[发明专利]移动源污染排放主要影响因素预测方法、系统及存储介质

权利要求书

1.一种移动源污染排放主要影响因素预测方法，其特征在于：包括以下步骤，

(1)收集城市目标路段机动车尾气遥测数据和相应车辆年检数据；

(2)对收集的数据进行预处理；

(3)对预处理后的数据，采用Spearman系数对尾气排放中指定成分——CO、HC、NO与外部影响因素进行相关性分析；

(4)对步骤(3)中得到的与尾气排放中与各成分间存在相关性的因素，使用Lasso算法对这一系列因素筛选出影响尾气CO、HC、NO各自排放浓度的因素；

(5)根据步骤(4)得到的影响各特定成分排放浓度的特定因素，采用BP神经网络对CO、HC、NO分别建立预测模型并与其它预测模型进行对比检验。

2.根据权利要求1所述的移动源污染排放主要影响因素预测方法，其特征在于：进一步的，所述步骤(1)中，抽取机动车尾气遥测数据的过程如下：

(11)从遥测系统采集的数据包括有：设备号，检测车辆通过时间，车牌号码，车辆颜色，识别置信度，车辆行驶速度，加速度，车身长度，CO实测浓度，HC实测浓度，NO实测浓度，烟度值，是否动态/静态测量，数据是否有效，是否通过，比功率，烟度值，风速，风向，气温，湿度，大气压；

(12)从车检中得到的数据包括：车牌号码，最大质量，变速器形式，档位数，燃油规格，车辆类型，使用性质，基准质量，驱动方式，驱动轮胎气压，发动机型号，发动机生产企业，发动机排量，是否有催化转化器，排气后处理装置。

3.根据权利要求1所述的移动源污染排放主要影响因素预测方法，其特征在于：所述步骤(2)中包括机动车尾气遥测数据和车检数据预处理如下：通过车牌号将遥测数据与车检数据记录的不同特征属性合并成一条新的尾气数据记录；然后，找出数据段中缺失值进行丢弃处理，再用箱线图找出异常值进行丢弃处理，并删除无关属性，如设备号，检测车辆通过时间，车牌号码，车辆颜色，识别置信度；

无效属性删除后，剩余基准质量，行驶速度，行驶加速度，比功率，风速，风向，气温，湿度，大气压，车身长度，使用年限这11项属性为相关外部属性。

4.根据权利要求3所述的移动源污染排放主要影响因素预测方法，其特征在于：所述步骤(3)中，各尾气成分和基准质量，行驶速度，行驶加速度，比功率，风速，风向，气温，湿度，大气压，车身长度，使用年限这11项外部影响因素之间进行Spearman相关性分析处理如下：

(31)计算尾气成分与影响因素的Spearman系数ρ的公式如下：

其中，x_i为影响因素的第i个样本值，为该属性的均值，y_i为污染物的第i个样本值，为其均值；

(32)然后使用Spearman系数ρ计算相应的统计量p，公式如下：

其中，n为样本数目，p为影响因素与排放物的统计量；

(33)将系数p与t＝1.645，α＝0.05)进行比较，小于t的值则说明对应属性与尾气成分间没有相关性。

5.根据权利要求4所述的移动源污染排放主要影响因素预测方法，其特征在于：所述步骤(4)中，使用Lasso算法对筛选主要因素步骤如下：

(41)使用Lasso算法计算与各尾气成分存在相关性的系数公式如下：

其中λ为非负正则化参数，y为尾气浓度值，x_j为第j个属性所对应的值，β_j为回归系数，p为属性个数；

(42)筛选出与对应尾气成分的系数为0的属性，将对应尾气相关系数为0的属性和步骤(3)中不存在相关性的变量删除。

6.根据权利要求5所述的移动源污染排放主要影响因素预测方法，其特征在于：所述步骤(5)中，模型建立及对比步骤如下：

(51)构建尾气主成分浓度预测模型如下：

对步骤(4)中得到的各成分的主要因素进行零均值归一化后，将其作为神经网络的输入，建立三层BP神经网络，且将数据按8：1：1划为训练集，验证集和测试集，其中训练集和验证集来训练网络，测试集用来衡量模型的预测效果。