(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210980952.9 (22)申请日 2022.08.16 (71)申请人 武汉科技大 学 地址 430000 湖北省武汉市和平大道 947号 (72)发明人 钱枫　程书瑾　王超　许小伟　 王洁　邓明星　祝能　 (74)专利代理 机构 武汉知伯乐知识产权代理有 限公司 42 282 专利代理师 王福新 (51)Int.Cl. G06F 30/27(2020.01) G06Q 50/26(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于机动车排放数据的城市大气环境指标 预警方法及系统 (57)摘要 本发明公开了一种基于机动车排放数据的 城市大气环境指标预警方法及系统， 包括S100： 采样得到的大量机动车尾气排放数据， 对机动车 尾气排放数据进行预处理， 得到预处理后的机动 车尾气排放数据集； S200： 采用二模型融合方法 将神经网络和支持向量机算法进行融合， 获得机 动车NOx浓度反演融合模型； S300： 利用预处理好 的机动车尾气排放数据集训练NOx浓度反演融合 模型， 提取汽车尾气数据特征， 将低层的细粒度 特征与高层的粗粒度特征相融合 以减少特征的 丢失与网络层数增多可能带来的过拟合问题， 并 输出NOx浓度是否超标的预测结果。 本发明的方 法， 训练效果更好， 模型收敛更快、 实时性高、 鲁 棒性好， 真实性与准确性较高。 权利要求书5页 说明书16页 附图4页 CN 115048875 A 2022.09.13 CN 115048875 A 1.一种基于机动车排放数据的城市大气环境指标预警方法， 其特征在于， 包括如下步 骤： S100： 采样得到的大量机动车尾气排放数据， 对机动车尾气排放数据进行预处理， 得到 预处理后的机动车尾气排 放数据集； S200： 采用二模型融合方法将神经网络和支 持向量机算法进行融合， 获得机动车NOx浓 度反演融合模型； S300： 利用预处理好的机动车尾气排放数据集训练NOx浓度反演融合模型， 神经网络部 分用于提取汽车尾气数据特征， 将低层的细粒度特征与高层的粗粒度特征相融合以减少特 征的丢失与网络层数增多可能带来的过拟合问题， 支持向量机用于接 收神经网络输出， 并 输出NOx浓度是否超标的预测结果。 2.根据权利要求1所述的一种基于机动车排放数据的城市大气环境指标预警方法， 其 特征在于， 步骤S20 0中， 所述 NOx浓度反演融合模型包括如下步骤： S201： 对所述机动车尾气排放数据集进行预处理获得对NOx浓度影响显著的尾气特征 作为融合模型的输入参数， 下一时刻的氮氧化物 排放量及氮 氧化物排放量是否超标的预测 结果作为融合模型的输出参数； S202： 采用深层神经网络结构提取车辆尾气数据信息， 经过输入层、 隐藏层、 输出层等 多层次结构， 输出层输出NOx 浓度值； S203： 根据所述机动车尾气排 放数据集 不为负值特性确定神经网络的激活函数； S204： 将通过神经网络提取到的高层特征进行上采样逐层传递到低层， 与低层特征进 行融合后输出结果， 再将低层的输出结果下采样逐层传递到高层， 将 高层原有信息与经过 下采样传递上来的信息融合再进行输出， 由此以实现低层特 征与高层特 征的有效融合； S205： 根据所述NOx浓度反演融合模型中NOx浓度是否超标的预测部分确定支持 向量机 模型的超参数； S206： 将机动车尾气排放数据集进行分组， 一部分作为训练集， 一部分作为验证集， 另 一部分作为测试集， 用训练集对融合模型进行训练， 使用随机梯度下降方法进行融合模型 参数更新， 再利用验证集 来调整超参数， 使用测试集测试训练得到的模型； S207： 承接深层神经网络全连接层的输出作为支持向量机的输入并建立分类模型， 输 出NOx浓度是否超标的预测结果。 3.根据权利要求2所述的一种基于机动车排放数据的城市大气环境指标预警方法， 其 特征在于， 步骤S201中， 所述输入参数为DNN数据集： DNN={fuel specifications， speed， acceleration， driving  mode， referenc e weight， engine coolant temperature， engine  speed, engine fuel consumption， engine   torque， CO,C H,NOX} 其中， fuel  specifications为车辆燃油规格、 speed为车辆速度、 acceleration为车辆 加速度、 driving  mode为车辆驱动方式、 reference  weight为车辆基准重量、 engine   coolant temperature为发动机冷却液温度、 Engine  speed为发动机转速、 engine  fuel  consumption为发动机燃油消耗率、 engine  torque为发动机扭矩、 CO为一氧化碳、 CH为碳氢 化合物、 NOX为氮氧化物。 4.根据权利要求3所述的一种基于机动车排放数据的城市大气环境指标预警方法， 其权　利　要　求　书 1/5 页 2 CN 115048875 A 2特征在于， 步骤S204中， 神经网络低层特 征与高层特 征的融合过程包括： S2041： 神经网络的输入为DNN数据集； S2042： 对数据集中的缺失数据进行补充， 对特征维度中的各个特征进行均值归一化处 理； S2043： 通过一系列卷积和上采样操作， 获取适用于特征融合的特征图大小， 采用RelU 激活函数对卷积层1的输出进 行非线性映射， 并采用最大池化方式进 行池化处理， 输入为特 征图16X16， 依次经 过卷积层1， RelU1， 池化层1， 得到8X8大小的输出； S2044： 对步骤S2043中的输出 数据经过卷积层2、 RelU2、 池化层2， 得到4X4大小的输出； S2045： 将步骤S204 4中得到的4X4输出 经过上采样， 得到8X8大小的输出； S2046： 将步骤S2045中得到的8X8输出与步骤S2043中得到的8X8输出进行融合； S2047： 将步骤S2046中得到的融合8X8输出进行 上采样操作， 得到16X16 输出； S2048： 将步骤S2047中得到的16X16 输出与步骤S2043中得到的16X16 输出进行融合； S2049： 将步骤S2048中得到的融合16X16输出经过卷积层3、 RelU3、 池化层3， 得到8X8输 出， 并与步骤S2046中得到的8X8输出进行融合； S2050： 将步骤S2049中得到的二次融合8 X8输出经过卷积层 4、 RelU4、 池化层 4， 得到4X4 输出； S2051： 将步骤S2050中得到的4X4输出与步骤S2044中得到的4X4输出进行融合， 得到融 合4X4输出； S2052： 将步骤S20 51中得到的融合 4X4输出通过展平操作输出为16X1 维向量； S2053： 通过两层全连接层分别将数据输出为8X1维、 1X1维， 最后1X1维即为输出的NOx 浓度结果。 5.根据权利要求4所述的一种基于机动车排放数据的城市大气环境指标预警方法， 其 特征在于， 步骤S207中包括： S2071： 支持向量机模型接受神经网络 输出层的8X1 维输入； S2072： 对每一个样本点(xi,yi)引入松弛变量 ， ， 则此时优化目标和约束条件如 下： Minimize s.t. 其中， 是d维权重向量， 为偏置项， C是惩罚系数， i=1,2, 3,…,s, s为全部样本数。 6.根据权利要求5所述的一种基于机动车排放数据的城市大气环境指标预警方法， 其 特征在于， 步骤S2072中， 引入拉格朗日乘子： 其中， ， 为拉格朗日乘子， 且 ， ；权　利　要　求　书 2/5 页 3 CN 115048875 A 3