[發明專利]一種基于改進的Stacking模型的車輛尾氣濃度估計方法

有效

• 申請號: 201911211562.X
• 申請日: 2019-12-02
• 公開（公告）號: CN110988263B
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 凌強;費習宏;李峰
• 申請（專利權）人: 中國科學技術大學
• 主分類號: G01N33/00
• 分類號: G01N33/00;G06F30/20;G06N20/00
• 代理公司: 北京科迪生專利代理有限責任公司 11251
• 代理人: 安麗

本發明涉及一種基于改進的Stacking模型的車輛尾氣濃度估計方法，在Stacking模型的基礎上，將Stacking模型的尾氣排放濃度估計結果和一些單個模型的估計結果進行加權求和，得到最終的車輛尾氣排放濃度估計結果。其中Stacking模型，第一層由多個機器學習模型使用5折交叉驗證訓練得到新訓練樣本集和新測試樣本集，簡單線性回歸模型作為第二層估計模型來訓練第一層的新訓練樣本集，訓練生成的估計模型估計新測試樣本集，得到尾氣濃度估計結果。本發明可快速準確的估計出該車輛的CO或HC尾氣排放濃度，而且改進的Stacking模型估計性能相比Stacking模型或Stacking模型中使用到的單個機器學習模型的估計準確度都有較大提升。

技術領域

本發明涉及一種基于改進的Stacking模型的車輛尾氣濃度估計方法，屬于車輛尾氣排放濃度估計和模式識別領域。

背景技術

機動車尾氣超標排放是造成大氣污染主要原因之一。隨著個人擁有汽車的數量顯著增長。根據中國公安部交通管理局的數據，2018年全國新登記的機動車數量為3172萬輛，機動車數量達到3.27億輛。這些車輛數量的迅速增加加大了尾氣的排放量，造成了嚴重的環境污染問題。車輛尾氣中含有大量有害氣體。其中一些有害的汽車尾氣也會對人體健康產生負面影響。特別是，排氣會對人體呼吸系統和免疫功能造成一定的傷害，導致呼吸道免疫力下降，慢性支氣管炎的發病率增加等。因此，監測車輛排氣濃度進而控制車輛污染氣體的排放具有非常重要的意義。

當前，常規的尾氣排放濃度檢測方案是一般是通過設備檢測或者理論推算出尾氣排放濃度。文獻[1]-[3]([1]Kousoulidou,Marina,et al.Use of portable emissionsmeasurement system(PEMS)for the development and validation of passenger caremission factors.Atmospheric Environment 64(2013):329-338.,[2]O'Driscoll R,ApSimon H M,Oxley T,et al.A Portable Emissions Measurement System(PEMS)studyof NOx and primary NO2 emissions from Euro 6diesel passenger cars andcomparison with COPERT emission factors[J].Atmospheric environment,2016,145:81-91.,[3]Luján J M,Bermúdez V,Dolz V,et al.An assessment of the real-worlddriving gaseous emissions from a Euro 6light-duty diesel vehicle using aportable emissions measurement system(PEMS)[J].Atmospheric environment,2018,174:112-121.)使用設備檢測尾氣的方案是在機動車的尾部安裝車載尾氣檢測設備(PEMS)來實時測量尾氣的排放。該設備通過與汽車尾氣管道相連的探針采集污染物的濃度。該檢測方案設備的成本較高和使用的便利性差。文獻[4]([4]Shan H,Liu H,Zhang L,etal.The control method of Acceleration Simulation Mode emissions detectionsystems based on Fuzzy proportional-integral-derivative control[C]//201512thInternational Conference on Fuzzy Systems and Knowledge Discovery(FSKD).IEEE,2015:580-584.)提到一種使用加速模擬模式(ASM)條件檢測尾氣排放濃度的方法，但僅能夠檢測以特定速度行駛的車輛的排氣濃度。文獻[5]([5]Franco García V.Evaluationand improvement of road vehicle pollutant emission factors based oninstantaneous emissions data processing[D].Universitat Jaume I,2014.)提出了使用測功機測量排放濃度，目前僅限于實驗室模擬條件，并且在現實中很難達到實驗預期的結果。文獻[6]([6]Geller M D,Sardar S B,Phuleria H,et al.Measurements ofparticle number and mass concentrations and size distributions in a tunnelenvironment[J].Environmental ScienceTechnology,2005,39(22):8653-8663.)使用隧道檢測來檢測局部廢氣排放濃度，但它只能檢測特定時間和空間的平均廢氣排放濃度且容易受到環境條件的影響。隨著人工智能技術的發展，文獻[7]-[9]([7]Nagendra S M S,Khare M.Artificial neural network based line source models for vehicularexhaust emission predictions of an urban roadway[J].Transportation ResearchPart D:Transport and Environment,2004,9(3):199-208.，[8]Zhang Q,Xu Y,Li F,etal.A vehicle emission factors concentration inversion method based on deepneural networks[C]//2018Chinese Control And Decision Conference(CCDC).IEEE,2018:6325-6330.，[9]Nagendra S M S,Khare M.Artificial neural network approachfor modelling nitrogen dioxide dispersion from vehicular exhaust emissions[J].Ecological Modelling,2006,190(1-2):99-115.)提到使用深度學習為估計尾氣排放濃度提供新的解決思路。采集可以影響尾氣排放濃度的多因素特征遙測尾氣數據，輸入到神經網絡中，利用深度神經網絡(DNN)進行濃度估計，但是這種網絡的估計準確度較差。