一种多车道水平式尾气遥测设备数据处理方法与流程

本发明涉及一种多车道水平式尾气遥测设备数据处理方法，属于城市路网机动车尾气实时遥感监技术领域。

背景技术：

机动车污染已成为我国空气污染的重要来源，是造成灰霾、光化学烟雾污染的重要原因，机动车污染防治的紧迫性日益凸显。而目前对于在用机动车的尾气检测，广泛使用的方法有四类：无负荷测试方法(包括怠速法和双怠速法)、工况法(稳态工况法、瞬态工况法和简易瞬态工况法)、遥感检测方法以及车载尾气检测技术。传统检测方法在城市中机动车检测领域得到广泛使用，并且效果很好。但是离线检测方法通过模拟机动车行驶状态来检测尾气，无法准确地反映出尾气排放状况。

尾气遥测设备利用多种机动车尾气检测器对路网中每一辆机动车进行尾气检测，实现了机动车尾气的实时在线监测，为控制机动车尾气排放总量、实现节能减排、治理城市大气污染、改善人居环境，提供了监测数据方面的支持。

尾气遥测设备是一种应用遥测技术来测量由汽车尾气排气污染物高低的一种装置，它的原理是通过排气污染物引起的长距离光度的变化的一种检测仪器。使用时将该仪器放在道路两侧，由仪器发出一束横穿道路的光，当汽车从该仪器经过时，汽车所排出的尾气会使光束的特性发生变化，从而检测出该汽车的尾气排放的尾气污染物的高低，它是在不影响汽车的正常行驶下完成的。目前国内外的汽车尾气遥测仪采用的光源有下面三种，红外可调谐二极管激光器(TDL)、不分光红外线吸收型(NDIR)传感器及紫外氘灯的光，对于点燃式发动机汽车排气污染物排放气体中的CO、CO2、HC、NO四种气体含量进行测量。这种检测汽车尾气的方法是目前世界上最先进的方法，

由中国专利200910241681.X可知，目前的多车道机动车尾气遥测装置实际上是水平式尾气遥测设备，采取非接触式测量方法，可以在不妨碍正常交通的情况下，检测各机动车的各类尾气排放数据，具有检测效率高(每小时最多可以检测三千多辆车)，不影响机动车正常行驶，防止舞弊和能较真实反映机动车道路实际排放状况等突出优点。

但从该专利中可以看出，该设备目前可以获取单向或双向多车道路面机动车行驶的实时状况,准确获取短时间内多车道上只有一辆车行驶时的多种尾气浓度，因此，当出现多车并排行驶情况时，系统会自动检测并判定此时所测得数据无效，然而在实际生活中，尤其在经常发生交通拥堵的城市交通道路上，多车并排行驶情况所测得的数据往往占据着一大部分比例，这就使得系统不得不舍去大量测量数据，一方面降低了多车道遥感监测系统的测量效率，另一方面也使得所测数据并不能很好地反映出所测路段的机动车尾气排放情况，因此解决多车道遥感监测系统的并排行驶机动车数据处理问题，对于提高系统测量效率和测量准确率，具有重要意义。

技术实现要素：

为了解决现有技术存在的问题，本发明的目的在于提供一种多车道水平式尾气遥测设备数据处理方法，对尾气遥测设备处理机动车并排行驶情况下无法处理数据的问题进行了改进，解决多车道尾气遥测设备的并排行驶机动车数据处理问题，对于提高系统测量效率和测量准确率；同时利用深度神经网络对样本数据进行训练，对机动车尾气浓度的预测也较为准确。

本发明技术解决方案：一种多车道水平式尾气遥测设备数据处理方法包括以下步骤：

(1)利用尾气遥测设备对各机动车的尾气排放浓度进行远程采集，同时采集机动车尾气排放浓度的影响因素，包括：机动车的车型、速度与加速度，以及当前时间、当前天气、当前温度、当前湿度、当前压强，当前风向与风速，并对远程采集到的机动车尾气排放浓度及机动车尾气排放浓度的影响因素数据分别进行预处理，构成样本数据；

(2)将机动车尾气排放浓度分为k个等级，取每个等级范围的中值作为该等级的尾气排放浓度，利用深度神经网络方法建立深度神经网络模型，对步骤(1)所得样本数据进行训练；

(3)基于步骤(2)所建立的深度神经网络模型，当尾气遥测设备的控制和数据分析处理单元判定出现机动车并排行驶情况时，根据步骤(1)所测机动车的车型、速度与加速度，以及当前时间、当前天气、当前温度、当前湿度、当前压强，当前风向与风速，通过所建立的深度神经网络模型得到该机动车的尾气排放浓度。

步骤2中，所述深度神经网络模型由四层约束玻兹曼机(RBM)组成，深度神经网络的结构表示为N-1000-500-250-10，其中，N表示样本数据维数，1000、500、250、10分别代表第一到四层的神经元个数。

所述四层RBM网络模型，每层均为自编码网络，分为编码和解码两部分，其中编码部分的映射函数为f(x)，解码部分的映射函数为g(x)，其都是由高度非线性sigmoid函数组成。

步骤(1)中，所述数据的预处理为：将机动车尾气排放浓度数据随机分为k个等级，得到每个样本数据的初始聚类标签L＝[l₁，l₂，…，l_N]，其中N表示样本数据的数量，l表示样本数据的聚类标签。

步骤(2)中所述四层RBM网络模型，加入该模型特征层的类内约束函数的新的目标函数表示为：

其中，c*是对应第i个样本数据x_i的在特征空间的聚类中心，X是输入样本数据的集合，X′＝g(f(x))，是输出样本数据的集合，λ为权重系数，f_t(x_i)为第t次迭代时第i个样本数据x_i在特征层的表达式，表示类内约束函数。

步骤(3)中，根据尾气遥测设备所测图像，当判定出现机动车并排行驶情况时，设并排行驶机动车数为M，将其中(M-1)辆机动车样本数据带入所建立的四层RBM网络模型，即可预测该(M-1)辆机动车的尾气排放浓度，尾气遥测设备所测总排放浓度减去该(M-1)辆机动车排放浓度之和，即可得到第M辆机动车尾气排放浓度，至此，所有机动车尾气排放浓度测量完成。

步骤(2)中，k的个数取决于精度要求，k为正整数，一般取5～50之间。

本发明与现有技术相比的有益效果在于：

(1)对尾气遥测设备无法处理机动车并排行驶情况下数据的问题进行了改进，之前只能测量多车道上只有一辆机动车行驶时的尾气排放浓度，现在可以测量多辆机动车行驶时，各机动车各自的尾气排放浓度。

(2)多车道机动车道路往往意味着较大车流量，车辆并排行驶情况出现概率极高，之前尾气遥测设备无法测量该情况下机动车尾气排放浓度，意味着舍弃了大部分情况，无法准确反应该道路机动车尾气排放浓度情况，因此，本发明对尾气遥测设备进行的改进，提高了多车道水平式尾气遥测设备的测量效率，使之能准确反映所测量道路的机动车尾气排放情况；

(3)本发明利用深度神经网络对样本数据进行训练，对机动车尾气浓度的预测较为准确。

附图说明

图1为本发明方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。

如图1所示，本发明一种多车道水平式尾气遥测设备数据处理方法具体实现步骤如下。

1.利用尾气遥测设备对各机动车的尾气排放浓度进行远程采集，同时采集其影响因素，包括：机动车的车型、速度与加速度，以及当前时间、天气、温度、湿度、压强，风向与风速，并对远程采集到的数据分别进行预处理，构成样本数据。

2.本发明采用深度神经网络方法进行分类。传统的分类主要包括空间映射，选取分类中心并分组，更新分类中心等三部分。在此基础上，本发明采用深度神经网络模型的非线性映射将原始数据映射至特征空间，然后在特征空间分组并计算每组均值作为分类中心，在此基础上对深度神经网络模型的目标函数加入类内约束继续训练网络，最后利用训练好的网络将数据映射至特征空间并再次分类，直到分类效果达到最优。

本发明采用深度神经网络的方法进行分类，所述方法包括以下步骤：

(1)对于样本数据，利用深度神经网络方法进行训练得到所述深度神经网络模型的初始网络权重；利用由四层约束玻兹曼机(RBM，Restricted Boltzmann Machine)组成的深度神经网络模型进行训练得到初始网络权重，所述四层RBM网络模型的网络结构可表示为N-1000-500-250-10，其中N表示样本数据维数，1000、500、250、10分别代表第一到四层的神经元个数，其实，所述深度神经网络模型的初始网络权重也可以随机给定。其中，对于深度神经网络模型进行训练得到初始网络权重属于本领域的现有技术，在此不作赘述；

(2)将所有的样本数据随机分为k组，得到所述样本数据的初始分类，并为每个样本数据分配初始分类标签，得到每个样本数据的初始分类标签L＝[l₁，l₂，…，l_N]，其中N表示样本数据的数量，l表示样本数据的分类标签，即所属的类组，计算每类样本数据的均值，并通过所述初始网络权重得到对应的特征层表达作为初始的分类中心C；

(3)将所述样本数据中所有的样本数据通过所述四层RBM网络模型映射到特征空间，并计算所有初始分类分组的平均值，作为相应分类分组的新的分类中心；该步骤意为对样本数据进行非线性映射，得到特征空间，形成适合分类的分布。本发明所述四层RBM网络模型每层均为自编码网络，所述自编码网络分为编码和解码两部分，其中编码部分的映射函数为f(x)，解码部分的映射函数为g(x)，其都是由高度非线性sigmoid函数组成的；

(4)将原始四层RBM网络模型的目标函数加入特征层的类内约束函数，得到新的四层RBM网络模型，使得每个分类分组中的所有样本数据在特征层与所述新的分类中心的距离最小；其中，加入特征层的类内约束函数的新的四层RBM网络模型目标函数表示为：

其中，c*是对应样本数据x_i的在特征空间的分类中心，X是输入样本数据的集合，X′＝g(f(x))，是输出样本数据的集合，λ为权重系数，f_t(x_i)为第t次迭代时第i个样本数据x_i在特征层的表达式，表示类内约束函数；

(5)利用所述步骤4得到的新的四层RBM网络模型更新原四层RBM网络模型的权重，使得每个聚类分组内的样本数据分布更加紧致；

(6)利用所述步骤5得到的更新网络权重后的四层RBM网络模型，计算得到新的特征层，并基于此与之前的所有分类中心进行比较，将每个样本数据分配至与其距离最近的聚类中心所在的类组，并为每个样本数据分配新的分类标签；

该步骤中，利用所述更新网络权重后的四层RBM网络模型的编码部分的映射函数f(x)来计算得到新的特征层；

(7)对于所述步骤6中得到的新的分类分组计算每个分组的均值作为新的分类中心；

(8)以所述步骤7中得到的新的分类中心代替所述步骤4中类内约束函数的分类中心；

(9)返回所述步骤5进行迭代，直到分类效果达到最优或者满足迭代次数要求，得到并输出最终分类分组结果。在本发明一实施例中，使用分类的纯度(purity)和标准互信熵(NMI)作为分类分组的评价指标。

3.基于所建立排放因子数据库对机动车并排行驶样本数据进行处理。根据尾气遥测设备所测图像，当判定出现机动车并排行驶情况时，设并排行驶机动车数为M，根据样本数据，利用所建模型对其中(M-1)辆机动车的尾气排放浓度进行预测，尾气遥测设备所测总排放浓度减去该(M-1)辆机动车排放浓度之和，即可得到第M辆机动车尾气排放浓度，至此，所有机动车尾气排放浓度测量完成。

为了详细说明本发明的具体实施方式，接下来以某次测量所得机动车尾气排放样本数据为例进行说明。设所提供数据集包含60000组样本数据，分别包括0-9共10类不同排放等级的机动车尾气排放浓度。本发明能够对该数据库进行分类，在无监督的情况下，可将样本数据准确地分为10种排放等级。具体步骤如下：

1，将数据集中的样本数据分为多个包batch，每个batch包含1000个样本数据；

2，将所述步骤1中的每个batch输入到四层RBM网络模型进行训练得到一网络结构，并利用此网络结构作为四层RBM网络模型的初始权重；

3，对所有的样本数据进行随机分组，得到初始的分类分组，并为每个样本数据分配聚类标签；

4，将所有样本数据通过所述四层RBM网络模型的编码部分(f(x))映射到特征空间，并计算每一分类分组的平均值，作为相应分类分组的新的分类中心；

5，在原始四层RBM网络模型的目标函数中加入特征层的类内约束函数。

6，利用目标函数加入类内约束的四层RBM网络模型更新所述网络结构，使得每个分类分组内的样本数据分布更加紧致。

7，利用所述步骤6得到的更新后的四层RBM网络模型，利用编码部分的映射函数f(x)计算得到新的特征层，并依此与之前的10个分类中心进行比较，将样本数据分配至距离最近的分类中心所在的类组，并为每个样本数据分配新的分类标签。

8，对所述步骤7中得到的样本数据按新的分类分组计算每个类组的均值作为新的分类中心。

9，以所述步骤8中得到的新的分类中心代替所述步骤5中类内约束函数的分类中心。

10，返回所述步骤6，直到网络结构和分类效果达到最优(或者迭代次数epoch>50)。

11.基于所建立排放因子数据库对机动车并排行驶样本数据进行处理

根据尾气遥测设备所测图像，当判定出现机动车并排行驶情况时，设并排行驶机动车数为M，根据样本数据，利用所建模型对其中(M-1)辆机动车的尾气排放浓度进行预测，尾气遥测设备所测总排放浓度减去该(M-1)辆机动车排放浓度之和，即可得到第M辆机动车尾气排放浓度，至此，所有机动车尾气排放浓度测量完成。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。