[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

说明书

本发明的一种移动源污染排放主要影响因素预测方法、系统及存储介质，以机动车为研究对象，步骤如下：首先，将收集的车辆年检数据和尾气遥测数据预处理；然后，利用Spearman相关性分析排除与移动源排放气体中主要成分CO、HC、NO气体浓度不存在相关性的因素；再使用Lasso算法确定各成分的关键影响因子，并采用神经网络构建污染物排放预测模型；最后，在测试集上验证该模型用于移动源污染排放主要成分预测的有效性。本发明模型预测的结果表明，基于特征筛选的移动源污染排放数据预测神经网络模型，具有较高的预测精度，可以降低移动源污染排放检测成本以及为相关部门制定相关政策提供理论依据。

技术领域

本发明涉及环境监测技术领域，具体涉及一种移动源污染排放主要影响因素预测方法、系统及存储介质。

背景技术

随着我国经济的发展，城市机动车、飞机、轮船数量不断增多，在提升全民幸福度同时，这些移动源排放的有害气体也对人民的健康造成损害。因此，有必要对移动源尾气中有害气体的排放建立一套科学完善的分析与预测方法，以便有关部门对移动源尾气排放进行高效的管控。

由于在实际的移动源排气检测工作中，移动源的行驶速度、加速度，测量点的风力、风向，环境温度、湿度、气压及日照角度等都对测量结果有着或多或少的影响，而现有的污染物浓度预测方法，只是从污染物本身出发，没有考虑到移动源污染排放检测受到外部因素的影响，造成对移动源污染排放评估不够准确、可靠，给有关部门对移动源污染排放各成分的针对性管控造成困难。

发明内容

本发明提出的一种移动源污染排放主要影响因素预测方法、系统及存储介质，提供了一种基于特征选择和神经网络的移动源污染排放主要影响因素预测方法。

为实现上述目的，本发明采用了以下技术方案：

一种移动源污染排放主要影响因素预测方法，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系数对尾气排放中主要成分——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各自排放浓度的主要因素；

(5)根据步骤(4)得到的影响各主要成分排放浓度的主要因素，采用BP神经网络对CO、HC、NO分别建立预测模型并于其它预测模型进行对比检验。

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。

进一步的，所述步骤(2)中，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信息更加全面的尾气数据记录；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，识别置信度等。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项属性为本发明所研究的相关外部属性。