[发明专利]一种污染物排放超标车辆判断方法及系统

说明书

本发明公开了一种污染物排放超标车辆判断方法及系统，属于排污监控技术领域，包括获取M个污染源的遥感检测数据，并利用怠速法对M个污染源进行检测，得到与M个遥感检测数据对应的检测结果；将M个遥感检测数据及其对应的检测结果作为候选样本集，以对预先构建的宽度学习模型进行迭代训练，得到分类模型；利用分类模型对污染源的遥感检测数据进行处理，判断该污染源是否超标。本发明利用宽度学习模型，可在训练样本数量较少的情况下，保证模型的准确性。

技术领域

本发明涉及排污监控技术领域，特别涉及一种污染物排放超标车辆判断方法及系统。

背景技术

遥感监测技术于20世纪80年代后期由丹佛大学的FEAT(Fuel EfficiencyAutomobile Test)项目中发展起来，这种技术可测量通过车辆的尾气烟羽中污染物与CO₂的浓度比。最初遥感技术仅能测量CO与CO₂的浓度比，其目的是识别CO排放高的车辆，随后研究者开发了对于HC，NO，PM(用颗粒不透光度表示)，NO2，SO2和NH3的检测功能。其原理都是利用尾气中的不同成分对不同波长的红外线或紫外线的吸收作用，从而计算其浓度。

虽然遥感监测技术主要是为筛查高排放污染源而开发的，但是这方面的研究却非常有限，其中的大多数研究是在美国进行的。早期研究(1997年及更早)主要依靠测量CO，评估遥感监测的有效性和准确性。总体来说大多数关于高排放车筛查的研究都使用排放百分比(％或ppm)描述排放限值。

但是，绝对排放百分比是从测量的浓度百分比计算出来的，该计算过程基于一个关键的假设，即没有氧气残留在尾气中。这一假设对于传统的汽油车来说是可满足的，但对于柴油车和现代的直喷式分层充电汽油车来说这一假设是不成立的。此外，虽然有些研究根据年限的不同为车辆设定不同的排放限值，但是未考虑道路环境及驾驶条件(例如坡度、速度、加速度)，因此对所有的车辆使用固定的排放限值仍然存在其局限性。

最近一些研究提出了更为复杂的筛选策略，Park和Rakha提出了一种确定排放限值的模型，该模型考虑车辆速度、加速度以及车辆年份、重量和发动机尺寸。该模型对于识别高HC-CO排放和高HC-CO-NO排放的车辆是有效的，但对于高NO排放和高CO排放车辆需要进一步改进。Rakha等人(2010)开发了一种根据遥测设备获取的浓度比和由VT-Micro模型预测的燃料消耗率来计算污染物排放质量的新方法，其中考虑了车辆的类型、速度、加速度、年份和发动机尺寸。这种方法显示了当前高排放车筛选方法的改进。

神经网络模型虽具有强大的学习能力来揭示多变量之间的非线性关系，然而在对于高污染排放源的判定中，在神经网络训练阶段，由于排放超标的样本数量大大少于正常排放的样本数量，也就是说训练数据集是非常不平衡的，这种情况下分类算法倾向于将样本数量少的类别的样本错误地分到样本数量多的类别中，从而导致对高排放污染源的判别错误。

发明内容

本发明的目的在于提供一种污染物排放超标车辆判断方法及系统，以在训练样本数量少的前提下，保证高排放污染源判别的准确性。

为实现以上目的，本发明采用一种污染物排放超标车辆判断方法，包括如下步骤：

获取M个污染源的遥感检测数据，并利用怠速法对M个污染源进行检测，得到与所述M个遥感检测数据对应的检测结果；

将所述M个遥感检测数据及其对应的检测结果作为候选样本集，以对预先构建的宽度学习模型进行迭代训练，得到分类模型；

利用分类模型对污染源的遥感检测数据进行处理，判断该污染源是否超标。

进一步地，所述将所述M个遥感检测数据及其对应的检测结果作为候选样本集，以对预先构建的宽度学习模型进行迭代训练，得到分类模型，包括：

从所述候训样本集中随机选取部分数据作为训练集，余下数据作为测试集；