假设源域标签为“0”，目标域标签为“1”)。同样可以得到边缘距离，动态权重因子
Figure SMS_322
的计算可在每次迭代之后进行，综合上述部分，
Figure SMS_323
为平衡系数，车辆排放等级预测阶段，此时车辆排放等级预测方法的目标损失
Figure SMS_324
可以表述为：
Figure SMS_325
。
其中，
Figure SMS_326
分别表示特征提取器
Figure SMS_327
、排放分类器
Figure SMS_328
、边缘域判别器
Figure SMS_329
和条件域判别器
Figure SMS_330
的模型参数。
进一步地，针对在源域上训练的分类器可能会在区分正确的类和相似的类时产生混淆，提供了一个新视角，类别混淆（排放分类器将目标示例的正确类和模糊类之间的预测混淆的趋势），较少的类混淆导致更多的转移增益。目标域中的样本数据由于没有标签信息，无法计算出真实类混淆，然而不同类别之间的混淆可以通过排放分类器预测和它们的转置之间的示例加权内积自然地反映出来。从这个角度定义类混淆，使它能够通过良好校准的排放分类器预测计算。为此，提出一个新的目标损失，即，最小类别混淆(MCC)，用作与上述方法正交互补的通用正则化器，进一步加速和精确运算。
由于上述车辆排放等级预测方法倾向于做出过于自信的预测，妨碍了对类别混淆进行直接推理。因此，采用简单而有效的温度缩放技术来缓解过度自信预测的负面影响。目标域中的排放分类器输出表示为
Figure SMS_331
,
Figure SMS_332
为目标域中的一批样本数据个数，利用温度缩放，可以将第
Figure SMS_333
个样本数据属于第
Figure SMS_334
类的概率
Figure SMS_335
重新校准为
Figure SMS_336
：
Figure SMS_337
；
其中，
Figure SMS_339
为排放分类器的逻辑输出，
Figure SMS_342
为用于缩放的温度超参数，当
Figure SMS_345
时，为普通的softmax函数。
Figure SMS_340
揭示了第
Figure SMS_341
个样本数据属于
Figure SMS_344
类之间的关系，因此定义两个类
Figure SMS_346
和
Figure SMS_338
之间的类相关性
Figure SMS_343
：
Figure SMS_347
；
Figure SMS_348
表示一批样本数据
Figure SMS_351
中来自第
Figure SMS_354
类的概率，类相关性度量了排放分类器同时将
Figure SMS_349
个样本数据分类为第
Figure SMS_352
类和第
Figure SMS_355
类的可能性，
Figure SMS_357
起到指代所有可能值的作用。进而，引入一种基于不确定性的权重机制，以便更准确地量化类混淆。在这里，排放分类器给出的类预测中确定性较高的例子更可靠，应该更容易造成成对的类混淆，利用熵函数作为分布
Figure SMS_350
的不确定度量，定义排放分类器预测第
Figure SMS_353
个样本数据的熵(不确定度)
Figure SMS_356
为：
Figure SMS_358
；
虽然熵是对不确定性的一种度量，但设计需要的是一个概率分布：
Figure SMS_359
；
其中，
Figure SMS_360
为第
Figure SMS_365
个样本数据预测到所有类别，
Figure SMS_368
起到指代所有可能值的作用，
Figure SMS_362
为排放分类器预测第
Figure SMS_364
个样本数据的熵，
Figure SMS_366
为第
Figure SMS_369
个样本数据对建模类混淆重要性的概率量化，
Figure SMS_361
为相应的对角矩阵，取熵的相反值来反映确定性，为了更好地缩放，每个大小为
Figure SMS_363
的批次中样本数据的概率被缩放到总和为
Figure SMS_367
，以使每个样本数据的平均权重为1。通过这种加权机制，类混淆初步定义为：
Figure SMS_370
；
为解决类不平衡问题，进行类别归一化，得到归一化结果
Figure SMS_371
，如果两个类混淆程度高，很可能从一个类
Figure SMS_372
到另一个类
Figure SMS_373
，导致分类错误：
Figure SMS_374
；
进而，最小类混淆损失
Figure SMS_375
被定义为：
Figure SMS_376
；
最终，车辆排放等级预测方法的目标损失
Figure SMS_377
可以表述为：
Figure SMS_378
。
其中
Figure SMS_379
为平衡系数。
实施例
（1）数据准备
使用便携式机动车尾气排放测量系统跟随柴油车进行排放检测获取源域样本数据，包括13种数据特征，柴油车使用时间、柴油车基重、车身长度、速度、加速度、比功率、一氧化碳浓度、碳氢化合物浓度、氮氧化物浓度、风速、温度、湿度、气压。同时记录柴油车的运行工况，包括启动、怠速、小负荷、中等负荷、大负荷（或全负荷）以及加速工况，且源域所测柴油车均近期完成离线车检，具有可靠的排放等级标签。目标域样本数据为城市道路设置的机动车尾气遥感监测设备采集的在路柴油车排放数据，包含与源域同样的13维特征，无在路柴油车运行工况记录及可靠的排放排放等级标签数据。
由于每一种数据特征都有着不同的含义和数量级，如果直接采用数据的原始采集值会对系统模型的建立产生不利影响，因此，首先对源域和目标域的13维样本特征数据依次进行归一化处理，每一维的数值均归一化到
Figure SMS_380
之间。除此之外，设置柴油车排放等级标签，高排放柴油车设置为2，中排放柴油车设置为1，低排放柴油车设置为0。
（2）获取样本权重
构建网络包含源域特征提取器，目标域特征提取器，工况判别器和域判别器，训练得到区分柴油车不同运行工况并输出样本权重的模型。首先，依据源域样本数据的运行工况记录最小化源域样本数据工况判别的经验损失；接着，依据设定的源域（“0”）和目标域（“1”）的域标签，利用最大－最小化损失准则训练域判别器；最后，根据域判别器的输出，估计源域和目标域的共享工况，计算权重函数，使得具有共享工况的源域样本数据被赋予更大的权重，进而更好地减少数据分布差异。
（3）预测排放等级
利用加权后的源域样本数据，构建和训练特征提取器，排放分类器，边缘域判别器和条件域判别器。首先，训练并更新特征提取器和排放分类器的网络参数。然后，利用源域和目标域的域标签以及特征提取器输出的高维特征训练边缘域判别器，利用排放分类器给目标域样本赋予的伪标签训练条件域判别器。接着，利用边缘域判别器和条件域判别器的输出损失动态评估数据边缘分布和条件分布的差异距离，并计算得到两者的动态权重因子。进一步地，针对源域样本数据训练分类器的过程中存在的类混淆问题，计算最小类混淆损失，更新特征提取器和排放分类器的参数。最终得到在路柴油车的排放等级评估结果，即为高排放车辆、中排放车辆还是低排放车辆。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立技术方案，说明书的这种叙述方式仅仅是为了清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.一种柴油车排放等级评估方法，包括：
通过柴油车自身属性、柴油车运行情况、柴油车尾气检测情况、环境情况构建样本数据
Figure QLYQS_1
；根据样本数据的特征维度对样本特征向量归一化处理后，作为排放等级评估模型的输入数据，排放等级评估模型的输出为柴油车的排放等级；
排放等级评估模型的训练方法，包括以下步骤：
步骤一：构建源域有标签数据
Figure QLYQS_12
和目标域无标签数据
Figure QLYQS_3
；其中，
Figure QLYQS_8
表示源域，
Figure QLYQS_4
为第
Figure QLYQS_9
条源域样本数据，
Figure QLYQS_10
为
Figure QLYQS_14
对应的运行工况，
Figure QLYQS_11
为
Figure QLYQS_15
对应的排放等级标签，
Figure QLYQS_2
为源域有标签数据中源域样本数据的条数；
Figure QLYQS_7
表示目标域，
Figure QLYQS_13
表示第
Figure QLYQS_17
条目标域样本数据，
Figure QLYQS_16
为目标域无标签数据中目标域样本数据的条数；源域样本数据
Figure QLYQS_18
和目标域样本数据
Figure QLYQS_5
统称为输入样本数据
Figure QLYQS_6
；
步骤二：构建并训练包含源域特征提取器
Figure QLYQS_19
、目标域特征提取器
Figure QLYQS_20
、工况判别器
Figure QLYQS_21
和域判别器
Figure QLYQS_22
的权重模型，权重模型能够区分柴油车不同运行工况并输出源域样本数据的权重，具体包括：最小化工况判别器对源域样本数据工况判别的经验损失
Figure QLYQS_23
；设定源域和目标域的域标签，利用最大-最小化损失准则训练域判别器；根据域判别器的输出，估计源域和目标域的共享工况，计算权重函数
Figure QLYQS_24
，使得具有共享工况的源域样本数据被赋予更大的权重；
步骤三：利用加权后的源域样本数据
Figure QLYQS_26
，构建并训练特征提取器
Figure QLYQS_29
、排放分类器
Figure QLYQS_33
、边缘域判别器
Figure QLYQS_27
和条件域判别器
Figure QLYQS_30
，具体包括：训练并更新特征提取器
Figure QLYQS_34
和排放分类器
Figure QLYQS_36
的网络参数；利用源域和目标域的域标签，以及特征提取器
Figure QLYQS_25
输出的高维特征训练边缘域判别器
Figure QLYQS_31
，利用排放分类器
Figure QLYQS_35
给目标域样本数据赋予的伪标签训练条件域判别器
Figure QLYQS_37
；利用边缘域判别器
Figure QLYQS_28
和条件域判别器
Figure QLYQS_32
的输出损失评估源域样本数据和目标域样本数据在边缘分布和条件分布上的差异距离，并计算得到边缘分布距离与条件分布距离的动态权重因子，得到训练排放等级评估模型的目标损失。
2.根据权利要求1所述的柴油车排放等级评估方法，其特征在于：所述柴油车自身属性包括使用时间、车辆基重、车身长度；所述柴油车运行情况包括速度、加速度、比功率；所述柴油车尾气检测情况包括一氧化碳浓度、碳氢化合物浓度、氮氧化物浓度；所述环境情况包括风速、温度、湿度、气压。
3.根据权利要求1所述的柴油车排放等级评估方法，其特征在于：柴油车的运行工况包括启动工况、怠速工况、小负荷工况、中等负荷工况、大负荷以及加速工况；排放等级标签包括低排放、中排放和高排放。
4.根据权利要求1所述的柴油车排放等级评估方法，其特征在于：步骤二中，最小化工况判别器对源域样本数据工况判别的经验损失
Figure QLYQS_38
时：
Figure QLYQS_39
；
Figure QLYQS_40
为交叉熵损失，
Figure QLYQS_41
表示运行工况，
Figure QLYQS_42
表示样本数据在源域的分布概率。
5.根据权利要求4所述的柴油车排放等级评估方法，其特征在于：步骤二中，利用最大-最小化损失准则训练域判别器
Figure QLYQS_43
时：
Figure QLYQS_44
；
即，
Figure QLYQS_45
Figure QLYQS_46
；
Figure QLYQS_47
，
Figure QLYQS_50
，
Figure QLYQS_52
、
Figure QLYQS_48
统一表示为
Figure QLYQS_51
，
Figure QLYQS_53
表示样本数据在目标域的分布概率，在
Figure QLYQS_54
处取到
Figure QLYQS_49
的最大值：
Figure QLYQS_55
，
Figure QLYQS_56
；
权重函数
Figure QLYQS_57
与
Figure QLYQS_58
成反比：
Figure QLYQS_59
；
对权重函数归一化如下：
Figure QLYQS_60
；
Figure QLYQS_61
为归一化后的权重函数。
6.根据权利要求1所述的柴油车排放等级评估方法，其特征在于：步骤三中，训练并更新特征提取器
Figure QLYQS_62
和排放分类器
Figure QLYQS_63
的网络参数时，排放分类器
Figure QLYQS_64
的损失函数
Figure QLYQS_65
：
Figure QLYQS_66
；
其中
Figure QLYQS_67
为指示函数，当
Figure QLYQS_68
属于类
Figure QLYQS_69
时值取到1，
Figure QLYQS_70
为排放等级类别数量。
7.根据权利要求6所述的柴油车排放等级评估方法，其特征在于：步骤三中训练边缘域判别器
Figure QLYQS_71
时，计算边缘域判别器
Figure QLYQS_72
的目标损失
Figure QLYQS_73
：
Figure QLYQS_74
；
其中
Figure QLYQS_75
为边缘域判别器
Figure QLYQS_76
的交叉熵损失，
Figure QLYQS_77
为输入样本数据
Figure QLYQS_78
的域标签，源域的域标签为“0”，目标域的域标签为“1”；
训练条件域判别器
Figure QLYQS_79
时，计算条件域判别器
Figure QLYQS_80
的目标损失
Figure QLYQS_81
：
Figure QLYQS_82
；
其中，条件域判别器
Figure QLYQS_84
被分成
Figure QLYQS_86
类的域判别器
Figure QLYQS_89
，
Figure QLYQS_85
、
Figure QLYQS_87
分别为与类
Figure QLYQS_90
相关的域判别器、与类
Figure QLYQS_92
相关的域判别器的交叉熵损失，
Figure QLYQS_83
是输入样本数据
Figure QLYQS_88
在类
Figure QLYQS_91
上的预测概率。
8.根据权利要求7所述的柴油车排放等级评估方法，其特征在于，步骤三中动态权重因子以及排放等级评估模型的目标损失时，定义对应于边缘域判别器的源域和目标域的边缘距离
Figure QLYQS_93
为：
Figure QLYQS_94
；
对应于条件域判别器的源域和目标域的条件距离
Figure QLYQS_95
为：
Figure QLYQS_96
；
其中
Figure QLYQS_97
和
Figure QLYQS_98
分别表示来自类
Figure QLYQS_99
的源域和目标域输入样本数据，
Figure QLYQS_100
为类
Figure QLYQS_101
上的条件判别器损失，动态权重因子
Figure QLYQS_102
可估计为：
Figure QLYQS_103
；
Figure QLYQS_104
为
Figure QLYQS_105
的估计；类
Figure QLYQS_106
的条件判别器损失
Figure QLYQS_107
计算为：
Figure QLYQS_108
；
Figure QLYQS_109
为量化两个概率分布之间差异的损失函数，
Figure QLYQS_110
是类
Figure QLYQS_111
域判别器输出的预测结果的拼接；
Figure QLYQS_112
，
Figure QLYQS_113
和
Figure QLYQS_114
是真实的域标签的拼接；
排放等级评估模型的目标损失
Figure QLYQS_115
；
其中
Figure QLYQS_116
为平衡系数，
Figure QLYQS_117
分别表示特征提取器
Figure QLYQS_118
、排放分类器
Figure QLYQS_119
、边缘域判别器
Figure QLYQS_120
和条件域判别器
Figure QLYQS_121
的模型参数。
9.根据权利要求8所述的柴油车排放等级评估方法，其特征在于：在得到步骤三中排放等级评估模型的目标损失前，计算最小类混淆损失
Figure QLYQS_122
，更新特征提取器
Figure QLYQS_123
和排放分类器
Figure QLYQS_124
的参数，将最小类混淆损失添加至步骤三中的目标损失中，得到新的目标损失，具体包括：
目标域中的排放分类器输出表示为
Figure QLYQS_125
,
Figure QLYQS_126
为目标域中的一批样本数据
Figure QLYQS_127
的个数，利用温度缩放，将第
Figure QLYQS_128
个目标域样本数据属于第
Figure QLYQS_129
类的概率
Figure QLYQS_130
重新校准为
Figure QLYQS_131
：
Figure QLYQS_132
；
其中，
Figure QLYQS_133
为排放分类器的逻辑输出，
Figure QLYQS_134
为用于缩放的温度超参数，当
Figure QLYQS_135
时，为普通的softmax函数，定义两个类
Figure QLYQS_136
和
Figure QLYQS_137
之间的类相关性
Figure QLYQS_138
：
Figure QLYQS_139
；
Figure QLYQS_141
、
Figure QLYQS_144
分别表示一批目标域样本数据
Figure QLYQS_146
中来自第
Figure QLYQS_142
类、第
Figure QLYQS_143
类的概率，
Figure QLYQS_145
起到指代所有可能值的作用，定义排放分类器预测第
Figure QLYQS_147
个目标域样本数据的熵
Figure QLYQS_140
为：
Figure QLYQS_148
；
第
Figure QLYQS_149
个目标域样本数据对建模类混淆重要性的概率量化
Figure QLYQS_150
为：
Figure QLYQS_151
；
Figure QLYQS_152
为第
Figure QLYQS_153
个样本数据预测到所有类别，
Figure QLYQS_154
起到指代所有可能值的作用；
Figure QLYQS_155
为相应的对角矩阵，取熵的相反值来反映确定性；类混淆定义为：
Figure QLYQS_156
；
对类混淆进行类别归一化，得到归一化结果
Figure QLYQS_157
：
Figure QLYQS_158
；
进而，最小类混淆损失
Figure QLYQS_159
被定义为：
Figure QLYQS_160
；
排放等级评估模型的目标损失
Figure QLYQS_161
为：
Figure QLYQS_162
；
其中
Figure QLYQS_163
为平衡系数。
10.一种柴油车排放等级评估系统，包括：排放等级评估模型和排放等级评估模型训练模块；
排放等级评估模型：通过柴油车自身属性、柴油车运行情况、柴油车尾气检测情况、环境情况构建样本数据
Figure QLYQS_164
；根据样本数据的特征维度对样本特征向量归一化处理后，作为排放等级评估模型的输入数据，排放等级评估模型的输出为柴油车的排放等级；
排放等级评估模型训练模块：
构建源域有标签数据
Figure QLYQS_172
和目标域无标签数据
Figure QLYQS_167
；其中，
Figure QLYQS_169
表示源域，
Figure QLYQS_174
为第
Figure QLYQS_178
条源域样本数据，
Figure QLYQS_176
为
Figure QLYQS_180
对应的运行工况，
Figure QLYQS_177
为
Figure QLYQS_181
对应的排放等级标签，
Figure QLYQS_165
为源域有标签数据中源域样本数据的条数；
Figure QLYQS_173
表示目标域，
Figure QLYQS_168
表示第
Figure QLYQS_171
条目标域样本数据，
Figure QLYQS_175
为目标域无标签数据中目标域样本数据的条数；源域样本数据
Figure QLYQS_179
和目标域样本数据
Figure QLYQS_166
统称为输入样本数据
Figure QLYQS_170
；
构建并训练包含源域特征提取器
Figure QLYQS_182
、目标域特征提取器
Figure QLYQS_183
、工况判别器
Figure QLYQS_184
和域判别器
Figure QLYQS_185
的权重模型，权重模型能够区分柴油车不同运行工况并输出源域样本数据的权重，具体包括：最小化工况判别器对源域样本数据工况判别的经验损失
Figure QLYQS_186
；设定源域和目标域的域标签，利用最大-最小化损失准则训练域判别器；根据域判别器的输出，估计源域和目标域的共享工况，计算权重函数
Figure QLYQS_187
，使得具有共享工况的源域样本数据被赋予更大的权重；
利用加权后的源域样本数据
Figure QLYQS_191
，构建并训练特征提取器
Figure QLYQS_195
、排放分类器
Figure QLYQS_198
、边缘域判别器
Figure QLYQS_189
和条件域判别器
Figure QLYQS_192
，具体包括：训练并更新特征提取器
Figure QLYQS_196
和排放分类器
Figure QLYQS_199
的网络参数；利用源域和目标域的域标签，以及特征提取器
Figure QLYQS_188
输出的高维特征训练边缘域判别器
Figure QLYQS_194
，利用排放分类器
Figure QLYQS_197
给目标域样本数据赋予的伪标签训练条件域判别器
Figure QLYQS_200
；利用边缘域判别器
Figure QLYQS_190
和条件域判别器
Figure QLYQS_193
的输出损失评估源域样本数据和目标域样本数据在边缘分布和条件分布上的差异距离，并计算得到边缘分布距离与条件分布距离的动态权重因子，得到训练排放等级评估模型的目标损失。
CN202310318780.3A 2023-03-29 2023-03-29 柴油车排放等级评估方法及系统 Active CN116070796B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310318780.3A CN116070796B (zh) 2023-03-29 2023-03-29 柴油车排放等级评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310318780.3A CN116070796B (zh) 2023-03-29 2023-03-29 柴油车排放等级评估方法及系统

Publications (2)

Publication Number Publication Date
CN116070796A CN116070796A (zh) 2023-05-05
CN116070796B true CN116070796B (zh) 2023-06-23

Family

ID=86173493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310318780.3A Active CN116070796B (zh) 2023-03-29 2023-03-29 柴油车排放等级评估方法及系统

Country Status (1)

Country Link
CN (1) CN116070796B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657651A (zh) * 2021-07-27 2021-11-16 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) 基于深度迁移学习的柴油车排放预测方法、介质及设备

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10068171B2 (en) * 2015-11-12 2018-09-04 Conduent Business Services, Llc Multi-layer fusion in a convolutional neural network for image classification
JP6636973B2 (ja) * 2017-03-01 2020-01-29 日本電信電話株式会社 マスク推定装置、マスク推定方法およびマスク推定プログラム
US20200130177A1 (en) * 2018-10-29 2020-04-30 Hrl Laboratories, Llc Systems and methods for few-shot transfer learning
CN111814871B (zh) * 2020-06-13 2024-02-09 浙江大学 一种基于可靠权重最优传输的图像分类方法
CN111728609B (zh) * 2020-08-26 2020-11-17 腾讯科技（深圳）有限公司 脑电信号的分类方法、分类模型的训练方法、装置及介质
CN114139676A (zh) * 2020-09-02 2022-03-04 富士通株式会社 领域自适应神经网络的训练方法
CN113159126B (zh) * 2021-03-22 2022-08-12 河海大学 基于通用域适应的工业物联网设备故障诊断方法
CN114492574A (zh) * 2021-12-22 2022-05-13 中国矿业大学 基于高斯均匀混合模型的伪标签损失无监督对抗域适应图片分类方法
CN114983343A (zh) * 2022-05-31 2022-09-02 南京润楠医疗电子研究院有限公司 睡眠分期方法及其系统、计算机可读存储介质、电子设备
CN115018004A (zh) * 2022-06-29 2022-09-06 山东建筑大学 一种基于知识迁移的建筑工地空气质量预测方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657651A (zh) * 2021-07-27 2021-11-16 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) 基于深度迁移学习的柴油车排放预测方法、介质及设备

Also Published As

Publication number Publication date
CN116070796A (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
Zhao et al. Development of a representative urban driving cycle construction methodology for electric vehicles: A case study in Xi’an
CN106778804B (zh) 基于类别属性迁移学习的零样本图像分类方法
CN111832225A (zh) 一种构建汽车行驶工况的方法
Li et al. Prediction of electric bus energy consumption with stochastic speed profile generation modelling and data driven method based on real-world big data
CN108629450A (zh) 一种液化天然气公交车尾气排放预测方法
CN114596726B (zh) 基于可解释时空注意力机制的停车泊位预测方法
Meng et al. Improving automobile insurance claims frequency prediction with telematics car driving data
CN110674858A (zh) 一种基于时空关联与大数据挖掘的交通拥堵检测方法
WO2023236619A1 (zh) 一种交通排放配额分配过程中离群数据识别的优化方法
Gao et al. What can we learn from telematics car driving data: A survey
CN115422747A (zh) 一种机动车尾气污染物排放量的计算方法和计算装置
CN115829081A (zh) 一种基于支持向量回归模型的城市交通碳排放预测方法
CN118364865A (zh) 公路交通气象环境能见度分钟级预测方法及预警系统
CN108053646B (zh) 基于时间敏感特征的交通特征获取方法、预测方法及系统
Zhao et al. Understanding the spatio-temporally heterogeneous effects of built environment on urban travel emissions
CN116070796B (zh) 柴油车排放等级评估方法及系统
Guo et al. Traffic Flow Forecasting for Road Tunnel Using PSO‐GPR Algorithm with Combined Kernel Function
Fei et al. Discrimination of excessive exhaust emissions of vehicles based on Catboost algorithm
CN116859247B (zh) 基于多源迁移学习的电动汽车锂电池soh估算方法
Li et al. Traffic peak period detection using traffic index cloud maps
CN113313008B (zh) 基于YOLOv3网络和均值漂移的目标与识别跟踪方法
Xie et al. On-road high-emitting vehicle identification by an automatic hyperparameter optimization model based on a remote sensing system
Xia et al. An ASM-CF model for anomalous trajectory detection with mobile trajectory big data
Niroomand et al. Integrating Machine Learning for Predicting Internal Combustion Engine Performance and Segment-Based CO 2 Emissions Across Urban and Rural settings
Zhao et al. Real-Time Carbon Emission Monitoring and Prediction Method of Expressway Based on LSTM

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