The invention discloses a fusion system of motor vehicle exhaust emission data, including the side air pollutant concentration estimation module, side air pollutant concentration prediction module, global city atmospheric environment prediction module, motor vehicle exhaust emission factor estimation module and vehicle exhaust emission characteristic analysis module; five modules achieve different data analysis function, selection different modules can realize different functions; can be used alone, can also be two or more than two combinations, the vehicle exhaust telemetry data and vehicle attributes, driving conditions, detection time and weather data storage, analysis and integration, combined with the vehicle diagnosis system database, portable emission measurement system, the inspection database the offline database, traffic information database and geographic information database for vehicle tail Gas telemetry data are analyzed and processed to obtain the most identifiable key indicators and statistical data, so as to provide effective support for government departments to formulate relevant decisions.
【技术实现步骤摘要】
一种机动车尾气排放数据融合系统
本专利技术具体涉及一种机动车尾气排放数据融合系统,属于环境监测
技术介绍
由于近年来全国机动车保有量迅猛增长,致使市区以及各地交通拥堵现象日趋严重,大气环境质量也呈现出恶化趋势,机动车排气污染监控工作正面临着严峻的挑战。机动车尾气是城市大气环境污染的重要污染物,是城市空气污染的主要源头,在城市环境污染监测方面,机动车尾气监测所占比例越来越高,已经成为环境保护与管理的重要组成部分。从2000年以来,环保部门对于机动车尾气的监管不断加强,一方面,通过提高排放标准加速老旧机动车淘汰的速度:机动车尾气排放标准不断提高,从欧I、欧II到国五标准,仅仅经过了10余年的时间。另一方面,机动车尾气检测手段和技术不断发展,先后经历双怠速法、简易工况法、模拟工况法、遥感监测法等阶段,检测设备也从手持式、便携式、检测场固定式发展到了车载移动式、路侧固定式。其中,由于新兴的遥感监测法具有检测周期短、无需人工参与、准确度高与不影响交通的特点,已渐渐成为机动车尾气检测的重要技术手段,得到了业界的普遍认同。机动车尾气遥测设备布设于城市路网,可获取海量监测数据,如何分析、处理这些海量数据是环境监测的一个难点,通过有效的数据挖掘可获取大量关于机动车尾气排放的信息。由于空气污染物浓度的影响因素复杂繁多,从长期或平均状态来说,取决于城市的能源结构、交通和工业排放污染物的多少,但从短期或实时状态而言,却主要与当地、当时的气象条件有关。这一系列的因素导致对空气污染物浓度进行预报具有一定的挑战性,因此目前国内外还没有有效的技术方法对重污染过程进行准确的预报, ...
【技术保护点】
一种机动车尾气排放数据融合系统,其特征在于:包括道边空气污染物浓度估计模块、道边空气污染物浓度预报模块、城市全局大气环境预测模块、机动车尾气排放因子估计模块与机动车尾气排放特征分析模块;实现对机动车尾气遥测数据及机动车属性、行驶工况、检测时间、气象条件数据的存储、分析与融合,结合车载诊断系统数据库、便携式排放测试系统数据库、车检所离线数据库、交通信息数据库与地理信息数据库,对机动车尾气遥测数据进行分析处理,实现机动车尾气排放因子估计、机动车尾气排放特征分析、道边空气污染物浓度估计、道边空气污染物浓度预测及城市全局环境预测,为环保部门的政策制定与执法提供科学依据;道边空气污染物浓度估计模块,使用一种基于重构深度学习的道边空气污染物浓度预测方法来实现,根据道边空气污染物的时空分布特点,基于重构深度学习方法对深度重构Elman模型进行训练,当训练完成后,输入实时的路网信息、气象信息和交通信息,即可获得实时的道边空气污染物浓度估计值;道边空气污染物浓度预报模块,使用一种基于LSTM‑RNN模型的空气污染物浓度预报方法来实现,根据历史空气污染物浓度数据,提出基于LSTM‑RNN模型的预报方法,模 ...
【技术特征摘要】
1.一种机动车尾气排放数据融合系统,其特征在于:包括道边空气污染物浓度估计模块、道边空气污染物浓度预报模块、城市全局大气环境预测模块、机动车尾气排放因子估计模块与机动车尾气排放特征分析模块;实现对机动车尾气遥测数据及机动车属性、行驶工况、检测时间、气象条件数据的存储、分析与融合,结合车载诊断系统数据库、便携式排放测试系统数据库、车检所离线数据库、交通信息数据库与地理信息数据库,对机动车尾气遥测数据进行分析处理,实现机动车尾气排放因子估计、机动车尾气排放特征分析、道边空气污染物浓度估计、道边空气污染物浓度预测及城市全局环境预测,为环保部门的政策制定与执法提供科学依据;道边空气污染物浓度估计模块,使用一种基于重构深度学习的道边空气污染物浓度预测方法来实现,根据道边空气污染物的时空分布特点,基于重构深度学习方法对深度重构Elman模型进行训练,当训练完成后,输入实时的路网信息、气象信息和交通信息,即可获得实时的道边空气污染物浓度估计值;道边空气污染物浓度预报模块,使用一种基于LSTM-RNN模型的空气污染物浓度预报方法来实现,根据历史空气污染物浓度数据,提出基于LSTM-RNN模型的预报方法,模型训练完成后,该模型可预报当前或未来某一时刻的空气污染物浓度;城市全局大气环境预测模块,使用一种基于CFD及多数据源的城市实时全局环境估计方法来实现,结合城市环境监测站点历史数据、全球中尺度气象预测结果、国家气象数据、城市重点污染源数据、城市地理三维模型及机动车尾气遥测设备的实时监测数据,利用流体力学CFD作为计算引擎,根据气象信息自适应切换环境质量模式,采用多尺度网格离散化城市模型并引入多组分污染模型,实现城市全局大气环境的实时预测;机动车尾气排放因子估计模块,使用一种基于MLP神经网络的机动车尾气排放因子估计方法来实现,利用机动车尾气遥测设备采集的实际道路上的机动车尾气排放数据以及其他相关数据建立机动车尾气CO、HC及NO的排放因子数据库,并据此建立针对于CO、HC和NO的MLP神经网络模型,实现机动车尾气排放因子的实时在线估计;机动车尾气排放特征分析模块,使用一种基于聚类分析的车辆尾气排放特征分析处理方法来实现,采用灰色关联分析方法从车辆类型、行驶工况、燃料类型、车辆使用年限、风速、气温中找出影响尾气排放的主要影响因素,作为车辆尾气排放特征分析的核心维度特征参数,利用基于密度的聚类算法对机动车进行尾气排放贡献程度的分类;上述五个模块分别实现不同的数据分析功能,选择不同的模块即可实现不同的功能;可以单独使用,也可以两个或两个以上组合作用;在需要获得实时的道边空气污染物浓度估计值时,采用道边空气污染物浓度估计模块;在根据历史空气污染物浓度数据预报当前或未来某一时刻的空气污染物浓度时,采用道边空气污染物浓度预报模块;在需要城市全局大气环境的实时预测时,采用城市全局大气环境预测模块;在需要进行机动车尾气排放因子的实时在线估计时,采用机动车尾气排放因子估计模块;在分析影响尾气排放的主要影响因素,或对机动车进行尾气排放贡献程度进行分类时采用机动车尾气排放特征分析模块。2.根据权利要求1所述的机动车尾气排放数据融合系统,其特征在于:所述道边空气污染物浓度估计模块中,一种基于重构深度学习的道边空气污染物浓度实时预测方法包含以下步骤:步骤1:基于重构深度学习方法,根据道边空气污染物的时空分布特点,形成道路空气污染物浓度数据集,构建深度重构Elman模型;所述道边空气污染物包括一氧化碳CO、二氧化碳CO2、氮氧化物NOx;所述深度重构Elman模型包括:主网络和次网络;主网络具有前馈连接和反馈连接结构,含有局部记忆能力,主网络依次由输入层、承接层、中间层和输出层构成;次网络用于主网络初始化,次网络含有一个可视层和一个隐含层;步骤2:根据限制玻耳兹曼机的特征,从道边空气污染物浓度数据集中随机选取部分数据,完成深度重构Elman模型的初始化;步骤3:采用梯度下降算法,对深度重构Elman模型进行训练,得到能够对道边空气污染物浓度进行实时预测的深度重构Elman模型,以实时的路网信息、气象信息、交通信息因素作为Elman模型的输入,Elman模型输出为对应的实时道边空气污染物浓度;所述路网信息包括路段车道数、道路绿化程度、道路建筑物高度、建筑物与道边距离;所述气象信息包括温度、湿度、天气、风速和风向;所述交通信息车种比例、车流量、通过时间、停止时间和拥塞时间。3.根据权利要求2所述的机动车尾气排放数据融合系统,其特征在于:所述一种基于重构深度学习的道边空气污染物浓度实时预测方法中,所述步骤2实现如下:(1)对道路空气污染物浓度数据集中的数据进行归一化处理,并将数据集按照60%、20%、20%的比例划分为训练集、验证集、测试集;(2)对限制玻尔兹曼机设置重构误差阈值,利用训练集中的输入数据对限制玻尔兹曼机进行训练,其中可视层单元个数为14,隐含层单元个数为37,关于状态的损失函数Jres(xpol,hpol,θ)为:其中,xpol,i为影响道边空气污染物浓度的因素之一,hpol,j为xpol,i的另一种表达,θrac={ωrac,i,j,αrac,i,βrac,j},αrac,i、βrac,j分别为可视单元和隐含单元的偏差向量,ωrac,i,j是权重矩阵,N9、L9分别为可视单元和隐含单元的数量;限制玻尔兹曼机参数的梯度求解方法如下:其中,prob(xpol,θ)是可视单元的概率,prob(hrac,j=1|xpol,θ)是隐含单元的条件概分布;(3)初始化Elman模型,其中用限制玻尔兹曼机中训练好的矩阵ωrac初始化输入层权重中间层权重和承接层权重用零矩阵初始化。4.根据权利要求2所述的机动车尾气排放数据融合系统,其特征在于:所述一种基于重构深度学习的道边空气污染物浓度实时预测方法中,所述步骤3实现如下:(1)根据深度重构Elman模型的非线性状态空间表达式计算第m次迭代输出的道边空气污染物浓度yrac(m);(2)根据梯度下降算法计算道边空气污染物浓度损失函数Jrac,若污染物浓度损失函数的值小于初始化中设置的误差阈值或者迭代次数值m大于等于初始化中设置的最大迭代次数,则训练结束,进入步骤(5),否则进去步骤(3);(3)根据梯度下降算法计算道边空气污染物浓度损失函数关于深度重构Elman模型的权重参数的偏导数,计算方法如下:其中,Jrac(m)是道边空气污染物浓度损失函数,n表示输入层的第n个单元,j表示输出层的第j个单元,l表示中间层的第l个单元,表示隐含层的第个单元,m是迭代次数,是求偏导符号,是道边空气污染物浓度损失函数关于的偏导数,η1、η2、η3分别是的学习率,分别是深度重构Elman模型的中间层到输出层权重参数、输入层到中间层权重参数、承接层到中间层权重参数;(4)然后根据权重参数的偏导数对权重参数进行更新,更新规则如下:更新完毕后,返回步骤(1);(5)训练结束,模型的权重参数确定,所得模型即为能够对道边空气污染物浓度进行实时预测的深度重构Elman模型,将实时的路网信息、气象信息、交通信息因素输入到模型中,通过模型即可输出预测的实时道边空气污染物浓度结果。5.根据权利要求1所述的机动车尾气排放数据融合系统,其特征在于:道边空气污染物浓度预报模块中,一种基于LSTM-RNN模型的空气污染物浓度预报方法包含以下步骤:步骤一,首先收集目标城市较长时间内的空气污染物浓度数据,作为历史数据,并存入数据库;步骤二,然后通过对收集到的历史数据进行预处理,构造待训练的LSTM-RNN(LongShort-TermMemory,长短时记忆)模型的训练样本数据、验证样本数据和测试样本数据;步骤三,通过训练样本数据得到预先训练的LSTM-RNN模型,然后通过构造的验证样本数据和测试样本数据微调训练得到的LSTM-RNN模型参数,通过进一步修正LSTM-RNN模型参数,提高LSTM-RNN模型精度,将该修正后的LSTM-RNN模型作为空气污染物浓度预报模型;步骤四,将预处理后的目标城市较长时间内的空气污染物浓度数据作为LSTM-RNN模型的输入数据,通过LSTM-RNN模型对输入数据进行学习,最终LSTM-RNN模型输出得到当前或未来某一时刻的空气污染物浓度预报的结果。6.根据权利要求5所述的机动车尾气排放数据融合系统,其特征在于:所述一种基于LSTM-RNN模型的空气污染物浓度预报方法中,所述步骤一中,收集目标城市较长时间内,即一年的空气污染物浓度数据,选取与空气污染物浓度有关的数据进行汇总,对于其中部分缺失的数据,采用平均值法填补缺失数据,并存入数据库。7.根据权利要求5所述的机动车尾气排放数据融合系统,其特征在于:一种基于LSTM-RNN模型的空气污染物浓度预报方法中,所述步骤一中的平均值法为:采用缺失数据前N10个与后N10个数据取平均值的方法,N10表示前后取数的个数,取值为20-30个。8.根据权利要求5所述的机动车尾气排放数据融合系统,其特征在于:所述一种基于LSTM-RNN模型的空气污染物浓度预报方法中,所述步骤二中,构造待训练的LSTM-RNN模型的训练样本数据:从数据库中读出目标城市的污染数据,进行归一化处理,构成LSTM-RNN模型的输入特征向量,并按照75%、15%、10%的比例划分为训练样本数据、验证样本数据和测试样本数据。9.根据权利要求5所述的机动车尾气排放数据融合系统,其特征在于:一种基于LSTM-RNN模型的空气污染物浓度预报方法中,步骤二中所述归一化处理方法为min-max归一化方法,对收集到的目标城市较长时间内的空气污染物浓度数据做归一化处理,使其值在0到1之间。10.根据权利要求5所述的机动车尾气排放数据融合系统,其特征在于:所述一种基于LSTM-RNN模型的空气污染物浓度预报方法中,所述步骤三中,LSTM-RNN模型采用具有1个输入层、5个隐藏层,输出层,使用identity函数来执行回归。11.根据权利要求5所述的机动车尾气排放数据融合系统,其特征在于:一种基于LSTM-RNN模型的空气污染物浓度预报方法中,所述步骤三中的5个隐藏层采用LSTM(长短时记忆)单元,该单元具有三个门:输入门表示是否允许采集的新的污染物浓度数据信息加入到当前隐藏层节点中,如果为1即门开,则允许输入,如果为0,即门关,则不允许,这样就可以摒弃掉一些没用的输入信息;遗忘门表示是否保留当前隐藏层节点存储的历史污染物浓度数据,如果为1即门开,则保留,如果为0,即门关,则清空当前节点所存储的历史污染物浓度数据;输出门表示是否将当前节点输出值输出给下一层,即下一个隐藏层或者输出层,如果为1,即门开,则当前节点的输出值将作用于下一层,如果为0,即门关,则当前节点输出值不输出。12.根据权利要求11所述的机动车尾气排放数据融合系统,其特征在于:所述一种基于LSTM-RNN模型的空气污染物浓度预报方法中,所述隐藏层的LSTM单元具体公式表示如下:Hair,t=ottanh(ct)其中sig为逻辑sigmoid函数,xair表示LSTM-RNN模型的输入特征向量,Φ、o、c、Hair分别表示输入门(inputgate)、遗忘门(forgetgate)、输出门(outputgate)、单元激活向量(cellactivationvectors),隐藏层,分别为LSTM-RNN模型的输入特征向量、隐藏层单元、单元激活向量与输入门之间的权重矩阵,Ωair,c,Φ分别为LSTM-RNN模型的输入特征向量、隐藏层单元、单元激活向量与遗忘门之间的权重矩阵,Ωair,c,o分别为LSTM-RNN模型的输入特征向量、隐藏层单元、单元激活向量与输出门之间的权重矩阵,分别为LSTM-RNN模型的输入特征向量、隐藏层单元与单元激活向量之间的权重矩阵,所述权重矩阵均为对角阵;βair,Φ、βair,o、βair,c分别为LSTM-RNN模型输入门、遗忘门、输出门、单元激活向量的偏差值,t作为下标时表示时刻,tanh为激活函数。13.根据权利要求1所述的城市路网机动车尾气排放遥感监控系统,其特征在于:城市全局大气环境预测模块中,一种基于CFD及多数据源的城市实时全局环境估计方法包含以下步骤:步骤一,提取城市三维模型数据,使用模型片段数简化方法进行所述三维模型融合,并将地理信息映射到所述三维模型,生成具有地理信息的简化城市三维模型;步骤二,选定城市的待求解区域,在待求解区域中,对第一步所得简化城市三维模型进行六面体网格划分,融入城市重点污染源GIS信息及城市主要街道GIS信息,然后使用多尺度网格划分方法对重点污染源区域、主要街道进行细网格划分,生成多尺度网格化城市三维模型;步骤三,使用Realizablek-ε湍流模型封闭城市大气流场方程,加入太阳辐射方程,得到城市大气流场控制方程;步骤四,将城市重点污染源的排放数据、机动车尾气排放的实时数据通过匹配地理位...
【专利技术属性】
技术研发人员:康宇,李泽瑞,陈绍冯,王雪峰,杨钰潇,
申请(专利权)人:中国科学技术大学,
类型:发明
国别省市:安徽,34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。