一种基于支持向量回归的车辆尾气浓度反演方法技术

本发明专利技术涉及一种基于支持向量回归的车辆尾气浓度反演方法，分为两个阶段。第一个阶段是车辆尾气遥感监测数据与车辆环检数据进行数据融合及预处理阶段。第二个阶段是建立基于支持向量回归(SVR)的车辆尾气浓度反演模型，并对不同环境下车辆尾气排放浓度进行预测与估计。

【技术实现步骤摘要】
一种基于支持向量回归的车辆尾气浓度反演方法
本专利技术涉及一种基于支持向量回归的车辆尾气浓度反演方法，属于车辆尾气浓度检测与估计和模式识别领域。
技术介绍
在2016年底，我国机动车保有量达2.9亿辆，其中有1.94亿辆汽车。而且机动车保有量还在持续快速地增长。城市中，大量的机动车辆排放的尾气污染物会形成光学烟雾，加剧温室效应，造成污染空气，诱发多种呼吸道疾病。为了控制机动车辆的污染物排放，不仅要改进汽车制造工艺，还要提高城市尾气监控技术。而机动车尾气排放造成的空气污染与气象条件(如风速，风向，温度等)及车辆自身信息密切相关。所以研究不同驾驶模式下车辆CO、CO2等尾气排放浓度的反演预测是很有理论意义与实用价值的。目前，在车辆尾气浓度反演与检测方面，国内外研究者做了很多工作，提出很多方法。文献[1]-[3]([1]MerkiszJ,PielechaJ,FucP,etal.TheanalysisofthePEMSmeasurementsoftheexhaustemissionsfromcitybusesusingdifferentresearchprocedures[C]//VehiclePowerandPropulsionConference(VPPC),2012IEEE.IEEE,2012:903-907.，[2]KousoulidouM,FontarasG,NtziachristosL,etal.Useofportableemissionsmeasurementsystem(PEMS)forthedevelopmentandvalidationofpassengercaremissionfactors[J].AtmosphericEnvironment,2013,64:329-338.，[3]RubinoL,BonnelP,HummelR,etal.On-roademissionsandfueleconomyoflightdutyvehiclesusingPEMS:chase-testingexperiment[J].SAEinternationalJournalofFuelsandLubricants,2008,1(2008-01-1824):1454-1468.)提出在待检测车辆上安装车载尾气检测设备(PEMS)，与车辆尾气排放管道相连，使用探针采集尾气污染物，针对不同污染物使用不同的基于物理模型的反演算法进行估计预测，但这种方法不具有普适性，不可能让所有的机动车辆都安装PEMS设备。文献[4](ShanH,LiuH,ZhangL,etal.ThecontrolmethodofAccelerationSimulationModeemissionsdetectionsystemsbasedonFuzzyproportional-integral-derivativecontrol[C]//FuzzySystemsandKnowledgeDiscovery(FSKD),201512thInternationalConferenceon.IEEE,2015:580-584.)提到使用AMS工况法检测尾气排放状况，但AMS工况法只能检测特定车速(25km/h和40km/h)车辆的尾气排放状况，而且不能判断比较加速或减速过程的车辆尾气排放状况。文献[5]([5]FastaiaAJ,CrossTA.Vehicleexhaustgasanalysissystemwithgasblockageinterlock:U.S.Patent4,160,373[P].1979-7-10.)提出使用NDIR不分光红外分析法检测碳氧化物尾气浓度，这种方法测量范围较大，响应速度较快，但受气象条件影响较大，不稳定。文献[6]([6]FrancoGarcíaV.Evaluationandimprovementofroadvehiclepollutantemissionfactorsbasedoninstantaneousemissionsdataprocessing[J].2014.)使用发动机测功机测量尾气浓度，准确度较高，但仅限于实验室模拟条件。文献[7]([7]ZhangY,StedmanDH,BishopGA,etal.Worldwideon-roadvehicleexhaustemissionsstudybyremotesensing[J].Environmentalscience&technology,1995,29(9):2286-2294.)提出单纯使用遥感监测的方法来检测尾气排放浓度，但结果受环境因素影响较大，尤其是对低污染车辆检测结果不准确。文献[8]([8]国家环境保护总局.GB18285-2005点燃式发动机汽车排气污染物排放限值及测量方法(双怠速法及简易工况法)[S].北京:中国环境科学出版社，2005.)提到使用怠速法和双怠速法检测尾气浓度，但怠速法与双怠速法属于无负荷尾气检测方法，与车辆真实运行状况有较大差距，检测结果不准确，对高污染车辆尾气浓度的检测尤为不准确。
技术实现思路
本专利技术技术解决问题：克服现有技术的不足，提供一种基于支持向量回归的车辆尾气浓度反演方法，是基于数据驱动的，不需要接触式设备，本专利技术训练模型时使用大量的多特征尾气数据，抗噪能力强，适用于多种环境模式，且模型训练速度快，预测精度高。本专利技术技术解决方案：一种基于支持向量回归的车辆尾气浓度反演方法，分为两个阶段。第一个阶段是车辆尾气遥感监测数据与车辆环检数据进行数据融合及预处理阶段。第二个阶段是建立基于支持向量回归(SVR)的车辆尾气浓度反演模型，并对不同环境下车辆尾气排放浓度进行预测与估计。(1)车辆尾气遥感监测数据与车辆环检数据的数据融合及预处理将车辆遥感监测数据与环检数据分别从相应数据库中导出，基于车牌号码将其进行数据映射融合。对融合后尾气数据进行数据筛选与清洗，进行异常值检测与插值，字符串OneHot向量化处理及数值标准化处理。(2)基于支持向量回归(SVR)的车辆尾气浓度反演模型的建立将经过处理的尾气数据映射到无穷维特征空间，构造出相应的高维线性优化超平面，建立回归模型，转化为凸优化问题，通过拉格朗日方法求解凸优化问题，再求解对偶问题，有对偶问题求解出SVR尾气浓度反演模型的数学形式。利用已建立的SVR尾气浓度反演模型，对车辆尾气CO、CO2浓度进行快速反演预测与估计。具体实现步骤如下：Step1：将车辆尾气遥感监测数据与车辆环检数据分别从相应数据库导入csv文件，再导入高级数据结构DataFrame；Step2：基于车牌号码对车辆尾气遥感监测数据与车辆环检数据进行映射融合，形成初始尾气分析数据；Step3:对初始尾气分析数据进行特定字段的筛选，保留车辆燃油规格、是否有催化转化器、排气后处理装置、驱动方式等4个字符串属性字段，并保留车辆速度、加速度、比功率、不透光烟度、温度、湿度、风速、风向角度、车辆基准质量、发动机排量、激光吸收光谱反演初始CO尾气浓度、激光吸收光谱反演初始CO2尾气浓度等12个数值型属性字段，清洗其他无关属性字段；清洗缺省尾气记录；Step4：对Step3处理后的尾气数据记录中的字符串属性本文档来自技高网...

【技术保护点】
一种基于支持向量回归的车辆尾气浓度反演方法，其特征在于步骤如下：Step1：将车辆尾气遥感监测数据与车辆环检数据分别从相应数据库导入csv文件，再导入高级数据结构DataFrame；Step2：基于车牌号码对车辆尾气遥感监测数据与车辆环检数据进行映射融合，形成初始尾气分析数据；Step3:对初始尾气分析数据进行特定字段的筛选，保留车辆燃油规格、是否有催化转化器、排气后处理装置、驱动方式等4个字符串属性字段，并保留车辆速度、加速度、比功率、不透光烟度、温度、湿度、风速、风向角度、车辆基准质量、发动机排量、激光吸收光谱反演初始CO尾气浓度、激光吸收光谱反演初始CO2尾气浓度等12个数值型属性字段，清洗其他无关属性字段；清洗缺省尾气记录；Step4：对Step3处理后的尾气数据记录中的字符串属性字段，使用OneHot方法进行向量化处理，对数值属性字段的异常值进行边界插值或过滤，将处理后的数值属性字段范围缩放至(‑1,1)；Step5：将经过上述处理的尾气数据，按照9:1的比例分为尾气训练数据集与尾气测试数据集；Step6：使用尾气训练数据集来训练SVR尾气浓度反演模型，为了防止所建立的模型过于复杂而引起过拟合现象，使用5折交叉验证方法建立SVR尾气浓度反演模型，即将占整体数据集90％的尾气训练数据集再随机划分为5等份，分别将每一等份数据作为验证集，其余作为训练集，交叉验证重复5次，并将5个子模型输出的平均值作为SVR尾气浓度反演模型的输出结果，即相应的CO或CO2尾气浓度反演结果，再向训练好的SVR尾气浓度反演模型输入待检测车辆尾气数据信息，即可精确快速地反演预测出待检测车辆CO、CO2尾气浓度；交叉验证时的各个子模型数学形式皆可表示为：...

【技术特征摘要】
1.一种基于支持向量回归的车辆尾气浓度反演方法，其特征在于步骤如下：Step1：将车辆尾气遥感监测数据与车辆环检数据分别从相应数据库导入csv文件，再导入高级数据结构DataFrame；Step2：基于车牌号码对车辆尾气遥感监测数据与车辆环检数据进行映射融合，形成初始尾气分析数据；Step3:对初始尾气分析数据进行特定字段的筛选，保留车辆燃油规格、是否有催化转化器、排气后处理装置、驱动方式等4个字符串属性字段，并保留车辆速度、加速度、比功率、不透光烟度、温度、湿度、风速、风向角度、车辆基准质量、发动机排量、激光吸收光谱反演初始CO尾气浓度、激光吸收光谱反演初始CO2尾气浓度等12个数值型属性字段，清洗其他无关属性字段；清洗缺省尾气记录；Step4：对Step3处理后的尾气数据记录中的字符串属性字段，使用OneHot方法进行向量化处理，对数值属性字段的异常值进行边界插值或过滤，将处理后的数值属性字段范围缩放至(-1,1)；Step5：将经过上述处理的尾气数据，按照9:1的比例分为尾气训练数据集与尾气测试数据集；Step6：使用尾气训练数据集来训练SVR尾气浓度反演模型，为了防止所建立的模型过于复杂而引起过拟合现象，使用5折交叉验证方法建立SVR尾气浓度反演模型，即将占整体数据集90％的尾气训练数据集再随机划分为5等份，分别将每一等份数据作为验证集，其余作为训练集，交叉验证重复5次，并将5个子模型输出的平均值作为SVR尾气浓度反演模型的输出结果，即相应的CO或CO2尾气浓度反演结果，再向训练好的SVR尾气浓度反演模型输入待检测车辆尾气数据信息，即可精确快速地反演预测出待检测车辆CO、CO2尾气浓度；交叉验证时的各个子模型数学形式皆可表示为：其中x为所述模型输入，即经过Step4处理后的车辆燃油规格、是否有催化转化器、排气后处理装置、驱动方式、车辆速度、加速度、比功率、不透光烟度、温度、湿度、风速、风向角度、车辆基准质量、发动机排量、激光吸收光谱反演初始CO尾气浓度、激光吸收光谱反演初始CO2尾气浓度等尾气数据特征，f(x)为所述子模型输出的CO或CO2尾气反演浓度，l是训练所述子模型所使用的尾气训练集样本点的数量，xi是训练所述子模型所使用的第i个尾气样本点数据，i＝1,2,...,l，αi,是拉格朗日因子，K(xi,x)是高斯核函数，K(xi,x)＝exp(-γ||xi-x||2),γ>0，γ为常数，b为偏置向量。2.根据权利要求1所述的一种基于支持向量回归的车辆尾气浓度反演方法，其特征在于：所述Step6中，SVR尾气浓度反演子模型的数学表达形式为在尾气训练集数据上构造及求解这个表达式过程如下：(61)首先将Step6所述模型输入x通过高斯映射映射到无穷维特征空间，在此空间中构造最优化线性超平面，期望输出为由燃烧方程反解得到的CO、CO2尾气浓度，再求解回归数学模型：f(x)＝WTΦ(x)+b其中x为Step6所述模型输入的尾气数据特征，W是权重向量，Φ(x)是将输入变量x映射到高维空间的高斯映射函数，γ>0，γ为常数，b是偏置向量，训练模型时f(x)为所述模型的期望输出，即由燃烧方程反解的得到CO或CO2尾气浓度；(62)由线性代数中的点到超平面距离关系将回归模型转化为求解带约束的凸优化问题：subjectto((WT·Φ(xi))+b)-yi≤ε+ξi其中，C为正则化参数，ε为回归残差，v为不敏感损失系数影响因子，且0≤v≤1，l是尾气训练集样本点的数量，ξi,是松弛变量，yi是第i个尾气样本...

【专利技术属性】
技术研发人员：凌强，张强，李峰，康宇，
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