[发明专利]一种基于支持向量回归的车辆尾气浓度反演方法

权利要求书

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，x_i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，α_i,是拉格朗日因子，K(x_i,x)是高斯核函数，K(x_i,x)＝exp(-γ||x_i-x||²),γ＞0，γ为常数，b为偏置向量；

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)＝W^TΦ(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：

subject to((W^T·Φ(x_i))+b)-y_i≤ε+ξ_i

ε≥0.

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，ξ_i,是松弛变量，y_i是第i个尾气样本点CO或CO₂浓度值；

(63)引入拉格朗日因子α_i,η_i,β≥0，将带约束的凸优化问题转化为无约束的拉格朗日函数优化问题：

(64)求解KKT条件，即令拉格朗日函数对各参数的偏导为0，即由此确定原带约束凸优化问题的对偶问题：

从而求解出Step6所述的SVR尾气浓度反演子模型的数学表达形式：

其中K(x_i,x)为高斯核函数，

K(x_i,x)＝Φ(x_i)Φ(x)＝exp(-γ||x_i-x||²),γ＞0。