[发明专利]基于时序特征迁移的移动源排放预测方法、系统及设备在审
申请号: | 202111269825.X | 申请日: | 2021-10-29 |
公开(公告)号: | CN113919234A | 公开(公告)日: | 2022-01-11 |
发明(设计)人: | 许镇义;王瑞宾;康宇;曹洋;王仁军 | 申请(专利权)人: | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) |
主分类号: | G06F30/27 | 分类号: | G06F30/27;G06N3/04;G06N3/08;G06F113/08 |
代理公司: | 合肥天明专利事务所(普通合伙) 34115 | 代理人: | 苗娟 |
地址: | 230000 安徽省合肥市望江西路5089号,*** | 国省代码: | 安徽;34 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 时序 特征 迁移 移动 排放 预测 方法 系统 设备 | ||
本发明的一种基于时序特征迁移的移动源排放预测方法、系统及设备,包括通过事先设置的时序预测模型对采集到的数据进行处理预测,时序预测模型的训练步骤如下: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;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;将训练数据集划分为k段分布最不相似的序列;以预处理后的所有数据预训练一个GRU的时序预测模型;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;将测试集投入训练好的时序模型上进行预测。本发明在移动源污染预测方面构建精度高和稳定性好的时序模型,为移动源污染防治提供了一定的科学基础。
技术领域
本发明涉及环境监测领域中移动源排放预测技术领域,具体涉及一种基于时序特征迁移的移动源排放预测方法、系统及设备。
背景技术
移动源尾气浓度监测数值往往受到该该移动源尾气浓度前、后时刻尾气浓度影响,具有较强的时间依赖性。然而,已有的方法往往是基于大量尾气数据训练预估模型,未考虑尾气污染浓度的时序性质,对尾气数据强行拟合;或者在考虑时序影响下,假设尾气污染浓度的时序序列的统计特征具有不变性,基于这一假设进行尾气污染建模预测,很难实现精准预测。
考虑到移动源尾气数据分布的数据分布动态变化,依据训练数据构建的模型无法对测试的未知数据进行有效预测,因此无法直接利用机动车尾气时序数据构建精准的尾气预测模型。
发明内容
本发明提出的一种基于时序特征迁移的移动源排放预测方法、系统及设备,可克服机动车尾气的数据分布随着时间动态变化下造成的模型构建困难、预测精度差的技术问题。
为实现上述目的,本发明采用了以下技术方案:
一种基于时序特征迁移的移动源排放预测方法,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。
进一步的,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。
进一步的,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:
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室),未经合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202111269825.X/2.html,转载请声明来源钻瓜专利网。