CN116415491A - 车辆排放预测方法、装置、设备以及存储介质 - Google Patents
车辆排放预测方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN116415491A CN116415491A CN202310265754.9A CN202310265754A CN116415491A CN 116415491 A CN116415491 A CN 116415491A CN 202310265754 A CN202310265754 A CN 202310265754A CN 116415491 A CN116415491 A CN 116415491A
- Authority
- CN
- China
- Prior art keywords
- emission
- vehicle
- target
- emission prediction
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 34
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 claims abstract description 21
- 239000004202 carbamide Substances 0.000 claims abstract description 21
- 238000006243 chemical reaction Methods 0.000 claims abstract description 18
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 230000005540 biological transmission Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 241000283153 Cetacea Species 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000003344 environmental pollutant Substances 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241000544061 Cuculus canorus Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域，尤其涉及一种车辆排放预测方法、装置、设备及存储介质，该方法包括：获取样本车况数据，所述样本车况数据至少包括：目标车辆的Nox值、发动机转速、车速、排温、尿素液位以及SCR转化效率参数；对所述样本车况数据进行切片组合，得到排放与这些远程数据的组合关系，进行拟合得到排放预测模型，并对所述排放预测模型进行训练得到目标排放预测模型，所述目标排放预测模型为一种循环神经网络模型；获取目标车辆传输的当前的车况数据，输入至所述目标排放预测模型，得到目标车辆的排放预测结果，从而快速有效地判断出车辆的排放水平。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种车辆排放预测方法、装置、设备以及存储介质。
背景技术
近年来国家和地方加强了针对重型车排放污染情况的监管，在加大监管力度的同时，还扩大车型覆盖范围，部分地方环保检查覆盖率甚至达到100％。国六排放标准对车辆及排放关键件提出了排放质保要求，对在有效寿命期(N2：6年/30万km，N3：7年/70万km)内，车辆排放污染物要满足法规要求。因此，如何快速有效地判断车辆当时的排放水平成为当前亟待解决的技术问题。
目前，常用的监测方法不能进行实车现场排查评估，故而不能基于目前的远程终端数据，如Nox值、发动机转速、车速、排温、尿素液位以及SCR转化效率等参数，进行远程综合分析，实现快速有效判断车辆排放水平。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种车辆排放预测方法、装置、设备及存储介质，旨在解决现有技术中难以快速有效地判断车辆的排放水平的技术问题。
为实现上述目的，本发明提供一种车辆排放预测方法，所述车辆排放预测方法包括以下步骤：
获取样本车况数据，所述样本车况数据至少包括：目标车辆的Nox值、发动机转速、车速、排温、尿素液位以及SCR转化效率参数；
对所述样本车况数据进行切片组合，得到排放与这些远程数据的组合关系，进行拟合得到排放预测模型，并对所述排放预测模型进行训练得到目标排放预测模型，所述目标排放预测模型为一种循环神经网络模型；
获取目标车辆传输的当前的车况数据，输入至所述目标排放预测模型，得到目标车辆的排放预测结果。
可选地，所述对所述样本车况数据进行切片组合，得到排放与这些远程数据的组合关系，进行拟合得到排放预测模型，包括：
通过数字化编码加权，计算所述排放与这些远程数据的组合关系的最优特征差异适应度函数；
根据所述最优特征差异适应度函数对应建立排放预测模型。
可选地，所述对所述排放预测模型进行训练得到目标排放预测模型，包括：
将所述样本车况数据输入所述目标排放预测模型中，得到目标排放预测结果；
根据所述目标排放预测结果和实际排放结果计算预测误差；
若所述预测误差不满足预测精度要求，则对所述排放预测模型的参数进行更新；
重复上述操作，直到所述预测误差满足预测精度要求，以得到目标排放预测模型。
可选地，所述对所述排放预测模型的参数进行更新，包括：
将所述排放预测模型的参数转化为猎物；
通过WOA方法对所述排放预测模型中的输入门、遗忘门以及输出门参数进行更新，并增加一次迭代次数；
在所述排放预测模型不满足准确度或者所述迭代次数大于预设次数时，通过鲸鱼优化方法对猎物进行搜索，并对所述猎物进行包围或者螺旋运动，直到满足预设条件，得到所述排放预测模型的参数。
可选地，所述获取目标车辆传输的当前的车况数据，输入至所述目标排放预测模型，得到目标车辆的排放预测结果之后，还包括：
获取目标城市的全部车辆传输的排放预测结果与城市道路污染排放数据；
根据所述城市的全部车辆传输的排放预测结果与城市道路污染排放数据对改进的ANN模型进行训练，得到目标改进的ANN模型；
将全部车辆传输的排放预测结果输入至所述目标改进的ANN模型进行训练，得到预测的当前城市道路污染排放数据。
可选地，所述根据所述城市的全部车辆传输的排放预测结果与城市道路污染排放数据对改进的ANN模型进行训练，得到目标改进的ANN模型，包括：
初始化ANN模型的权重，并根据所述城市的全部车辆传输的排放预测结果与城市道路污染排放数据计算ANN模型的隐藏层和输出层的输出；
若所述隐藏层和输出层的输出的误差大于阈值，则获取ANN模型权重，训练ANN模型直到得到满足阈值的权重，并根据所述满足阈值的权重得到目标改进的ANN模型。
可选地，所述获取目标车辆传输的当前的车况数据，输入至所述目标排放预测模型，得到目标车辆的排放预测结果之后，还包括：
在所述目标车辆的排放预测结果大于或等于预设排量时，发出预警并调节减少目标车辆的排量；
发出车辆排放超标通知，并发出目标车辆检修保养建议。
此外，为实现上述目的，本发明还提出一种车辆排放预测装置，所述车辆排放预测装置包括：
采集模块，用于获取样本车况数据，所述样本车况数据至少包括：目标车辆的Nox值、发动机转速、车速、排温、尿素液位以及SCR转化效率参数；
建模模块，用于对所述样本车况数据进行切片组合，得到排放与这些远程数据的组合关系拟合得到排放预测模型，并对所述排放预测模型进行训练得到目标排放预测模型；
预测模块，用于获取目标车辆传输的当前的车况数据，输入至所述目标排放预测模型，得到目标车辆的排放预测结果。
此外，为实现上述目的，本发明还提出一种车辆排放预测设备，所述设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行的车辆排放预测程序，所述车辆排放预测程序配置为实现如上文所述的车辆排放预测方法。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有车辆排放预测程序，所述车辆排放预测程序被处理器执行时实现如上文所述的车辆排放预测方法。
本发明其公开了一种车辆排放预测方法、装置、设备及存储介质，该方法包括：获取样本车况数据，所述样本车况数据至少包括：目标车辆的Nox值、发动机转速、车速、排温、尿素液位以及SCR转化效率参数；对所述样本车况数据进行切片组合，得到排放与这些远程数据的组合关系，进行拟合得到排放预测模型，并对所述排放预测模型进行训练得到目标排放预测模型，所述目标排放预测模型为一种循环神经网络模型；获取目标车辆传输的当前的车况数据，输入至所述目标排放预测模型，得到目标车辆的排放预测结果，从而快速有效地判断出车辆的排放水平。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的车辆排放预测设备结构示意图；
图2为本发明车辆排放预测方法第一实施例的流程示意图；
图3为本发明车辆排放预测方法第二实施例的流程示意图；
图4为本发明车辆排放预测方法一实施例的正常情况NOX预估值与限值的关系图；
图5为本发明车辆排放预测方法一实施例的异常情况NOX预估值与限值的关系图；
图6为本发明车辆排放预测方法第三实施例的流程示意图；
图7为本发明车辆排放预测装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
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的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的车辆排放预测设备结构示意图。
如图1所示，该车辆排放预测设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的存储器(Non-volatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对车辆排放预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及车辆排放预测程序。
在图1所示的车辆排放预测设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述车辆排放预测设备通过处理器1001调用存储器1005中存储的车辆排放预测程序，并执行本发明实施例提供的车辆排放预测方法。
基于上述硬件结构，提出本发明车辆排放预测方法的实施例。
参照图2，图2为本发明车辆排放预测方法第一实施例的流程示意图，提出本发明车辆排放预测方法第一实施例。
在第一实施例中，所述车辆排放预测方法包括以下步骤：
步骤S10：获取样本车况数据，所述样本车况数据至少包括：目标车辆的Nox值、发动机转速、车速、排温、尿素液位以及SCR转化效率参数。
理解的是，本实施例的执行主体是为车辆排放预测设备，该车辆排放预测设备具有数据处理、数据通信及程序运行等功能。
在具体实现中，车辆排放预测设备发送收集指令到Nox值传感器、发动机转速检测器、温度传感器以及尿素液位器等，以使所述Nox值传感器、发动机转速检测器、温度传感器以及尿素液位器等在接收到了收集指令后开始收集目标车辆的Nox值、发动机转速、车速、排温、尿素液位以及SCR转化效率参数，从而得到目标车辆的样本车况数据。
需要说明的是，整车在随着车辆运行里程或者运行时间的不断增长，一些关键零部件，尤其是排放关键件(如发动机、后处理、尿素系统、ECU及各传感器等)会出现不同程度的老化或劣化，导致整车排放污染物出现恶化的情况，运行的车辆数量庞大，快速有效地判断车辆当时的排放水平，且不用实车现场排查评估，需要基于目前的远程终端数据，如Nox值、发动机转速、车速、排温、尿素液位以及SCR转化效率等参数，进行远程综合分析。
步骤S20：对所述样本车况数据进行切片组合，得到排放与这些远程数据的组合关系，进行拟合得到排放预测模型，并对所述排放预测模型进行训练得到目标排放预测模型，所述目标排放预测模型为一种循环神经网络模型。
应该清楚的是，所述样本车况数据进行切片组合具体为对Nox值、发动机转速、车速、排温、尿素液位以及SCR转化效率数据进行切片和分割，并计算所述排放与这些远程数据的组合关系的最优特征差异适应度函数，得到目标排放预测模型
应理解的是，本模型是基于远程终端数据的整车排放预测模型，在市场上运行的车辆有不同的运行里程的，也有不同运行时间的，因为车辆运行过程中，通过装载在车辆上的T-BOX等终端设备采集并实时传输车辆运行的相关数据到企业的远程终端服务平台。通过对采集的排放数据和相关运行数据进行切片、组合等综合分析，得出车辆当前的排放情况，最终判断车辆是否有超排、或者可能超排的情况，提前对车辆进行预警，如果超排或可能超排，则联系用户对车辆进行检修保养。
在具体实施中，通过数字化编码加权，计算所述排放与这些远程数据的组合关系的最优特征差异适应度函数；将所述样本车况数据输入所述目标排放预测模型中，得到识别结果；根据所述识别结果计算识别误差；若所述识别误差不满足识别精度要求，则对所述排放预测模型的参数进行更新；重复上述操作，直到所述识别误差满足识别精度要求，以得到目标排放预测模型。
步骤S30：获取目标车辆传输的当前的车况数据，输入至所述目标排放预测模型，得到目标车辆的排放预测结果。
在具体实施中，在获取目标车辆传输的当前的车况数据，输入至所述目标排放预测模型，得到目标车辆的排放预测结果；获取目标城市的全部车辆传输的排放预测结果与城市道路污染排放数据；根据所述城市的全部车辆传输的排放预测结果与城市道路污染排放数据对改进的ANN模型进行训练，得到目标改进的ANN模型；将全部车辆传输的排放预测结果输入至所述目标改进的ANN模型进行训练，得到预测的当前城市道路污染排放数据，从而可以实时对城市道路的污染排放进行检测。
在本实施例中，获取样本车况数据，所述样本车况数据至少包括：目标车辆的Nox值、发动机转速、车速、排温、尿素液位以及SCR转化效率参数；对所述样本车况数据进行切片组合，得到排放与这些远程数据的组合关系，进行拟合得到排放预测模型，并对所述排放预测模型进行训练得到目标排放预测模型，所述目标排放预测模型为一种循环神经网络模型；获取目标车辆传输的当前的车况数据，输入至所述目标排放预测模型，得到目标车辆的排放预测结果，从而快速有效地判断出车辆的排放水平。
参照图3，图3为本发明车辆排放预测方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明车辆排放预测方法的第二实施例。
在第二实施例中，所述步骤S20，包括：
步骤S201：将所述样本车况数据输入所述目标排放预测模型中，得到目标排放预测结果。
需要说明的是，通过分析整车的远程终端数据，来判断整车当前的排放水平。本方法重点在如何通过远程终端数据的综合分析污染物的排放水平，且通过整车运行故障情况、尿素液位、排温、SCR转化效率等情况综合评定，得出排放与这些远程数据的组合关系，最终拟合出一种排放预测模型，如图4和如图5所示分别为正常情况Nox预估值与阈值的关系和异常情况的Nox预估值与阈值的关系，明显可以看出，在异常情况下，Nox预估值超出了阈值，此时需要在所述目标车辆的排放预测结果大于或等于预设排量时，发出预警并调节降低排量；发出车辆排放超标通知，并发出目标车辆检修保养建议，车主在收到车辆检修保养建议，会对车辆进行检修，以使车辆重新达到正常状态。
步骤S202：根据所述目标排放预测结果和实际排放结果计算预测误差。
需要说明的是，通过数字化编码加权，计算所述排放与这些远程数据的组合关系的最优特征差异适应度函数；根据所述最优特征差异适应度函数对应建立排放预测模型，这里是将目标排放预测结果和实际排放结果进行作差，得到预测误差，并会根据误差值对系统重新进行调整，得到新的系统，在当预测值满足误差范围时，得到满足要求的排放预测模型。
步骤S203：若所述识别误差不满足识别精度要求，则对所述排放预测模型的参数进行更新。
在具体实施中，将所述排放预测模型的参数转化为猎物；通过WOA方法对所述排放预测模型中的输入门、遗忘门以及输出门参数进行更新，并增加一次迭代次数；在所述排放预测模型不满足准确度或者所述迭代次数大于预设次数时，通过鲸鱼优化方法对猎物进行搜索，并对所述猎物进行包围或者螺旋运动，直到满足预设条件，得到所述排放预测模型的参数。
需要说明的是，本实施例排放预测模型采用的是LSTM神经网络，作为循环神经网络的一种，主要特点是在网络训练过程中考虑了历史时间序列的影响，将当前时刻之前的若干历史时刻作为隐藏层进行加权训练，从而获得当前时刻的输出。对于历史时刻的隐藏层输出，LSTM采用记忆节点及遗忘门等方式来灵活选择多个历史时刻进行循环训练。
应当清楚的是，WOA模拟鲸鱼猎食过程来进行优化求解，其中主要包括猎物搜索、包围捕食和气泡攻击3个阶段，通过所述方法对排放预测模型的参数进行更新。
步骤S204：重复上述操作，直到所述识别误差满足识别精度要求，以得到目标排放预测模型。
在具体实施中，如何通过远程终端数据的分析污染物的排放水平，为防止小样本的局限性，本方法主要是通过大数据多样本的综合分析进行计算，结合整车运行的故障、尿素液位、排温、SCR转化效率等数据，从另外角度分析排放情况和原因，使得排放预测模型更加准确。
在本实施例中，获取样本车况数据，所述样本车况数据至少包括：目标车辆的Nox值、发动机转速、车速、排温、尿素液位以及SCR转化效率参数；对所述样本车况数据进行切片组合，得到排放与这些远程数据的组合关系，进行拟合得到排放预测模型，将所述样本车况数据输入所述目标排放预测模型中，得到目标排放预测结果；根据所述目标排放预测结果和实际排放结果计算预测误差；若所述预测误差不满足预测精度要求，则对所述排放预测模型的参数进行更新；重复上述操作，直到所述预测误差满足预测精度要求，以得到目标排放预测模型。获取目标车辆传输的当前的车况数据，输入至所述目标排放预测模型，得到目标车辆的排放预测结果，从而实现对目标车辆的排放精确预测。
参照图6，图6为本发明车辆排放预测方法第三实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明车辆排放预测方法的第三实施例。
在第三实施例中，所述步骤S30之后，还包括：
步骤S40：获取目标城市的全部车辆传输的排放预测结果与城市道路污染排放数据。
在具体实施中，初始化ANN模型的权重，并根据所述城市的全部车辆传输的排放预测结果与城市道路污染排放数据计算ANN模型的隐藏层和输出层的输出；若所述隐藏层和输出层的输出的误差大于阈值，则获取ANN模型权重，训练ANN模型直到得到满足阈值的权重，并根据所述满足阈值的权重得到目标改进的ANN模型。
步骤S50：根据所述城市的全部车辆传输的排放预测结果与城市道路污染排放数据对改进的ANN模型进行训练，得到目标改进的ANN模型。
需要说明的是，初始化ANN模型的权重，并根据所述城市的全部车辆传输的排放预测结果与城市道路污染排放数据计算隐藏层和输出层的输出；若所述隐藏层和输出层的输出的误差大于阈值，则通过雷维飞行获取ANN模型权重，并用CS和布谷鸟训练ANN模型直到得到满足阈值的权重，并根据所述满足阈值的权重得到目标改进的ANN模型。
步骤S60：将全部车辆传输的排放预测结果输入至所述目标改进的ANN模型进行训练，得到预测的当前城市道路污染排放数据。
需要说明的是，将全部车辆传输的排放预测结果，输入到混合CS-ANN模型中，以预测当前城市道路污染排放数据。具体的，所述混合CS-ANN算法是布谷鸟搜索算法改进后的ANN模型，而对于所提出的模型，在高精度预测河流流量方面优于独立模型，有较高准确率和较强鲁棒性。
在本实施例中，获取样本车况数据，所述样本车况数据至少包括：目标车辆的Nox值、发动机转速、车速、排温、尿素液位以及SCR转化效率参数；对所述样本车况数据进行切片组合，得到排放与这些远程数据的组合关系，进行拟合得到排放预测模型，并对所述排放预测模型进行训练得到目标排放预测模型，所述目标排放预测模型为一种循环神经网络模型；获取目标车辆传输的当前的车况数据，输入至所述目标排放预测模型，得到目标车辆的排放预测结果，获取目标城市的全部车辆传输的排放预测结果与城市道路污染排放数据；根据所述城市的全部车辆传输的排放预测结果与城市道路污染排放数据对改进的ANN模型进行训练，得到目标改进的ANN模型；将全部车辆传输的排放预测结果输入至所述目标改进的ANN模型进行训练，得到预测的当前城市道路污染排放数据，从而根据ANN模型实现对城市的全部车辆传输的排放预测。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有车辆排放预测程序，所述车辆排放预测程序被处理器执行时实现如上文所述的车辆排放预测方法的步骤。
由于本存储介质可以采用上述所有实施例的技术方案，因此至少具有上述实施例的技术方案所带来的有益效果，在此不再一一赘述。
参照图7，图7为本发明车辆排放预测装置第一实施例的功能模块示意图。
本发明车辆排放预测装置第一实施例中，该车辆排放预测装置包括：
采集模块10，用于获取样本车况数据，所述样本车况数据至少包括：目标车辆的Nox值、发动机转速、车速、排温、尿素液位以及SCR转化效率参数；
建模模块20，用于对所述样本车况数据进行切片组合，得到排放与这些远程数据的组合关系拟合得到排放预测模型，并对所述排放预测模型进行训练得到目标排放预测模型；
预测模块30，用于获取目标车辆传输的当前的车况数据，输入至所述目标排放预测模型，得到目标车辆的排放预测结果。
在本实施例中，获取样本车况数据，所述样本车况数据至少包括：目标车辆的Nox值、发动机转速、车速、排温、尿素液位以及SCR转化效率参数；对所述样本车况数据进行切片组合，得到排放与这些远程数据的组合关系，进行拟合得到排放预测模型，并对所述排放预测模型进行训练得到目标排放预测模型，所述目标排放预测模型为一种循环神经网络模型；获取目标车辆传输的当前的车况数据，输入至所述目标排放预测模型，得到目标车辆的排放预测结果，从而快速有效地判断出车辆的排放水平。
在一实施例中，所述建模模块20，还用于对所述样本车况数据进行切片组合，得到排放与这些远程数据的组合关系，进行拟合得到排放预测模型，包括：
通过数字化编码加权，计算所述排放与这些远程数据的组合关系的最优特征差异适应度函数；
根据所述最优特征差异适应度函数对应建立排放预测模型。
在一实施例中，所述建模模块20，还用于将所述样本车况数据输入所述目标排放预测模型中，得到目标排放预测结果；
根据所述目标排放预测结果和实际排放结果计算预测误差；
若所述预测误差不满足预测精度要求，则对所述排放预测模型的参数进行更新；
重复上述操作，直到所述预测误差满足预测精度要求，以得到目标排放预测模型。
在一实施例中，所述建模模块20，还用于对所述排放预测模型的参数进行更新，包括：
将所述排放预测模型的参数转化为猎物；
通过WOA方法对所述排放预测模型中的输入门、遗忘门以及输出门参数进行更新，并增加一次迭代次数；
在所述排放预测模型不满足准确度或者所述迭代次数大于预设次数时，通过鲸鱼优化方法对猎物进行搜索，并对所述猎物进行包围或者螺旋运动，直到满足预设条件，得到所述排放预测模型的参数。
在一实施例中，所述预测模块30，还用于获取目标车辆传输的当前的车况数据，输入至所述目标排放预测模型，得到目标车辆的排放预测结果之后，还包括：
获取目标城市的全部车辆传输的排放预测结果与城市道路污染排放数据；
根据所述城市的全部车辆传输的排放预测结果与城市道路污染排放数据对改进的ANN模型进行训练，得到目标改进的ANN模型；
将全部车辆传输的排放预测结果输入至所述目标改进的ANN模型进行训练，得到预测的当前城市道路污染排放数据。
在一实施例中，所述预测模块30，还用于根据所述城市的全部车辆传输的排放预测结果与城市道路污染排放数据对改进的ANN模型进行训练，得到目标改进的ANN模型，包括：
初始化ANN模型的权重，并根据所述城市的全部车辆传输的排放预测结果与城市道路污染排放数据计算ANN模型的隐藏层和输出层的输出；
若所述隐藏层和输出层的输出的误差大于阈值，则获取ANN模型权重，训练ANN模型直到得到满足阈值的权重，并根据所述满足阈值的权重得到目标改进的ANN模型。
在一实施例中，所述预测模块30，还用于获取目标车辆传输的当前的车况数据，输入至所述目标排放预测模型，得到目标车辆的排放预测结果之后，还包括：
在所述目标车辆的排放预测结果大于或等于预设排量时，发出预警并调节减少目标车辆的排量；
发出车辆排放超标通知，并发出目标车辆检修保养建议通知。
本发明所述车辆排放预测装置的其他实施例或具体实现方式可参照上述各方法实施例，因此至少具有上述实施例的技术方案所带来的所有有益效果，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，RAM)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种车辆排放预测方法，其特征在于，所述车辆排放预测方法包括：
获取样本车况数据，所述样本车况数据至少包括：目标车辆的Nox值、发动机转速、车速、排温、尿素液位以及SCR转化效率参数；
对所述样本车况数据进行切片组合，得到排放与这些远程数据的组合关系，进行拟合得到排放预测模型，并对所述排放预测模型进行训练得到目标排放预测模型，所述目标排放预测模型为一种循环神经网络模型；
获取目标车辆传输的当前的车况数据，输入至所述目标排放预测模型，得到目标车辆的排放预测结果。
2.如权利要求1所述的方法，其特征在于，所述对所述样本车况数据进行切片组合，得到排放与这些远程数据的组合关系，进行拟合得到排放预测模型，包括：
通过数字化编码加权，计算所述排放与这些远程数据的组合关系的最优特征差异适应度函数；
根据所述最优特征差异适应度函数对应建立排放预测模型。
3.如权利要求1所述的方法，其特征在于，所述对所述排放预测模型进行训练得到目标排放预测模型，包括：
将所述样本车况数据输入所述目标排放预测模型中，得到目标排放预测结果；
根据所述目标排放预测结果和实际排放结果计算预测误差；
若所述预测误差不满足预测精度要求，则对所述排放预测模型的参数进行更新；
重复上述操作，直到所述预测误差满足预测精度要求，以得到目标排放预测模型。
4.如权利要求1所述的方法，其特征在于，所述对所述排放预测模型的参数进行更新，包括：
将所述排放预测模型的参数转化为猎物；
通过WOA方法对所述排放预测模型中的输入门、遗忘门以及输出门参数进行更新，并增加一次迭代次数；
在所述排放预测模型不满足准确度或者所述迭代次数大于预设次数时，通过鲸鱼优化方法对猎物进行搜索，并对所述猎物进行包围或者螺旋运动，直到满足预设条件，得到所述排放预测模型的参数。
5.如权利要求1所述的方法，其特征在于，所述获取目标车辆传输的当前的车况数据，输入至所述目标排放预测模型，得到目标车辆的排放预测结果之后，还包括：
获取目标城市的全部车辆传输的排放预测结果与城市道路污染排放数据；
根据所述城市的全部车辆传输的排放预测结果与城市道路污染排放数据对改进的ANN模型进行训练，得到目标改进的ANN模型；
将全部车辆传输的排放预测结果输入至所述目标改进的ANN模型进行训练，得到预测的当前城市道路污染排放数据。
6.如权利要求5所述的方法，其特征在于，所述根据所述城市的全部车辆传输的排放预测结果与城市道路污染排放数据对改进的ANN模型进行训练，得到目标改进的ANN模型，包括：
初始化ANN模型的权重，并根据所述城市的全部车辆传输的排放预测结果与城市道路污染排放数据计算ANN模型的隐藏层和输出层的输出；
若所述隐藏层和输出层的输出的误差大于阈值，则获取ANN模型权重，训练ANN模型直到得到满足阈值的权重，并根据所述满足阈值的权重得到目标改进的ANN模型。
7.如权利要求1所述的方法，其特征在于，所述获取目标车辆传输的当前的车况数据，输入至所述目标排放预测模型，得到目标车辆的排放预测结果之后，还包括：
在所述目标车辆的排放预测结果大于或等于预设排量时，发出预警并调节降低排量；
根据目标车辆的排放预测结果判断目标车辆车况情况，并根据所述目标车辆车况对车辆进行检修。
8.一种车辆排放预测装置，其特征在于，所述车辆排放预测装置包括：
数据采集模块，用于获取样本车况数据，所述样本车况数据至少包括：目标车辆的Nox值、发动机转速、车速、排温、尿素液位以及SCR转化效率参数；
数据切片模块，用于对所述样本车况数据进行切片组合，得到排放与这些远程数据的组合关系拟合得到排放预测模型，并对所述排放预测模型进行训练得到目标排放预测模型；
排放预测模块，用于获取目标车辆传输的当前的车况数据，输入至所述目标排放预测模型，得到目标车辆的排放预测结果。
9.一种车辆排放预测设备，其特征在于，所述车辆排放预测设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆排放预测程序，所述车辆排放预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的车辆排放预测方法。
10.一种存储介质，其特征在于，所述存储介质上存储有车辆排放预测程序，所述车辆排放预测程序被处理器执行时实现如权利要求1至7中任一项所述的车辆排放预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310265754.9A CN116415491A (zh) | 2023-03-17 | 2023-03-17 | 车辆排放预测方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310265754.9A CN116415491A (zh) | 2023-03-17 | 2023-03-17 | 车辆排放预测方法、装置、设备以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116415491A true CN116415491A (zh) | 2023-07-11 |
Family
ID=87052527
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310265754.9A Pending CN116415491A (zh) | 2023-03-17 | 2023-03-17 | 车辆排放预测方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116415491A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117054104A (zh) * | 2023-08-15 | 2023-11-14 | 广州天马集团天马摩托车有限公司 | 一种摩托车发动机性能测试平台及系统 |
-
2023
- 2023-03-17 CN CN202310265754.9A patent/CN116415491A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117054104A (zh) * | 2023-08-15 | 2023-11-14 | 广州天马集团天马摩托车有限公司 | 一种摩托车发动机性能测试平台及系统 |
| CN117054104B (zh) * | 2023-08-15 | 2024-02-06 | 广州天马集团天马摩托车有限公司 | 一种摩托车发动机性能测试平台及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110826772A (zh) | 车辆尾气排放预测方法、装置、设备及存储介质 | |
| López-Martínez et al. | Modelling the fuel consumption and pollutant emissions of the urban bus fleet of the city of Madrid | |
| CN116415491A (zh) | 车辆排放预测方法、装置、设备以及存储介质 | |
| CN112396250B (zh) | 一种柴油机故障预测方法、装置、设备及存储介质 | |
| Chen et al. | A data heterogeneity modeling and quantification approach for field pre-assessment of chloride-induced corrosion in aging infrastructures | |
| CN116558574B (zh) | 基于大数据的气站安全监测方法和装置 | |
| CN116862081B (zh) | 一种污染治理设备运维方法及系统 | |
| CN113918890B (zh) | 一种基于移动窗口库的低负荷工况构建方法 | |
| CN114911788B (zh) | 一种数据插补方法、装置及存储介质 | |
| CN116312861A (zh) | 脱硝系统气体浓度预测方法、装置、设备及存储介质 | |
| CN111340280A (zh) | 污染物排放量的监测与防控系统、方法、装置及介质 | |
| CN118067204B (zh) | 一种基于数字计量技术的安全生产数据采集系统 | |
| CN115100819A (zh) | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 | |
| CN114923711A (zh) | Rde模拟测试方法、装置、设备及可读存储介质 | |
| CN116127833A (zh) | 基于vmd和lstm融合模型的风电功率预测方法、系统、装置及介质 | |
| CN117077837A (zh) | 碳排放量预测方法、装置、设备及介质 | |
| CN116610959B (zh) | 基于unet-gru深度学习检验播云作业效果的方法和装置 | |
| CN117235453B (zh) | 基于机器学习的重型柴油车远程监控数据修复方法及系统 | |
| CN114753911B (zh) | Scr系统混合器工况检测方法、装置、电子设备和存储介质 | |
| CN115130751A (zh) | 一种车辆nox排放预测方法、装置及存储介质 | |
| CN114880736B (zh) | 一种桥梁钢结构的抗疲劳评估方法及系统 | |
| CN117478394B (zh) | 一种基于数字孪生的网络安全分析方法、系统、计算机设备及计算机可读存储介质 | |
| CN118503925A (zh) | 高原城市车辆排放评估方法、装置、设备及存储介质 | |
| Parisi et al. | Design of a Web Environmental Decision Support System | |
| Montenegro-Montero et al. | Roughness sub-layer wind speed model for tropical wooded areas |
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 |