[發(fā)明專利]基于深度遷移學(xué)習(xí)的柴油車排放預(yù)測方法、介質(zhì)及設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202110852663.6
• 申請(qǐng)日: 2021-07-27
• 公開（公告）號(hào): CN113657651A
• 公開（公告）日: 2021-11-16
• 發(fā)明（設(shè)計(jì)）人: 許鎮(zhèn)義;康宇;曹洋;王瑞賓
• 申請(qǐng)（專利權(quán)）人: 合肥綜合性國家科學(xué)中心人工智能研究院（安徽省人工智能實(shí)驗(yàn)室）
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/26;G06N3/04;G06N3/08
• 代理公司: 合肥天明專利事務(wù)所(普通合伙) 34115
• 代理人: 苗娟

本發(fā)明的一種基于深度遷移學(xué)習(xí)的柴油車排放預(yù)測方法、介質(zhì)及設(shè)備，包括利用計(jì)算機(jī)設(shè)備構(gòu)建柴油車排放預(yù)測模型，然后使用該模型預(yù)測目標(biāo)域車輛的NOx排放；預(yù)測模型構(gòu)建步驟如下：S10：獲取源域車輛相關(guān)數(shù)據(jù)和目標(biāo)域車輛行駛時(shí)相關(guān)數(shù)據(jù)并對(duì)采集數(shù)據(jù)進(jìn)行預(yù)處理；S20：預(yù)訓(xùn)練特征投影模塊，將源域車輛特征和目標(biāo)域車輛特征投影到一個(gè)公共子空間中；S30：預(yù)訓(xùn)練尾氣預(yù)測模塊，使用重構(gòu)后的源域數(shù)據(jù)特征和標(biāo)簽搭建一個(gè)雙隱藏層的全連接神經(jīng)網(wǎng)絡(luò)預(yù)測模型；S40：將預(yù)訓(xùn)練的投影模塊和預(yù)測模塊合并構(gòu)建遷移模型，考慮源域車輛和目標(biāo)域車輛之間的數(shù)據(jù)分布差異，在損失函數(shù)部分加入源域和目標(biāo)域之間的KL散度，使目標(biāo)域數(shù)據(jù)分布靠近源域數(shù)據(jù)分布，微調(diào)整個(gè)模型。

技術(shù)領(lǐng)域

本發(fā)明涉及環(huán)境監(jiān)測領(lǐng)域中柴油車尾氣預(yù)測技術(shù)領(lǐng)域，具體涉及一種基于深度遷移學(xué)習(xí)的柴油車排放預(yù)測方法、介質(zhì)及設(shè)備。

背景技術(shù)

隨著人類社會(huì)的發(fā)展，機(jī)動(dòng)車的使用量不斷增大，其尾氣排放給環(huán)境帶來了巨大危害。因此，有必要對(duì)尾氣排放進(jìn)行嚴(yán)格把控，以實(shí)現(xiàn)對(duì)空氣環(huán)境的有效治理。而尾氣污染中柴油車尾氣排放占了相當(dāng)大的比例，因此對(duì)柴油車尾氣排放進(jìn)行監(jiān)控顯得尤為重要。

傳統(tǒng)的柴油車尾氣預(yù)測方案大多是基于深度學(xué)習(xí)或物理建模，使用柴油車行駛時(shí)的相關(guān)數(shù)據(jù)構(gòu)建尾氣預(yù)測模型。這些方法往往需要大量的、高質(zhì)量的數(shù)據(jù)才能構(gòu)建精準(zhǔn)的模型，然而在實(shí)際的監(jiān)測中，對(duì)大量的、高質(zhì)量的數(shù)據(jù)獲取往往比較困難。因此在常見預(yù)測車型給予的數(shù)據(jù)大多是稀疏的。針對(duì)稀疏的數(shù)據(jù)，利用已有車型的尾氣預(yù)測模型和已有的稀疏數(shù)據(jù)建立一個(gè)可靠的預(yù)測模型，從而減少數(shù)據(jù)監(jiān)測上的時(shí)間與經(jīng)濟(jì)花費(fèi)的方案是非常有必要的。

發(fā)明內(nèi)容

本發(fā)明提出的一種基于深度遷移學(xué)習(xí)的柴油車排放預(yù)測方法、介質(zhì)及設(shè)備，可解決訓(xùn)練數(shù)據(jù)不足下柴油車尾氣預(yù)測精度差的問題。

為實(shí)現(xiàn)上述目的，本發(fā)明采用了以下技術(shù)方案：

一種基于深度遷移學(xué)習(xí)的柴油車排放預(yù)測方法，包括以下步驟：

包括利用計(jì)算機(jī)設(shè)備構(gòu)建柴油車排放預(yù)測模型，然后使用該模型預(yù)測目標(biāo)域車輛的NOx排放；

其中，利用計(jì)算機(jī)設(shè)備構(gòu)建柴油車排放預(yù)測模型包括以下步驟，

S10：獲取源域車輛相關(guān)數(shù)據(jù)和目標(biāo)域車輛行駛時(shí)相關(guān)數(shù)據(jù)并對(duì)采集數(shù)據(jù)進(jìn)行預(yù)處理；

S20：預(yù)訓(xùn)練特征投影模塊，將源域車輛特征和目標(biāo)域車輛特征投影到一個(gè)公共子空間中；

S30：預(yù)訓(xùn)練尾氣預(yù)測模塊，使用重構(gòu)后的源域數(shù)據(jù)特征和標(biāo)簽搭建一個(gè)雙隱藏層的全連接神經(jīng)網(wǎng)絡(luò)預(yù)測模型；

S40：將預(yù)訓(xùn)練的投影模塊和預(yù)測模塊合并構(gòu)建遷移模型，考慮源域車輛和目標(biāo)域車輛之間的數(shù)據(jù)分布差異，在損失函數(shù)部分加入源域和目標(biāo)域之間的KL散度，使目標(biāo)域數(shù)據(jù)分布靠近源域數(shù)據(jù)分布，微調(diào)整個(gè)模型得到穩(wěn)定的柴油車排放預(yù)測模型。

另一方面，本發(fā)明還公開一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行如上述方法的步驟。

第三方面，本發(fā)明還公開一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行如上述方法的步驟。

由上述技術(shù)方案可知，本發(fā)明的基于深度遷移學(xué)習(xí)的柴油車排放預(yù)測方法，是基于領(lǐng)域自適應(yīng)的方法，在柴油車NOx相關(guān)數(shù)據(jù)稀疏的情況下預(yù)估NOx濃度，有著較高的準(zhǔn)確性，本方法通過其它柴油車高質(zhì)量的NOx數(shù)據(jù)進(jìn)行遷移，不需要對(duì)稀疏的數(shù)據(jù)再收集，能大幅減少成本，且實(shí)時(shí)性好，可實(shí)施性高，利于推廣。

附圖說明

圖1是本發(fā)明的方法流程圖；

圖2為本發(fā)明方法網(wǎng)絡(luò)模型示意圖；

圖3為本發(fā)明實(shí)施例的重構(gòu)特征準(zhǔn)確性驗(yàn)證折線圖；