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 PDFInfo
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 67
- 238000009826 distribution Methods 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims description 54
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 18
- 238000013210 evaluation model Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 14
- 239000007789 gas Substances 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 239000004215 Carbon black (E152) Substances 0.000 claims description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 4
- 229930195733 hydrocarbon Natural products 0.000 claims description 4
- 150000002430 hydrocarbons Chemical class 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 19
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000011002 quantification Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 14
- 238000007689 inspection Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
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;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和目标域无标签数据;其中,表示源域,为第条源域样本数据,为对应的运行工况,为对应的排放等级标签,为源域有标签数据中源域样本数据的条数;表示目标域,表示第条目标域样本数据,为目标域无标签数据中目标域样本数据的条数;源域样本数据和目标域样本数据统称为输入样本数据;
步骤二:构建并训练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;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,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,构建并训练特征提取器、排放分类器、边缘域判别器和条件域判别器,具体包括:训练并更新特征提取器和排放分类器的网络参数;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数据赋予的伪标签训练条件域判别器;利用边缘域判别器和条件域判别器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。
对权重函数归一化如下:
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;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和目标域无标签数据;其中,表示源域,为第条源域样本数据,为对应的运行工况,为对应的排放等级标签,为源域有标签数据中源域样本数据的条数;表示目标域,表示第条目标域样本数据,为目标域无标签数据中目标域样本数据的条数;源域样本数据和目标域样本数据统称为输入样本数据;
构建并训练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;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,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,构建并训练特征提取器、排放分类器、边缘域判别器和条件域判别器,具体包括:训练并更新特征提取器和排放分类器的网络参数;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数据赋予的伪标签训练条件域判别器;利用边缘域判别器和条件域判别器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,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,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下训练样本数据共条,组成训练样本数据集,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,训练样本数据集中的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,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中共条在路监测数据,组成目标域无标签数据,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,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,,,、分别为训练数据和在路监测数据的特征空间,、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,,目标域工况空间包含在源域工况空间中:,为源域工况空间,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:,为源域样本数据的边缘分布概率,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,为源域样本数据中属于共享工况空间的分布概率。
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和,为源域特征提取器,为目标域特征提取器,通过学习源域特征提取器和工况判别器的参数,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:
即,
在上述最大-最小化损失准则中,域判别器,指示样本数据来自于源域,是sigmoid函数,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,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,权重函数与成反比:
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:
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。
条件域判别器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,条件域判别器可以被分成类的域判别器,每个类别对应的域判别器负责匹配与类相关的源和目标域样本数据。标签分类器对每个输入样本数据的输出可以用来表示每个输入样本数据对条件域判别器的关注程度,条件域判别器的目标损失可计算为:
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为:
为的估计;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,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,类的条件判别器损失可以很容易地计算为:
其中是类域判别器输出的预测结果的拼接,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,动态权重因子的计算可在每次迭代之后进行,综合上述部分,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可以表述为:
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,为目标域中的一批样本数据个数,利用温度缩放,可以将第个样本数据属于第类的概率重新校准为:
表示一批样本数据中来自第类的概率,类相关性度量了排放分类器同时将个样本数据分类为第类和第类的可能性,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的不确定度量,定义排放分类器预测第个样本数据的熵(不确定度)为:
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:
其中,为第个样本数据预测到所有类别,起到指代所有可能值的作用,为排放分类器预测第个样本数据的熵,为第个样本数据对建模类混淆重要性的概率量化,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,每个大小为的批次中样本数据的概率被缩放到总和为,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:
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;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和目标域无标签数据;其中,表示源域,为第条源域样本数据,为对应的运行工况,为对应的排放等级标签,为源域有标签数据中源域样本数据的条数;表示目标域,表示第条目标域样本数据,为目标域无标签数据中目标域样本数据的条数;源域样本数据和目标域样本数据统称为输入样本数据;
步骤二:构建并训练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;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,使得具有共享工况的源域样本数据被赋予更大的权重;
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。
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,更新特征提取器和排放分类器的参数,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:
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;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和目标域无标签数据;其中,表示源域,为第条源域样本数据,为对应的运行工况,为对应的排放等级标签,为源域有标签数据中源域样本数据的条数;表示目标域,表示第条目标域样本数据,为目标域无标签数据中目标域样本数据的条数;源域样本数据和目标域样本数据统称为输入样本数据;
构建并训练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;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,使得具有共享工况的源域样本数据被赋予更大的权重;
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)
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)
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 |
-
2023
- 2023-03-29 CN CN202310318780.3A patent/CN116070796B/zh active Active
Patent Citations (1)
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 |