CN116910569B - 一种车辆碳排放大数据监测方法、系统、装置及存储介质 - Google Patents

一种车辆碳排放大数据监测方法、系统、装置及存储介质 Download PDF

Info

Publication number
CN116910569B
CN116910569B CN202311174596.2A CN202311174596A CN116910569B CN 116910569 B CN116910569 B CN 116910569B CN 202311174596 A CN202311174596 A CN 202311174596A CN 116910569 B CN116910569 B CN 116910569B
Authority
CN
China
Prior art keywords
vehicle
carbon emission
information
emission
big 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.)
Active
Application number
CN202311174596.2A
Other languages
English (en)
Other versions
CN116910569A (zh
Inventor
芦海涛
吴炎
李长力
陈妍珺
郭贤亮
潘洪峰
纪妮丝
张路争
李慧慧
贺涛
余磊
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.)
Jiangsu Qingtian Industrial Internet Co ltd
China Electric Vehicle Lianxin An Technology Co ltd
Original Assignee
Jiangsu Qingtian Industrial Internet Co ltd
China Electric Vehicle Lianxin An Technology Co ltd
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 Jiangsu Qingtian Industrial Internet Co ltd, China Electric Vehicle Lianxin An Technology Co ltd filed Critical Jiangsu Qingtian Industrial Internet Co ltd
Priority to CN202311174596.2A priority Critical patent/CN116910569B/zh
Publication of CN116910569A publication Critical patent/CN116910569A/zh
Application granted granted Critical
Publication of CN116910569B publication Critical patent/CN116910569B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Medical Informatics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于大数据监测技术领域，具体涉及一种车辆碳排放大数据监测方法、系统、装置及存储介质。所述车辆碳排放大数据监测方法，包括在预设时间段内，采集车辆的行驶信息；将车辆行驶信息上传到云端服务器，计算当前车流的排放量，并对当前车流的排放量进行分析，输出分析结果；当云端服务器输出的分析结果不在预设范围内时，发出报警。所述车辆碳排放大数据监测方法通过将车辆信息上传到云端服务器中计算当前车流的排放量，不仅能够实时对监控路段内的碳排放量进行监测，还能够快速的及时的进行示警，方便人们进行管控。

Description

一种车辆碳排放大数据监测方法、系统、装置及存储介质
技术领域
本发明涉及大数据监测技术领域，具体涉及一种车辆碳排放大数据监测方法、系统、装置及存储介质。
背景技术
汽车尾气排放的是汽车在使用时产生的废气，含有上百种不同的化合物，其中的污染物有固体悬浮微粒、一氧化碳、二氧化碳、碳氢化合物、氮氧化合物、铅及硫氧化合物等，这些汽车尾气对人类以及生态环境带来了极大的危害。
因此如何对车辆碳排放信息进行监测成为人们亟待解决的问题。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的车辆碳排放大数据监测方法、系统、装置及存储介质。
根据本发明的第一方面，提供了一种车辆碳排放大数据监测方法，包括：
在预设时间段内，采集车辆的行驶信息；
将车辆行驶信息上传到云端服务器，通过存储在云端服务器上的碳排放计算模型计算当前车流的排放量，并对当前车流的排放量进行分析，输出分析结果；
当云端服务器输出的分析结果不在预设范围内时，发出报警；
所述碳排放计算模型的构建方法，包括以下步骤，
获取训练样本集，所述训练样本集中的每个样本包括车辆行驶信息，所述车辆行驶信息包括车辆排放信息、车辆数量信息、监测路段长度信息和监测路段堵塞密度，所述训练样本集采用图结构的数据集形式表示；
对所述数据集中的缺失值采用机器学习算法进行填补；
将填补后的数据输入碳排放分类器中，得到预测的分类结果，将所述预测的分类结果与实际结果进行比对，根据对比结果优化碳排放分类器，得到最终的碳排放分类器；
对碳排放分类器进行训练，获得所述碳排放计算模型。
进一步的，所述计算当前车流的排放量包括将车辆行驶信息上传到云端服务器后，查找车辆的排放信息。
进一步的，所述计算当前车流的排放量包括将车辆排放信息、车辆数量信息、监测路段长度信息、监测路段堵塞密度输入碳排放计算模型，获得当前车流的排放量。
进一步的，所述对当前车流的排放量进行分析包括将当前车流的排放量与预设值进行比较。
根据本发明的第二方面，提供了一种车辆碳排放大数据监测系统，包括：
信息采集模块，用于采集预设时间段内车辆的行驶信息；
云端服务器，用于接收信息采集模块采集的车辆行驶信息，计算当前车流的排放量，并对当前车流的排放量进行分析，输出分析结果；
显示模块，用于显示云端服务器输出的分析结果；
报警模块，当云端服务器输出的分析结果不在预设范围内时，发出报警。
进一步的，所述报警模块包括主动报警单元，该主动报警单元检测到交通事故，自动上报，发出报警。
进一步的，所述报警模块包括喇叭和/或警示灯。
根据本发明的第三方面，提供了一种车辆碳排放大数据监测装置，包括存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用所述存储器中的程序指令执行任一项上述车辆碳排放大数据监测方法。
根据本发明的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序指令，所述计算机程序指令被执行时，实现任一项上述车辆碳排放大数据监测方法。
由上述可知，本发明的技术方案，提供了一种车辆碳排放大数据监测方法、系统、装置及存储介质，所述车辆碳排放大数据监测方法通过将车辆信息上传到云端服务器中计算当前车流的排放量，不仅能够实时对监控路段内的碳排放量进行监测，还能够快速的及时的进行示警，方便人们进行管控。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了根据本发明一个实施例的一种车辆碳排放大数据监测方法的流程图。
图2示出了根据本发明一个实施例中每种特征类型为一个节点的图结构G。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本实施例提供一种车辆碳排放大数据监测方法，包括：
在预设时间段内，采集车辆的行驶信息；
将车辆行驶信息上传到云端服务器，通过存储在云端服务器上的碳排放计算模型计算当前车流的排放量，并对当前车流的排放量进行分析，输出分析结果；
当云端服务器输出的分析结果不在预设范围内时，发出报警；
所述碳排放计算模型的构建方法，包括以下步骤，
获取训练样本集，所述训练样本集中的每个样本包括车辆行驶信息，所述车辆行驶信息包括车辆排放信息、车辆数量信息、监测路段长度信息和监测路段堵塞密度，所述训练样本集采用图结构的数据集形式表示；
对所述数据集中的缺失值采用机器学习算法进行填补；
将填补后的数据输入碳排放分类器中，得到预测的分类结果，将所述预测的分类结果与实际结果进行比对，根据对比结果优化碳排放分类器，得到最终的碳排放分类器；
对碳排放分类器进行训练，获得所述碳排放计算模型。
优选的，所述计算当前车流的排放量包括将车辆行驶信息上传到云端服务器后，查找车辆的排放信息。
优选的，所述计算当前车流的排放量包括将车辆排放信息、车辆数量信息、监测路段长度信息、监测路段堵塞密度输入碳排放计算模型，获得当前车流的排放量。
优选的，所述对当前车流的排放量进行分析包括将当前车流的排放量与预设值进行比较。
优选的，所述碳排放计算模型的构建步骤为：
建立以每种特征类型为一个节点的图结构G，如图2所示，其中节点1-4分别表示车辆排放信息、车辆数量信息、监测路段长度信息、监测路段堵塞密度4种特征类型，节点1-4中的连边表示了车辆排放信息、车辆数量信息、监测路段长度信息、监测路段堵塞密度之间的相关性，节点间具有直接连边则表明这些节点代表的特征类型具有强相关性，不具有直接的连边则表明不具备强相关性；
并且该图结构G可以量化表示为：
;
其中，表示节点集，/>表示边集；
将车辆排放信息、车辆数量信息、监测路段长度信息、监测路段堵塞密度作为图结构G的节点集V上的数据集进行表示：
;
其中，表示图结构G上的节点总数；
表示第i个节点（即第i个节点对应的检测特征类型）上所整合形成的特征变量；例如，节点1的检测特征类型为车辆排放信息，则将最近的p个车辆排放信息的特征数据信息作为节点1上的特征数据信息，整合为。
表示第i个节点上的碳排放层级，用one-hot向量表示，即共c个碳排放层级：如果节点i的碳排放计算属于第j级别，/>，否则/>；例如，节点1的检测特征类型为车辆排放信息，则节点1上的碳排放层级则表示碳排放与车辆排放信息的程度，整合为/>。
表示图结构G已经碳排放风险层级的预设值的节点构成的集合，/>表示无碳排放风险层级预设值的节点构成的集合；
所述对碳排放分类器进行训练，获得所述碳排放计算模型包括使用Adam 优化算法训练卷积核参数和线性特征变换层的参数/>和/>，借助常用的深度学习框架 PyTorch 进行训练，可得到参数估计/>和线性特征变换层的参数矩阵估计/>和/>。
最终获得所述碳排放计算模型为：
，
其中， 。
所述碳排放分类器的构造方法，包括以下步骤：
步骤1：构造图结构G上归一化的拉普拉斯矩阵：
;
其中，I表示单位矩阵，D表示图结构G的度矩阵，A表示图结构G的邻接矩阵，其第ij个元素定义为：若，则/>，若/>，则/>；
步骤2：对L进行谱分解：
;
其中，表示L的n个特征根；
表示L的n个特征根为对角元的对角矩阵；
表示对应的n个特征向量；
表示对应的n个特征向量组成的矩阵；
步骤3：构造带有图卷积运算的 NNBernNet 的分类模型：
;
其中， ，表示第i个节点（即第i个节点对应的检测特征类型）上的特征数据信息所整合形成的特征变量；
，表示第i个节点上的碳排放层级；
c是碳排放层级总数；
表示待估计的卷积核参数，/>;
表示K阶的伯恩斯坦多项式； />；
步骤4：构建分类预测的交叉熵损失；
；
其中，表示图结构G已经有碳排放层级的预设值的节点构成的集合；
节点i的碳排放层级属于第j级别，，否则/>；
通过式（1）计算。
根据本发明的第二方面，提供了一种车辆碳排放大数据监测系统，包括：
信息采集模块，用于采集预设时间段内车辆的行驶信息；
云端服务器，用于接收信息采集模块采集的车辆行驶信息，计算当前车流的排放量，并对当前车流的排放量进行分析，输出分析结果；
显示模块，用于显示云端服务器输出的分析结果；优选的，所述显示器采用触摸屏，方便用户操作；
报警模块，当云端服务器输出的分析结果不在预设范围内时，发出报警。
优选的，所述报警模块包括主动报警单元，该主动报警单元检测到交通事故，自动上报，发出报警；所述报警模块包括喇叭和/或警示灯。
根据本发明的第三方面，提供了一种车辆碳排放大数据监测装置，包括存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用所述存储器中的程序指令执行任一项上述车辆碳排放大数据监测方法。
根据本发明的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序指令，所述计算机程序指令被执行时，实现任一项上述车辆碳排放大数据监测方法。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。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。单词第一、第二、以及第三等的控制不表示任何顺序。可将这些单词解释为名称。

Claims (9)

1.一种车辆碳排放大数据监测方法，其特征在于，包括：
在预设时间段内，采集车辆的行驶信息；
将车辆行驶信息上传到云端服务器，通过存储在云端服务器上的碳排放计算模型计算当前车流的排放量，并对当前车流的排放量进行分析，输出分析结果；
当云端服务器输出的分析结果不在预设范围内时，发出报警；
所述碳排放计算模型的构建方法，包括以下步骤，
建立以每种特征类型为一个节点的图结构G，其中节点1-4分别表示车辆排放信息、车辆数量信息、监测路段长度信息、监测路段堵塞密度4种特征类型，节点1-4中的连边表示了车辆排放信息、车辆数量信息、监测路段长度信息、监测路段堵塞密度之间的相关性，
获取训练样本集，所述训练样本集中的每个样本包括车辆行驶信息，所述车辆行驶信息包括车辆排放信息、车辆数量信息、监测路段长度信息和监测路段堵塞密度，所述训练样本集采用图结构的数据集形式表示；
对所述数据集中的缺失值采用机器学习算法进行填补；
将填补后的数据输入碳排放分类器中，得到预测的分类结果，将所述预测的分类结果与实际结果进行比对，根据对比结果优化碳排放分类器，得到最终的碳排放分类器；
对碳排放分类器进行训练，获得所述碳排放计算模型；
最终获得所述碳排放计算模型为：
其中，L＝I-D-1/2AD-1/2；
xi＝(xi1，xi2，...，xip)T∈Rp表示第i个节点上所整合形成的特征变量，yi＝(yi1，yi2，...，yic)T∈Rc表示第i个节点上的碳排放层级，表示参数估计，/>和/>表示线性特征变换层的参数矩阵估计，I表示单位矩阵，D表示图结构G的度矩阵，A表示图结构G的邻接矩阵。
2.根据权利要求1所述车辆碳排放大数据监测方法，其特征在于：所述计算当前车流的排放量包括将车辆行驶信息上传到云端服务器后，查找车辆的排放信息。
3.根据权利要求2所述车辆碳排放大数据监测方法，其特征在于：所述计算当前车流的排放量包括将车辆排放信息、车辆数量信息、监测路段长度信息、监测路段堵塞密度输入碳排放计算模型，获得当前车流的排放量。
4.根据权利要求1所述车辆碳排放大数据监测方法，其特征在于：所述对当前车流的排放量进行分析包括将当前车流的排放量与预设值进行比较。
5.一种车辆碳排放大数据监测系统，其特征在于，包括：
信息采集模块，用于采集预设时间段内车辆的行驶信息；
云端服务器，用于接收信息采集模块采集的车辆行驶信息，并根据存储在云端服务器上的碳排放计算模型计算当前车流的排放量，并对当前车流的排放量进行分析，输出分析结果；
显示模块，用于显示云端服务器输出的分析结果；
报警模块，当云端服务器输出的分析结果不在预设范围内时，发出报警；
所述碳排放计算模型的构建方法，包括以下步骤，
建立以每种特征类型为一个节点的图结构G，其中节点1-4分别表示车辆排放信息、车辆数量信息、监测路段长度信息、监测路段堵塞密度4种特征类型，节点1-4中的连边表示了车辆排放信息、车辆数量信息、监测路段长度信息、监测路段堵塞密度之间的相关性，
获取训练样本集，所述训练样本集中的每个样本包括车辆行驶信息，所述车辆行驶信息包括车辆排放信息、车辆数量信息、监测路段长度信息和监测路段堵塞密度，所述训练样本集采用图结构的数据集形式表示；
对所述数据集中的缺失值采用机器学习算法进行填补；
将填补后的数据输入碳排放分类器中，得到预测的分类结果，将所述预测的分类结果与实际结果进行比对，根据对比结果优化碳排放分类器，得到最终的碳排放分类器；
对碳排放分类器进行训练，获得所述碳排放计算模型；
最终获得所述碳排放计算模型为：
其中，L＝I-D-1/2AD-1/2；
xi＝(xi1，xi2，...，xip)T∈Rp表示第i个节点上所整合形成的特征变量，yi＝(yi1，yi2，...，yic)T∈Rc表示第i个节点上的碳排放层级，表示参数估计，/>和/>表示线性特征变换层的参数矩阵估计，I表示单位矩阵，D表示图结构G的度矩阵，A表示图结构G的邻接矩阵。
6.根据权利要求5所述的车辆碳排放大数据监测系统，其特征在于：所述报警模块包括主动报警单元，该主动报警单元检测到交通事故，自动上报，发出报警。
7.根据权利要求5或6所述的车辆碳排放大数据监测系统，其特征在于：所述报警模块包括喇叭和/或警示灯。
8.一种车辆碳排放大数据监测装置，其特征在于：包括存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用所述存储器中的程序指令执行如权利要求1-4中任一项所述车辆碳排放大数据监测方法。
9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机程序指令，所述计算机程序指令被执行时，实现权利要求1-4中任一项所述车辆碳排放大数据监测方法。
CN202311174596.2A 2023-09-13 2023-09-13 一种车辆碳排放大数据监测方法、系统、装置及存储介质 Active CN116910569B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311174596.2A CN116910569B (zh) 2023-09-13 2023-09-13 一种车辆碳排放大数据监测方法、系统、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311174596.2A CN116910569B (zh) 2023-09-13 2023-09-13 一种车辆碳排放大数据监测方法、系统、装置及存储介质

Publications (2)

Publication Number Publication Date
CN116910569A CN116910569A (zh) 2023-10-20
CN116910569B true CN116910569B (zh) 2023-12-19

Family

ID=88351496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311174596.2A Active CN116910569B (zh) 2023-09-13 2023-09-13 一种车辆碳排放大数据监测方法、系统、装置及存储介质

Country Status (1)

Country Link
CN (1) CN116910569B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111524344A (zh) * 2020-03-25 2020-08-11 武汉纵横智慧城市股份有限公司 基于大数据的车辆排放监测方法、设备、存储介质及装置
CN112712707A (zh) * 2020-12-26 2021-04-27 清华四川能源互联网研究院 车辆碳排放监测系统及方法
CN114036135A (zh) * 2021-10-13 2022-02-11 中国科学技术大学 利用不完全信息估计城市移动源污染排放方法及系统
CN114943482A (zh) * 2022-06-28 2022-08-26 成都秦川物联网科技股份有限公司 一种基于物联网的智慧城市尾气排放管理方法和系统
CN115169683A (zh) * 2022-07-05 2022-10-11 中国电子系统技术有限公司 一种城市污染汽车尾气排放预测的分析方法
CN115564114A (zh) * 2022-10-10 2023-01-03 南京航空航天大学 一种基于图神经网络的空域碳排放短期预测方法及系统
CN115936255A (zh) * 2022-12-30 2023-04-07 国网辽宁省电力有限公司电力科学研究院 一种配电网碳排放流预测方法
CN115964621A (zh) * 2023-03-17 2023-04-14 中国科学技术大学 区域路网尾气排放数据补全方法
CN116108983A (zh) * 2023-01-09 2023-05-12 湖南大学 基于协同时空卷积网络的城市碳排放预测方法和设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111524344A (zh) * 2020-03-25 2020-08-11 武汉纵横智慧城市股份有限公司 基于大数据的车辆排放监测方法、设备、存储介质及装置
CN112712707A (zh) * 2020-12-26 2021-04-27 清华四川能源互联网研究院 车辆碳排放监测系统及方法
CN114036135A (zh) * 2021-10-13 2022-02-11 中国科学技术大学 利用不完全信息估计城市移动源污染排放方法及系统
CN114943482A (zh) * 2022-06-28 2022-08-26 成都秦川物联网科技股份有限公司 一种基于物联网的智慧城市尾气排放管理方法和系统
CN115169683A (zh) * 2022-07-05 2022-10-11 中国电子系统技术有限公司 一种城市污染汽车尾气排放预测的分析方法
CN115564114A (zh) * 2022-10-10 2023-01-03 南京航空航天大学 一种基于图神经网络的空域碳排放短期预测方法及系统
CN115936255A (zh) * 2022-12-30 2023-04-07 国网辽宁省电力有限公司电力科学研究院 一种配电网碳排放流预测方法
CN116108983A (zh) * 2023-01-09 2023-05-12 湖南大学 基于协同时空卷积网络的城市碳排放预测方法和设备
CN115964621A (zh) * 2023-03-17 2023-04-14 中国科学技术大学 区域路网尾气排放数据补全方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BernNet: Learning Arbitrary Graph Spectral Filters via Bernstein Approximation;Mingguo He等;《arXiv》;1-16 *
Spatiotemporal Graph Convolution Multifusion Network for Urban Vehicle Emission Prediction;Zhenyi Xu等;《IEEE Transactions on Neural Networks and Learning Systems》;第32卷(第8期);3342-3354 *

Also Published As

Publication number Publication date
CN116910569A (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN110363347B (zh) 基于决策树索引的神经网络预测空气质量的方法
Hejazi et al. The role of hydrologic information in reservoir operation–learning from historical releases
CN108133178B (zh) 一种基于图像识别的智能环境监控系统与方法
Sohn et al. Statistical damage classification using sequential probability ratio tests
JP6265214B2 (ja) 情報提示方法、装置、及びプログラム
CN111178182A (zh) 一种丢垃圾行为的实时检测方法
CN110414715B (zh) 一种基于社团检测的客流量预警方法
KR101933856B1 (ko) 콘벌루션 신경망을 이용한 영상 처리 시스템 및 이를 이용한 영상 처리 방법
CN110995643B (zh) 一种基于邮件数据分析的异常用户识别方法
CN113567635A (zh) 一种工业气体智能监测一体化系统及监测方法
CN109684320B (zh) 监测数据在线清洗的方法和设备
Linda et al. Computational intelligence based anomaly detection for building energy management systems
CN114023399A (zh) 一种基于人工智能的空气颗粒物分析预警方法和装置
CN113163353A (zh) 一种电源车的智能健康服务系统及其数据传输方法
CN113344470B (zh) 一种基于区块链的供电系统智能管理方法
CN111767881A (zh) 一种基于ai技术的自适应人群密度估计装置
CN116910569B (zh) 一种车辆碳排放大数据监测方法、系统、装置及存储介质
CN112685272B (zh) 一种具备可解释性的用户行为异常检测方法
JP2018134051A (ja) 情報処理装置、情報処理方法及び情報処理プログラム
CN109358608A (zh) 一种基于集成学习的变压器状态风险评估方法及装置
CN109213840A (zh) 基于多维特征深度学习的热点网格识别方法
Mostafavi et al. An unsupervised approach in learning load patterns for non-intrusive load monitoring
CN110399537B (zh) 一种基于人工智能技术的警情时空预测方法
Kiermeier et al. Anomaly detection in self-organizing industrial systems using pathlets
CN114999154A (zh) 一种基于图卷积网络的道路服务水平预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant