[发明专利]基于LSTM演化聚类的移动源污染异常排放检测方法及介质

权利要求书

1.一种基于LSTM演化聚类的移动源污染异常排放检测方法，其特征在于，通过计算机设备执行以下步骤，

采集道路移动源的车载诊断系统监测数据，输入到事先设置的污染物NOx的LSTM演化优化排放预测模型进行污染异常排放检测；

其中，污染物NOx的LSTM演化优化排放预测模型的构建步骤如下：

S1：机动车OBD数据集抽取；即采集道路移动源的车载诊断系统监测数据，其包含尾气中的污染物NOx及其他车辆属性数据，并对数据集进行预处理操作；

S2：污染物排放影响因素相关性分析；即对多种属性数据进行Spearman相关性分析，计算各属性与污染物NOx的相关系数，筛选出指定的影响属性；

S3：时序动态行驶工况构建；即将污染物NOx和车辆指定影响属性组成多维时序工况数据集，并将其划分为训练集、测试集和验证集；

S4：尾气排放无监督检测模型构建；即构建污染物NOx的LSTM演化优化排放预测模型，并采用无监督的聚类算法聚合出高排放类别。

2.根据权利要求1所述的基于LSTM演化聚类的移动源污染异常排放检测方法，其特征在于：上述步骤S1具体细分为如下步骤：

S11：从柴油车OBD数据上采集，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、无关属性删除等预处理操作，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LSTM演化聚类的移动源污染异常排放检测方法，其特征在于：上述步骤S2具体细分为如下步骤：

S21：尾气污染物NOx与影响因素的Spearman相关系数ρ的计算公式如下：

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；

S22：根据相关系数ρ的计算结果选择主要影响属性，表达式为：

|ρ|≥0.4。

4.根据权利要求3所述的基于LSTM演化聚类的移动源污染异常排放检测方法，其特征在于：步骤S3：时序动态行驶工况数据集构建与划分具体细分为如下步骤：

S31：确定样本总数n，时间步长t，属性维度m，构建时序属性数据集X＝{X¹，X²，...，X^p，...，X^n-t+1}，其中其对应的标签数据集y＝{y¹，y²，...，y^p，...，y^n-t+1}，其中

S32：按照比例7∶2∶1将时序数据集划分为训练集、测试集和验证集。