一种城市路网机动车尾气排放遥感监控系统技术方案
【技术实现步骤摘要】
一种城市路网机动车尾气排放遥感监控系统
本专利技术具体涉及一种城市路网机动车尾气排放遥感监控系统，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。因此，有必要建立一套完善的系统，对机动车尾气中有害气体的排放进行监测和管理，同时加强对机动车尾气污染的控制，对尾气排放加大检测和监管的力度。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。尽管如此，遥感监测法能解决的也仅仅是尾气检测的问题，对于城市机动车(尤其在用机动车)的整体管控问题，仍然不能完全解决。以下将从系统的角度，对机动车尾气遥测设备、布点与组网算法、数据处理算法等方面进行文献调研和比较，以诠释本专利技术专利的创造性与优越性。对于汽油车尾气遥测的相关技术方法，已有...
【技术保护点】
一种城市路网机动车尾气排放遥感监控系统，其特征在于：包括遥测设备层、选址布点层与数据处理层；遥测设备层，实现对机动车尾气中CO、CO2、NOx、HC浓度、以及不透光烟度的检测，同时记录机动车的速度、加速度与机动车牌照号码，最终得到每辆通过监测点机动车的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，并将尾气遥测数据及机动车属性、行驶工况、检测时间、气象条件数据传输到数据处理层；选址布点层，解决遥测设备层中机动车尾气遥测设备在城市路网中的选址布点问题，能够将路网拓扑、道路信息、气象信息、交通信息及布点区域已有检测器数量的数据作为输入，实现有效检测车辆数最大、车辆检测差别性最小及道路覆盖率最大的目标，根据性能指标的不同，为相关部门提供多种选址布点方案，采用选址布点层的选址布点方法，对遥测设备层中机动车尾气遥测设备在城市路网中的布设点位进行优化，确保采集数据的完整性和多样性，更好地服务于数据处理层的数据处理方法；数据处理层，实现对遥测设备层采集的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...
【技术特征摘要】
1.一种城市路网机动车尾气排放遥感监控系统，其特征在于：包括遥测设备层、选址布点层与数据处理层；遥测设备层，实现对机动车尾气中CO、CO2、NOx、HC浓度、以及不透光烟度的检测，同时记录机动车的速度、加速度与机动车牌照号码，最终得到每辆通过监测点机动车的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，并将尾气遥测数据及机动车属性、行驶工况、检测时间、气象条件数据传输到数据处理层；选址布点层，解决遥测设备层中机动车尾气遥测设备在城市路网中的选址布点问题，能够将路网拓扑、道路信息、气象信息、交通信息及布点区域已有检测器数量的数据作为输入，实现有效检测车辆数最大、车辆检测差别性最小及道路覆盖率最大的目标，根据性能指标的不同，为相关部门提供多种选址布点方案，采用选址布点层的选址布点方法，对遥测设备层中机动车尾气遥测设备在城市路网中的布设点位进行优化，确保采集数据的完整性和多样性，更好地服务于数据处理层的数据处理方法；数据处理层，实现对遥测设备层采集的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。2.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：所述遥测设备层包括移动式尾气遥测设备、水平式尾气遥测设备和垂直式尾气遥测设备三种设备，其中，水平式尾气遥测设备和垂直式尾气遥测设备都固定安装在道路上，水平式尾气遥测设备用于单车道的道路以及车流量少的多车道道路；垂直式尾气遥测设备用于车流量大的多车道道路；移动式尾气遥测设备在城市路网上进行巡逻，服务于需要临时进行机动车尾气检测的道路，能够应对突发状况对尾气检测的需求，并增加城市路网的监测密度；三种设备分别用于城市路网上的不同道路，水平式尾气遥测设备基于深度残差学习网络对柴油车尾气烟度进行检测，垂直式尾气遥测设备使用路面反射的弱信号进行尾气污染物成分与浓度的分析。3.根据权利要求2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：所述垂直式尾气遥测设备包括车辆检测单元、尾气检测单元、弱信号处理单元和车牌识别单元四个部分；车辆检测单元，包括两组激光发生器和接收器，两组激光发生器以一定距离间隔安置于横跨车道的龙门架上，发射激光垂直于车道，经路面反射后被龙门架上的激光接收器接收，当机动车行驶通过检测区时，激光发射器发出的激光就会受到影响，使发射器-接收器之间的光路缩短，从而说明有机动车行驶进入检测区，机动车在离开检测区时会导致发射器-接收器之间的光路恢复到无车状态，利用两组激光器分别记录的机动车进入、离开时刻差获取机动车速度、加速度信息；同时输出触发信号触发尾气检测单元对尾气信息进行采集，触发车牌识别单元对车牌信息进行采集；尾气检测单元，由多个安装在横跨车道的龙门架上垂直于路面的激光发射器构成，每个激光发射器以一定距离间隔安置，每个激光发射器均垂直向地面发射激光束，由于每个车道的激光接收器会受到不同车道激光的影响，每个激光接收器接收到的是混叠信号，通过对激光接收器混叠信号的分析，得到尾气污染物成分与浓度的混叠数据，每个接收器的数据会被发送到弱信号处理单元进行弱信号提取与分离；弱信号处理单元，包括弱信号提取模块和弱信号分离模块，弱信号提取模块根据弱信号与噪声信号在频率分布、覆盖范围、统计特性方面的差异，识别和提取出尾气检测单元数据的相关弱信号数据；弱信号分离模块对弱信号提取模块中提取出的相关弱信号数据进行分离处理，选择线性瞬时混合模型作为弱信号的模型，采用独立分量分析的方法对不同源的相互混叠的弱信号进行分离，最终获取通过监测点的机动车尾气污染物成分与浓度；车牌识别单元，包括一台摄像机与图像处理模块，当车辆检测单元检测到有机动车进入检测区时，输出触发信号，使摄像机对车头进行多次拍照，由图像处理模块进行照片的筛选与车牌照号码的识别，完成检测结果与车牌号之间的关联，从而最终实现基于路面反射的垂直式机动车尾气遥测。4.根据权利要求2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：所述垂直式尾气遥测设备中，车辆检测单元中，所述获取机动车速度、加速度信息的过程如下：机动车经过第一组激光发射装置和第二组激光发射装置的平均速度为vel1，vel2，其计算方法为速度加速度为其中，Ldis为两组激光发射器间隔，记录接收器1和接收器2下降沿出现的时刻为T1，T2，记录接收器1和接收器2上升沿出现的时刻为T3，T4。5.根据权利要求2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：所述垂直式尾气遥测设备中，所述弱信号处理单元中，所述弱信号分离模块，选择线性瞬时混合模型作为弱信号的模型，假设N1个源信号s(t)被M1个检测器接收后输出混合信号x(t)，线性瞬时混合模型可以表示为x(t)＝Bs(t)，其中是M1*1维观测信号的向量，M1表示接收的检测器的数目，是N1*1维相互独立的源信号的向量，N1表示源信号的个数，B是一个M1*N1维的混合矩阵，其估计模型表示为y(t)＝Wx(t)，其中y(t)是对源信号s(t)的估计，W是一个M1*N1维的矩阵，称之为分离矩阵；采用独立分量分析的方法对不同源的相互混叠的弱信号进行分离，求解分离矩阵W，对源信号进行估计。6.根据权利要求5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：所述垂直式尾气遥测设备中，弱信号处理单元中，所述采用独立分量分析的方法进行弱信号分离的步骤如下：步骤一、对提取到的数据进行预处理，包括数据中心化和白化处理，数据中心化，使输出混合信号x中心化，具体做法是用x减去其均值向量E(x)，将x转化为零均值向量；白化处理，对x进行线性变换，使得x的各分量方差都为1，白化的目的就是降低输入的冗余性，使得x(t)的各个分量不相关联，通过预处理，有效地降低了求解的复杂度，减小了工作量，记预处理后的数据为z(t)；步骤二、随机地选择一个初始向量W(N2)，N2＝1；N2表示迭代的次数；步骤三、W(N2+1)＝E{zg(WT(N2)z)}-E{g′(WT(N2)z)}W(N2)，其中非线性函数g取g(x)＝x3，E表示均值，z为预处理后的数据，W为分离矩阵；步骤四：作正交归一化处理，W(N2+1)＝W(N2+1)/||W(N2+1)||其中||·||表示矩阵范数；步骤五：判断W(N2)是否收敛，收敛则停止迭代得到W(N2)，否则返回步骤三继续迭代。7.根据权利要求2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：所述遥测设备层的水平式尾气遥测设备中，所述基于深度残差学习网络的柴油车尾气烟度检测方法包括以下步骤：步骤1、在选定的路段用CCD摄像机对经过的柴油车进行尾气视频记录，通过图像采集卡从尾气视频中获取柴油车尾气图像；步骤2、在选定的路段中用汽柴一体化机动车尾气遥测装置直接测量柴油车的尾气烟度，获取柴油车尾气图像中车辆的尾气烟度，将获取的尾气烟度作为相应柴油车尾气图像的标签，柴油车尾气图像和相应的标签构成柴油车尾气烟度数据集；步骤3、构建20层深度残差学习网络，该网络包含一个普通卷积层、一个池化层，八个残差学习单元，一个平均池化层，一个全连接层；普通卷积层的作用是学习全局性特征，池化层pool1的作用是降低卷积层输出的特征向量，同时改善结果，降低过拟合出现的可能性；八个残差学习单元的作用是学习特征的同时提高精度，平均池化层的作用是对这一层的输入进行降采样操作，最后一个全连接层构成一个20分类器，对输入的柴油车尾气烟度图像分类；所述八个残差学习单元中的每一个残差学习单元包含两个残差卷积层，每个残差学习单元的输入不仅包含上一个残差学习单元的输出，还包含上一个残差学习单元的输入，即构成了跨层连接的输入输出方式；普通卷积层的输入为经过预处理的图像，普通卷积层的输出作为池化层的输入，池化层的输出为八个残差学习单元中第一个残差学习单元的输入，残差学习单元之间按照跨层连接的输入输出方式传递数据；池化层的输入是最后一个残差学习单元的输入和输出；全连接层的输入是平均池化层的输出；步骤4、对柴油车尾气烟度数据集进行预处理，将预处理后的图像作为深度残差学习网络的输入，对深度残差学习网络进行训练、验证和测试，得到能够精确检测柴油车烟度的深度残差学习网络；步骤5、对于没有安装汽柴一体化机动车尾气遥测装置的路段，在道边布设CCD摄像机以获取柴油车尾气图像，并输入到训练完成的深度残差学习网络中，从而实现对柴油车尾气烟度的检测。8.根据权利要求7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：所述一种基于深度残差学习网络的柴油车尾气烟度检测方法中，所述步骤1，在选定的路段用CCD摄像机对经过的柴油车进行尾气视频记录，用图像采集卡从记录的视频中抽取出有含有柴油车尾气的图像，将这些图像按照75％、10％、15％的比例分成训练集，验证集和测试集。9.根据权利要求7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：所述一种基于深度残差学习网络的柴油车尾气烟度检测方法中，所述步骤2具体如下：在选定的路段安装汽柴一体化机动车尾气遥测装置，该装置的激光模块发出的检测激光穿过道路上柴油机动车排放的尾气，照射到另一侧的光强检测单元，光强检测单元接收到因柴油车尾气烟度受到削弱的激光，通过激光削弱程度可以得到柴油车尾气烟度值，找到该柴油车尾气烟度值对应的柴油车尾气图像，该柴油车尾气烟度值即为对应的柴油车尾气图像的标签。10.根据权利要求7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：所述一种基于深度残差学习网络的柴油车尾气烟度检测方法中，所述步骤3中，一个普通卷积层的卷积核大小为7*7；一个池化层的卷积核大小为2*2；八个残差学习单元的卷积核大小为3*3；一个平均池化层的卷积核大小为2*2。11.根据权利要求7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：所述一种基于深度残差学习网络的柴油车尾气烟度检测方法中，所述步骤4中，首先对柴油车尾气烟度数据集中进行预处理，具体包括对数据集中的柴油车尾气图像进行尺度增强、随机采样和减像素均值操作；然后将预处理后的图像作为深度残差学习网络的输入，对深度残差学习网络进行训练、验证和测试，得到能够精确检测柴油车烟度的深度残差学习网络，具体包括：将预处理后的图像作为深度残差学习网络的输入进行训练，同时对验证集进行过拟合检查，即判断深度残差学习网络对验证集图像处理的损失函数是否呈现先下降后反而上升的现象，当验证集的损失函数不再下降时候，即可暂时停止训练；将预处理后的测试集图像作为训练终止后的深度残差学习网络的输入，将此时网络的输出与步骤2中的标签值进行比较，若测试集精度超过99％，则训练完成，否则，继续训练。12.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：所述选址布点层包括基于道路相似性的布点模块、基于路网拓扑结构的布点模块与基于特定车辆路线的布点模块；基于道路相似性的布点模块，使用一种基于道路相似性的机动车尾气遥测设备布点方法来实现，充分考虑了道路特性、道边环境与气象因素，提取出其中关键的属性进行聚类，采用层次聚类的方法对城市路网的不同路段进行聚类，能够将任意数目的尾气遥测设备进行优化布点；基于路网拓扑结构的布点模块，使用一种基于图论的机动车尾气遥感监测设备布点算法来实现，以城市路网拓扑结构为主，辅以车流量等级，城市的区域功能信息，基于图与超图理论对问题进行建模，将遥测设备的布点选址问题转化为最小横贯问题，最终采用贪婪算法求解出布设尾气遥测设备的路段集合；基于特定车辆路线的布点模块，使用一种基于图论与布尔代数的机动车尾气遥测设备布点方法来实现，针对城市公交系统尾气的普查进行尾气遥测设备选址布点，首先基于超图理论，将公交车运行路线转化为公交路线超图，然后用布尔代数的相关原理，确定尾气遥测设备在城市路网中的布设位置；上述基于道路相似性的布点模块、基于路网拓扑结构的布点模块与基于特定车辆路线的布点模块可单独使用，也可组合使用，选择标准取决于输入信息的多少以及决策者对布设于城市路网的尾气遥测设备的功能需求；在尾气检测信息、道路车流量信息、天气信息和道路相关信息都需要获得的情况下采用基于道路相似性的布点模块；在输入信息只包含交通路网的拓扑结构和一些容易获得的交通信息，包括路段所属区域功能、交通流量的等级及是否建有天桥时，采用基于路网拓扑结构的布点模块；需要对公交车这一种类的机动车进行重点监控时采用基于特定车辆路线的布点模块。13.根据权利要求12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：所述基于路网拓扑结构的布点模块中，一种基于道路相似性的机动车尾气遥测设备布点方法，包括以下步骤：步骤一：采集所需样本数据并对样本数据进行预处理，所述所需样本数据是指用尾气遥测设备获得目标路网中每条路段一段时间内的尾气检测信息、道路车流量信息、天气信息和道路相关信息；数据预处理包括数据清洗、数据规约和数据变换三个方面；步骤二：采用层次聚类的方法对步骤一中经过数据预处理处理后的样本数据进行聚类分析；采用欧几里德距离作为聚类距离的度量，首先将每个样本都归为一类，计算每两个类之间的相似度，也就是样本与样本两两之间距离进行度量；然后把其中相似程度最高也就是距离最小的样本聚成一类，循环重复相似性度量并进行最近类的合并，每次减少一类，最后直到所有的样本被聚到一类中去，得到聚类结果；步骤三：根据步骤二中的聚类结果，绘制聚类谱系图，将每一步聚类的结果直观的显示在聚类谱系图上；步骤四：对所考察的路段赋予权重，代表路段的重要程度以及优先考虑程度，将任意数目的尾气遥测设备对应相应数目的聚类结果，在聚类谱系图上找到包含类数目等于对应数目的聚类结果，选取每个类中权重最大的路段布设尾气遥测设备，最终得到将任意数目的尾气遥测设备进行布点的方案。14.根据权利要求13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：所述一种基于道路相似性的机动车尾气遥测设备布点方法中，所述步骤一具体实现如下：(1)聚类前的样本数据采集，将目标路网中的每条路段作为一个样本，获得每个样本路段一段时间内的尾气检测信息、道路车流量信息、天气信息和道路相关信息；其中：尾气检测信息，包括的数据项有：检测设备编号，检测时间，检测的车牌号码，车速，车辆加速度，车辆长度，CO2、CO、HC、NO浓度，烟度值，抓拍照片；道路车流量信息，包括的数据项有：道路名称，时间，小型客车、中型客车不同类型车辆的车流量；天气信息，包括的数据项有：时间，城市，天气状况，温度，湿度，风速，PM2.5，PM10，AQI；道路相关信息，包括的数据项有：地理位置id，所在省份，所在城市，所在街道，连接方式，路旁植被面积，建筑物平均高度；(2)样本数据预处理部分包括数据清洗、数据规约和数据变换三个方面；数据清洗，就是通过对数据的分析，找出缺失值、偏离过大的个别极端值进行丢弃处理；数据规约，删除与所考虑问题不相关、弱相关或冗余的属性，合并相同属性，同时不断的对相关属性的选择进行修改，以达到所要求的聚类效果；数据变换，将数据规约后的数据进行标准化处理，转化为便于处理的适当格式，以适应聚类分析的需要。15.根据权利要求13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：所述一种基于道路相似性的机动车尾气遥测设备布点方法中，所述步骤二中，采用层次聚类的方法对步骤一中处理得到的样本数据进行聚类分析具体包括以下步骤：(1)将步骤一中处理得到样本中的每一个样本都归为一类，计算每两个类之间的相似度，即对样本与样本两两之间的距离进行度量；度量样本之间的相似性采用欧几里德距离作为聚类距离的度量，欧几里得距离如下：其中，d(i，j)表示欧几里得距离，i和j为第i个样本和第j个样本的样本标号，分别代表第i条路段和第j条路段，M4表示选取的相关属性个数，相关属性包括属性合并后的污染物总浓度、烟度值、属性合并后的总车流量、连接方式、路旁植被面积、建筑物平均高度，x表示相关属性经过标准化后的数值，xi1表示第i个样本的第1个属性，xi2表示第i个样本的第2个属性，表示第i个样本的第M4个属性，xj1表示第j个样本的第1个属性，xj2表示第j个样本的第2个属性，表示第j个样本的第M4个属性；(2)把步骤(1)中相似程度最高也就是距离最小的两个样本聚成一类，假设为样本N5和样本M6，将样本N5，M6合并为一新类，记为Cla1＝{N5，M6}，新产生的类Cla1的相关属性用路段N5，M6对应属性的均值表示，即新类的属性表示为其中，N5和M6为第N5个样本和第M6个样本的样本标号，M4表示选取的相关属性个数，x表示相关属性经过标准化后的数值，表示第N5个样本的第1个属性，表示第N5个样本的第M4个属性，表示第M6个样本的第1个属性，表示第M6个样本的第M4个属性；(3)新类和其他类一起得到一个N4-1容量的样本，计算样本中所有样本点每两个之间的相似度，即两两之间的距离进行度量；将其中使得距离最小的两个样本聚成一类，记为Cla2，新产生的类Cla2的相关属性用类中包含的两个样本的对应属性的均值表示；(4)类似地，重复进行相似性度量和最近类的合并，每次减少一类，依次得到新类最后类的个数减少为1，所有的样本被聚到一类中去，得到聚类结果。16.根据权利要求13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：所述一种基于道路相似性的机动车尾气遥测设备布点方法中，所述步骤三中，根据聚类过程绘制聚类谱系图，横坐标为1处代表第一次聚类的结果，横坐标为2处代表第二次聚类的结果，依次类推，将每一步聚类的结果直观的显示在聚类谱系图上，聚类谱系图充分展示了聚类的每一步过程，让从可视化的层面了解到每一步哪些路段被聚为一类，每一步聚类结束后不同类的数目和这些类中分别包含哪些路段。17.根据权利要求13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：一种基于道路相似性的机动车尾气遥测设备布点方法中，所述步骤四中，对所考察的路段赋予权重，权重综合考虑该路段的设备布设成本、设备布设难易程度要素后确定，权重越大代表路段的重要程度越大以及优先考虑程度越高；假设需要将数目为M5的尾气遥测设备进行，从聚类谱系图找到对应类数目为M5的聚类结果，即第N4-M5次聚类后的结果，选取这M5个类中每个类的权重最大的路段布设尾气遥测设备，最终得到对任意数目的尾气遥测设备进行布点的方案。18.根据权利要求12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：所述基于路网拓扑结构的布点模块中，一种基于图论的机动车尾气遥测设备布点方法，包括以下步骤：步骤一：将城市交通路网依据拓扑结构和交通流方向抽象成一个有向图，将交通路网信息抽象成一个数据矩阵，采用深度优先搜索算法找到所述有向图中的所有有向回路；步骤二：将所有路段作为有向回路超图的顶点，所有有向回路作为有向回路超图的超边，建立城市路网的有向回路超图，简化该有向回路超图，得到简单有向回路超图，建立简单有向回路超图中顶点的加权度模型，寻找加权度模型中加权度最大的顶点，采用贪婪算法求出简单有向回路超图的最小横贯，即为机动车尾气遥感监测设备的布点路段；所述加权度是指融合了交通路网信息的简单有向回路超图的顶点的度，所述简单有向回路超图的最小横贯是指能够覆盖简单有向回路超图所有边的最小顶点集合。19.根据权利要求18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：所述一种基于图论的机动车尾气遥测设备布点方法中，所述步骤一中，将交通路网信息抽象成一个数据矩阵，如下：其中，表示交通路网的所有路段，M7为路网中路段总数；表示路段的信息，包括路段所属区域功能，交通流量的等级，是否建有天桥；N7为布点方法中所利用的路段信息种类；Rij，i＝1，2，...，M7，j＝1，2，...，N7表示将路段信息数字化后的具体数值。20.根据权利要求18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：所述一种基于图论的机动车尾气遥测设备布点方法中，所述步骤一中，采用深度优先搜索算法找到所述有向图中的所有有向回路的过程如下：(1)首先将城市交通路网依据拓扑结构和交通流方向抽象成一个有向图，然后将有向图转换为线图；(2)从步骤(1)中的线图的一个初始顶点出发，沿着线图的有向弧和不同的顶点寻找有向路径，直到不存在有向弧到达下一个顶点，判断是否存在有向弧回到初始顶点，若存在，表明检测到一个圈；(3)退回步骤(2)中有向路径的上一个顶点，沿着其他有向弧继续拓展有向路径，直到不存在有向弧到达下一个顶点，判断是否存在有向弧回到初始顶点，若存在，表明检测到一个圈；(4)重复步骤(3)，直到退回初始顶点；(5)依次以其他顶点为初始顶点，重复步骤(2)(3)(4)，线图的所有圈即为原有向图的所有有向回路。21.根据权利要求18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：所述一种基于图论的机动车尾气遥测设备布点方法中，所述步骤二具体实现如下：(1)将所有路段作为有向回路超图的顶点，所有有向回路作为有向回路超图的边，建立城市路网的有向回路超图模型；(2)依次比较(1)中建立的有向回路超图的两条边，判断是否存在包含关系，若存在，则在有向回路超图中删去较长的那条边，并且对删除边后的有向回路超图重复此步骤，直到删除边后的有向回路超图的任意两条边都不存在包含关系，即得到简单有向回路超图；(3)在步骤(2)得到的简单有向回路超图中建立顶点的加权度模型，寻找加权度模型中加权度最大的顶点，采用贪婪算法求出简单有向回路超图的最小横贯。贪婪算法的求解过程如下：在简单有向回路超图中，删除加权度模型中加权度最大的顶点及包含该顶点的所有边，并且对删除顶点和边后的简单有向回路超图重复此步骤，直到简单有向回路超图为空，则删除的顶点集合为简单向回路超图的最小横贯，即机动车尾气遥感监测设备的布点路段。22.根据权利要求18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：所述一种基于图论的机动车尾气遥测设备布点方法中，所述步骤二中，简单有向回路超图中顶点的加权度模型的数学表达如下：其中，D*(i)表示简单有向回路超图顶点i的加权度，Rij为交通路网数据矩阵模型中的元素，i＝1，2，...，M7，j＝1，2，...，N7；rj为路段信息，r1表示路段所属的区域功能，如果路段位于污染区域，则r1＝0，否则r1＝1，rjmax表示rj的最大值，watr，j表示各个路段信息的权值，满足deg(i)表示简单有向回路超图中顶点i的度，degmax表示简单有向回路超图中所有顶点的度的最大值。23.根据权利要求12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：所述基于特定车辆路线的布点模块中，一种基于图论与布尔代数的机动车尾气遥测设备布点方法，包括以下步骤：步骤一：将公交车行驶路线抽象为公交路线超图；步骤二：应用布尔代数相关理论求解公交路线超图的所有极小横贯集；步骤三：求解公交路线超图的最小横贯集，所述最小横贯集是指所有极小横贯集中基数最小的一个极小横贯集，在本发明中最小横贯集指最小监测路段集合，即需要布设尾气遥测设备的路段的集合。24.根据权利要求23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：所述一种基于图论与布尔代数的机动车尾气遥测设备布点方法中，所述步骤一具体实现如下：(1)以城市实际的交通道路网络为基础，将公交车行驶路线中经过的各路段抽象为超图顶点，得到顶点集；(2)将公交车行驶线路抽象为超边，超边是顶点集的子集；(3)所有超边的集合即为超图，超图由公交车行驶路线所得，称之为公交路线超图。25.根据权利要求23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：所述一种基于图论与布尔代数的机动车尾气遥测设备布点方法中，所述步骤二具体实现如下：(1)对公交路线超图中每个顶点设布尔变量χi，χi表示路段i是否布设尾气遥测设备，若χi＝1则表示此路段需要布设遥测设备；(2)公交路线超图中每条边按其所含顶点进行布尔加法，得到各条边的布尔析取式，即：ψj表示第j条公交运行路线中包含的路段；(3)将所有边的布尔析取式进行布尔乘法，得到公交路线超图的布尔合取式，即：表示整个公交路线网中所有线路所含路段的全体，Nhy为公交路线超图中超标数目；(4)对所得的合取式用布尔运算规律整理化简，得到最简的析取式，即：其中每个子式λt对应的顶点集是公交路线超图的一个极小横贯集，所有的λt构成公交路线超图的所有极小横贯集的集合表示与公交车每条运行路线都相交的路段全体。26.根据权利要求23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：所述一种基于图论与布尔代数的机动车尾气遥测设备布点方法中，步骤三具体实现如下：(1)求各个极小横贯集的基数，即所含顶点的个数；(2)确定基数最小的极小横贯集，该极小横贯集即为最小横贯集，最小横贯集中顶点所对应的路段即为需要布设尾气遥测设备的路段，这些路段构成的集合为最小监测路段集合。27.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：所述数据处理层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；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。28.根据权利要求27所述的城市路网机动车尾气排放遥感...
【专利技术属性】
技术研发人员：康宇，李泽瑞，吕文君，
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。