[发明专利]一种交通排放配额分配过程中离群数据识别的优化方法

权利要求书

1.一种交通排放配额分配过程中离群数据识别的优化方法，其特征在于，包括如下步骤：

S1.构建交通排放配额分配模型；

S2.计算参考集D中各车辆各投入的单位产出投入值；

S3.采用孤立森林模型-广义超效率模型组合方法对离群车辆进行识别；

S4.将最终离群车辆从参考集D中移除，得到完成离群车辆剔除处理的参考集D”。

2.根据权利要求1所述的交通排放配额分配过程中离群数据识别的优化方法，其特征在于：所述步骤S1具体为：

S1-1设置配额分配对象；

S1-2设置配额分配模型的投入指标和产出指标；

S1-3设置用于形成效率前沿的参考集D，选取一段较长的历史时期的出行车辆的集合作为参考集D；

S1-4设置配额分配模型的距离函数；

S1-5设置规模报酬类型，分为规模报酬不变或者规模报酬可变；

S1-6确定配额分配模型。

3.根据权利要求2所述的交通排放配额分配过程中离群数据识别的优化方法，其特征在于：

所述S1-1设置配额分配对象为某个区域及时间范围的个体车辆的配额。

4.根据权利要求2所述的交通排放配额分配过程中离群数据识别的优化方法，其特征在于：

所述S1-2设置配额分配模型的投入指标为车辆的污染物排放量、二氧化碳排放量和行驶时间。

5.根据权利要求2所述的交通排放配额分配过程中离群数据识别的优化方法，其特征在于：

所述S1-2设置配额分配模型的产出指标为车辆的行驶里程。

6.根据权利要求2所述的交通排放配额分配过程中离群数据识别的优化方法，其特征在于：S1-4所述的距离函数为径向距离。

7.根据权利要求2所述的交通排放配额分配过程中离群数据识别的优化方法，其特征在于：S1-5设置规模报酬类型时，当选取时间为日或月尺度的范围时为规模报酬不变；当选取时间为年尺度的范围时为规模报酬可变。

8.根据权利要求2所述的交通排放配额分配过程中离群数据识别的优化方法，其特征在于：S1-6确定配额分配模型时

当满足规模报酬不变时，对待分配配额车辆p有以下模型：

上述模型的最优解θ^*代表待分配配额车辆p的效率分数，λ^*为效率前沿车辆的线性组合系数，θ^*x_p配额量，x_p、y_p表示第p辆待分配配额车辆的投入、产出指标值，表示第m辆位于参考集的车辆的投入、产出指标值；投入指标为车辆的污染物及二氧化碳排放量和行驶时间；产出指标为车辆的行驶距离。

当满足规模收报酬可变时，在公式1中增加约束条件∑_mλ_m＝1，其余设定不变。

9.根据权利要求4所述的交通排放配额分配过程中离群数据识别的优化方法，其特征在于：所述步骤S2

按照S1-2中的投入、产出项，对于每一项投入，计算每一项投入的单位产出投入值，具体如下：

其中，E_h,k,p是待分配配额车辆p的投入h数值和产出k数值的比值，input_h,p是投入h的数值，output_k,p是产出k的数值。

10.根据权利要求2所述的交通排放配额分配过程中离群数据识别的优化方法，其特征在于：所述步骤S3具体为：

S3-1运行孤立森林模型对参考集D中的离群车辆进行预识别；各车辆相当于是在一个h*k维空间中的一个点，采用孤立森林算法识别多维空间中的离群车辆；

孤立森林模型参数设置为默认值iTree的数量T＝100，和子采样大小＝256；

对于各车辆将会得到相应的异常分数，表征车辆数值离群程度，异常分数大于0.6的视为潜在的离群车辆。

S3-2将潜在离群车辆从参考集D中移除，得到参考集D’；

S3-3基于广义超效率DEA模型对参考集D中的最终离群车辆进行识别，以参考集D’中的车辆为广义超效率DEA模型的参考集，评价参考集D中的车辆的超效率分数；

当满足规模报酬不变为例，广义超效率DEA模型的规划式如下：

上述模型中，为超效率分数，λ^*为效率前沿车辆的线性组合系数，表示第r辆参考集D’中车辆的投入、产出指标值，表示第t辆位于参考集D的车辆的投入、产出指标值，投入指标为车辆的污染物排放量、二氧化碳排放量和行驶时间，产出指标为车辆的行驶距离；

当满足规模收报酬可变时，在公式3中增加约束条件∑_rλ_r＝1，其余设定不变；

将超效率分数大于1的确认为最终离群车辆。