[发明专利]一种基于机器学习的机动车尾气浓度预测方法及系统

说明书

本发明的一种基于机器学习的机动车尾气浓度预测方法及系统，包括以下步骤，S1、将车辆尾气数据从相应数据库中导入到excel或者csv文件，并对数据进行预处理，得到预处理后的尾气数据；S2、构建模型框架，结合机器学习中的神经网络和支持向量回归两种方法，采用多模型融合方法，融合两种模型进行尾气浓度反演；S3、利用预处理好的尾气数据，训练尾气浓度反演融合模型，神经网络部分用来记忆深层次尾气数据，支持向量回归用来反演尾气浓度；S4、利用训练好的尾气浓度反演融合模型，输入车辆尾气数据进行尾气浓度预测。本发明检测精度高，易普及；多重特征处理，准确度高：原始数据经过神经网络和支持向量回归两个模型，两次特征处理，能够提升准确度。

技术领域

本发明涉及环境测量检测技术领域，具体涉及一种基于机器学习 的机动车尾气浓度预测方法及系统。

背景技术

随着交通运输技术的发展给人类生活带来了诸多便利，但也带来 了威胁人类健康的尾气污染。尤其机动车样式多、分布广和流动快的 特点更是加剧了环境的污染，不仅对环境造成了不良影响还严重危害 了人体健康。所以对不同环境及驾驶条件下的车辆尾气浓度进行检测 是提高空气质量的关键问题。但是，目前对于尾气浓度反演的方法仍 然存在诸多问题，成本高、没有普适性以及检测精度低等缺点，具体 如下：

车载尾气检测设备法：通过每辆机动车车载尾气检测设备的方法 实时检测尾气排放，这种方法虽然有效但是实际意义不大，不可能为 每辆车装载一个尾气检测设备，成本高，不具有普适性；

普通遥感检测法：普通遥感检测法针对现实实际排放物进行遥感 估计与预测，受实际环境影响大，对低浓度排放物不敏感，检测精度 低；

普通预测排放方法：利用单一机器学习模型处理车辆尾气数据并 预测，近年来这种方法取得较大突破，但单一模型仍然存在缺陷，体 量大的模型导致模型参数过多难以优化，体量小的模型存在预测效果 不好的缺点。

发明内容

本发明提出的一种基于机器学习的机动车尾气浓度预测方法及系 统，可以有效克服成本高的缺点，具有普适性，检测精度高。

为实现上述目的，本发明采用了以下技术方案：

一种基于机器学习的机动车尾气浓度预测方法，包括以下步骤，

S1、将车辆尾气数据从相应数据库中导入到excel或者csv文件， 并对数据进行预处理，得到预处理后的尾气数据；

S2、构建模型框架，结合机器学习中的神经网络和支持向量回归 两种方法，采用多模型融合方法，融合两种模型进行尾气浓度反演；

S3、利用预处理好的尾气数据，训练尾气浓度反演融合模型，神 经网络部分用来记忆深层次尾气数据，支持向量回归用来反演尾气浓 度；

S4、利用训练好的尾气浓度反演融合模型，输入车辆尾气数据进 行尾气浓度预测。

进一步的，尾气浓度反演模型的建立步骤如下：

(1)确定模型的输入输出：尾气浓度反演融合模型输入为经过预 处理之后的尾气数据中的影响显著的尾气特征，包括发动机冷却液温 度、发动机转速、发动机燃油消耗以及发动机扭矩这些尾气数据特征； 所述尾气浓度反演融合模型的输出为氮氧化物排放量；

(2)确定神经网络的结构：所述尾气浓度反演融合模型包含神经 网络结构，采用神经网络结构提取车辆尾气数据深层信息，经过输入 层，隐藏层这些多层次结构，通过每层之间的神经元进行加权、求和 与转移传输给下一层的神经元，传输方向从输入层开始，沿着隐藏层 一直向前，从而完成信息提取和记忆的过程；

(3)确定神经网络的激活函数：所述尾气浓度反演融合模型的神 经网络结构中包含激活函数的选择，激活函数用来对每层神经元之间 的加权求和值进行转移前的二次转换，防止神经网络的计算值朝着不 可预料的方向发展，本模型中选区ReLU函数作为激活函数；