【技术实现步骤摘要】
本专利技术涉及电子信息，具体涉及一种多源异构数据融合校验分析方法。
技术介绍
1、移动污染源的监测数据包含地理信息数据，气象环境数据，交通流数据，车辆污染监测数据，是一种多源异构的时空数据。对于移动源污染监测数据融合方法研究主要是基于实验室工况模型或实际道路的车辆测试数据，对车辆尾气排放量及工作状态进行估计。基于实验室工况模型的尾气排放融合测算方法无法确定机动车在道路行驶状态下的实时排放情况，且年排放评估只能采用年检数据进行估算；实际道路的车辆测试数据的排放测算仅适用于单车通过的工况检测，有效数据率低，且与车检数据之间缺乏关联。遥感测试、obd、pems、以及车辆检测站等多种监测手段由于检测原理不同以及监测条件影响，难以利用获取的多源污染排放数据对移动源排放水平在同一尺度评估。
2、已有方法基于单一尾气检测数据及车辆信息融合数据建立车辆尾气排放清单，无法实现各种监测技术获取的排放数据统一到同一尺度下进行有效关联，以提升移动源污染排放的估算精度。
技术实现思路
1、本专利技术提出的一种多源异构数据融合校验分析方法，可至少解决上述技术问题之一，可用于实现各种监测技术获取的排放数据统一到同一尺度下进行有效关联。
2、为实现上述目的，本专利技术采用了以下技术方案：
3、一种多源异构数据融合校验分析方法，包括以下步骤，
4、s1：对遥感测试、obd、pems、以及车辆检测站多种监测手段收集的监测数据进行数据有效性检验；
5、s2：将
6、s3：对多源污染监测数据的共性特征进行增量学习，实现多种监测数据污染排放因子水平的一致性估算。
7、进一步的，所述步骤s1具体包括，
8、s11：建立基于概率转换模型的隐马尔可夫模型hmm观测序列有效性检验模型，设计的观测随机过程和隐系统状态模型如下：
9、xk+1＝f(xk)
10、yk＝g(xk)
11、其中系统函数f(x)描述观测站点的空间位置及外部气象环境对监测数据的影响，观测系统g(x)描述了受测量仪器系统误差影响的测量值与真实值之间的映射关系；将实际污染测量序列按观测周期为1分钟的序列构造长度为60秒的子序列，则任意监测站点的hmm模型为
12、xk+1＝axk+αk
13、yk＝bxk+1+βk
14、其中e(αk)＝e(βk)＝0，xk是系统在时刻k的状态，yk是系统状态xk的观测状态；矩阵a为系统状态的概率转移矩阵，b为系统模型和观测模型的概率转移矩阵；并利用baum_welch算法估计马尔可夫模型参数；对于一个移动源污染检测序列y＝a1a2…an(n＝60)，在时刻j系统状态s的概率为p(y,j,s)，则整个序列有效性为p＝p(y,1,s1)*p(y,1,s2)…*p(y,n,sn)，通过设定概率阈值θ进行观测序列有效性的判断；
15、s12：对pems、obd以及车间站监测的连续排放及车辆工况数据建立有限状态自动机的连续序列校验算法，包含学习阶段和测试阶段；在学习阶段首先用k-means方法对观测序列进行初始聚类划分成不同类别集合，分别对应有限状态机的不同状态s，类别之间的转换关系对应有限状态机的转换关系m，从而生成一个有限状态机模型；在测试阶段，用训练集生成的有限状态机模型对测试集的观测序列进行有效性检测，给出含标志位的状态序列v。
16、进一步的，所述步骤s2包括，
17、s21：在得到数据有效校验的污染检测数据，考虑到不同的监测设备所测量的车辆工况信息属性不同，尾气遥测设备获取车辆的速度、加速度、vsp信息，以及车辆排放的稀释烟羽浓度；obd获取车辆瞬时功率、发动机转速、发动机负荷、油耗、实时位置信息、以及车辆的瞬时速度、加速度信息；pems测量车辆尾气管的污染排放浓度；车检所数据监测车量基准质量、车辆长度、行驶里程、使用年限、营运性质、燃料类型具体车辆信息数据，以及车辆在简易工况下车辆尾气排放监测信息；
18、s22：以污染物排放t为目标变量，针对四种检测设备分别构建基于最大最小markov毯算法构建cmb＝pc(t)∪mmpc(c){t}自变量集合，分别进行回归分析；从cmb中去掉与目标变量相关性不强的自变量，分别得到遥测设备、obd、pems、车检行驶工况特征集合x1，x2，x3，x4；并构建相应的工况排放特征图如下
19、
20、其中*代表卷积操作，f代表激活函数；w表示待学习的权重矩阵参数，b表示待学习的偏置向量参数；h1，h2，h3，h4分别是遥测设备、obd、pems以及车检的工况污染特征图；由于监测技术原理的不同，在低层特征空间的工况污染特征分布存在差异，经过前端初步特征融合连接多个残差卷积层进行特征提取，将其在高维特征空间中进行特征对齐，得到工况污染的共性特征表示：
21、hl+1＝hl+f(hl；θl)
22、其中hl，hl+1分别是第l层残差单元的输入和输出单元；f是残差映射函数；θl是学习参数。
23、进一步的，所述步骤s3具体包括：
24、s31：经过堆叠残差卷积提取后，得到尾气工况污染特征图的高层表示特征，将共性特征表示作为特征层，设计宽度网络bls对共性特征进行增量学习；
25、s32：bls看成三层神经网络，分别是特征层、隐含层和输出层，隐含层包括映射特征mf和增强节点en，bls通过对残差层提取的共性特征hll进行宽度扩展，替换mf特征，并将其通过随机权重映射到增量节点en中：
26、
27、其中，wen是随机权重，是非线性函数，将扩展的hbls连接到输出层，并优化目标函数其中ξ是结构化风险，y是基于尾气燃烧反演方程计算的真实标签向量；最终实现各种监测技术获取的排放数据统一到同一特征空间进行有效关联，实现移动源污染排放因子估算。
28、另一方面，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。
29、再一方面，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。
30、由上述技术方案可知，本专利技术的多源异构数据融合校验分析方法，针对监测数据变化剧烈的非稳定特点设计基于hmm和有限状态机模型分别对离散检测数据和连续监测数据的有效性进行检验；并利用markov毯进行工况特征筛选，提取与污染排放相关的特征子集，并利用残差网络特征提取能力构建多源监测数据的共性特征空间，最后利用宽度学习结构增量式学习特点对多源污染监测数据的共性特征进行增量学习，实现共性特征的一致性关联。与已有数据本文档来自技高网...
【技术保护点】
1.一种多源异构数据融合校验分析方法，其特征在于，包括以下步骤，
2.根据权利要求1所述的多源异构数据融合校验分析方法，其特征在于：所述步骤S1具体包括，
3.根据权利要求1所述的多源异构数据融合校验分析方法，其特征在于：所述步骤S2包括，
4.根据权利要求1所述的多源异构数据融合校验分析方法，其特征在于：所述步骤S3具体包括：
5.一种计算机设备，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权利要求1至4中任一项所述方法的步骤。
6.一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权利要求1至4中任一项所述方法的步骤。
【技术特征摘要】
1.一种多源异构数据融合校验分析方法，其特征在于，包括以下步骤，
2.根据权利要求1所述的多源异构数据融合校验分析方法，其特征在于：所述步骤s1具体包括，
3.根据权利要求1所述的多源异构数据融合校验分析方法，其特征在于：所述步骤s2包括，
4.根据权利要求1所述的多源异构数据融合校验分析方法，其特征在于：...
【专利技术属性】
技术研发人员：丁焰，康宇，许镇义，刘文清，曹洋，张玉钧，付明亮，
申请(专利权)人：中国环境科学研究院，
类型：发明
国别省市：
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。