[发明专利]一种基于梯度提升回归树的城市公交车排放率估计方法

说明书

本发明公开了一种基于梯度提升回归树的城市公交车排放率估计方法，首先根据实测公交车排放数据，使用拉格朗日插值法进行规范化处理，得到逐秒排放数据；其次，利用车辆比功率VSP(Vehicle Specific Power)表征公交车当前运行工况，同时考虑前一行驶状态对排放的影响，建立排放率的量化模型；最后利用梯度提升回归树训练数据，并进行参数调节，得到公交车排放率估计模型。本发明考虑了当前时刻运行工况和前一个驾驶状态对当前时刻排放率的共同影响，克服了现有排放率估计方法存在的难以描述公交车排放率与各影响因素间复杂的非线性关系，采用非参数方法梯度提升回归树模型，提高了公交车排放率的估计精度，对于控制交通尾气排放量及优化道路环境具有现实意义。

技术领域

本发明属于智能交通技术与交通环境领域,尤其涉及一种基于梯度提升回归树的城市公交车排放率估计方法。

背景技术

城市交通引起的污染问题已引起世界各国的重视，其中公交车作为重型汽车每天穿梭于城市之中，因此估计与评估公交车的排放特性对于管理和控制城市交通污染问题具有现实意义。目前，世界上已有一些机动车排放量的模型，如美国EPA的MOVES模型，欧洲委员会开发的COPERT模型，加州大学河滨分校开发的CMEM模型等，这些模型大都是基于国外的交通排放数据开发的排放估计模型，针对中国复杂的道路交通环境，模型并不完全适用，同时有些燃料类型在当前的某些模型中并不可用，如MOVES中目前并不支持液化天然气公交车的排放特性估计。

在城市公交车排放率估计方面，由于车辆在实际行驶过程中会受到复杂的道路交通环境影响，因此公交车排放率与道路交通参数呈现复杂的非线性关系，紧靠简单的线性回归方法无法精确量化解释变量与排放率之间的关系。同时，仅利用单回归树模型，无法精确地提取解释变量的信息特征且容易造成排放估计模型的过拟合。如果针对解释变量的某一种特性进行分类，分别建立回归树，并使用梯度提升方法利用损失函数计算残差来拟合一颗回归树，最后再将若干颗回归树模型进行叠加，可以更加深入地挖掘解释变量的信息特征，达到提高模型的估计精确度和增强泛化能力的目标。

发明内容

发明目的：针对以上现有技术存在的问题，本发明提出一种运用梯度提升回归树的多回归迭代方法进行公交车排放率估计的方法，该方法充分分析公交车当前运行状态和前一运行状态对当前排放特性的影响程度，以提高公交车排放率估计的精确性。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于梯度提升回归树的城市公交车排放率估计方法，该方法包括如下步骤：

(1)对得到的公交车排放及行驶数据进行规范化处理，得到逐秒排放率及行驶状态特征参数数据；

(2)利用公交车驾驶状态特征参数计算实时车辆比功率，并用速度和加速度表征前一秒的行驶状态，基于步骤(1)得到的排放数据确定训练集，作为模型输入参数；

(3)利用步骤(2)得到的输入参数确定模型的损失函数L，设定回归树个数M，并初始化弱学习器，用损失函数的负梯度在当前回归树模型的值，作为残差近似值，构建新的回归树；

(4)根据步骤(3)在一次迭代中确定的一颗回归树，更新学习器函数，直到M次迭代结束，即M棵回归树，得到最终的强学习器模型；

(5)利用建立的模型对测试集进行排放率估计。

其中，步骤(1)中，根据下式对实测数据进行规范化处理：

对于n+1个点对(x₀,y₀),(x₁,y₁),...,(x_n,y_n)，求一个函数l_i(x)，使该函数在x_i处取得对应y_i的值，l_i(x)为拉格朗日基本多项式，即插值基函数，其表达式为：