[發明專利]一種基于機器學習的機動車尾氣濃度預測方法及系統

有效

• 申請號: 202110382766.0
• 申請日: 2021-04-09
• 公開（公告）號: CN113269348B
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 王煥欽;夏王進;王程鵬;虞發軍;李勇;程碩;洪銳;丁文科
• 申請（專利權）人: 中國科學院合肥物質科學研究院
• 主分類號: G16C20/70
• 分類號: G16C20/70;G16C20/90;G16C20/20;G06N3/0442;G06N3/048;G06N3/084;G06N20/10;G06F16/25;G06F16/215
• 代理公司: 合肥天明專利事務所(普通合伙) 34115
• 代理人: 苗娟

本發明的一種基于機器學習的機動車尾氣濃度預測方法及系統，包括以下步驟，S1、將車輛尾氣數據從相應數據庫中導入到excel或者csv文件，并對數據進行預處理，得到預處理后的尾氣數據；S2、構建模型框架，結合機器學習中的神經網絡和支持向量回歸兩種方法，采用多模型融合方法，融合兩種模型進行尾氣濃度反演；S3、利用預處理好的尾氣數據，訓練尾氣濃度反演融合模型，神經網絡部分用來記憶深層次尾氣數據，支持向量回歸用來反演尾氣濃度；S4、利用訓練好的尾氣濃度反演融合模型，輸入車輛尾氣數據進行尾氣濃度預測。本發明檢測精度高，易普及；多重特征處理，準確度高：原始數據經過神經網絡和支持向量回歸兩個模型，兩次特征處理，能夠提升準確度。

技術領域

本發明涉及環境測量檢測技術領域，具體涉及一種基于機器學習?的機動車尾氣濃度預測方法及系統。

背景技術

隨著交通運輸技術的發展給人類生活帶來了諸多便利，但也帶來?了威脅人類健康的尾氣污染。尤其機動車樣式多、分布廣和流動快的?特點更是加劇了環境的污染，不僅對環境造成了不良影響還嚴重危害?了人體健康。所以對不同環境及駕駛條件下的車輛尾氣濃度進行檢測?是提高空氣質量的關鍵問題。但是，目前對于尾氣濃度反演的方法仍?然存在諸多問題，成本高、沒有普適性以及檢測精度低等缺點，具體?如下：

車載尾氣檢測設備法：通過每輛機動車車載尾氣檢測設備的方法?實時檢測尾氣排放，這種方法雖然有效但是實際意義不大，不可能為?每輛車裝載一個尾氣檢測設備，成本高，不具有普適性；

普通遙感檢測法：普通遙感檢測法針對現實實際排放物進行遙感?估計與預測，受實際環境影響大，對低濃度排放物不敏感，檢測精度?低；

普通預測排放方法：利用單一機器學習模型處理車輛尾氣數據并?預測，近年來這種方法取得較大突破，但單一模型仍然存在缺陷，體?量大的模型導致模型參數過多難以優化，體量小的模型存在預測效果?不好的缺點。

發明內容

本發明提出的一種基于機器學習的機動車尾氣濃度預測方法及系?統，可以有效克服成本高的缺點，具有普適性，檢測精度高。

為實現上述目的，本發明采用了以下技術方案：

一種基于機器學習的機動車尾氣濃度預測方法，包括以下步驟，

S1、將車輛尾氣數據從相應數據庫中導入到excel或者csv文件，?并對數據進行預處理，得到預處理后的尾氣數據；

S2、構建模型框架，結合機器學習中的神經網絡和支持向量回歸?兩種方法，采用多模型融合方法，融合兩種模型進行尾氣濃度反演；

S3、利用預處理好的尾氣數據，訓練尾氣濃度反演融合模型，神?經網絡部分用來記憶深層次尾氣數據，支持向量回歸用來反演尾氣濃?度；

S4、利用訓練好的尾氣濃度反演融合模型，輸入車輛尾氣數據進?行尾氣濃度預測。

進一步的，尾氣濃度反演模型的建立步驟如下：

(1)確定模型的輸入輸出：尾氣濃度反演融合模型輸入為經過預?處理之后的尾氣數據中的影響顯著的尾氣特征，包括發動機冷卻液溫?度、發動機轉速、發動機燃油消耗以及發動機扭矩這些尾氣數據特征；?所述尾氣濃度反演融合模型的輸出為氮氧化物排放量；

(2)確定神經網絡的結構：所述尾氣濃度反演融合模型包含神經?網絡結構，采用神經網絡結構提取車輛尾氣數據深層信息，經過輸入?層，隱藏層這些多層次結構，通過每層之間的神經元進行加權、求和?與轉移傳輸給下一層的神經元，傳輸方向從輸入層開始，沿著隱藏層?一直向前，從而完成信息提取和記憶的過程；

(3)確定神經網絡的激活函數：所述尾氣濃度反演融合模型的神?經網絡結構中包含激活函數的選擇，激活函數用來對每層神經元之間?的加權求和值進行轉移前的二次轉換，防止神經網絡的計算值朝著不?可預料的方向發展，本模型中選區ReLU函數作為激活函數；