一种多区域柴油车污染物排放因子预测方法及系统

技术领域

本发明涉及环境监测技术领域，具体涉及一种多区域柴油车污染物排放因子预测方法及系统。

背景技术

随着中国城市化建设的推进和人民生活水平的提高，机动车的保有量也越来越多，大气环境质量也呈现出恶化趋势，机动车排气污染监控工作正面临着严峻的挑战。柴油发动机功率大、经济性能好，是城市建设中不可缺少的动力，随之而来的大量的柴油车尾气污染。重型柴油车因为排放的氮氧化物、颗粒物数量远远高于轻型车，更是大气污染的重要贡献者。因此，有必要建立一套完善的柴油车排放模型与系统，对柴油车尾气中有害气体的排放进行监测和管理，同时加强对柴油车尾气污染的控制，对尾气排放加大检测和监管的力度。

传统建立多区域柴油车排放模型的方法是将各个区域的监测数据融合到一起，共同训练一个模型。然而该做法主要存在如下缺陷：1)不同区域间的柴油车监测数据在分布上存在差异，例如不同区域的柴油车数量、行驶时间和宿舍均会存在差异，因此用所有共同训练模型，会导致在各个区域的表现下降；2)近些年，数据隐私和安全越来越被重视，各区域的柴油车尾气监测数据也不容泄露。而传统的方式直接将各区域数据融合，泄露了各区域的数据隐私，这是不被允许的。

发明内容

本发明提出的一种多区域柴油车污染物排放因子预测方法及系统，可解决在不泄露各区域数据隐私的情况下，建立一种多区域柴油车污染物排放因子预测方法与系统，并且充分考虑到各区域间数据分布存在差异的问题。

为实现上述目的，本发明采用了以下技术方案：

一种多区域柴油车污染物排放因子预测方法，包括以下步骤，获取各区域的监测数据，并进行归一化数据处理；

把处理后的数据输入事先训练好的以城市公共监测数据集以及该m个区域的监测数据集建立的该城市移动源污染监测影响因素和污染排放物因子关系的预测模型，对污染物排放因子进行预测；

其中，训练好的预测模型为一个全连接神经网络，总调度中心以及m个区域的污染物排放因子预测网络结构均相同，该网络包含三个全连接层Fc1、Fc2和Fc3；全连接层的作用包括维度变换，将八维的输入向量最终转化为一维的污染物排放因子输出和二特征空间变换，把设定的信息提取整合；

输入输出维度依次为(9,32),(32,8),(8,1)，分类器输入x，输出污染物排放因子y。

进一步的，预测模型的训练步骤如下，

4)利用公共数据集在调度中心处训练一个预测全局网络Model

5)各区域得到调度中心传递的模型参数w

6)调度中心得到各个区域上传的模型参数w

然后，计算S组模型参数的平均值，并更新调度中心模型参数值；

w

调度中心将新模型参数w

4)在各区域上做区域化的训练，使各区域得到符合自身数据分布的区域化模型；各区域得到调度中心模型后，保持全连接层Fc1参数不动，训练Fc2，Fc3并更新其参数；同时，用区域数据训练区域预测模型，并将区域模型和调度中心模型的Fc3层进行对齐，计算：

其中，C

然后，在训练区域模型时，损失函数中加入

其中，η为超参数，取0.01；

5)重复步骤2)–4)100次，得到最终的调度中心模型Model

当有新区域加入时，只需将调度中心模型Model

进一步的，所述获取各区域的监测数据，并进行归一化数据处理具体包括：

数据由便携式排放测量系统采集，该系统测量柴油车的速度、加速度、基准重量、车身长度和排放量，即CO，HC和NO，以及外部环境因素温度、湿度和大气压；

因为烟羽的数量受风和湍流的影响，只能确定CO，HC和NO的比率，即CO/CO

利用如下转换方式将废气的体积浓度换算成相应的基于燃料的排放因子，其中排放因子表示为每升燃料燃烧所排放的污染物克数；

为了使输入数据维度统一，消除因数量级带来的误差，将输入数据进行归一化处理：

进一步的，所述便携式排放测量系统由排气检测器、速度/加速度传感器、摄像机、工业控制器和可移动平台组成；

其中，

排气检测器使用光学方法来测量车辆在道路上行驶时的排放，即通过红外吸收测量CO和HC的浓度，通过紫外吸收测量NO的浓度；

单个汽车排放物中的气体浓度根据小于一秒的光束衰减来确定，以排气中的体积百分比表示；

速度/加速度传感器通过测量带有两个光闸的车轮通过之间的间隔来测量车辆的速度和加速度；

摄像机获取经过的车辆的图像并记录其许可证信息，稍后将使用该许可证信息来确定车辆类型信息；

工业控制器用于管理其他仪器和处理数据；

在测量期间，设置路障来引导车辆通过可运输系统；

最后，记录每辆车的排放，速度和加速度，并将其与其他测量值关联，例如测量时间，天气，温度，湿度，压力，风向和风速。

另一方面，本发明还公开一种多区域柴油车污染物排放因子预测系统，包括以下单元，

数据获取单元，用于获取各区域的监测数据，并进行归一化数据处理；

预测单元，用于把处理后的数据输入事先训练好的以城市公共监测数据集以及该m个区域的监测数据集建立的该城市移动源污染监测影响因素和污染排放物因子关系的预测模型，对污染物排放因子进行预测；

预测模型单元，为一个全连接神经网络，总调度中心以及m个区域的污染物排放因子预测网络结构均相同，该网络包含三个全连接层Fc1、Fc2和Fc3；全连接层的作用包括维度变换，将八维的输入向量最终转化为一维的污染物排放因子输出和二特征空间变换，把设定的信息提取整合；

输入输出维度依次为(9,32),(32,8),(8,1)，分类器输入x，输出污染物排放因子y。

由上述技术方案可知，本发明的多区域柴油车污染物排放因子预测方法及系统，能够在保护各区域数据隐私的情况下，完成一种多区域柴油车污染物排放因子预测方法与系统，并且充分考虑到各区域间数据分布存在差异的问题。

附图说明

图1是本发明的方法流程图；

图2为本发明的多区域柴油车排放模型框架；

图3为本发明的污染物排放因子预测模型；

图4为本发明的区域化预测模型训练方式。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

如图1所示，本实施例所述的多区域柴油车污染物排放因子预测方法，包括以下步骤，

获取各区域的监测数据，并进行归一化数据处理；

把处理后的数据输入事先训练好的以城市公共监测数据集以及该m个区域的监测数据集建立的该城市移动源污染监测影响因素和污染排放物因子关系的预测模型，对污染物排放因子进行预测；

其中，训练好的预测模型为一个全连接神经网络，总调度中心以及m个区域的污染物排放因子预测网络结构均相同，该网络包含三个全连接层Fc1、Fc2和Fc3；全连接层的作用包括维度变换，将八维的输入向量最终转化为一维的污染物排放因子输出和二特征空间变换，把设定的信息提取整合；

输入输出维度依次为(9,32),(32,8),(8,1)，分类器输入x，输出污染物排放因子y。

以下结合图2、图3和图4对于预测模型的训练进行具体说明：

1.数据准备；

假设城市中有m个区域，各区域的监测数据由便携式车辆排放遥感系统收集，包括移动源污染监测数据：Speed(车速(km/h))),Length(车身长度(m)),BaseWeight(车辆基准重量(kg)),Temperature(温度(℃)),Humidity(湿度(％)),Pressure(大气压(kPa)),Acc(车辆加速度(m/s

在不泄露各区域数据隐私的情况下，利用城市公共监测数据集以及该m个区域的监测数据集建立该城市移动源污染监测影响因素和污染排放物因子关系的模型，并将该模型迁移到任意新开发区域。

具体为：数据由便携式排放测量系统采集，该系统可以测量柴油车的速度、加速度、基准重量、车身长度和排放量，即CO，HC和NO，以及外部环境因素温度、湿度和大气压。本发明中以预测CO，HC和NO为任务目标。该系统由排气检测器、速度/加速度传感器、摄像机、工业控制器和可移动平台组成。由于其灵活性和便携性，该系统可移动到任意道路上检测城市中柴油车的车辆排放。

排气检测器使用光学方法来测量车辆在道路上行驶时的排放，即通过红外吸收测量CO和HC的浓度，通过紫外吸收测量NO的浓度。单个汽车排放物中的气体浓度可以根据小于一秒的光束衰减来确定，以排气中的体积百分比表示。速度/加速度传感器通过测量带有两个光闸的车轮通过之间的间隔来测量车辆的速度和加速度。摄像机获取经过的车辆的图像并记录其许可证信息，稍后将使用该许可证信息来确定车辆类型信息。工业控制器用于管理其他仪器和处理数据。在测量期间，需要设置路障来引导车辆通过可运输系统。最后，记录每辆车的排放，速度和加速度，并将其与其他测量值关联，例如测量时间，天气，温度，湿度，压力，风向和风速等。

因为烟羽的数量受风和湍流的影响，所以本发明只能确定CO，HC和NO的比率，即CO/CO

为了使输入数据维度统一，消除因数量级带来的误差，将输入数据进行归一化处理：

本发明中柴油车的道路排放数据是从城市划分的5个区域收集得到，区域之间数据严格保密。城市调度中心拥有公共数据集。

2.污染物排放因子预测网络的构建：

模型为一个全连接神经网络，由三个全连接层Fc1,Fc2,Fc3组成，输入输出维度依次为(9,32),(32,8),(8,1)。分类器输入x，输出污染物排放因子y。

具体为：总调度中心以及m个区域的污染物排放因子预测网络结构均相同，该网络包含三个全连接层Fc1、Fc2和Fc3。全连接层的作用有：1.维度变换，将八维的输入向量最终转化为一维的污染物排放因子输出；2特征空间变换，把有用的信息提取整合。

3.模型训练

1)利用公共数据集在调度中心处训练一个预测全局网络Model

2)各区域得到调度中心传递的模型参数w

3)调度中心得到各个区域上传的模型参数w

然后，计算S组模型参数的平均值，并更新调度中心模型参数值。

w

调度中心将新模型参数w

4)由于各区域数据分布差异大，此时调度中心模型Model

其中，C

然后，在训练区域模型时，损失函数中加入l

其中，η为超参数，取0.01；

5)重复步骤2)–4)100次，得到最终的调度中心模型Model

当有新区域加入时，只需将调度中心模型Model

由上可知，本发明的多区域柴油车污染物排放因子预测方法和系统，能够在保护各区域数据隐私的情况下，完成一种多区域柴油车污染物排放因子预测方法与系统，并且充分考虑到各区域间数据分布存在差异的问题。

另一方面，本发明还公开一种多区域柴油车污染物排放因子预测系统，包括以下单元，

数据获取单元，用于获取各区域的监测数据，并进行归一化数据处理；

预测单元，用于把处理后的数据输入事先训练好的以城市公共监测数据集以及该m个区域的监测数据集建立的该城市移动源污染监测影响因素和污染排放物因子关系的预测模型，对污染物排放因子进行预测；

预测模型单元，为一个全连接神经网络，总调度中心以及m个区域的污染物排放因子预测网络结构均相同，该网络包含三个全连接层Fc1、Fc2和Fc3；全连接层的作用包括维度变换，将八维的输入向量最终转化为一维的污染物排放因子输出和二特征空间变换，把设定的信息提取整合；

输入输出维度依次为(9,32),(32,8),(8,1)，分类器输入x，输出污染物排放因子y。

可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。