CN116933641A - 基于高斯过程回归的燃油车实际道路行驶排放预测方法 - Google Patents
基于高斯过程回归的燃油车实际道路行驶排放预测方法 Download PDFInfo
- Publication number
- CN116933641A CN116933641A CN202310916844.XA CN202310916844A CN116933641A CN 116933641 A CN116933641 A CN 116933641A CN 202310916844 A CN202310916844 A CN 202310916844A CN 116933641 A CN116933641 A CN 116933641A
- Authority
- CN
- China
- Prior art keywords
- window
- emission
- gaussian process
- data
- vehicle
- 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 57
- 230000008569 process Effects 0.000 title claims abstract description 31
- 239000000446 fuel Substances 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 14
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 11
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 231100000719 pollutant Toxicity 0.000 claims abstract description 10
- 238000012876 topography Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 22
- 230000001133 acceleration Effects 0.000 claims description 12
- 230000001174 ascending effect Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 1
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- 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
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Educational Administration (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于高斯过程回归的燃油车实际道路行驶排放预测方法,属于车辆排放技术领域。该方法包括:S1:采用移动平均窗口法将车辆连续逐秒采集的数据窗口化处理,并计算每个窗口的行程动力学指标、道路地形因素指标和各污染物窗口排放因子;S2:构建高斯过程回归机器学习算法建立预测模型;S3:以窗口行程动力学指标和道路地形因素指标为预测模型的训练输入变量,各污染物窗口排放因子为训练输出变量,从而不断优化预测模型的超参数。本发明能在一定程度上降低瞬时排放预测由于传感器数据采集信号扰动对最终预测模型精度的影响。
Description
技术领域
本发明属于车辆排放技术领域,涉及一种基于高斯过程回归的燃油车实际道路行驶排放预测方法。
背景技术
汽车的内燃机(ICE)是城市地区的主要污染源。对道路车辆排放提出更为严格的法规限制已成为一种趋势,但目前道路交通的实际排放量明显高于核算预期值,其原因在于试验室测试工况不能很好表征车辆在实际道路上的行驶排放特征。所以对燃油车在实际道路上行驶排放进行预测具有重要意义。
准确预测燃油车实际道路的排放因子,建立排放清单是大气污染排放治理以及排放控制的基础。由于在实际道路行驶的车辆上测量排放需要十分复杂的设备和工作,如果能通过实际道路行驶容易采集到行驶参数建立准确的排放模型将会对道路环境污染物核算做出重要贡献。
一般而言,目前的构建污染物排放预测模型可以分为以下三类:
第一类是基于大数据交通信息流建立排放预测模型。其考虑更侧重于城市环境影响、人口规模、交通状况等因素,利用较为的成熟的核算方法如IPAT模型、STIRPAT模型、时间序列回归模型预测城市的排放状况以及排放趋势。
第二类是基于实验室标准工况的排放预测模型,例如NEDC(New EuropeanDriving Cycle)、WLTC(Worldwide Harmonized Light Vehicles Test Cycle)等,这些工况由于标准稳定且容易复现,在此工况数据基础上建立的排放预测模型非常准确,但是由于这些标准工况缺乏真实世界驾驶的完整代表性,难以全面、准确地反映实际道路交通系统中车辆的真实排放情况,模型实际应用价值较为局限。
第三类是基于车辆实际道路行驶瞬时运行数据以及排放数据建立排放预测模型。通过车载OBD读取车辆、发动机等运行数据,通过便携式排放设备(PEMS)读取计算实时的排放数据。然后通过主成分分析、聚类分析等数据处理方法以及神经网络等机器学习方法训练排放预测模型,预测实际道路车辆的瞬时排放情况。
基于大数据交通信息流以及基于实验室标准工况的排放预测模型已经有了较为充分的研究。基于车辆实际道路行驶数据建立的排放预测模型也在快速的发展和迭代。但是,基于大数据交通信息流的排放预测模型是在宏观层面的城市道路交通排放研究,其更侧重于城市环境影响、人口规模、交通状况等因素,并且其模型可靠性与准确性直接受个体车辆排放精度的影响,但其往往不考虑甚至忽略个体车辆排放精度的影响。基于实验室标准工况的排放预测模型虽是针对具体车辆进行排放预测且模型预测效果十分准确,但其难以全面、准确地反映实际道路交通系统中车辆的真实排放情况,模型实际应用价值较为局限。基于车辆实际道路行驶瞬时运行数据以及排放数据建立的排放预测模型虽更加贴合实际道路行驶排放特性,但其瞬时排放预测效果较差,特别是对于CO、NOx、PN这些排放物的预测精度仍有较大的提升空间,并且在模型建立时对实际道路的地形因素也有所忽略。
因此,亟需一种新的基于实际道路行驶数据的排放预测模型来提高燃油车排放量的预测精度。
发明内容
有鉴于此,本发明的目的在于提供一种基于高斯过程回归的燃油车实际道路行驶排放预测方法,充分考虑到逐秒采集数据精度误差以及扰动影响,将原始数据窗口化处理,同时在利用机器学习的方法训练模型时不仅考虑车辆行程动力学相关的因素,还将车辆行驶的道路特性因素累计海拔增量纳入训练,从而可以达到较高的预测精度。
为达到上述目的,本发明提供如下技术方案:
一种基于高斯过程回归的燃油车实际道路行驶排放预测方法,具体包括以下步骤:
S1:采用移动平均窗口法(MAW)将车辆连续逐秒采集的数据窗口化处理,并计算每个窗口的行程动力学指标、道路地形因素指标和各污染物窗口排放因子;
S2:构建高斯过程回归机器学习算法建立预测模型;
S3:以窗口行程动力学指标和道路地形因素指标为预测模型的训练输入变量,各污染物窗口排放因子为训练输出变量,从而不断优化预测模型的超参数。
进一步,步骤S1中,逐秒采集的数据包括瞬时车速、GPS海拔高度、CO2排放量、CO排放量、NOx排放量和PN排放量。
进一步,所述行程动力学指标包括窗口的平均车速、窗口平均加速度、车速与大于0.1m/s2正加速度乘积升序排列的第95百分位值、整车比功率升序排列的第95个百分位值和相对正加速度。
进一步,所述道路地形因素指标包括窗口累计海拔增量。
进一步,所述各污染物窗口排放因子包括CO2排放因子、CO排放因子、NOx排放因子和PN排放因子。
进一步,步骤S2中,利用高斯过程回归描述建立窗口数据特征参数输入数据集X=(x1,x2,…,xm)l×m与实际道路四种窗口排放因子输出数据集Y=(y1,y2,…,yn)l×n之间的关系,其中l表示数据集的行数,即数据采集的时间长度;m、n表示数据集的维度,此处m=6,n=4;
高斯过程(GP)定义了函数上的概率分布f(x),定义为:函数上的几率分布由高斯过程(GP)定义为:
f(x)~GP(m(x),κ(x,x′)) (1)
其中,GP(·)表示高斯过程,x是输入数据集X中的数据,x′是输入集X的求导,m(x)是均值函数,κ(x,x′)是协方差函数,其计算公式如下:
在本发明中,使用了自动相关性确定(ARD)Matérn 5/2协方差函数,该函数对于每个预测器具有不同的长度尺度:
其中,σf是信号标准差,r是xi和xj之间的距离;
其中,d表示输入数据集的特征总个数,xim、xjm分别表示第m个特征中不同的两个输入值,σm表示第m个特征的长度尺度;
考虑数据集其中xi表示输入,yi表示输出,可以通过计算条件分布p(y*|X*,X,y)在测试指数X*处进行预测;高斯分布的结果由下式给出:
其中:
m*=K(X,X*)TK(X,X)-1y (6)
σ*=K(X*,X*)-K(X,X*)TK(X,X)-1K(X,X*) (7)
其中,K(X*,X*)表示求解测试指数X*的协方差函数,K(X,X*)表示求解输入集X测试指数X*的协方差函数;
超参数θ=(σf,σ1,…,σm)的值可以通过最小化负对数边际似然NLML=-logp(y|X,θ)来优化;给定NLML及其相对于θ的导数的表达式,可以使用基于梯度的优化来估计θ;模型性能通过两个评估指标来评估,包括均方根误差RMSE和平均绝对百分比误差MAPE用于评估模型的性能,公式如下:
其中,yi是观测到的窗口排放因子,是预测到的窗口排放因子,y是用于窗口排放因子预测的窗口数据个数,n是窗口数据样本总数。
本发明的有益效果在于:本发明为了得到更贴近实际道路燃油车辆的排放准确预测模型:首先仅选取少量且能够表征车辆运行工况差异(车辆行程动力学特征、道路地形特征)的标量指标,极大的减少了构建预测模型时的数据量以及计算量;将逐秒数据窗口化处理并计算窗口特征参数,在一定程度上降低瞬时排放预测由于传感器数据采集信号扰动对最终预测模型精度的影响,使得窗口排放因子预测模型达到较高的精度。由于该模型训练数据集较小,基于高斯过程回归机器学习构建预测模型对比常规神经网络模型十分适用,需要优化的超参数较少,计算量大大降低,并且对诸如爆炸和消失梯度等现象都很健壮。
基于高斯过程回归机器学习算法的燃油车实际道路行驶窗口排放因子预测模型能够用较少的数据实现对实际道路行驶车辆排放的准确预测,并可用来预测和评估车辆的道路实际排放水平。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明基于高斯过程回归的燃油车实际道路行驶排放预测方法流程示意图;
图2为采集的逐秒数据示意图;
图3为各窗口排放因子预测结果。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
请参阅图1~图3,本发明提供一种基于高斯过程回归的燃油车实际道路行驶排放预测方法,具体包括以下步骤:
步骤1:数据预处理(窗口化处理)。
首先利用移动平均窗口法将燃油车实际道路行驶的逐秒数据划分为一系列数据窗口,以数据窗口为研究对象,并计算各个数据窗口的行程动力学指标(窗口平均车速v、窗口平均加速度a、v·a_pos[95](车速与大于0.1m/s2正加速度乘积升序排列的第95百分位值)、Vsp_pos[95](整车比功率升序排列的第95个百分位值)、相对正加速度RPA)、地形因素指标(CPEI窗口累积海拔增量)和各污染物排放因子(CO2、CO、NOx、PN排放因子)。现将逐秒采集的燃油车实际道路行驶数据转换为一系列具备特征参数的窗口数据,以这些窗口数据以及其特征参数为研究对象进行基于高斯过程回归机器学习算法的燃油车实际道路行驶窗口排放因子预测模型的构建。
步骤2:构建高斯过程回归机器学习算法建立预测模型;
在本发明中,为了描述建立窗口数据六个特征参数(x1 x2 x3 x4 x5 x6)与实际道路四种窗口排放因子(y1 y2 y3 y4)之间的关系,高斯过程回归(GPR)方法应用于本发明。高斯过程(GP)定义了函数上的概率分布,定义为:函数上的几率分布由高斯过程(GP)定义为:
f(x)~GP(m(x),κ(x,x′)) (1)
其中,m(x)是均值函数,κ(x,x′)是协方差函数,其计算公式如下:
在本发明中,使用了自动相关性确定(ARD)Matérn 5/2协方差函数,该函数对于每个预测器具有不同的长度尺度:
其中,σf是信号标准差,r是xi和xj之间的距离,
其中,σm表示第m个特征的长度尺度。
考虑数据集其中xi表示输入,yi表示输出,可以通过计算条件分布p(y*|X*,X,y)在测试指数X*处进行预测。高斯分布的结果由下式给出:
式中:
m*=K(X,X*)TK(X,X)-1y (6)
σ*=K(X*,X*)-K(X,X*)TK(X,X)-1K(X,X*) (7)
超参数θ(θ=(σf,σ1,…,σm)的值可以通过最小化负对数边际似然(NLML=-logp(y|X,θ)来优化。给定NLML及其相对于θ的导数的表达式,可以使用基于梯度的优化来估计θ。模型性能通过两个评估指标来评估,包括均方根误差(RMSE)和平均绝对百分比误差(MAPE)用于评估模型的性能,公式如下:
其中,yi是观测到的窗口排放因子,是预测到的窗口排放因子,y是用于窗口排放因子预测的窗口数据个数,n是窗口数据样本总数。
步骤3:模型训练。
通过以高斯过程回归数据模型编程建立基于高斯过程回归机器学习算法的燃油车实际道路行驶窗口排放因子预测模型。
该模型的数据研究对象:移动平均窗口法处理过的一系列窗口数据;
模型输入(窗口的6个特征参数):v(窗口的平均车速)、a(窗口平均加速度)、v·a_pos[95](车速与大于0.1m/s2正加速度乘积升序排列的第95百分位值)、Vsp_pos[95](整车比功率升序排列的第95个百分位值)、RPA(相对正加速度)、CPEI(窗口累计海拔增量)。
模型输出(窗口4种排放因子):CO2排放因子、CO排放因子、NOx排放因子、PN排放因子。
模型训练:
选取50%的窗口数据进行模型的训练,利用上述高斯过程回归数学模型的原理,通过训练数据不断优化模型的超参数,最后利用剩余50%的数据进行模型性能评估,计算其均方根误差,验证可得模型可以达到较高的准确度,各窗口排放因子预测结果如图3所示,其中,图3(a)~图3(d)分别表示CO2排放因子、CO排放因子、NOx排放因子、PN排放因子的预测结果。可以看出,本发明能够用较少的数据实现对实际道路行驶车辆排放的准确预测,并可用来预测和评估车辆的道路实际排放水平。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于高斯过程回归的燃油车实际道路行驶排放预测方法,其特征在于,该方法具体包括以下步骤:
S1:采用移动平均窗口法将车辆连续逐秒采集的数据窗口化处理,并计算每个窗口的行程动力学指标、道路地形因素指标和各污染物窗口排放因子;
S2:构建高斯过程回归机器学习算法建立预测模型;
S3:以窗口行程动力学指标和道路地形因素指标为预测模型的训练输入变量,各污染物窗口排放因子为训练输出变量,从而不断优化预测模型的超参数。
2.根据权利要求1所述的燃油车实际道路行驶排放预测方法,其特征在于,步骤S1中,逐秒采集的数据包括瞬时车速、GPS海拔高度、CO2排放量、CO排放量、NOx排放量和PN排放量。
3.根据权利要求1所述的燃油车实际道路行驶排放预测方法,其特征在于,所述行程动力学指标包括窗口的平均车速、窗口平均加速度、车速与大于0.1m/s2正加速度乘积升序排列的第95百分位值、整车比功率升序排列的第95个百分位值和相对正加速度。
4.根据权利要求1所述的燃油车实际道路行驶排放预测方法,其特征在于,所述道路地形因素指标包括窗口累计海拔增量。
5.根据权利要求1所述的燃油车实际道路行驶排放预测方法,其特征在于,所述各污染物窗口排放因子包括CO2排放因子、CO排放因子、NOx排放因子和PN排放因子。
6.根据权利要求1所述的燃油车实际道路行驶排放预测方法,其特征在于,步骤S2中,利用高斯过程回归描述建立窗口数据特征参数输入数据集X=(x1,x2,…,xm)l×m与实际道路四种窗口排放因子输出数据集Y=(y1,y2,…,yn)l×n之间的关系,其中l表示数据集的行数,即数据采集的时间长度;m、n表示数据集的维度;
高斯过程定义了函数上的概率分布f(x),定义为:函数上的几率分布由高斯过程定义为:
f(x)~GP(m(x),κ(x,x′)) (1)
其中,GP(·)表示高斯过程,x是输入数据集X中的数据,x′是输入集X的求导,m(x)是均值函数,κ(x,x′)是协方差函数,其计算公式如下:
使用自动相关性确定Matérn 5/2协方差函数,该函数对于每个预测器具有不同的长度尺度:
其中,σf是信号标准差,r是xi和xj之间的距离;
其中,d表示输入数据集的特征总个数,xim、xjm分别表示第m个特征中不同的两个输入值,σm表示第m个特征的长度尺度;
考虑数据集其中xi表示输入,yi表示输出,通过计算条件分布p(y*|X*,X,y)在测试指数X*处进行预测;高斯分布的结果由下式给出:
其中:
m*=K(X,X*)TK(X,X)-1y (6)
σ*=K(X*,X*)-K(X,X*)TK(X,X)-1K(X,X*) (7)
其中,K(X*,X*)表示求解测试指数X*的协方差函数,K(X,X*)表示求解输入集X测试指数X*的协方差函数;
超参数θ=(σf,σ1,…,σm)的值通过最小化负对数边际似然NLML=-logp(y|X,θ)来优化;给定NLML及其相对于θ的导数的表达式,使用基于梯度的优化来估计θ;模型性能通过两个评估指标来评估,包括均方根误差RMSE和平均绝对百分比误差MAPE用于评估模型的性能,公式如下:
其中,yi是观测到的窗口排放因子,是预测到的窗口排放因子,y是用于窗口排放因子预测的窗口数据个数,n是窗口数据样本总数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310916844.XA CN116933641A (zh) | 2023-07-25 | 2023-07-25 | 基于高斯过程回归的燃油车实际道路行驶排放预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310916844.XA CN116933641A (zh) | 2023-07-25 | 2023-07-25 | 基于高斯过程回归的燃油车实际道路行驶排放预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116933641A true CN116933641A (zh) | 2023-10-24 |
Family
ID=88380264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310916844.XA Pending CN116933641A (zh) | 2023-07-25 | 2023-07-25 | 基于高斯过程回归的燃油车实际道路行驶排放预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116933641A (zh) |
-
2023
- 2023-07-25 CN CN202310916844.XA patent/CN116933641A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | Stochastic modeling for studies of real-world PHEV usage: Driving schedule and daily temporal distributions | |
Barth et al. | Recent validation efforts for a comprehensive modal emissions model | |
CN107368913B (zh) | 一种基于最小二乘支持向量机的油耗预测方法 | |
Montazeri-Gh et al. | Development of car drive cycle for simulation of emissions and fuel economy | |
CN111696369A (zh) | 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法 | |
Lei et al. | Microscopic emission and fuel consumption modeling for light-duty vehicles using portable emission measurement system data | |
Ma et al. | An evaluation of microscopic emission models for traffic pollution simulation using on-board measurement | |
Yang et al. | Time dimension analysis: Comparison of Nanjing local driving cycles in 2009 and 2017 | |
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 | |
Asher et al. | Economic and efficient hybrid vehicle fuel economy and emissions modeling using an artificial neural network | |
Della Ragione et al. | The influence of road gradient in an integrated approach of real driving cycles and emissions factors model | |
CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
Wang et al. | Predictability of vehicle fuel consumption using LSTM: Findings from field experiments | |
Pirayre et al. | Driving behavior identification and real-world fuel consumption estimation with crowdsensing data | |
Kabir et al. | Time-Series fuel consumption prediction assessing delay impacts on energy using vehicular trajectory | |
Salihu et al. | Effect of road slope on driving cycle parameters of urban roads | |
Zhong et al. | Models for predicting vehicle emissions: A comprehensive review | |
CN111724597B (zh) | 基于驾驶行为评估驾驶员认知表现的研究方法 | |
CN116933641A (zh) | 基于高斯过程回归的燃油车实际道路行驶排放预测方法 | |
Della Ragione et al. | Statistical approach to identify Naples city’s real driving cycle referring to the Worldwide harmonized Light duty Test Cycle (WLTC) framework | |
Witaszek | Modeling of fuel consumption using artificial neural networks | |
Hu et al. | Comprehensive diagnosis model of environmental impact caused by expressway vehicle emission | |
Dia et al. | Vehicle emission models using Australian fleet data | |
Topić et al. | Static Stochastic Model-Based Prediction of City Bus Velocity | |
Guo et al. | Neural network modeling of vehicle gross emitter prediction based on remote sensing data |
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 |