基于深度迁移学习的柴油车排放预测方法、介质及设备技术

本发明专利技术的一种基于深度迁移学习的柴油车排放预测方法、介质及设备，包括利用计算机设备构建柴油车排放预测模型，然后使用该模型预测目标域车辆的NOx排放；预测模型构建步骤如下：S10：获取源域车辆相关数据和目标域车辆行驶时相关数据并对采集数据进行预处理；S20：预训练特征投影模块，将源域车辆特征和目标域车辆特征投影到一个公共子空间中；S30：预训练尾气预测模块，使用重构后的源域数据特征和标签搭建一个双隐藏层的全连接神经网络预测模型；S40：将预训练的投影模块和预测模块合并构建迁移模型，考虑源域车辆和目标域车辆之间的数据分布差异，在损失函数部分加入源域和目标域之间的KL散度，使目标域数据分布靠近源域数据分布，微调整个模型。微调整个模型。微调整个模型。

【技术实现步骤摘要】
基于深度迁移学习的柴油车排放预测方法、介质及设备


[0001]本专利技术涉及环境监测领域中柴油车尾气预测
，具体涉及一种基于深度迁移学习的柴油车排放预测方法、介质及设备。

技术介绍

[0002]随着人类社会的发展，机动车的使用量不断增大，其尾气排放给环境带来了巨大危害。因此，有必要对尾气排放进行严格把控，以实现对空气环境的有效治理。而尾气污染中柴油车尾气排放占了相当大的比例，因此对柴油车尾气排放进行监控显得尤为重要。
[0003]传统的柴油车尾气预测方案大多是基于深度学习或物理建模，使用柴油车行驶时的相关数据构建尾气预测模型。这些方法往往需要大量的、高质量的数据才能构建精准的模型，然而在实际的监测中，对大量的、高质量的数据获取往往比较困难。因此在常见预测车型给予的数据大多是稀疏的。针对稀疏的数据，利用已有车型的尾气预测模型和已有的稀疏数据建立一个可靠的预测模型，从而减少数据监测上的时间与经济花费的方案是非常有必要的。

技术实现思路

[0004]本专利技术提出的一种基于深度迁移学习的柴油车排放预测方法、介质及设备，可解决训练数据不足下柴油车尾气预测精度差的问题。
[0005]为实现上述目的，本专利技术采用了以下技术方案：
[0006]一种基于深度迁移学习的柴油车排放预测方法，包括以下步骤：
[0007]包括利用计算机设备构建柴油车排放预测模型，然后使用该模型预测目标域车辆的NOx排放；
[0008]其中，利用计算机设备构建柴油车排放预测模型包括以下步骤，r/>[0009]S10：获取源域车辆相关数据和目标域车辆行驶时相关数据并对采集数据进行预处理；
[0010]S20：预训练特征投影模块，将源域车辆特征和目标域车辆特征投影到一个公共子空间中；
[0011]S30：预训练尾气预测模块，使用重构后的源域数据特征和标签搭建一个双隐藏层的全连接神经网络预测模型；
[0012]S40：将预训练的投影模块和预测模块合并构建迁移模型，考虑源域车辆和目标域车辆之间的数据分布差异，在损失函数部分加入源域和目标域之间的KL散度，使目标域数据分布靠近源域数据分布，微调整个模型得到稳定的柴油车排放预测模型。
[0013]另一方面，本专利技术还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
[0014]第三方面，本专利技术还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述方法的
步骤。
[0015]由上述技术方案可知，本专利技术的基于深度迁移学习的柴油车排放预测方法，是基于领域自适应的方法，在柴油车NOx相关数据稀疏的情况下预估NOx浓度，有着较高的准确性，本方法通过其它柴油车高质量的NOx数据进行迁移，不需要对稀疏的数据再收集，能大幅减少成本，且实时性好，可实施性高，利于推广。
附图说明
[0016]图1是本专利技术的方法流程图；
[0017]图2为本专利技术方法网络模型示意图；
[0018]图3为本专利技术实施例的重构特征准确性验证折线图；
[0019]图4为本专利技术实施例的预测折线图。
具体实施方式
[0020]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。
[0021]如图1所示，本实施例所述的基于深度迁移学习的柴油车排放预测方法，包括：
[0022]S10：获取训练数据充足的源域车辆相关数据和训练数据稀疏的目标域车辆行驶时相关数据并对采集数据进行预处理；
[0023]S20：预训练特征投影模块，将源域车辆特征和目标域车辆特征投影到一个公共子空间中；
[0024]S30：预训练尾气预测模块，使用重构后的源域数据特征和标签搭建一个双隐藏层的全连接神经网络预测模型；
[0025]S40：将预训练的投影模块和预测模块合并构建迁移模型，考虑源域车辆和目标域车辆之间的数据分布差异，在损失函数部分加入源域和目标域之间的KL散度，使目标域数据分布靠近源域数据分布，微调整个模型。
[0026]以下具体说明：
[0027]其中，所述S10获取训练数据充足的源域车辆相关数据和训练数据稀疏的目标域车辆行驶时相关数据并对采集数据进行预处理，具体包括以下步骤：
[0028]S11：通过车载尾气检测设备(PEMS)获取源域柴油车行驶时的各项数据，收集少量目标域柴油车行驶时数据。
[0029]从PEMS采集的数据包括有车牌、终端号、发动机转速、实际输出扭矩百分比、发动机水温、发动机燃油温度、发动机机油温度、后处理下游NOx值、后处理下游氧气百分比、大气压力、环境温度、后处理废气质量流量、尿素箱液位百分比、尿素箱温度、车速、油门踏板开度、单次行驶里程、总里程、发动机瞬时喷油量、发动机瞬时燃油消耗率、发动机平均燃油消耗率、发动机累积油耗、电池电压、油箱液位、发动机累积运行时间、经度、纬度、SCR上游温度、SCR下游温度；
[0030]S12：对上述数据进行异常值处理、缺失值处理、非相关性数据删除、归一化操作。
[0031]所述S20预训练特征投影模块，将源域车辆特征和目标域车辆特征投影到一个公
共子空间中，具体包括：
[0032]S21：训练稀疏自编码器，将源域车辆和目标域车辆的特征数据作为输入和输出的实际值，设置隐藏层神经元个数为输入的三倍，损失函数如下：
[0033][0034]其中为初始源域特征，为重构源域特征，D
KL
为求KL散度函数，ρ为预设神经元激活概率，为实际激活概率，W为权重，β、λ为经验参数；
[0035]S22：通过梯度下降最小化S21中的损失函数，反向传播跟新权重，待网络收敛，停止迭代，保留输入层到隐藏层的权重，记为W1，将隐藏层输出h1保留，h1计算公式如下：
[0036]h1＝f
SAE_1
(W1,X
s
)＝W1·
X
s
，
[0037]S23：将S22隐藏层输出h1作为新的稀疏自编码器输入，依照S22训练，网络收敛后，保留权重输入层到隐藏层权重，记为W2，将隐藏层输出h2保留，h2计算公式如下：
[0038]h2＝f
SAE_2
(W2,h1)＝W2·
h1[0039]S24：再将S23稀疏自编码隐藏层输出作为新稀疏自编码器输入，依照S23训练，网络收敛后，保留输入层到隐藏层权重，记为W3；将隐藏层输出h3保留，h3计算公式如下：
[0040]h3＝f
SAE_3
(W3,h2)＝W3·
h2[0041]S25：堆叠稀疏自编码器，将W1,W2,W3作为初始权重，再添加一层输出层(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度迁移学习的柴油车排放预测方法，其特征在于：包括利用计算机设备构建柴油车排放预测模型，然后使用该模型预测目标域车辆的NO
x
排放；其中，利用计算机设备构建柴油车排放预测模型包括以下步骤，S10：获取源域车辆相关数据和目标域车辆行驶时相关数据并对采集数据进行预处理；S20：预训练特征投影模块，将源域车辆特征和目标域车辆特征投影到一个公共子空间中；S30：预训练尾气预测模块，使用重构后的源域数据特征和标签搭建一个双隐藏层的全连接神经网络预测模型；S40：将预训练的投影模块和预测模块合并构建迁移模型，考虑源域车辆和目标域车辆之间的数据分布差异，在损失函数部分加入源域和目标域之间的KL散度，使目标域数据分布靠近源域数据分布，微调整个模型得到稳定的柴油车排放预测模型。2.根据权利要求1所述的基于深度迁移学习的柴油车排放预测方法，其特征在于：所述S10：获取源域车辆相关数据和目标域车辆行驶时相关数据并对采集数据进行预处理，具体包括：S11：通过车载尾气检测设备(PEMS)获取源域柴油车行驶时的各项数据，收集设定量的目标域柴油车行驶时数据；S12：对上述数据进行异常值处理、缺失值处理、非相关性数据删除、归一化操作。3.根据权利要求2所述的基于深度迁移学习的柴油车排放预测方法，其特征在于：所述步骤S11中从车载尾气检测设备采集的数据包括有车牌、终端号、发动机转速、实际输出扭矩百分比、发动机水温、发动机燃油温度、发动机机油温度、后处理下游NOx值、后处理下游氧气百分比、大气压力、环境温度、后处理废气质量流量、尿素箱液位百分比、尿素箱温度、车速、油门踏板开度、单次行驶里程、总里程、发动机瞬时喷油量、发动机瞬时燃油消耗率、发动机平均燃油消耗率、发动机累积油耗、电池电压、油箱液位、发动机累积运行时间、经度、纬度、SCR上游温度、SCR下游温度。4.根据权利要求3所述的基于深度迁移学习的柴油车排放预测方法，其特征在于：所述S20预训练特征投影模块，将源域车辆特征和目标域车辆特征投影到一个公共子空间中，具体包括：S21：训练稀疏自编码器，将源域车辆和目标域车辆的特征数据作为输入和输出的实际值，设置隐藏层神经元个数为输入的三倍，损失函数如下：其中为初始源域特征，为重构源域特征，D
KL
为求KL散度函数，ρ为预设神经元激活概率，为实际激活概率，W为权重，β、λ为经验参数；S22：通过梯度下降最小化S21中的损失函数，反向传播跟新权重，待网络收敛，停止迭代，保留输入层到隐藏层的权重，记为W1，将隐藏层输出h1保留，h1计算公式如下：h1＝f
SAE_1
(W1,X
s
)＝W1·
X
s
，S23：将S22隐藏层输出h1作为新的稀疏自编码器输入，依照S22训练，网络收敛后，保留权重输入层到隐藏层权重，记为W2，将隐藏层输出h2保留，h2计算公式如下：
h2＝f
SAE_2
(W2,h1)＝W2·
h1S24：再将S23稀疏自编码隐藏层输出作为新稀疏自编码器输入，依照S23训练，网络收敛后，保留输入层到隐藏层权重，记为W3...

【专利技术属性】
技术研发人员：许镇义，康宇，曹洋，王瑞宾，
申请(专利权)人：合肥综合性国家科学中心人工智能研究院安徽省人工智能实验室，
类型：发明
国别省市：