基于多组件融合时间网络的车辆尾气排放预测方法及系统技术方案

本发明专利技术涉及一种基于多组件融合时间网络的车辆尾气排放预测方法及系统，其中方法包括：步骤S1：采集车辆尾气浓度数据和气象因素数据，并进行预处理，分别构建尾气排放的时间序列输入数据和外部因素输入数据；步骤S2：将尾气排放的时间序列输入数据和所述外部因素输入数据，输入多组件融合时间网络进行训练，得到尾气排放的注意力时间特征结果和得到外部因素特征结果；步骤S3：将尾气排放的注意力时间特征结果和外部因素特征结果进行融合，得到尾气排放浓度预测结果。本发明专利技术通过联合尾气排放时间序列数据和外部因素数据输入数据对车辆尾气排放浓度进行预测，提升了准确率和精度。

【技术实现步骤摘要】
基于多组件融合时间网络的车辆尾气排放预测方法及系统
本专利技术属于机动车尾气排放浓度预测和模式识别领域，特别涉及了一种基于多组件融合时间网络的车辆尾气排放预测方法及系统。
技术介绍
随着机动车尾气排放量的激增，城市尾气排放所造成的自然和环境问题也日益严重，进而带来一个重大的社会问题。车辆尾气排放生成的温室气体(例如CO)，会对人体健康造成一定危害。城市车辆尾气排放浓度预测可以看作是一个时间序列预测问题。有几个传统的线性模型可以解决这一问题。历史平均模型可以利用历史时间序列的平均值来预测时间序列的未来值。然而，历史平均模型不能反映出时间依赖性。ARIMA[1]([1]Contreras,J.,Espinola,R.,Nogales,F.J.,&Conejo,A.J.(2003).ARIMAmodelstopredictnext-dayelectricityprices.IEEEtransactionsonpowersystems,18(3),1014-1020.)模型假设在预测未来时间序列时，时间序列的未来值是前一值与残差的线性组本文档来自技高网...

【技术保护点】
1.一种基于多组件融合时间网络的车辆尾气排放预测方法，其特征在于，包括：/n步骤S1：采集车辆尾气浓度数据和气象因素数据，并进行预处理，分别构建尾气排放的时间序列输入数据和外部因素输入数据；/n步骤S2：将所述尾气排放的时间序列输入数据和所述外部因素输入数据，输入多组件融合时间网络进行训练；其中，所述多组件融合时间网络包括卷积神经网络和人工神经网络，所述尾气排放的时间序列输入数据经过所述卷积神网络，得到尾气排放的注意力时间特征结果，所述外部因素输入数据经过所述人工神经网络，得到外部因素特征结果；/n步骤S3：将所述尾气排放的注意力时间特征结果和所述外部因素特征结果进行融合，得到尾气排放浓度预测...

【技术特征摘要】
1.一种基于多组件融合时间网络的车辆尾气排放预测方法，其特征在于，包括：
步骤S1：采集车辆尾气浓度数据和气象因素数据，并进行预处理，分别构建尾气排放的时间序列输入数据和外部因素输入数据；
步骤S2：将所述尾气排放的时间序列输入数据和所述外部因素输入数据，输入多组件融合时间网络进行训练；其中，所述多组件融合时间网络包括卷积神经网络和人工神经网络，所述尾气排放的时间序列输入数据经过所述卷积神网络，得到尾气排放的注意力时间特征结果，所述外部因素输入数据经过所述人工神经网络，得到外部因素特征结果；
步骤S3：将所述尾气排放的注意力时间特征结果和所述外部因素特征结果进行融合，得到尾气排放浓度预测结果。


2.根据权利要求1所述的基于多组件融合时间网络的车辆尾气排放预测方法，其特征在于，所述步骤S1：采集车辆尾气浓度数据和气象因素数据，并进行预处理，分别构建尾气排放的时间序列输入数据和外部因素输入数据，包括：
步骤S11：采集不同周期的车辆尾气浓度数据，构建尾气排放的时间序列输入数据；
步骤S12：采集各种气象因素数据，构建外部因素输入数据。


3.根据权利要求2所述的基于多组件融合时间网络的车辆尾气排放预测方法，其特征在于，所述步骤S11：采集不同周期的车辆尾气浓度数据，构建尾气排放的时间序列输入数据，包括：
步骤S111：采集并构建所述车辆尾气浓度数据的近期时间间隔组件Xc；
步骤S112：采集并构建所述车辆尾气浓度数据的日周期时间间隔组件Xp；
步骤S113：采集并构建所述车辆尾气浓度数据的周周期时间间隔组件Xq；
步骤S114：根据上述3组时间间隔组件，构建尾气排放的时间序列输入数据为{Xc,Xp,Xq}。


4.根据权利要求1所述的基于多组件融合时间网络的车辆尾气排放预测方法，其特征在于，所述步骤S2：将所述尾气排放的时间序列输入数据和外部因素输入数据，输入多组件融合时间网络进行训练；其中，所述多组件融合时间网络包括卷积神经网络和人工神经网络，所述尾气排放的时间序列输入数据经过所述卷积神经网络，得到尾气排放的注意力时间特征结果，所述外部因素输入数据经过所述人工神经网络，得到外部因素特征结果，包括：
步骤S21：将所述尾气排放的时间序列输入数据，输入所述卷积神经网络进行训练，并加入注意力特征机制，得到所述尾气排放的注意力时间特征结果；
步骤S22：将所述外部因素输入数据，输入所述人工神经网络进行训练，得到所述外部因素特征结果。


5.根据权利要求4所述的基于多组件融合时间网络的车辆尾气排放预测方法，其特征在于，所述步骤S21：将所述尾气排放的时间序列输入数据，输入所述卷积神经网络进行训练...

【专利技术属性】
技术研发人员：凌强，费习宏，李峰，
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