-
公开(公告)号：CN113919234B
公开(公告)日：2024-06-28
申请号：CN202111269825.X
申请日：2021-10-29
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06F30/27 , G06N3/0464 , G06N3/08 , G06F113/08
Abstract: 本发明的一种基于时序特征迁移的移动源排放预测方法、系统及设备，包括通过事先设置的时序预测模型对采集到的数据进行处理预测，时序预测模型的训练步骤如下：采集机动车尾气车载诊断系统数据，并对所采集数据进行预处理；将预处理后的数据进行归一化处理并将其分为训练集和测试集；将训练数据集划分为k段分布最不相似的序列；以预处理后的所有数据预训练一个GRU的时序预测模型；在时序预测模型中加入最大均值差异距离，与均方误差一起作为损失函数，训练迭代达到预设的精度或最大epoch停止；将测试集投入训练好的时序模型上进行预测。本发明在移动源污染预测方面构建精度高和稳定性好的时序模型，为移动源污染防治提供了一定的科学基础。
-
公开(公告)号：CN113744541B
公开(公告)日：2022-07-19
申请号：CN202110536188.1
申请日：2021-05-17
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
Abstract: 本发明的一种对抗图卷积网络的路网排放缺失时空分布重构方法及系统，包括采集车辆污染排放和瞬时工况数据，构建单车路段典型工况排放模型；结合遥感监测点位的车流量数据和典型工况排放模型构建路网移动源排放缺失时空图序列；基于网移动源排放缺失时空图序列，构建路网排放时空分布对抗图卷积生成模型,对监测缺失路段排放进行估计。本发明采用多头自注意力图卷积网络可捕获气象、交通状态变化和基础路网空间差异对不同路段排放的影响；采用图卷积生成对抗学习机制，构建融合路网拓扑以及多源监测信息的路网排放时空分布生成模型，实现完全路网排放图序列重构。与已有方法相比，本方法有望解决监测信息缺失路段的排放时空分布估计问题。
-
公开(公告)号：CN112819218B
公开(公告)日：2022-05-06
申请号：CN202110110653.5
申请日：2021-01-27
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
Abstract: 本发明的一种高分辨率城市移动源污染时空预测方法、系统及存储介质，包括对历史移动源污染监测数据和外部环境因素数据按指定空间分辨率处理成低分辨率移动源污染、外部环境因素观测序列，以及高分辨率移动源污染观测序列；对上述进行标准化处理；将标准化后的低分辨率历史移动源污染数据按指定时间间隔长度进行切分与当前时刻外部环境因素数据、高分辨率移动源污染数据组合构建历史移动源污染数据样本集；构建高分辨率城市移动源污染时空预测模型，训练模型，利用训练好的预测模型对未来时段的高分辨率移动源污染时空分布进行预测。本发明可以有效处理不同空间尺度下排放清单的空间结构约束，实现在稀疏监测下的高精度排放清单时空分布预测。
-
公开(公告)号：CN113657651A
公开(公告)日：2021-11-16
申请号：CN202110852663.6
申请日：2021-07-27
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
Abstract: 本发明的一种基于深度迁移学习的柴油车排放预测方法、介质及设备，包括利用计算机设备构建柴油车排放预测模型，然后使用该模型预测目标域车辆的NOx排放；预测模型构建步骤如下：S10：获取源域车辆相关数据和目标域车辆行驶时相关数据并对采集数据进行预处理；S20：预训练特征投影模块，将源域车辆特征和目标域车辆特征投影到一个公共子空间中；S30：预训练尾气预测模块，使用重构后的源域数据特征和标签搭建一个双隐藏层的全连接神经网络预测模型；S40：将预训练的投影模块和预测模块合并构建迁移模型，考虑源域车辆和目标域车辆之间的数据分布差异，在损失函数部分加入源域和目标域之间的KL散度，使目标域数据分布靠近源域数据分布，微调整个模型。
-
公开(公告)号：CN113435471A
公开(公告)日：2021-09-24
申请号：CN202110534816.2
申请日：2021-05-17
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
Abstract: 本发明的一种深度特征聚类的高排放移动源污染识别方法及系统，包括将收集的车辆年检数据和尾气遥测数据预处理；利用随机森林特征选择算法对移动源排放气体中主要成分CO、HC、NO气体浓度产生影响的外部属性进行重要性评估，选择出各污染气体的主要影响特征因素；利用多种聚类算法对特征选择后的数据进行聚类，得到高排放机动车标签；利用深度森林对高排放类别标签数据训练得到自动分类识别模型。本发明综合考虑外部实际因素对污染检测的影响，对不同的尾气成分筛选出主要影响因素，再分别建模进行识别，有效的提高了预测精度，为有关部门对高排放移动污染源的监测和管控提供有效的技术方法。
-
Patent Agency Ranking
公开(公告)号：CN113657651B
公开(公告)日：2024-07-09
申请号：CN202110852663.6
申请日：2021-07-27
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06Q10/04 , G06Q50/26 , G06N3/0455 , G06N3/0495 , G06N3/096
Abstract: 本发明的一种基于深度迁移学习的柴油车排放预测方法、介质及设备，包括利用计算机设备构建柴油车排放预测模型，然后使用该模型预测目标域车辆的NOx排放；预测模型构建步骤如下：S10：获取源域车辆相关数据和目标域车辆行驶时相关数据并对采集数据进行预处理；S20：预训练特征投影模块，将源域车辆特征和目标域车辆特征投影到一个公共子空间中；S30：预训练尾气预测模块，使用重构后的源域数据特征和标签搭建一个双隐藏层的全连接神经网络预测模型；S40：将预训练的投影模块和预测模块合并构建迁移模型，考虑源域车辆和目标域车辆之间的数据分布差异，在损失函数部分加入源域和目标域之间的KL散度，使目标域数据分布靠近源域数据分布，微调整个模型。
-
公开(公告)号：CN113919235A
公开(公告)日：2022-01-11
申请号：CN202111269866.9
申请日：2021-10-29
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
Abstract: 本发明的一种基于LSTM演化聚类的移动源污染异常排放检测方法及介质，其中方法以机动车OBD时序数据为研究对象,步骤如下：机动车OBD时序数据集抽取；机动车尾气污染物排放影响因素相关性分析；机动车时间序列行驶工况构建；车辆尾气排放无监督检测模型构建。本发明的基于LSTM演化聚类的移动源污染异常排放检测方法利用进化算法演化原理来优化输入数据时间步的权值，帮助LSTM提升对时间步的关注，进一步提高污染物浓度预测准确度；可帮助技术人员分析和处理车辆异常排放，为降低城市空气污染提供了一种可行的方法。
-
公开(公告)号：CN113919234A
公开(公告)日：2022-01-11
申请号：CN202111269825.X
申请日：2021-10-29
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F113/08
Abstract: 本发明的一种基于时序特征迁移的移动源排放预测方法、系统及设备，包括通过事先设置的时序预测模型对采集到的数据进行处理预测，时序预测模型的训练步骤如下：采集机动车尾气车载诊断系统数据，并对所采集数据进行预处理；将预处理后的数据进行归一化处理并将其分为训练集和测试集；将训练数据集划分为k段分布最不相似的序列；以预处理后的所有数据预训练一个GRU的时序预测模型；在时序预测模型中加入最大均值差异距离，与均方误差一起作为损失函数，训练迭代达到预设的精度或最大epoch停止；将测试集投入训练好的时序模型上进行预测。本发明在移动源污染预测方面构建精度高和稳定性好的时序模型，为移动源污染防治提供了一定的科学基础。
-
公开(公告)号：CN112819218A
公开(公告)日：2021-05-18
申请号：CN202110110653.5
申请日：2021-01-27
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
Abstract: 本发明的一种高分辨率城市移动源污染时空预测方法、系统及存储介质，包括对历史移动源污染监测数据和外部环境因素数据按指定空间分辨率处理成低分辨率移动源污染、外部环境因素观测序列，以及高分辨率移动源污染观测序列；对上述进行标准化处理；将标准化后的低分辨率历史移动源污染数据按指定时间间隔长度进行切分与当前时刻外部环境因素数据、高分辨率移动源污染数据组合构建历史移动源污染数据样本集；构建高分辨率城市移动源污染时空预测模型，训练模型，利用训练好的预测模型对未来时段的高分辨率移动源污染时空分布进行预测。本发明可以有效处理不同空间尺度下排放清单的空间结构约束，实现在稀疏监测下的高精度排放清单时空分布预测。
-
公开(公告)号：CN112819217A
公开(公告)日：2021-05-18
申请号：CN202110110644.6
申请日：2021-01-27
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
Abstract: 本发明的一种移动源污染排放主要影响因素预测方法、系统及存储介质，以机动车为研究对象，步骤如下：首先，将收集的车辆年检数据和尾气遥测数据预处理；然后，利用Spearman相关性分析排除与移动源排放气体中主要成分CO、HC、NO气体浓度不存在相关性的因素；再使用Lasso算法确定各成分的关键影响因子，并采用神经网络构建污染物排放预测模型；最后，在测试集上验证该模型用于移动源污染排放主要成分预测的有效性。本发明模型预测的结果表明，基于特征筛选的移动源污染排放数据预测神经网络模型，具有较高的预测精度，可以降低移动源污染排放检测成本以及为相关部门制定相关政策提供理论依据。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.057 seconds)
