[发明专利]一种机动车尾气排放数据融合系统

摘要

本发明公开了一种机动车尾气排放数据融合系统，包括道边空气污染物浓度估计模块、道边空气污染物浓度预报模块、城市全局大气环境预测模块、机动车尾气排放因子估计模块与机动车尾气排放特征分析模块；五个模块分别实现不同的数据分析功能，选择不同的模块即可实现不同的功能；可以单独使用，也可两个或两个以上组合作用，实现对机动车尾气遥测数据及机动车属性、行驶工况、检测时间、气象条件数据的存储、分析与融合，结合车载诊断系统数据库、便携式排放测试系统数据库、车检所离线数据库、交通信息数据库与地理信息数据库，对机动车尾气遥测数据进行分析处理，获取最具辨识力的关键性指标和统计数据，从而为政府部门制定相关决策提供有效支撑。

主权项

一种机动车尾气排放数据融合系统，其特征在于：包括道边空气污染物浓度估计模块、道边空气污染物浓度预报模块、城市全局大气环境预测模块、机动车尾气排放因子估计模块与机动车尾气排放特征分析模块；实现对机动车尾气遥测数据及机动车属性、行驶工况、检测时间、气象条件数据的存储、分析与融合，结合车载诊断系统数据库、便携式排放测试系统数据库、车检所离线数据库、交通信息数据库与地理信息数据库，对机动车尾气遥测数据进行分析处理，实现机动车尾气排放因子估计、机动车尾气排放特征分析、道边空气污染物浓度估计、道边空气污染物浓度预测及城市全局环境预测，为环保部门的政策制定与执法提供科学依据；道边空气污染物浓度估计模块，使用一种基于重构深度学习的道边空气污染物浓度预测方法来实现，根据道边空气污染物的时空分布特点，基于重构深度学习方法对深度重构Elman模型进行训练，当训练完成后，输入实时的路网信息、气象信息和交通信息，即可获得实时的道边空气污染物浓度估计值；道边空气污染物浓度预报模块，使用一种基于LSTM‑RNN模型的空气污染物浓度预报方法来实现，根据历史空气污染物浓度数据，提出基于LSTM‑RNN模型的预报方法，模型训练完成后，该模型可预报当前或未来某一时刻的空气污染物浓度；城市全局大气环境预测模块，使用一种基于CFD及多数据源的城市实时全局环境估计方法来实现，结合城市环境监测站点历史数据、全球中尺度气象预测结果、国家气象数据、城市重点污染源数据、城市地理三维模型及机动车尾气遥测设备的实时监测数据，利用流体力学CFD作为计算引擎，根据气象信息自适应切换环境质量模式，采用多尺度网格离散化城市模型并引入多组分污染模型，实现城市全局大气环境的实时预测；机动车尾气排放因子估计模块，使用一种基于MLP神经网络的机动车尾气排放因子估计方法来实现，利用机动车尾气遥测设备采集的实际道路上的机动车尾气排放数据以及其他相关数据建立机动车尾气CO、HC及NO的排放因子数据库，并据此建立针对于CO、HC和NO的MLP神经网络模型，实现机动车尾气排放因子的实时在线估计；机动车尾气排放特征分析模块，使用一种基于聚类分析的车辆尾气排放特征分析处理方法来实现，采用灰色关联分析方法从车辆类型、行驶工况、燃料类型、车辆使用年限、风速、气温中找出影响尾气排放的主要影响因素，作为车辆尾气排放特征分析的核心维度特征参数，利用基于密度的聚类算法对机动车进行尾气排放贡献程度的分类；上述五个模块分别实现不同的数据分析功能，选择不同的模块即可实现不同的功能；可以单独使用，也可以两个或两个以上组合作用；在需要获得实时的道边空气污染物浓度估计值时，采用道边空气污染物浓度估计模块；在根据历史空气污染物浓度数据预报当前或未来某一时刻的空气污染物浓度时，采用道边空气污染物浓度预报模块；在需要城市全局大气环境的实时预测时，采用城市全局大气环境预测模块；在需要进行机动车尾气排放因子的实时在线估计时，采用机动车尾气排放因子估计模块；在分析影响尾气排放的主要影响因素，或对机动车进行尾气排放贡献程度进行分类时采用机动车尾气排放特征分析模块。