[发明专利]一种道路高排放源识别模型更新方法、终端及存储介质

说明书

本发明公开了一种道路高排放源识别模型更新方法、终端及存储介质，包括S1构建污染排放数据集；S2利用数据集建立标签数据集和无标签数据集；S3根据污染排放数据集中的污染排放数据，计算图拉普拉斯矩阵及模型隐藏层的输出；S4初始化模型输出层的权重为零，设定当前的迭代次数；S5判断当前迭代次数是否小于最大迭代次数，若否执行步骤S8，若是执行步骤S6；S6基于目标函数最小化得到当前迭代次数下模型输出层权重；S7判断若是迭代次数自增1，执行步骤S5，否则执行步骤S8；S8输出当前迭代次数下模型的输出层权重，得到当前更新次数下的模型；S9判断当前的更新次数是否小于最大更新次数，若是执行步骤S2，否则模型更新过程结束。

技术领域

本发明涉及大气环境监测技术领域，特别涉及一种道路高排放源识别模型更新方法、终端及存储介质。

背景技术

交通污染是城市空气污染的一个重要来源，且在人流密集区域交通污染分布广泛，因此对人类健康造成了巨大威胁，为保障居民身体健康，必须要控制及降低交通污染排放。道路高排放源是指尾气排放量高于正常排放源的道路移动污染源。在城市交通造成的总污染排放量中，高排放源的排放量占了绝大比例，由在路车辆的遥感监测结果发现，排放量最高的前7％的车辆产生了50％的一氧化碳，排放量最高的前10％车辆产生了50％的碳氢化合物和46％的一氧化氮；而排放量最低的60％车辆其排放的污染物总量几乎可以忽略不计。由此可见，道路移动源排放分布是高度偏斜的，高排放源的识别和消除是降低交通污染总排放的关键。

关于道路高排放源的识别方法，由于道路移动源排放检测方法有多种，且检测方法包括模拟检测法和实际工况法，因此针对每种检测手段的高排放源识别方法也有所不同。如在I/M项目中高排放源的识别方法为：首先使用底盘测功机测量机动车的FTP(federal test procedure)循环工况排放，然后计算其单位行驶距离的排放量，如果该排放率高于新车排放率标准的2-3倍，则判定该机动车为高排放源。道路遥感监测技术可以在机动车行驶过程中检测出尾气排放的CO、CO2、HC(碳氢化合物)和NOx等污染物浓度，是一种实时检测技术。这种技术检测速度快、检测范围大，在一天之内即可得到数千甚至数万辆机动车的尾气排放检测数据，因此在道路高排放源的筛选中可发挥重要作用。当前基于道路遥感监测技术的高排放源识别方法大致包括：设定统一的遥感检测数据各污染成分排放限值、设定多重污染排放状况判定规则、及建立数据驱动的高排放源识别模型。已有研究中基于同一排放限值的识别方法有：Rueff在文献The cost of reducing emissions fromlate-model high-emitting vehicles detected via remote sensing中设定CO排放限值为4％；Bishop等人在文献A cost-effectiveness study of carbon monoxide emissionsreduction utilizing remote sensing中设定CO排放限值为3％；Stephens等人在文献Analysis of remote sensing errors of omission and commission under FTPconditions中为CO、HC及NO分别设定排放限值4％、0.3％及0.2％；Bishop等人在文献Drive-by motor vehicle emissions:immediate feedback in reducing air pollution中根据遥感监测设备得到的CO排放数据将车辆分为三类：浓度小于1.3％的为排放状况良好车辆，浓度在1.3％和4.5％之间的为排放状况一般车辆，浓度大于4.5％的为排放状况较差车辆；文献High emitter remote sensing project,Southeast Michigan Council ofGovernments分别为CO、HC、NO及PM四种污染物设定排放限值3％、500ppm、2000ppm及0.75。已有研究中基于多重判定规则的识别方法有：文献Remote sensing measurements ofreal world high exhaust emitters中设置了多种排放限值，分别针对由一次遥感检测结果判定高排放源，及由两次遥感检测结果来判定高排放源，并且排放限值包括由一种污染物浓度来判定或由两种污染物浓度共同判定，如CO浓度大于3％，或者CO浓度大于2％并且HC浓度大于250ppm；文献The Colorado remote sensing program January–December2010中认为两次遥感检测结果均满足CO浓度小于0.5％、HC浓度小于200ppm、NO浓度小于1000ppm，可判定为清洁车辆；文献Enhanced remote sensing performance based pilotprogram中为不同年限的车辆设定了CO、HC、NO的不同排放限值；文献Greater vancouverregional district remote sensing device trial for monitoring heavy-dutyvehicle emissions同样考虑不同年限对机动车排放状况的影响，并为柴油车设定了两套高排放源判定规则，根据NO和PM的排放量识别高排放源。数据驱动的高排放源识别方法有：Guo等人在文献Neural network modeling of vehicle gross emitter predictionbased on remote sensing data中根据怠速检测的结果采用神经网络模型判定在路机动车是否为高排放源，采用道路遥感监测数据的HC、CO、NOx、CO2的排放浓度，烟羽量，及车辆的速度、加速度7个特征，使用单隐层的BP(Back Propagation)神经网络，用176组训练数据得到81.63％的准确率。Zeng等人在文献Artificial neural network model foridentifying taxi gross emitter from remote sensing data of vehicle emission中根据怠速检测的结果判定在路的出租车是否为高排放源，首先使用主成分分析法从12个道路遥感监测数据特征(包括各污染成分的排放浓度、车辆特征及检测条件等)中提取8个主要的特征，然后输入一个单隐层的神经网络，用200组数据来训练该网络，最终得到超过93％的预测精度。曾君等人在文献《基于遥感监测的PKGV-ANN高排污车辆鉴别模型研究》中同样结合怠速检测结果和道路遥感监测数据，使用主成分分析法、K近邻法、遗传算法，并引入车辆比功率，用454组数据训练BP神经网络，建立的模型预测精度达到89.4％。Xie等人在文献Automatic and fast recognition of on-road high-emitting vehicles using anoptical remote sensing system中提出一种快速的高排放源自动识别方法，该方法实时获取道路遥感监测数据并自适应地更新数据聚类，更新判定规则，实验结果发现该方法对异常点不敏感，且收敛速度较快。