[发明专利]基于时序特征迁移的移动源排放预测方法、系统及设备

权利要求书

1.一种基于时序特征迁移的移动源排放预测方法，其特征在于，通过计算机设备执行以下步骤，

对采集到的机动车尾气车载诊断系统数据，通过事先训练好的时序预测模型进行处理预测，并输出预测结果；

其中，时序预测模型的训练步骤如下：

S1：采集机动车尾气车载诊断系统数据，并对所采集数据进行预处理；

S2：将预处理后的数据进行归一化处理并将其分为训练集和测试集；

S3：将训练数据集划分为k段分布最不相似的序列；

S4：以预处理后的所有数据预训练一个GRU的时序预测模型；

S5：在时序预测模型中加入最大均值差异距离，与均方误差一起作为损失函数，训练迭代达到预设的精度或最大epoch停止；

S6：将测试集投入训练好的时序模型上进行预测。

2.根据权利要求1所述的基于时序特征迁移的移动源排放预测方法，其特征在于：上述步骤S1具体包括如下细分步骤S11至S12：

S11：从柴油车OBD数据上采集，数据量大小1460条，采样间隔为5s，其中采样属性包括发动机转速、实际输出扭矩百分比、发动机水温、发动机机油温度、后处理下游NOx值、后处理下游氧气值、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；

S12：对采集的OBD数据进行缺失值填充、无关属性删除这些预处理操作，其中缺失值数据使用相邻值进行填充。

3.根据权利要求2所述的基于时序特征迁移的移动源排放预测方法，其特征在于：所述上述步骤S2具体包括如下细分步骤S21至S22：

S21：将预处理数据按8:2的比例划分为训练集和测试集，其中训练集用于训练具有迁移性质的尾气预测模型，测试集用于对上述模型进行测试；

S22：对训练集和测试集数据进行归一化处理，归一化公式如下：

其中为归一化后的值，x为数据原始值，x_min和x_max分别代表相应指标的最大值和最小值。

4.根据权利要求3所述的基于时序特征迁移的移动源排放预测方法，其特征在于：所述上述步骤S3具体包括如下细分步骤S31至S33：

S31：将采集的OBD时序训练数据集划分为10等份，且每一等份为最小不可分割单元；

S32：确定K值，K∈{2,3,5,7,10},以K＝2为例，以str和end表示整个时间序列的起点和终点，从9个候选点中选择分割点point_2，使得下式最大

dis(str→point_w,point_2→end)

其中dis表示两个时间序列之间的分布差异，选用KL散度、MMD距离、余弦距离这些方式进行度量，选择使用MMD距离时，MMD公式表示为

其中k(·)是映射，用于把原始数据映射到再生核希尔伯特空间中，X,Y表示两种分布的样本，为映射函数集；

S33：基于k＝2，依照S32的步骤选择分割点，找到k＝3时的分割点，并依此方法操作下去，找到其他不同时间序列划分下的分割点，具体的k值确定需要依据数据最终预测效果确定。

5.根据权利要求4所述的基于时序特征迁移的移动源排放预测方法，其特征在于：上述步骤S4具体包括如下细分步骤S41至S42：

S41：网络结构特征层采用2层GRU，损失函数采用MSE，根据k值的确定，损失函数具体公式如下：

其中|D_j|代表第j段序列所包含样本个数，第j个序列中i样本的真实值，为第j个序列中i样本的预测值；

S42：模型搭建好后，将训练集输入网络开始训练，预训练epoch最大值设置为40，当验证集loss的值不再下降且epoch大于40时停止迭代，整个网络使用Adam优化整个模型，训练完成后，保存网络结构的参数。