[發明專利]基于離散排放標簽的柴油車排放連續值預測方法及系統

有效

• 申請號: 202110406754.7
• 申請日: 2021-04-15
• 公開（公告）號: CN113222217B
• 公開（公告）日: 2022-02-25
• 發明（設計）人: 康宇;李婧;曹洋;許鎮義;夏秀山;李兵兵
• 申請（專利權）人: 中國科學技術大學先進技術研究院;安徽省生態環境監測中心（安徽省重污染天氣預報預警中心）
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62
• 代理公司: 合肥天明專利事務所(普通合伙) 34115
• 代理人: 苗娟

1.一種基于離散排放標簽的柴油車排放連續值預測方法，其特征在于，包括以下步驟，

生成柴油車排放檢測系統的樣本數據，對樣本數據進行預處理，并生成預處理數據；

根據訓練集樣本數據構建無向圖并得到邊權重稀疏矩陣，利用標簽獲取算法，生成訓練集中無標簽樣本的設定標簽；

根據連續值預測方法估計系統參數及相關閾值，基于結果計算柴油車CO、HC或NO的排放值及判定柴油車排放等級；

其中，所述生成柴油車排放檢測系統的樣本數據，對樣本數據進行預處理，并生成預處理數據具體包括，

根據便攜式排放測量系統的獲取到的信息，構建系統輸入樣本，包括：

柴油車自身特性：使用時間UseYear、車輛基重BaseWeight、車身長度Length；車輛運行情況：速度Speed、加速度Acc、比功率VSP；

環境因素：風速WindSpeed、溫度Temperature、濕度Humidity、氣壓Pressure組成10維樣本特征向量，記為樣本標簽y∈{1,...,c}為離線車檢的柴油車排放級別；

假設共有總的樣本Ψ條，遵循7:3的準則分開訓練集和測試集，記訓練集樣本數據有n條，測試集樣本有Ω條，且有標簽的數據全部歸于訓練集，記訓練集中有標簽的樣本集為其中，y_i∈{1,...,c}為x_i對應的標簽；無標簽的樣本集記作其中，訓練集總的樣本數量為n＝l+u，l為有標簽樣本的數量，u為無標簽樣本的數量；

根據訓練集樣本數據構建無向圖并得到邊權重稀疏矩陣，利用標簽獲取算法，生成訓練集中無標簽樣本的設定標簽，具體包括，

通過標簽獲取方法，訓練集中的無標簽樣本被賦予計算得到的標簽，定義為“設定標簽”，獲取標簽后的無標簽樣本均可作為有標簽樣本參與后續計算；

對于給定的訓練樣本集Xⁿ＝X^l∪X^u，利用每個頂點的鄰域信息構建G＝(V,E)，樣本點表示為無向圖中的頂點，假設所有的鄰域信息都是線性的，即每個頂點都能夠利用其鄰近頂點的線性組合實現最優構建，進而，無向圖構建的目標更新為最小化如下公式：

其中，x_a,x_b∈Xⁿ，表示x_a的鄰域頂點集合，w_ab表示頂點x_b對頂點x_a的影響，約束條件w_ab≥0，頂點x_b和頂點x_a越相似，w_ab越大，當時，w_ad＝1,w_ab＝0,b≠d,為最優解；

所以，w_ab用于測定頂點x_b與頂點x_a的相似程度，且w_ab≠w_ba，進而，推斷出：

其中，表示局部格拉姆矩陣(G^a)_bd＝(x_a-x_b)^T(x_a-x_b)為關于頂點x_a的第(b,d)項，通常(·)_bd即表示一個矩陣的第(b,d)項，因此，對應于每個樣本的權值通過以下n個標準二次規劃問題來求解：

計算完所有權值后，將得到一個稀疏矩陣(W)_ab＝w_ab，這個即被視為G的權重矩陣；

根據上述構建的無向圖G及W，將使用一個迭代過程來實現無標簽樣本設定標簽的獲取；

已知y∈{1,...,c}，定義是非負實數n×c階矩陣的集合，是Yⁿ進行“one-hot”編碼后得到的n×c階矩陣，如果x_a的標簽為j(1≤j≤c)，則否則對于無標簽樣本預設

定義任意矩陣對應于樣本集Xⁿ的標簽，則樣本點x_a的設定標簽為y_a＝argmax_j≤cH_aj，因此，H也可以看作為獲取樣本點設定標簽的函數，即H_a對應于x_a的標簽獲取結果；

在迭代中，每個樣本點從其鄰域“吸收”一部分標簽信息，并保留其初始狀態的一些標簽信息，在t+1次迭代中x_a的標簽為：

其中，0＜α＜1是x_a從它從鄰域樣本點“吸收”到的標簽信息部分，為t次迭代中的標簽向量，由此，上述迭代公式更新為：

進而，

由于w_ab≥0，根據定理Perron-Frobenius，知道W的譜半徑，ρ(W)≤1，且0＜α＜1，則，

其中I為n階單位矩陣，顯然，{H^t}收斂于H^*，

無標簽數據的標簽即可根據得到；

此時無標簽的樣本集更新為有標簽樣本集y_j∈{1,...,c}為利用上述方法獲取的設定標簽，則訓練集所有的樣本構成有標簽樣本集Xⁿ＝X^l∪X^u,Yⁿ＝Y^l∪Y^u；

同時，所述根據連續值預測方法估計系統參數及相關閾值，基于結果計算柴油車CO、HC或NO的排放值及判定柴油車排放等級，具體包括，

首先利用訓練集數據建立預測模型，假設柴油車排放是樣本輸入數據即樣本特征與隨機噪聲的線性組合：

其中，d,n為特征維度和樣本個數，q_k為第k個樣本的噪聲，特征向量包含便攜式排放測量系統測得的第k個樣本的信息，為需要估計的模型參數，s_k為柴油車排放連續值結果，即反映第k個樣本的排放值，θ為閾值，Z(·)為指示函數，當s_k≥θ時，值為2；當s_k＜θ時，值為1，y_k為模型輸出，表示第k個要預測的樣本的排放等級，y_k＝2表示該柴油車為高排放等級，y_k＝1表示為正常排放等級；

在已知訓練集特征向量{x_k,k＝1,2,...,n}和柴油車排放等級{y_k,k＝1,2,...,n}的情況下，設計基于極大似然估計的參數估計迭代算法：

其中，為模型參數在第r次迭代中的估計值，F(·)和f(·)分別為正態分布的分布函數和概率密度函數，O(·)為指示函數，當滿足條件時，結果為1，否則為0；根據得到的模型參數估計值即可計算測試集柴油車的排放值。