本發(fā)明具體涉及一種機動車尾氣排放數(shù)據(jù)融合系統(tǒng)，屬于環(huán)境監(jiān)測
技術(shù)領(lǐng)域：
。
背景技術(shù)：
：由于近年來全國機動車保有量迅猛增長，致使市區(qū)以及各地交通擁堵現(xiàn)象日趨嚴重，大氣環(huán)境質(zhì)量也呈現(xiàn)出惡化趨勢，機動車排氣污染監(jiān)控工作正面臨著嚴峻的挑戰(zhàn)。機動車尾氣是城市大氣環(huán)境污染的重要污染物，是城市空氣污染的主要源頭，在城市環(huán)境污染監(jiān)測方面，機動車尾氣監(jiān)測所占比例越來越高，已經(jīng)成為環(huán)境保護與管理的重要組成部分。從2000年以來，環(huán)保部門對于機動車尾氣的監(jiān)管不斷加強，一方面，通過提高排放標準加速老舊機動車淘汰的速度：機動車尾氣排放標準不斷提高，從歐I、歐II到國五標準，僅僅經(jīng)過了10余年的時間。另一方面，機動車尾氣檢測手段和技術(shù)不斷發(fā)展，先后經(jīng)歷雙怠速法、簡易工況法、模擬工況法、遙感監(jiān)測法等階段，檢測設(shè)備也從手持式、便攜式、檢測場固定式發(fā)展到了車載移動式、路側(cè)固定式。其中，由于新興的遙感監(jiān)測法具有檢測周期短、無需人工參與、準確度高與不影響交通的特點，已漸漸成為機動車尾氣檢測的重要技術(shù)手段，得到了業(yè)界的普遍認同。機動車尾氣遙測設(shè)備布設(shè)于城市路網(wǎng)，可獲取海量監(jiān)測數(shù)據(jù)，如何分析、處理這些海量數(shù)據(jù)是環(huán)境監(jiān)測的一個難點，通過有效的數(shù)據(jù)挖掘可獲取大量關(guān)于機動車尾氣排放的信息。由于空氣污染物濃度的影響因素復(fù)雜繁多，從長期或平均狀態(tài)來說，取決于城市的能源結(jié)構(gòu)、交通和工業(yè)排放污染物的多少，但從短期或?qū)崟r狀態(tài)而言，卻主要與當?shù)亍敃r的氣象條件有關(guān)。這一系列的因素導(dǎo)致對空氣污染物濃度進行預(yù)報具有一定的挑戰(zhàn)性，因此目前國內(nèi)外還沒有有效的技術(shù)方法對重污染過程進行準確的預(yù)報，高濃度污染的預(yù)報成為了國內(nèi)外亟待克服的重要難題。發(fā)明專利《基于數(shù)值模式與統(tǒng)計分析結(jié)合的大氣重污染預(yù)報方法》(申請?zhí)枺篊N201310038573.9)提出了一種基于數(shù)值模式與統(tǒng)計分析結(jié)合的大氣重污染預(yù)報方法。該方法將數(shù)值預(yù)報方法與統(tǒng)計預(yù)報方法相結(jié)合，一定程度上克服了兩種預(yù)報方法單獨使用時存在的缺點，即數(shù)值預(yù)報方法對非重污染時段預(yù)報效果較好，但對由于復(fù)雜氣象條件導(dǎo)致污染物輸送、擴散、轉(zhuǎn)化的重污染時段預(yù)報誤差高達400％；而統(tǒng)計預(yù)報方法準確率和計算效率較高，但對歷史資料依賴性較強，并缺乏一定物理意義。發(fā)明專利《一種基于特征向量和最小二乘支持向量機的PM25濃度預(yù)測方法》(申請?zhí)枺篊N201410201739.9)、《一種基于多領(lǐng)域特征的城市空氣質(zhì)量等級預(yù)測方法》(申請?zhí)枺篊N201410452557.9)與《一種空氣污染物濃度預(yù)測方法》(申請?zhí)枺篊N201510767342.0)均實現(xiàn)了依據(jù)歷史空氣污染物濃度監(jiān)測數(shù)據(jù)對當前或未來某一時刻空氣污染物濃度進行預(yù)報，但是他們共有的問題是：預(yù)測方法較為復(fù)雜，對歷史數(shù)據(jù)的利用、整合有待加強，泛化能力及預(yù)報準確率都有待提高。機動車尾氣排放因子可反映機動車的排放水平，對機動車尾氣排放因子的傳統(tǒng)評估方法是建立影響機動車排放的參數(shù)與污染物排放之間的關(guān)系，稱之為排放因子模型。國外研究排放因子模型的時間較長，已經(jīng)建立了MOBOLE、EMFAC、IVE、CMEM、COPERT等多個模型。而大部分都是通過臺架試驗的方法得到數(shù)據(jù)建立模型，由于實際道路情況復(fù)雜，這樣的模型無法真實反映在實際道路上行駛的機動車的尾氣排放。近年來，利用隧道試驗來評估排放因子的方法得到了廣泛的應(yīng)用，該方法通過現(xiàn)場收集車流和氣象數(shù)據(jù)，測量隧道進出口污染物濃度，利用質(zhì)量平衡計算出各種污染物的排放因子，從而反映出實際路況下機動車污染物的排放特性。但由此得到的往往是平均行駛速度下的排放因子或總測試時段內(nèi)的平均排放因子，因此無法考察機動車行駛工況(不同瞬態(tài)車速和加/減速度)對排放特性及排放因子的影響。發(fā)明專利《一種基于機動車比功率的速度對車輛排放因子修正方法》(申請?zhí)枺?01510745166.0)根據(jù)車輛行駛速度計算機動車比功率，得到不同速度區(qū)間的比功率分布情況，并利用平均速度計算的修正系數(shù)對其進行修正。該方法在計算過程中不僅需要車輛的速度、加速度數(shù)據(jù)，還需要基本排放因子、MOVES數(shù)據(jù)庫中的排放率等數(shù)據(jù)的輸入，計算過程較復(fù)雜；另一方面，該方法只考慮行駛工況，并未將氣象條件對機動車尾氣排放的影響考慮在內(nèi)。受經(jīng)濟水平和科研能力的限制，我國空氣質(zhì)量監(jiān)測工作起步較晚，自上世紀七十年代開始到現(xiàn)在，經(jīng)過四十多年的發(fā)展，目前我國很多省市已經(jīng)建立起空氣質(zhì)量監(jiān)測系統(tǒng)，但針對道邊空氣污染物濃度的檢測仍存在很大的進步空間。其中的主要原因有：一、目前用于道邊空氣污染物濃度檢測的設(shè)備主要為空氣監(jiān)測站，該設(shè)備價格昂貴，只能在城市內(nèi)布設(shè)有限數(shù)量的站點，然而城市路網(wǎng)龐大，拓撲結(jié)構(gòu)和周圍環(huán)境復(fù)雜，通過檢測設(shè)備實現(xiàn)城市各區(qū)域道邊空氣污染物濃度的實時預(yù)測可行性很低。二、基于設(shè)備全面檢測的低可行性，各國學(xué)者力圖通過預(yù)測方法來解決這個問題，目前國內(nèi)外針對道邊空氣污染物濃度的研究中，采用的方法主要分兩大類：1、高斯模型以及后續(xù)的以高斯模型為基礎(chǔ)的一系列線源模型，如王煒等在《城市交通規(guī)劃理論及其應(yīng)用》(東南大學(xué)出版社,1998年)所述，這類方法針對不同狀態(tài)的道路需采用不同的模型，且對復(fù)雜道路的模型準確性不高；2、基于神經(jīng)網(wǎng)絡(luò)的道邊污染物濃度檢測，如楊忠振等在《基于神經(jīng)網(wǎng)絡(luò)的道路交通污染物濃度預(yù)測》(吉林大學(xué)學(xué)報(工),2007年37期)所述，這類方法能通過識別輸入、輸出數(shù)據(jù)之間簡單的非線性關(guān)系，但在學(xué)習(xí)輸入、輸出數(shù)據(jù)內(nèi)部之間更本質(zhì)的特征映射方面有很大局限性，每個神經(jīng)網(wǎng)絡(luò)只能表征一種污染物與輸入的關(guān)系，在實時性和遷移性上存在很大缺陷。雖然國內(nèi)遙感監(jiān)測法已經(jīng)慢慢開始發(fā)展普及，但是其后續(xù)工作仍比較空白。雖然許多地方也建立了相關(guān)的數(shù)據(jù)平臺，但是數(shù)據(jù)存儲分散，不能有效地結(jié)合在一起，也沒有得到統(tǒng)一的管理。同時，得到的數(shù)據(jù)缺乏多樣性，與車主、實時天氣、當前路況信息等數(shù)據(jù)沒有緊密結(jié)合在一起。這些都給后續(xù)的數(shù)據(jù)分析和環(huán)保政策的提出造成了巨大的困難。因此，針對機動車遙測項目對數(shù)據(jù)方面的需求，本發(fā)明公開一種機動車尾氣排放數(shù)據(jù)融合系統(tǒng)，旨在高效地處理、分析機動車排放數(shù)據(jù)，推動我國機動車尾氣遙測產(chǎn)業(yè)快速發(fā)展，為環(huán)境污染地域的聯(lián)防聯(lián)控和氮氧化物總量減排的政策提供強有力的技術(shù)支撐。技術(shù)實現(xiàn)要素：傳統(tǒng)的遙感監(jiān)測法只能對其中極少部分車輛進行檢測，且各監(jiān)測點分散，沒有充分利用各監(jiān)測點數(shù)據(jù)的相互聯(lián)系，無法實現(xiàn)更高層面的監(jiān)管，為有關(guān)部門提供決策依據(jù)或建議。本發(fā)明技術(shù)能克服上述缺點，真正發(fā)揮尾氣遙測設(shè)備的優(yōu)勢，提供一種機動車尾氣排放數(shù)據(jù)融合系統(tǒng)。本發(fā)明技術(shù)解決方案：一種機動車尾氣排放數(shù)據(jù)融合系統(tǒng)，實現(xiàn)對機動車尾氣遙測數(shù)據(jù)及機動車屬性、行駛工況、檢測時間、氣象條件數(shù)據(jù)的存儲、分析與融合，結(jié)合車載診斷系統(tǒng)數(shù)據(jù)庫、便攜式排放測試系統(tǒng)數(shù)據(jù)庫、車檢所離線數(shù)據(jù)庫、交通信息數(shù)據(jù)庫與地理信息數(shù)據(jù)庫，對機動車尾氣遙測數(shù)據(jù)進行分析處理，實現(xiàn)機動車尾氣排放因子估計、機動車尾氣排放特征分析、道邊空氣污染物濃度估計、道邊空氣污染物濃度預(yù)測及城市全局環(huán)境預(yù)測，為環(huán)保部門的政策制定與執(zhí)法提供科學(xué)依據(jù)。機動車尾氣排放數(shù)據(jù)融合系統(tǒng)包括道邊空氣污染物濃度估計模塊、道邊空氣污染物濃度預(yù)報模塊、城市全局大氣環(huán)境預(yù)測模塊、機動車尾氣排放因子估計模塊與機動車尾氣排放特征分析模塊；道邊空氣污染物濃度估計模塊，使用一種基于重構(gòu)深度學(xué)習(xí)的道邊空氣污染物濃度預(yù)測方法來實現(xiàn)，根據(jù)道邊空氣污染物的時空分布特點，基于重構(gòu)深度學(xué)習(xí)方法對深度重構(gòu)Elman模型進行訓(xùn)練，當訓(xùn)練完成后，輸入實時的路網(wǎng)信息、氣象信息和交通信息，即可獲得實時的道邊空氣污染物濃度估計值；道邊空氣污染物濃度預(yù)報模塊，使用一種基于LSTM-RNN模型的空氣污染物濃度預(yù)報方法來實現(xiàn)，根據(jù)歷史空氣污染物濃度數(shù)據(jù)，提出基于LSTM-RNN模型的預(yù)報方法，模型訓(xùn)練完成后，該模型可預(yù)報當前或未來某一時刻的空氣污染物濃度；城市全局大氣環(huán)境預(yù)測模塊，使用一種基于CFD及多數(shù)據(jù)源的城市實時全局環(huán)境估計方法來實現(xiàn)，結(jié)合城市環(huán)境監(jiān)測站點歷史數(shù)據(jù)、全球中尺度氣象預(yù)測結(jié)果、國家氣象數(shù)據(jù)、城市重點污染源數(shù)據(jù)、城市地理三維模型及機動車尾氣遙測設(shè)備的實時監(jiān)測數(shù)據(jù)，利用流體力學(xué)CFD作為計算引擎，根據(jù)氣象信息自適應(yīng)切換環(huán)境質(zhì)量模式，采用多尺度網(wǎng)格離散化城市模型并引入多組分污染模型，實現(xiàn)城市全局大氣環(huán)境的實時預(yù)測；機動車尾氣排放因子估計模塊，使用一種基于MLP神經(jīng)網(wǎng)絡(luò)的機動車尾氣排放因子估計方法來實現(xiàn)，利用機動車尾氣遙測設(shè)備采集的實際道路上的機動車尾氣排放數(shù)據(jù)以及其他相關(guān)數(shù)據(jù)建立機動車尾氣CO、HC及NO的排放因子數(shù)據(jù)庫，并據(jù)此建立針對于CO、HC和NO的MLP神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)機動車尾氣排放因子的實時在線估計；機動車尾氣排放特征分析模塊，使用一種基于聚類分析的車輛尾氣排放特征分析處理方法來實現(xiàn)，采用灰色關(guān)聯(lián)分析方法從車輛類型、行駛工況、燃料類型、車輛使用年限、風(fēng)速、氣溫中找出影響尾氣排放的主要影響因素，作為車輛尾氣排放特征分析的核心維度特征參數(shù)，利用基于密度的聚類算法對機動車進行尾氣排放貢獻程度的分類；上述五個模塊分別實現(xiàn)不同的數(shù)據(jù)分析功能，選擇不同的模塊即可實現(xiàn)不同的功能；可以單獨使用，也可以兩個或兩個以上組合作用；在需要獲得實時的道邊空氣污染物濃度估計值時，采用道邊空氣污染物濃度估計模塊；在根據(jù)歷史空氣污染物濃度數(shù)據(jù)預(yù)報當前或未來某一時刻的空氣污染物濃度時，采用道邊空氣污染物濃度預(yù)報模塊；在需要城市全局大氣環(huán)境的實時預(yù)測時，采用城市全局大氣環(huán)境預(yù)測模塊；在需要進行機動車尾氣排放因子的實時在線估計時，采用機動車尾氣排放因子估計模塊；在分析影響尾氣排放的主要影響因素，或?qū)C動車進行尾氣排放貢獻程度的分類時采用機動車尾氣排放特征分析模塊。所述道邊空氣污染物濃度估計模塊中，一種基于重構(gòu)深度學(xué)習(xí)的道邊空氣污染物濃度實時預(yù)測方法包含以下步驟：步驟1：基于重構(gòu)深度學(xué)習(xí)方法，根據(jù)道邊空氣污染物的時空分布特點，形成道路空氣污染物濃度數(shù)據(jù)集，構(gòu)建深度重構(gòu)Elman模型；所述道邊空氣污染物包括一氧化碳CO、二氧化碳CO2、氮氧化物NOx；所述深度重構(gòu)Elman模型包括：主網(wǎng)絡(luò)和次網(wǎng)絡(luò)；主網(wǎng)絡(luò)具有前饋連接和反饋連接結(jié)構(gòu)，含有局部記憶能力，主網(wǎng)絡(luò)依次由輸入層、承接層、中間層和輸出層構(gòu)成；次網(wǎng)絡(luò)用于主網(wǎng)絡(luò)初始化，次網(wǎng)絡(luò)含有一個可視層和一個隱含層；步驟2：根據(jù)限制玻耳茲曼機的特征，從道邊空氣污染物濃度數(shù)據(jù)集中隨機選取部分數(shù)據(jù)，完成深度重構(gòu)Elman模型的初始化；步驟3：采用梯度下降算法，對深度重構(gòu)Elman模型進行訓(xùn)練，得到能夠?qū)Φ肋吙諝馕廴疚餄舛冗M行實時預(yù)測的深度重構(gòu)Elman模型，以實時的路網(wǎng)信息、氣象信息、交通信息因素作為Elman模型的輸入，Elman模型輸出為對應(yīng)的實時道邊空氣污染物濃度；所述路網(wǎng)信息包括路段車道數(shù)、道路綠化程度、道路建筑物高度、建筑物與道邊距離；所述氣象信息包括溫度、濕度、天氣、風(fēng)速和風(fēng)向；所述交通信息車種比例、車流量、通過時間、停止時間和擁塞時間。所述一種基于重構(gòu)深度學(xué)習(xí)的道邊空氣污染物濃度實時預(yù)測方法中，所述步驟2實現(xiàn)如下：(1)對道路空氣污染物濃度數(shù)據(jù)集中的數(shù)據(jù)進行歸一化處理，并將數(shù)據(jù)集按照60％、20％、20％的比例劃分為訓(xùn)練集、驗證集、測試集；(2)對限制玻爾茲曼機設(shè)置重構(gòu)誤差閾值，利用訓(xùn)練集中的輸入數(shù)據(jù)對限制玻爾茲曼機進行訓(xùn)練，其中可視層單元個數(shù)為14，隱含層單元個數(shù)為37，關(guān)于狀態(tài)的損失函數(shù)Jres(xpol,hpol,θ)為：其中，xpol,i為影響道邊空氣污染物濃度的因素之一，hpol,j為xpol,i的另一種表達，θrac＝{ωrac,i,j,αrac,i,βrac,j}，αrac,i、βrac,j分別為可視單元和隱含單元的偏差向量，ωrac,i,j是權(quán)重矩陣，N9、L9分別為可視單元和隱含單元的數(shù)量；限制玻爾茲曼機參數(shù)的梯度求解方法如下：其中，prob(xpol,θ)是可視單元的概率，prob(hrac,j＝1|xpol,θ)是隱含單元的條件概分布；(3)初始化Elman模型，其中用限制玻爾茲曼機中訓(xùn)練好的矩陣ωrac初始化輸入層權(quán)重中間層權(quán)重和承接層權(quán)重用零矩陣初始化。所述一種基于重構(gòu)深度學(xué)習(xí)的道邊空氣污染物濃度實時預(yù)測方法中，所述步驟3實現(xiàn)如下：(1)根據(jù)深度重構(gòu)Elman模型的非線性狀態(tài)空間表達式計算第m次迭代輸出的道邊空氣污染物濃度yrac(m)；(2)根據(jù)梯度下降算法計算道邊空氣污染物濃度損失函數(shù)Jrac，若污染物濃度損失函數(shù)的值小于初始化中設(shè)置的誤差閾值或者迭代次數(shù)值m大于等于初始化中設(shè)置的最大迭代次數(shù)，則訓(xùn)練結(jié)束，進入步驟(5)，否則進去步驟(3)；(3)根據(jù)梯度下降算法計算道邊空氣污染物濃度損失函數(shù)關(guān)于深度重構(gòu)Elman模型的權(quán)重參數(shù)的偏導(dǎo)數(shù)，計算方法如下：其中，Jrac(m)是道邊空氣污染物濃度損失函數(shù)，n表示輸入層的第n個單元，j表示輸出層的第j個單元，l表示中間層的第l個單元，表示隱含層的第個單元，m是迭代次數(shù)，是求偏導(dǎo)符號，是道邊空氣污染物濃度損失函數(shù)關(guān)于的偏導(dǎo)數(shù)，η1、η2、η3分別是的學(xué)習(xí)率，分別是深度重構(gòu)Elman模型的中間層到輸出層權(quán)重參數(shù)、輸入層到中間層權(quán)重參數(shù)、承接層到中間層權(quán)重參數(shù)；(4)然后根據(jù)權(quán)重參數(shù)的偏導(dǎo)數(shù)對權(quán)重參數(shù)進行更新，更新規(guī)則如下：更新完畢后，返回步驟(1)；(5)訓(xùn)練結(jié)束，模型的權(quán)重參數(shù)確定，所得模型即為能夠?qū)Φ肋吙諝馕廴疚餄舛冗M行實時預(yù)測的深度重構(gòu)Elman模型，將實時的路網(wǎng)信息、氣象信息、交通信息因素輸入到模型中，通過模型即可輸出預(yù)測的實時道邊空氣污染物濃度結(jié)果。道邊空氣污染物濃度預(yù)報模塊中，一種基于LSTM-RNN模型的空氣污染物濃度預(yù)報方法包含以下步驟：步驟一，首先收集目標城市較長時間內(nèi)的空氣污染物濃度數(shù)據(jù)，作為歷史數(shù)據(jù)，并存入數(shù)據(jù)庫；步驟二，然后通過對收集到的歷史數(shù)據(jù)進行預(yù)處理，構(gòu)造待訓(xùn)練的LSTM-RNN(LongShort-TermMemory，長短時記憶)模型的訓(xùn)練樣本數(shù)據(jù)、驗證樣本數(shù)據(jù)和測試樣本數(shù)據(jù)；步驟三，通過訓(xùn)練樣本數(shù)據(jù)得到預(yù)先訓(xùn)練的LSTM-RNN模型，然后通過構(gòu)造的驗證樣本數(shù)據(jù)和測試樣本數(shù)據(jù)微調(diào)訓(xùn)練得到的LSTM-RNN模型參數(shù)，通過進一步修正LSTM-RNN模型參數(shù)，提高LSTM-RNN模型精度，將該修正后的LSTM-RNN模型作為空氣污染物濃度預(yù)報模型；步驟四，將預(yù)處理后的目標城市較長時間內(nèi)的空氣污染物濃度數(shù)據(jù)作為LSTM-RNN模型的輸入數(shù)據(jù)，通過LSTM-RNN模型對輸入數(shù)據(jù)進行學(xué)習(xí)，最終LSTM-RNN模型輸出得到當前或未來某一時刻的空氣污染物濃度預(yù)報的結(jié)果。所述一種基于LSTM-RNN模型的空氣污染物濃度預(yù)報方法中，所述步驟一中，收集目標城市較長時間內(nèi)，即一年的空氣污染物濃度數(shù)據(jù)，選取與空氣污染物濃度有關(guān)的數(shù)據(jù)進行匯總，對于其中部分缺失的數(shù)據(jù)，采用平均值法填補缺失數(shù)據(jù)，并存入數(shù)據(jù)庫。所述一種基于LSTM-RNN模型的空氣污染物濃度預(yù)報方法中，所述步驟一中的平均值法為：采用缺失數(shù)據(jù)前N10個與后N10個數(shù)據(jù)取平均值的方法，N10表示前后取數(shù)的個數(shù)，取值為20-30個。所述一種基于LSTM-RNN模型的空氣污染物濃度預(yù)報方法中，所述步驟二中，構(gòu)造待訓(xùn)練的LSTM-RNN模型的訓(xùn)練樣本數(shù)據(jù)：從數(shù)據(jù)庫中讀出目標城市的污染數(shù)據(jù)，進行歸一化處理，構(gòu)成LSTM-RNN模型的輸入特征向量，并按照75％、15％、10％的比例劃分為訓(xùn)練樣本數(shù)據(jù)、驗證樣本數(shù)據(jù)和測試樣本數(shù)據(jù)。所述一種基于LSTM-RNN模型的空氣污染物濃度預(yù)報方法中，步驟二中所述歸一化處理方法為min-max歸一化方法，對收集到的目標城市較長時間內(nèi)的空氣污染物濃度數(shù)據(jù)做歸一化處理，使其值在0到1之間。所述一種基于LSTM-RNN模型的空氣污染物濃度預(yù)報方法中，所述步驟三中，LSTM-RNN模型采用具有1個輸入層、5個隱藏層，輸出層，使用identity函數(shù)來執(zhí)行回歸。所述一種基于LSTM-RNN模型的空氣污染物濃度預(yù)報方法中，所述步驟三中的5個隱藏層采用LSTM(長短時記憶)單元，該單元具有三個門：輸入門表示是否允許采集的新的污染物濃度數(shù)據(jù)信息加入到當前隱藏層節(jié)點中，如果為1即門開，則允許輸入，如果為0，即門關(guān)，則不允許，這樣就可以摒棄掉一些沒用的輸入信息；遺忘門表示是否保留當前隱藏層節(jié)點存儲的歷史污染物濃度數(shù)據(jù)，如果為1即門開，則保留，如果為0，即門關(guān)，則清空當前節(jié)點所存儲的歷史污染物濃度數(shù)據(jù)；輸出門表示是否將當前節(jié)點輸出值輸出給下一層，即下一個隱藏層或者輸出層，如果為1，即門開，則當前節(jié)點的輸出值將作用于下一層，如果為0，即門關(guān)，則當前節(jié)點輸出值不輸出。所述一種基于LSTM-RNN模型的空氣污染物濃度預(yù)報方法中，所述隱藏層的LSTM單元具體公式表示如下：Hair,t＝ottanh(ct)其中sig為邏輯sigmoid函數(shù)，xair表示LSTM-RNN模型的輸入特征向量，Φ、o、c、Hair分別表示輸入門(inputgate)、遺忘門(forgetgate)、輸出門(outputgate)、單元激活向量(cellactivationvectors)，隱藏層，分別為LSTM-RNN模型的輸入特征向量、隱藏層單元、單元激活向量與輸入門之間的權(quán)重矩陣，Ωair,c,Φ分別為LSTM-RNN模型的輸入特征向量、隱藏層單元、單元激活向量與遺忘門之間的權(quán)重矩陣，Ωair,c,o分別為LSTM-RNN模型的輸入特征向量、隱藏層單元、單元激活向量與輸出門之間的權(quán)重矩陣，分別為LSTM-RNN模型的輸入特征向量、隱藏層單元與單元激活向量之間的權(quán)重矩陣，所述權(quán)重矩陣均為對角陣；βair,Φ、βair,o、βair,c分別為LSTM-RNN模型輸入門、遺忘門、輸出門、單元激活向量的偏差值，t作為下標時表示時刻，tanh為激活函數(shù)。城市全局大氣環(huán)境預(yù)測模塊中，一種基于CFD及多數(shù)據(jù)源的城市實時全局環(huán)境估計方法包含以下步驟：步驟一，提取城市三維模型數(shù)據(jù)，使用模型片段數(shù)簡化方法進行所述三維模型融合，并將地理信息映射到所述三維模型，生成具有地理信息的簡化城市三維模型；步驟二，選定城市的待求解區(qū)域，在待求解區(qū)域中，對第一步所得簡化城市三維模型進行六面體網(wǎng)格劃分，融入城市重點污染源GIS信息及城市主要街道GIS信息，然后使用多尺度網(wǎng)格劃分方法對重點污染源區(qū)域、主要街道進行細網(wǎng)格劃分，生成多尺度網(wǎng)格化城市三維模型；步驟三，使用Realizablek-ε湍流模型封閉城市大氣流場方程，加入太陽輻射方程，得到城市大氣流場控制方程；步驟四，將城市重點污染源的排放數(shù)據(jù)、機動車尾氣排放的實時數(shù)據(jù)通過匹配地理位置坐標點方法，映射到第二步所得城市三維模型重點污染源位置及主要街道位置所在處，生成城市重點污染源排放時空分布Q1j(ξ1,ξ2,ξ3,t)，其中ξ1,ξ2,ξ3為坐標變量，t為時間變量；及主要街道尾氣污染物源濃度分布Q2j(ξ1,ξ2,t)，融合城市環(huán)境監(jiān)測站點污染物濃度數(shù)據(jù)，采用雙線性插值生成全局污染物濃度初步估計分布Yenv,j，使用污染物輸送方程綜合上述所述三種數(shù)據(jù)源，即Q1j(ξ1,ξ2,ξ3,t)、Q2j(ξ1,ξ2,t)和Yenv,j，得到實時污染物輸送模型；步驟五，將多數(shù)據(jù)源全國尺度風(fēng)場、污染物分布數(shù)據(jù)及ECMWF氣象數(shù)據(jù)，作為城市模型求解區(qū)域時變邊界參數(shù)，利用大氣邊界層理論得到入流面、出流面、上邊界及下墊面邊界條件；步驟六，利用計算流體力學(xué)CFD求解器在第二步所得城市三維網(wǎng)格模型上對第三步所得流場控制方程及第四步污染物輸送模型離散化，按第五步的時變邊界條件，進行城市全局流場求解，得到無氣象因素實時環(huán)境質(zhì)量分布；步驟七，結(jié)合城市氣象數(shù)據(jù)，針對不同降水氣象，包括降雪和降雨，對第六步CFD湍流模型計算所得無氣象因素實時環(huán)境質(zhì)量分布的計算結(jié)果進行對應(yīng)沉降作用處理，得到城市實時全局環(huán)境質(zhì)量分布；步驟八，在第七步得到當前時刻城市實時全局環(huán)境質(zhì)量分布當前時刻環(huán)境質(zhì)量分布計算結(jié)果基礎(chǔ)上，載入下一時刻氣象數(shù)據(jù)，重點污染源排放數(shù)據(jù)，機動車尾氣排放數(shù)據(jù)，進行實時循環(huán)計算，生成城市實時全局環(huán)境質(zhì)量分布動態(tài)估計。所述一種基于CFD及多數(shù)據(jù)源的城市實時全局環(huán)境估計方法中，所述步驟一中，提取城市三維模型數(shù)據(jù)，使用模型片段數(shù)簡化方法進行所述三維模型融合，并將地理信息映射到所述三維模型，生成具有地理信息的簡化城市三維模型的方法為：(1)使用3Dripper分析谷歌地球運行時DirectX數(shù)據(jù)流，導(dǎo)出帶有地理信息的三維城市建筑模型；(2)使用STL模型簡化技術(shù)合并步驟(1)所得三維城市建筑模型三角面，得到簡化城市建筑模型；(3)匹配步驟(2)所得三維城市建筑模型與地理信息特征點，將地理信息映射到三維城市建筑模型，生成具有地理信息的簡化城市三維模型。所述一種基于CFD及多數(shù)據(jù)源的城市實時全局環(huán)境估計方法中，所述步驟三中，使用Realizablek-ε湍流模型封閉城市大氣流場方程，Do模型描述太陽輻射，得到城市大氣流場控制方程的方法為：(1)采用Realizablek-ε湍流模型，即RKE模型對穩(wěn)態(tài)不可壓縮連續(xù)性方程進行封閉，設(shè)定Realizablek-ε湍流模型參數(shù)：方程常數(shù)L11，湍動能及耗散率的湍流普朗特數(shù)σk,σε，得到湍流控制方程；(2)使用氣象數(shù)據(jù)中太陽輻照強度數(shù)值，確定當前入射輻射強度代入輻射傳熱方程，計算輻射對流場及溫度影響，聯(lián)合步驟(1)中湍流控制方程得到城市大氣流場控制方程組。所述一種基于CFD及多數(shù)據(jù)源的城市實時全局環(huán)境估計方法中，所述步驟四中，使用污染物輸送方程綜合三種數(shù)據(jù)源，得到污染物輸送模型的步驟為：(1)利用環(huán)保部及省市環(huán)保廳提供的國控重點企業(yè)監(jiān)測公開信息中各企業(yè)排放數(shù)據(jù)，將重點污染源模型化為點源分布，指定污染源坐標，源強可定義污染源在模型中的位置及排放量，得到重點企業(yè)污染源的時空分布模式Q1j(ξ1,ξ2,ξ3,t),其中：i為污染來源種類，此處記企業(yè)污染源為i＝1,j為污染物種類，Qj(ξ1,ξ2,ξ3,t)為某種污染物的源項；(2)根據(jù)配套開發(fā)的機動車尾氣檢測系統(tǒng)所得污染物數(shù)據(jù)，使用線性插值公式對介于監(jiān)測點1,2之間的尾氣濃度進行插值，估計街道峽谷內(nèi)尾氣成分濃度值，式中Q2j,1為相鄰兩個機動車尾氣檢測點所得污染物濃度數(shù)據(jù)，為插值點，監(jiān)測點1，監(jiān)測點2地理坐標值；將街道污染物濃度匹配城市模型對應(yīng)街道，得到污染物濃度地圖，建立城市路道污染源濃度時空分布估計值,并視為線源,Q2j(ξ1,ξ2,t),并將其代入污染物輸送方程；(3)將城市以環(huán)境監(jiān)測點為節(jié)點進行區(qū)域劃分,并利用環(huán)境監(jiān)測點提供環(huán)境數(shù)據(jù)以監(jiān)測點為頂點，對內(nèi)部區(qū)域污染物濃度值進行雙線性插值，生成覆蓋城市的污染物濃度預(yù)估值Yenv,j，以其作為輸送過程初始場,及計算過程校正場；(4)針對主要污染物，包括PM2.5，氮氧化物，硫化物分別建立不同的組分輸送方程，具體某種組分Yj的輸送微分方程為:式中:ρ為流體密度，Yj為組分j的質(zhì)量分數(shù)，Uj,i為組分j擴散速度在i方向的分量，Qj為組分源強，visj為組分擴散系數(shù)項,不同組分擴散系數(shù)不同，將步驟(1)所得重點企業(yè)污染源項Q1j(ξ1,ξ2,ξ3,t)、步驟(2)所得城市路道污染源項Q2j(ξ1,ξ2,t)、步驟(3)所得城市污染物濃度預(yù)估值Yenv,j代入上述組分輸送微分方程，通過計算實時生成污染物輸送模型。所述一種基于CFD及多數(shù)據(jù)源的城市實時全局環(huán)境估計方法中，所述步驟五中，將數(shù)據(jù)源全國尺度風(fēng)場、污染物分布數(shù)據(jù)，及ECMWF氣象數(shù)據(jù)，作為城市模型求解區(qū)域時變邊界參數(shù)，利用大氣邊界層理論得到入流面、出流面、上邊界及下墊面邊界條件的步驟為：根據(jù)大氣邊界層理論，將ECMWF數(shù)據(jù)中高度第一層的數(shù)據(jù)作為上界邊界條件；建筑物及地面設(shè)置為固壁邊界條件；流入面邊界條件：以指數(shù)分布描述入流面大氣邊界層內(nèi)風(fēng)速隨高度變化情況其中u0為峽谷上方平行街道方向風(fēng)速，ξ3為離地高度，ξ3,0為街道峽谷高度，loss為邊界層內(nèi)速度損失指數(shù)，以入口大氣邊界層高度作為基準高度，對應(yīng)ECMWF風(fēng)速數(shù)據(jù)作為基準高度風(fēng)速；設(shè)置出流面相對壓力為零，通過上述設(shè)定，得到入流面、出流面、上邊界及下墊面邊界條件。所述一種基于CFD及多數(shù)據(jù)源的城市實時全局環(huán)境估計方法中，所述步驟七中，結(jié)合城市氣象數(shù)據(jù)，針對不同氣象模式，對基于CFD及多數(shù)據(jù)源的城市實時全局環(huán)境估計方法的步驟六的計算結(jié)果進行沉降作用處理，得到城市實時全局環(huán)境質(zhì)量分布的步驟為：實時對基于CFD及多數(shù)據(jù)源的城市實時全局環(huán)境估計方法的步驟七所得無氣象因素實時環(huán)境質(zhì)量分布計算結(jié)果結(jié)合國家氣象中心實時氣象數(shù)據(jù)，針對不同降水氣象，包括降雪、降雨，不同污染物組分對污染物組分分布施加沉降作用，得到?jīng)_洗后污染物濃度值：Yj＝Y(jié)0,je-phi(Rf)，其中：Y0,j為降水前污染物濃度值，為沖洗系數(shù),為降水量Rf的函數(shù)，沖洗系數(shù)參數(shù)L12,L13為經(jīng)驗系數(shù)，與降水類型及污染物類型相關(guān)，對污染物組分空間分布Yj隨時迭代更新，得到城市實時全局環(huán)境質(zhì)量分布。所述機動車尾氣排放因子估計模塊中，一種基于MLP神經(jīng)網(wǎng)絡(luò)的機動車尾氣排放因子估計方法包括以下步驟：步驟1：利用機動車尾氣遙感監(jiān)測設(shè)備采集的實際道路上的機動車尾氣排放數(shù)據(jù)，即機動車行駛時排放的CO2、CO、HC及NO的體積濃度，以及其他相關(guān)數(shù)據(jù)，所述其他相關(guān)數(shù)據(jù)包括：機動車的車型、速度與加速度，以及當前溫度、濕度、壓強、風(fēng)向與風(fēng)速；步驟2：對步驟1中采集到的機動車的尾氣排放數(shù)據(jù)進行預(yù)處理，并建立機動車尾氣CO、HC及NO的排放因子數(shù)據(jù)庫；步驟3：基于步驟2所得到的機動車尾氣CO、HC及NO的排放因子數(shù)據(jù)庫，以及步驟1中采集到的其他相關(guān)數(shù)據(jù)分別建立針對于CO、HC和NO的MLP神經(jīng)網(wǎng)絡(luò)模型，依據(jù)MLP神經(jīng)網(wǎng)絡(luò)模型即實現(xiàn)機動車尾氣排放因子的實時在線估計。所述一種基于MLP神經(jīng)網(wǎng)絡(luò)的機動車尾氣排放因子估計方法中，所述步驟2中，對機動車尾氣排放數(shù)據(jù)進行預(yù)處理的方法如下：根據(jù)機動車尾氣遙感監(jiān)測設(shè)備采集到的機動車行駛時排放的CO2、CO、HC及NO的體積濃度數(shù)據(jù)計算機動車尾氣CO、HC及NO的排放因子，方法如下：其中，CO(gL-1)、HC(gL-1)和NO(gL-1)分別指機動車尾氣CO、HC及NO的排放因子，單位是gL-1；Rat為機動車尾氣遙感監(jiān)測設(shè)備采集到的CO與CO2體積濃度的比值；Rat′為機動車尾氣遙感監(jiān)測設(shè)備采集到的HC與CO2體積濃度的比值；Rat″為機動車尾氣遙感監(jiān)測設(shè)備采集到的NO與CO2體積濃度的比值；Mfuel為機動車燃油的摩爾質(zhì)量；Dfurl為機動車燃油的密度。所述一種基于MLP神經(jīng)網(wǎng)絡(luò)的機動車尾氣排放因子估計方法中，所述步驟3中，建立針對于CO、HC和NO的MLP神經(jīng)網(wǎng)絡(luò)模型的方法如下：在進行MLP神經(jīng)網(wǎng)絡(luò)模型構(gòu)造之前，所有數(shù)據(jù)，包括速度、加速度、溫度、濕度、壓強、風(fēng)向與風(fēng)速及CO、HC和NO的排放因子，都需進行min-max歸一化。在min-max歸一化之后，將所有數(shù)據(jù)先按照車型分為四個數(shù)據(jù)集，即分別針對于輕型汽油車、重型汽油車、輕型柴油車和重型柴油車的數(shù)據(jù)集；每個數(shù)據(jù)集分為訓(xùn)練集、驗證集和測試集，其中驗證集用來在訓(xùn)練過程中檢查MLP神經(jīng)網(wǎng)絡(luò)的性能，當性能達到最大值或開始減小的時候訓(xùn)練終止，測試集用來評估訓(xùn)練出的MLP神經(jīng)網(wǎng)絡(luò)的性能；訓(xùn)練集、驗證集和測試集數(shù)據(jù)所占比例分別為50％、25％、25％。使用上述所得的訓(xùn)練集中的數(shù)據(jù)來訓(xùn)練MLP神經(jīng)網(wǎng)絡(luò)，采用的MLP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)為：一個輸入層、一個隱藏層和一個輸出層的三層結(jié)構(gòu)；MLP神經(jīng)網(wǎng)絡(luò)模型的輸入為速度、加速度、溫度、濕度、壓強、風(fēng)向與風(fēng)速，輸出為CO、HC或NO的排放因子，輸入層神經(jīng)元數(shù)目為7個，輸出層神經(jīng)元數(shù)目為1個，隱藏層神經(jīng)元數(shù)目采用試驗法決定。所述機動車尾氣排放特征分析模塊中，一種基于聚類分析的車輛尾氣排放特征分析處理方法包括如下步驟：(1)抽取機動車尾氣遙測數(shù)據(jù)；(2)對抽取的機動車尾氣遙測數(shù)據(jù)進行預(yù)處理；(3)對步驟(2)中的預(yù)處理后的數(shù)據(jù)，采用灰色關(guān)聯(lián)分析方法從車輛類型、行駛工況、燃料類型、車輛使用年限、風(fēng)速、氣溫等諸多因素找出影響尾氣排放的主要影響因素，作為車輛尾氣排放特征分析處理的核心維度特征參數(shù)，實現(xiàn)尾氣污染物排放影響因素關(guān)聯(lián)特征選擇，得到影響尾氣排放的主要影響因素特征屬性；(4)根據(jù)步驟(3)得到的影響尾氣排放的主要影響因素特征屬性，采用基于密度的聚類算法對檢測車輛尾氣排放特征數(shù)據(jù)進行分類得到分群類別，并計算每個排放分群組別的排放得分，然后根據(jù)排放得分對分群組別排序，構(gòu)建車輛尾氣排放特征分析處理模型，根據(jù)車輛尾氣排放特征分析處理模型對車輛尾氣排放進行分析處理。所述一種基于聚類分析的車輛尾氣排放特征分析處理方法中，所述步驟(1)中，抽取機動車尾氣遙測數(shù)據(jù)的過程如下：(11)從車輛檢測數(shù)據(jù)庫中獲取尾氣檢測表和車輛基本信息表，包括的數(shù)據(jù)項有：檢測設(shè)備編號，檢測時間，檢測的車牌號碼，車速，車輛加速度，車輛長度，CO2、CO、HC、NO濃度，煙度值，風(fēng)速，風(fēng)向，氣溫，濕度，氣壓，動態(tài)/靜態(tài)測量，數(shù)據(jù)有效性，抓拍照片，燃料類型，車輛登記日期屬性；(12)從道路車流量信息數(shù)據(jù)庫，獲取的數(shù)據(jù)項有：道路名稱，時間，小轎車、出租車、公交車、大客車、中輕型卡車及重型卡車這些不同類型車輛的車流量；(13)從天氣信息數(shù)據(jù)庫，獲取的數(shù)據(jù)項有：時間，城市，天氣狀況，溫度，濕度，風(fēng)速，PM2.5，PM10，AQI。所述一種基于聚類分析的車輛尾氣排放特征分析處理方法中，所述步驟(2)中，機動車尾氣遙測數(shù)據(jù)預(yù)處理如下：通過對尾氣遙測數(shù)據(jù)的分析，找出缺失值、偏離過大的個別極端值進行丟棄處理，從原始數(shù)據(jù)中的眾多屬性中刪除與遙測記錄不相關(guān)冗余屬性，對遙測數(shù)據(jù)中的車型數(shù)據(jù)、燃料類型、數(shù)據(jù)有效性的非數(shù)值型數(shù)據(jù)進行量化處理，再根據(jù)車輛登記日期以及車輛檢測時間，構(gòu)造車輛使用年限分級數(shù)據(jù)。所述一種基于聚類分析的車輛尾氣排放特征分析處理方法中，所述步驟(4)中，尾氣污染物排放影響因素關(guān)聯(lián)特征選擇如下：采用灰色關(guān)聯(lián)分析方法從車輛類型、行駛工況、燃料類型、車輛使用年限、風(fēng)速、氣溫等諸多因素找出影響尾氣排放的主要影響因素，作為車輛尾氣排放特征分析處理的核心維度特征參數(shù)。所述一種基于聚類分析的車輛尾氣排放特征分析處理方法中，所述步驟(4)中，構(gòu)建車輛尾氣排放特征分析處理模型如下：對步驟(3)得到的特征屬性采用基于密度的聚類算法對檢測車輛尾氣排放特征數(shù)據(jù)進行分類得到分群類別，利用層次分析法得到每個特征屬性權(quán)重，按式i＝1,…Ncluster求得第i組分群的排放得分scorei，計算每個排放分群組別的排放得分，然后根據(jù)排放得分對分群組別排序。所述基于密度的聚類算法的過程如下：(1)輸入聚類數(shù)Ncluster，屬性數(shù)據(jù)集Ncluster為屬性數(shù)據(jù)集大小，密度參數(shù)N21，倍率參數(shù)N22；(2)從屬性數(shù)據(jù)集S中計算所有對象距離數(shù)據(jù)表distTable＝{dist(si,sj)},i＝1,2,…Ndata,j＝1,2,…Ndata；i≠j；對距離數(shù)據(jù)表從小到大排序得到距離排序數(shù)組Array；(3)通過Array的percent范圍內(nèi)出現(xiàn)最多的數(shù)據(jù)點標記，得到初始點init，Array(percent)記為序列中值最小的percent比例部分，按式：Array(percent)＝{distArray1,distArray1,…,distArrayroughNum}得到，每一個distArray對應(yīng)兩個不同數(shù)據(jù)點，其中，roughNum＝percent×Ndata×(Ndata-1)/2；(4)根據(jù)初始點init計算出當前簇的Eps和初始MinPts，得到當前簇的以init為圓心的初始簇點；(5)計算當前簇的每一個點的密度，若大于MinPts，則標記為簇心點，簇心點的Eps范圍內(nèi)的點標記為當前簇類；(6)根據(jù)當前簇心點的平均MinPts，更新MinPts，重復(fù)步驟(5)直到當前簇點個數(shù)不再增加；(7)從屬性數(shù)據(jù)集S中去掉當前簇的點，當前簇類加1，重復(fù)(2)～(6)直到當前簇標為Ncluster+1；(8)給每一個未被標記的數(shù)據(jù)點標記為與其相近最近標記點的簇標，最終聚類出Ncluster個數(shù)據(jù)簇，從而得到分群類別。本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點：(1)以往的機動車尾氣檢測技術(shù)，如雙怠速法、簡易工況法、模擬工況法等，其本質(zhì)上都是一種離線的、接觸式的檢測方法，需要在專門的監(jiān)測站進行實驗，具有成本高、周期長等缺點，難以實現(xiàn)在線的實時監(jiān)測。而遙感監(jiān)測法可以快速篩選出高排放車輛、豁免清潔車輛，因其具有不干擾車輛行駛、快速、低成本檢測車輛尾氣排放的特點，同時可避免工作人員與尾氣的近距離接觸而帶來的危害，非常適用于對整體車輛尾氣排放狀況數(shù)據(jù)的監(jiān)測。這種實際道路工況下的排放量數(shù)據(jù)較之實驗室臺架測試的數(shù)據(jù)更加接近真實的排放，更具有科學(xué)性及代表性，不僅能為環(huán)保部門建立相關(guān)執(zhí)法體系提供可靠的技術(shù)保障，而且能夠為政府部門的相關(guān)決策給出科學(xué)有效的數(shù)值依據(jù)，從而有效的降低城市機動車尾氣排放污染，提高城市空氣質(zhì)量，改善人民生活環(huán)境。(2)傳統(tǒng)的遙感監(jiān)測法只能對其中極少部分車輛進行檢測，且各監(jiān)測點分散，沒有充分利用各監(jiān)測點數(shù)據(jù)的相互聯(lián)系，無法實現(xiàn)更高層面的監(jiān)管，為有關(guān)部門提供決策依據(jù)或建議。本發(fā)明技術(shù)能克服上述缺點，真正發(fā)揮尾氣遙測設(shè)備的優(yōu)勢，提供一種機動車尾氣排放數(shù)據(jù)融合系統(tǒng)，該系統(tǒng)使用遙測設(shè)備采集的數(shù)據(jù)，同時結(jié)合車載診斷系統(tǒng)數(shù)據(jù)庫、便攜式排放測試系統(tǒng)數(shù)據(jù)庫、車檢所離線數(shù)據(jù)庫、交通信息數(shù)據(jù)庫與地理信息數(shù)據(jù)庫，實現(xiàn)多種功能的數(shù)據(jù)分析。(3)本發(fā)明涉及的一種基于LSTM-RNN模型的空氣污染物濃度預(yù)報方法，采用一種基于模型的空氣污染物濃度預(yù)報方法。與傳統(tǒng)方法相比，使用深度學(xué)習(xí)的方法對空氣污染物濃度進行預(yù)報，不必實時采用人工方法測量，節(jié)約了人力物力資源，同時使用單元能夠加強后面的時間節(jié)點對前面的時間節(jié)點感知力，可以實現(xiàn)對測量數(shù)據(jù)的充分利用，極大的提高了預(yù)測效率和準確度，同時具有較高的泛化能力，具有極大的社會價值和現(xiàn)實意義。(4)本發(fā)明涉及的一種基于重構(gòu)深度學(xué)習(xí)的道邊空氣污染物濃度實時預(yù)測方法，考慮到目前道邊空氣污染物濃度實時預(yù)測的重要性和方法的重大局限性，不同于以往的簡單預(yù)測方法，基于道邊空氣污染物濃度的誘發(fā)因素的多樣性、以及歷史數(shù)據(jù)相關(guān)性特征，基于重構(gòu)深度學(xué)習(xí)的具有歷史記憶能力的深度重構(gòu)Elman模型，由于該模型具有深層特征映射和局部記憶能力，能夠?qū)W習(xí)到道邊空氣污染物濃度與其受影響因素之間的本質(zhì)特征映射，能夠?qū)W習(xí)到路網(wǎng)信息(路段車道數(shù)、道路綠化程度、道路建筑物高度、建筑物與道邊距離)、氣象信息(溫度、濕度、天氣、風(fēng)速、風(fēng)向)、交通信息(車種比例、車流量、通過時間、停止時間、擁塞時間)等因素與道邊空氣污染物濃度之間的本質(zhì)特征映射，并且能夠通過該模型實現(xiàn)對一氧化碳、二氧化碳、氮氧化物的更高精度得實時預(yù)測，且具有很好的遷移性。(5)傳統(tǒng)車輛尾氣檢測根據(jù)相關(guān)標準的限定閾值將車輛分為超標和不超標，分類比較粗糙。本發(fā)明涉及的一種基于聚類分析的車輛尾氣排放特征分析處理方法充分利用尾氣遙測設(shè)備積累點海量數(shù)據(jù)，并考慮車輛基本屬性數(shù)據(jù)，對檢測車輛進一步精確分類，劃分出不同排放水平，對車輛尾氣排放的不同分級采取針對性整治措施，從而可以對機動車進行有針對性的監(jiān)測和管理。(6)本發(fā)明所涉及的一種基于MLP神經(jīng)網(wǎng)絡(luò)的機動車尾氣排放因子估計方法，采用的機動車尾氣排放數(shù)據(jù)是由機動車尾氣遙感監(jiān)測設(shè)備采集的實際道路上的數(shù)據(jù)，一方面，可真實反映機動車在實際工況下的排放水平，另一方面，實際道路結(jié)構(gòu)復(fù)雜，便可獲得范圍較大的速度、加速度數(shù)據(jù)，同時可獲得在各種溫度、濕度、壓強、風(fēng)向與風(fēng)速情況下的機動車排放數(shù)據(jù)。使用人工神經(jīng)網(wǎng)絡(luò)來建立機動車行駛工況及氣象條件和機動車尾氣排放因子之間的關(guān)系，由于行駛工況及氣象條件對排放因子的影響較為復(fù)雜，而人工神經(jīng)網(wǎng)絡(luò)即使對輸入輸出之間的復(fù)雜非線性關(guān)系知之甚少，也可以在訓(xùn)練過程中不斷接收輸入輸出數(shù)據(jù)，通過調(diào)整神經(jīng)元之間的連接權(quán)值從而建立輸入輸出之間的內(nèi)在關(guān)系。所使用的MLP神經(jīng)網(wǎng)絡(luò)包含一個隱藏層，這種結(jié)構(gòu)非常簡單，而且一個包含有足夠多神經(jīng)元的隱藏層能表示所有非線性關(guān)系。(7)本發(fā)明所涉及的一種基于CFD及多數(shù)據(jù)源的城市實時全局環(huán)境估計方法，優(yōu)點如下所示。1)精細性：現(xiàn)有大氣環(huán)境模式如models3模式等只針對中尺度(3km)以上環(huán)境質(zhì)量進行估計，而本發(fā)明通過對城市進行三維建模，采用CFD計算方法，可實現(xiàn)精細化環(huán)境質(zhì)量估計，空間分辨率可達50-100m；2)實時性：現(xiàn)有環(huán)境質(zhì)量報告系統(tǒng)受限于環(huán)境監(jiān)測站點數(shù)據(jù)更新頻率，針對街道瞬態(tài)污染濃度變化不能給出快速報告。而本方法使用配套機動車尾氣檢測系統(tǒng)能實時更新街道污染物濃度情況，從而實現(xiàn)實時全局污染物濃度估計。3)發(fā)明專利《一種城市風(fēng)環(huán)境數(shù)字地圖制作及顯示方法》(公開號：CN105513133A)提出一種城市風(fēng)環(huán)境地圖制作方法，但該發(fā)明只針對風(fēng)環(huán)境進行城市微尺度的模擬監(jiān)測，而沒有提出一個針對空氣質(zhì)量及各種污染物組分分布分析的統(tǒng)一框架模式，更沒有考慮氣象因素作用對城市空氣環(huán)境的影響。而本方法通過引入城市主要污染源數(shù)據(jù)及街道污染物濃度實時數(shù)據(jù)，建立統(tǒng)一多組分輸送過程，從而能得到不同污染物的全局分布；4)準確性：現(xiàn)有城市環(huán)境質(zhì)量檢測模式如高斯煙羽模型，或者箱模型等對擴散環(huán)境，如地表下墊面、風(fēng)場等作了極大簡化，只能給出粗略結(jié)果。本方法通過對城市建模，并考慮城市風(fēng)環(huán)境湍流效應(yīng)，使用具有明確物理意義的Realizable模型處理城市風(fēng)環(huán)境；綜合城市重點污染源數(shù)據(jù)，街道實時尾氣數(shù)據(jù)等多元數(shù)據(jù)，得到城市全局實時環(huán)境質(zhì)量估計模式，在估計準確度上有了很大提升。附圖說明圖1為本發(fā)明系統(tǒng)的組成框圖；圖2為基于重構(gòu)深度學(xué)習(xí)的道邊空氣污染物濃度實時預(yù)測方法流程圖；圖3為基于重構(gòu)深度學(xué)習(xí)的道邊空氣污染物濃度實時預(yù)測方法的深度重構(gòu)Elman模型的結(jié)構(gòu)示意圖；圖4為基于LSTM-RNN模型的空氣污染物濃度預(yù)報方法流程圖；圖5為基于LSTM-RNN模型的空氣污染物濃度預(yù)報方法的LSTM單元示意圖；圖6為基于LSTM-RNN模型的空氣污染物濃度預(yù)報方法的單隱藏層LSTM-RNN模型結(jié)構(gòu)示意圖；圖7為基于LSTM-RNN模型的空氣污染物濃度預(yù)報方法的sigmoid激活函數(shù)示意圖；圖8為基于LSTM-RNN模型的空氣污染物濃度預(yù)報方法的tanh激活函數(shù)示意圖；圖9為基于LSTM-RNN模型的空氣污染物濃度預(yù)報方法的全連接與dropout連接對比示意圖，其中左圖為全連接方式，右圖為dropout連接方式；圖10為基于CFD及多數(shù)據(jù)源的城市實時全局環(huán)境估計方法流程圖；圖11為基于CFD及多數(shù)據(jù)源的城市實時全局環(huán)境估計方法的城市3維模型圖；圖12為基于CFD及多數(shù)據(jù)源的城市實時全局環(huán)境估計方法的合肥市重點企業(yè)廢氣監(jiān)測地理圖；圖13為基于CFD及多數(shù)據(jù)源的城市實時全局環(huán)境估計方法的城市街道污染物濃度數(shù)據(jù)圖；圖14為基于CFD及多數(shù)據(jù)源的城市實時全局環(huán)境估計方法的城市全局環(huán)境質(zhì)量分布圖；圖15為基于MLP神經(jīng)網(wǎng)絡(luò)的機動車尾氣排放因子估計方法的流程圖；圖16為基于聚類分析的車輛尾氣排放特征分析處理方法流程圖。具體實施方式如圖1所示，本發(fā)明公開一種機動車尾氣排放數(shù)據(jù)融合系統(tǒng)，實現(xiàn)對遙測設(shè)備采集的機動車尾氣遙測數(shù)據(jù)及機動車屬性、行駛工況、檢測時間、氣象條件數(shù)據(jù)的存儲、分析與融合，結(jié)合車載診斷系統(tǒng)數(shù)據(jù)庫、便攜式排放測試系統(tǒng)數(shù)據(jù)庫、車檢所離線數(shù)據(jù)庫、交通信息數(shù)據(jù)庫與地理信息數(shù)據(jù)庫，對機動車尾氣遙測數(shù)據(jù)進行分析處理，實現(xiàn)機動車尾氣排放因子估計、機動車尾氣排放特征分析、道邊空氣污染物濃度估計、道邊空氣污染物濃度預(yù)測及城市全局環(huán)境預(yù)測，為環(huán)保部門的政策制定與執(zhí)法提供科學(xué)依據(jù)。機動車尾氣排放數(shù)據(jù)融合系統(tǒng)包括道邊空氣污染物濃度估計模塊、道邊空氣污染物濃度預(yù)報模塊、城市全局大氣環(huán)境預(yù)測模塊、機動車尾氣排放特征分析模塊與機動車尾氣排放因子估計模塊；道邊空氣污染物濃度估計模塊，使用一種基于重構(gòu)深度學(xué)習(xí)的道邊空氣污染物濃度預(yù)測方法來實現(xiàn)，根據(jù)道邊空氣污染物的時空分布特點，基于重構(gòu)深度學(xué)習(xí)方法對深度重構(gòu)Elman模型進行訓(xùn)練，當訓(xùn)練完成后，輸入實時的路網(wǎng)信息、氣象信息和交通信息，即可獲得實時的道邊空氣污染物濃度估計值；道邊空氣污染物濃度預(yù)報模塊，使用一種基于LSTM-RNN模型的空氣污染物濃度預(yù)報方法來實現(xiàn)，根據(jù)歷史空氣污染物濃度數(shù)據(jù)，提出基于LSTM-RNN模型的預(yù)報方法，模型訓(xùn)練完成后，該模型可預(yù)報當前或未來某一時刻的空氣污染物濃度；城市全局大氣環(huán)境預(yù)測模塊，使用一種基于CFD及多數(shù)據(jù)源的城市實時全局環(huán)境估計方法來實現(xiàn)，結(jié)合城市環(huán)境監(jiān)測站點歷史數(shù)據(jù)、全球中尺度氣象預(yù)測結(jié)果、國家氣象數(shù)據(jù)、城市重點污染源數(shù)據(jù)、城市地理三維模型及機動車尾氣遙測設(shè)備的實時監(jiān)測數(shù)據(jù)，利用CFD作為計算引擎，根據(jù)氣象信息自適應(yīng)切換環(huán)境質(zhì)量模式，采用多尺度網(wǎng)格離散化城市模型并引入多組分污染模型，實現(xiàn)城市全局大氣環(huán)境的實時預(yù)測；機動車尾氣排放因子估計模塊，使用一種基于MLP神經(jīng)網(wǎng)絡(luò)的機動車尾氣排放因子估計方法來實現(xiàn)，利用機動車尾氣遙測設(shè)備采集的實際道路上的機動車尾氣排放數(shù)據(jù)以及其他相關(guān)數(shù)據(jù)建立機動車尾氣CO、HC及NO的排放因子數(shù)據(jù)庫，并據(jù)此建立針對于CO、HC和NO的MLP神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)機動車尾氣排放因子的實時在線估計；機動車尾氣排放特征分析模塊，使用一種基于聚類分析的車輛尾氣排放特征分析處理方法來實現(xiàn)，采用灰色關(guān)聯(lián)分析方法從車輛類型、行駛工況、燃料類型、車輛使用年限、風(fēng)速、氣溫中找出影響尾氣排放的主要影響因素，作為車輛尾氣排放特征分析的核心維度特征參數(shù)，利用基于密度的聚類算法對機動車進行尾氣排放貢獻程度的分類；上述五個模塊分別實現(xiàn)不同的數(shù)據(jù)分析功能，選擇不同的模塊即可實現(xiàn)不同的功能，道邊空氣污染物濃度估計模塊可獲得實時的道邊空氣污染物濃度估計值，道邊空氣污染物濃度預(yù)報模塊根據(jù)歷史空氣污染物濃度數(shù)據(jù)預(yù)報當前或未來某一時刻的空氣污染物濃度，城市全局大氣環(huán)境預(yù)測模塊可實現(xiàn)城市全局大氣環(huán)境的實時預(yù)測，機動車尾氣排放特征分析模塊可分析影響尾氣排放的主要影響因素，并對機動車進行尾氣排放貢獻程度的分類，機動車尾氣排放因子估計模塊可實現(xiàn)機動車尾氣排放因子的實時在線估計。下面分別對本發(fā)明上述所涉及的重要技術(shù)進行詳細說明。一、本發(fā)明涉及的基于重構(gòu)深度學(xué)習(xí)的道邊空氣污染物濃度實時預(yù)測方法，其具體實施方式如下：如圖2所示，本發(fā)明涉及一種基于重構(gòu)深度學(xué)習(xí)的道邊空氣污染物濃度實時預(yù)測方法具體實現(xiàn)如下：(一)基于道邊空氣污染物濃度的誘發(fā)因素的多樣性、以及歷史數(shù)據(jù)相關(guān)性特征，結(jié)合限制波爾茲曼機和Elman網(wǎng)絡(luò)的特點，構(gòu)建具有前饋連接和反饋連接結(jié)構(gòu)，含有局部記憶能力，主網(wǎng)絡(luò)由輸入層、承接層、中間層和輸出層構(gòu)成，用于主網(wǎng)絡(luò)初始化的次網(wǎng)絡(luò)含有一個可視層和一個隱含層，輸入層、輸出層、可視層單元個數(shù)分別為14、3、14的深度重構(gòu)Elman模型。如圖3所示，圖左邊為次網(wǎng)絡(luò)，圖右邊為主網(wǎng)絡(luò)，N9為次網(wǎng)絡(luò)可視層可視單元數(shù)量，主網(wǎng)絡(luò)輸入層的單元個數(shù)與次網(wǎng)絡(luò)可視單元數(shù)量相同，L9為次網(wǎng)絡(luò)隱含層隱含單元的數(shù)量、主網(wǎng)絡(luò)中間層和承接層單元個數(shù)與次網(wǎng)絡(luò)隱含層單元個數(shù)相同，M9為主網(wǎng)絡(luò)輸出單元個數(shù)，表示主網(wǎng)絡(luò)輸入層的輸入即路網(wǎng)信息、氣象信息、交通信息因素，z-1代表時延，m為迭代次數(shù)，yrac(m)為第m次迭代主網(wǎng)絡(luò)輸出層的輸出即道邊空氣污染物濃度，H(m)為主網(wǎng)絡(luò)中間層第m次迭代輸出，yc(m)為隱含層第m次迭代輸出，pur為激活函數(shù)purelin，ζ是承接層的自循環(huán)系數(shù)，分別為主網(wǎng)絡(luò)的中間層、輸入層、承接層第m次迭代的權(quán)重參數(shù)，ω為次網(wǎng)絡(luò)權(quán)重參數(shù)。(二)對建立的道路濃度數(shù)據(jù)集進行預(yù)處理1)對道路濃度數(shù)據(jù)集中的數(shù)據(jù)進行歸一化處理，以提高模型訓(xùn)練速度和精度，針對數(shù)據(jù)集中數(shù)據(jù)的特點，采用min-max標準化方法；2)為提高模型的泛化能力，將道路濃度數(shù)據(jù)集按照60％、20％、20％的比例劃分為訓(xùn)練集、驗證集、測試集。(三)對限制玻爾茲曼機訓(xùn)練，完成輸入層權(quán)重的初始化1)對限制玻爾茲曼機設(shè)置學(xué)習(xí)率和合適的重構(gòu)誤差閾值，學(xué)習(xí)速率在0.01-0.1之間取值，重構(gòu)誤差閾值在0.001-0.00001之間取值，用零矩陣對限制玻爾茲曼機的參數(shù)矩陣進行初始化。2)利用訓(xùn)練集中的輸入數(shù)據(jù)對限制玻爾茲曼機進行訓(xùn)練，根據(jù)下式求解參數(shù)的梯度Δωrac,i,j、Δαrac,i、Δβrac,j。其中，prob(xpol,θ)是可視單元的概率，prob(hrac,j＝1|xpol,θ)是隱含單元的條件概分布，logprob(xpol,θ)為prob(xpol,θ)的對數(shù)似然估計，log表示取對數(shù)操作，是求偏導(dǎo)符號，∑為求和符號，Δωrac,i,j、Δαrac,i、Δβrac,j分別是對數(shù)似然估計對權(quán)重參數(shù)、可視單元偏差、隱含單元偏差的偏導(dǎo)數(shù)，xpol為影響道邊空氣污染物濃度的因素之一，ωrac,i,j表示可視層的第i個單元與隱含層的第j個單元的連接權(quán)重，αrac,i表示可視層的第i個單元的偏差，βrac,j表示隱含層的第j個單元的偏差，θrac＝{ωrac,i,j,αrac,i,βrac,j}。3)利用下式對Δωrac,i,j、Δαrac,i、Δβrac,j行參數(shù)更新：其中，η4是限制玻爾茲曼機學(xué)習(xí)率，是限制玻爾茲曼機迭代次數(shù)，ωrac,i,j表示可視層的第i個單元與隱含層的第j個單元連接權(quán)重，αrac,i表示可視層的第i個單元的偏差，βrac,j表示隱含層的第j個單元的偏差。4)根據(jù)下式計算重構(gòu)誤差：err＝([xpol]d-[xpol]m)T([xpol]d-[xpol]m)其中，[xpol]d是利用道邊空氣污染物濃度數(shù)據(jù)集部分輸入初始化的值，[xpol]m是通過限制玻耳茲曼機重構(gòu)的xpol，T是轉(zhuǎn)置。5)檢查重構(gòu)誤差與設(shè)置的重構(gòu)誤差閾值之間的大小，若重構(gòu)誤差大于設(shè)置的閾值，則返回步驟2)繼續(xù)，若重構(gòu)誤差小于設(shè)置的閾值，則限制玻耳茲曼機的訓(xùn)練結(jié)束，用ωrac,i,j對Elman網(wǎng)絡(luò)輸入層權(quán)重進行初始化。(四)初始化Elman網(wǎng)絡(luò)1)設(shè)置合適的Elman網(wǎng)絡(luò)的誤差閾值、最大迭代次數(shù)、承接層自循環(huán)系數(shù)ζ和學(xué)習(xí)速率η1、η2、η3，誤差閾值在0.001-0.00001之間取值，最大迭代次數(shù)一般取1000，學(xué)習(xí)速率在0.01-0.1之間取值，自循環(huán)系數(shù)一般設(shè)置為0.001。2)用零矩陣初始化Elman網(wǎng)絡(luò)中間層權(quán)重和承接層權(quán)重設(shè)置用零向量初始化承接層。3)根據(jù)數(shù)據(jù)集的特點，將輸入層和輸出層單元個數(shù)分貝設(shè)置為14、3，中間層和承接成單元的個數(shù)是由實驗確定的，根據(jù)實驗誤差不斷調(diào)整中間層和承接層單元個數(shù)，找到性能最優(yōu)的單元個數(shù)。(五)采用梯度下降法，結(jié)合數(shù)據(jù)集對Elman網(wǎng)絡(luò)進行訓(xùn)練1)根據(jù)下式計算輸出y(p)：yc(m)＝ζH(m-1)其中，yrac(m)為第m次迭代輸出的道邊空氣污染物濃度，H(m)為中間層第m次迭代輸出，H(m-1)為中間層第m-1次迭代輸出，yc(m)為隱含層第m次迭代輸出，m為迭代次數(shù)，pur和sig分別為激活函數(shù)purelin和sigmoid，ζ是承接層的自循環(huán)系數(shù)，分別為深度重構(gòu)Elman模型的中間層、輸入層、承接層第m次迭代的權(quán)重參數(shù)，xpol為輸入層輸入即影響道邊空氣污染物濃度的因素。2)根據(jù)下式計算目標損失函數(shù)：其中，Jrac(m)是道邊空氣污染物濃度損失函數(shù)，yd是道邊空氣污染物濃度期望輸出，m是迭代次數(shù)，yrac(m)是第m次迭代輸出的道邊空氣污染物濃度，T是轉(zhuǎn)置符號。若目標損失函數(shù)的值小于設(shè)置的誤差閾值或者m值大于等于設(shè)置的最大迭代次數(shù)，則跳過步驟3)直接到步驟4)，若目標損失函數(shù)的值大于設(shè)置的誤差閾值，則進入步驟3)。3)根據(jù)下式計算權(quán)重的偏導(dǎo)數(shù)：其中，Jrac(m)是道邊空氣污染物濃度損失函數(shù)，n表示輸入層的第n個單元，l表示中間層的第l個單元，表示隱含層的第個單元，m是迭代次數(shù)，是求偏導(dǎo)符號，是道邊空氣污染物濃度損失函數(shù)關(guān)于的偏導(dǎo)數(shù)，η1、η2、η3分別是的學(xué)習(xí)率，分別是深度重構(gòu)Elman模型的中間層到輸出層權(quán)重參數(shù)、輸入層到中間層權(quán)重參數(shù)、承接層到中間層權(quán)重參數(shù)。然后，根據(jù)權(quán)重的偏導(dǎo)數(shù)對權(quán)重系數(shù)進行更新：更新完畢后，返回步驟1)。4)訓(xùn)練結(jié)束，模型的權(quán)重參數(shù)確定，此時的模型即為能夠?qū)Φ肋吙諝馕廴疚餄舛冗M行實時預(yù)測的深度重構(gòu)Elman模型，將實時的路網(wǎng)信息、氣象信息、交通信息因素輸入到模型中，模型即可輸出預(yù)測的實時道邊空氣污染物濃度結(jié)果。(六)對訓(xùn)練得到的深度重構(gòu)Elman模型進行分析和對比經(jīng)分析和對比，相比于其他已有的方法，用深度重構(gòu)Elman模型可以更好地對道邊污染物濃度進行實時預(yù)測，且具有很好的遷移性。二、本發(fā)明涉及的基于LSTM-RNN模型的空氣污染物濃度預(yù)報方法，其具體實施方式如下：1、空氣污染物濃度數(shù)據(jù)采集：每5分鐘對目標區(qū)域的空氣污染物濃度進行一次實時監(jiān)測記錄，共采集一年內(nèi)的數(shù)據(jù)量，預(yù)計2×6×24×365＝105124條數(shù)據(jù)記錄，對于其中部分缺失的數(shù)據(jù)，采用缺失數(shù)據(jù)前N10個與后N10個數(shù)據(jù)取平均值的方法進行填補，從而保證原始數(shù)據(jù)的完備性和充足性，保證預(yù)測結(jié)果的準確性和可信度，本發(fā)明涉及的基于LSTM-RNN模型的空氣污染物濃度預(yù)報方法實施例N10采用25個。2、數(shù)據(jù)預(yù)處理：在訓(xùn)練神經(jīng)網(wǎng)絡(luò)前，需要對采集到的空氣污染物濃度數(shù)據(jù)進行歸一化處理。所謂歸一化處理，就是將數(shù)據(jù)映射到[0,1]或[-1,1]區(qū)間或更小的區(qū)間，保證不同數(shù)據(jù)范圍的輸入數(shù)據(jù)發(fā)揮相同的作用。本發(fā)明涉及的基于LSTM-RNN模型的空氣污染物濃度預(yù)報方法中采用min-max歸一化處理方法。之后將歸一化處理后的空氣污染物濃度數(shù)據(jù)分為訓(xùn)練、驗證和測試樣本數(shù)據(jù)，三部分數(shù)據(jù)所占比例依次為75％、15％、10％，用于之后的LSTM-RNN模型的訓(xùn)練、驗證和測試。3、網(wǎng)絡(luò)模型結(jié)構(gòu)：本發(fā)明涉及的基于LSTM-RNN模型的空氣污染物濃度預(yù)報方法采用具有一個輸入層、5個隱藏層的LSTM-RNN網(wǎng)絡(luò)模型，輸出層使用identity函數(shù)來執(zhí)行回歸(如圖6給出了單隱藏層LSTM-RNN模型結(jié)構(gòu)示意圖)。需要注意的是，與普通的RNN相比，LSTM-RNN模型的隱藏層單元均采用LSTM(長短時記憶)單元，該單元具有三個門：輸入門表示是否允許采集的新的污染物濃度數(shù)據(jù)信息加入到當前隱藏層節(jié)點中，如果為1(門開)，則允許輸入，如果為0(門關(guān))，則不允許，這樣就可以摒棄掉一些沒用的輸入信息；遺忘門表示是否保留當前隱藏層節(jié)點存儲的歷史污染物濃度數(shù)據(jù)，如果為1(門開)，則保留，如果為0(門關(guān))，則清空當前節(jié)點所存儲的歷史污染物濃度數(shù)據(jù)；輸出門表示是否將當前節(jié)點輸出值輸出給下一層(下一個隱藏層或者輸出層)，如果為1(門開)，則當前節(jié)點的輸出值將作用于下一層，如果為0(門關(guān))，則當前節(jié)點輸出值不輸出。LSTM單元結(jié)構(gòu)彌補了傳統(tǒng)RNN結(jié)構(gòu)上的不足，即后面的時間節(jié)點對前面的時間節(jié)點感知力下降。LSTM單元是一種稱作記憶細胞的特殊單元，類似于累加器和門控神經(jīng)元：它在下一時間步長將擁有一個權(quán)值并連接到自身，拷貝自身狀態(tài)的真實值和累積的外部信號，但這種自聯(lián)接是由另一個單元學(xué)習(xí)并決定何時清除記憶內(nèi)容的乘法門控制，具體內(nèi)容如下：Hair,t＝ottanh(ct)其中sig為邏輯sigmoid函數(shù)，xair表示LSTM-RNN模型的輸入特征向量，Φ、o、c、Hair分別表示輸入門(inputgate)、遺忘門(forgetgate)、輸出門(outputgate)、單元激活向量(cellactivationvectors)，隱藏層，分別為LSTM-RNN模型的輸入特征向量、隱藏層單元、單元激活向量與輸入門之間的權(quán)重矩陣，Ωair，c，Φ分別為LSTM-RNN模型的輸入特征向量、隱藏層單元、單元激活向量與遺忘門之間的權(quán)重矩陣，Ωair,c,o分別為LSTM-RNN模型的輸入特征向量、隱藏層單元、單元激活向量與輸出門之間的權(quán)重矩陣，分別為LSTM-RNN模型的輸入特征向量、隱藏層單元與單元激活向量之間的權(quán)重矩陣，所述權(quán)重矩陣均為對角陣；βair,Φ、βair,o、βair,c分別為LSTM-RNN模型輸入門、遺忘門、輸出門、單元激活向量的偏差值，t作為下標時表示時刻，tanh為激活函數(shù)。Gate使用一個sigmoid激活函數(shù)(如圖7所示)：其中，xair是LSTM-RNN模型輸入數(shù)據(jù)。如圖7所示，它能夠把輸入向量值“壓縮”到[0,1]范圍內(nèi)，特別的，若輸入為非常大的負數(shù)時，輸出為0；若輸入為非常大的正數(shù)時，輸出為1。而input和cellstate通常會使用tanh激活函數(shù)(如圖8所示)來轉(zhuǎn)換：其中，xair是LSTM-RNN模型輸入數(shù)據(jù)。如圖8所示，它將一個實數(shù)輸入映射到[-1,1]范圍內(nèi)。當輸入為0時，tanh函數(shù)輸出為0。4、網(wǎng)絡(luò)訓(xùn)練：初始化隱藏狀態(tài)(hiddenstates)為0，將當前minibatch的最終隱藏狀態(tài)作為后續(xù)minibatch的初始隱藏狀態(tài)(連續(xù)的minibatch按順序遍歷整個訓(xùn)練集)，每個minibatch的尺寸均為20。本發(fā)明涉及的基于LSTM-RNN模型的空氣污染物濃度預(yù)報方法中使用的LSTM-RNN模型共包含一個輸入層、五個隱藏層，輸出層使用identity函數(shù)來執(zhí)行回歸，且每個隱藏層均具有650個單元，其參數(shù)在區(qū)間[-0.05,0.05]范圍內(nèi)均勻初始化。另外，在非循環(huán)連接處應(yīng)用50％的dropout，如圖9左圖所示為全連接形式，即在模型訓(xùn)練時所有隱藏層節(jié)點均需工作；如圖9右圖所示為采用dropout的連接形式，即在模型訓(xùn)練時隨即讓網(wǎng)絡(luò)某些隱含層節(jié)點的權(quán)重不工作，不工作的節(jié)點可暫時認為不是網(wǎng)絡(luò)結(jié)構(gòu)的一部分，但其權(quán)重需保留下來(只是暫時不更新)，以便下次樣本輸入時重新工作。dropout可以有效防止網(wǎng)絡(luò)訓(xùn)練過程中出現(xiàn)過擬合現(xiàn)象。本發(fā)明涉及的基于LSTM-RNN模型的空氣污染物濃度預(yù)報方法中使用的基于LSTM單元的RNN網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練10000epochs，學(xué)習(xí)速率(learningrate)為1，訓(xùn)練2500epochs后的每一個epoch開始以系數(shù)1.15降低學(xué)習(xí)速率。在訓(xùn)練的每一步過程中，依據(jù)交叉熵(crossentropy)準則計算誤差向量，根據(jù)標準反向傳播算法更新權(quán)重：errair(t)＝desired(t)-yair(t)其中desired(t)為預(yù)測輸出值，yair(t)為實際網(wǎng)絡(luò)輸出值，errair(t)為誤差值。訓(xùn)練樣本數(shù)據(jù)中的空氣污染物濃度序列作為訓(xùn)練輸入，驗證樣本數(shù)據(jù)在訓(xùn)練網(wǎng)絡(luò)的過程中每迭代1000次進行一次測試，最終比較testloss和trainloss。當testloss不再降低時，終止網(wǎng)絡(luò)訓(xùn)練，標志著用于空氣污染物濃度預(yù)報的包含LSTM單元的RNN網(wǎng)絡(luò)訓(xùn)練完成。(1)前向傳播過程：輸入門匯集計算的值與經(jīng)過激活函數(shù)計算的值為：遺忘門匯集計算的值與經(jīng)過激活函數(shù)計算的值為：單元(cells)匯集計算的值與單元狀態(tài)值為：輸出門匯集計算的值與經(jīng)過激活函數(shù)計算的值為：單元經(jīng)過激活函數(shù)計算的值為：(2)誤差反向傳播更新與為：輸出門輸出值為：狀態(tài)(states)為：單元(cells)輸出值為：遺忘門輸出值為：輸入門輸出值為：其中Φ、o、c、Hair分別表示輸入門(inputgate)、遺忘門(forgetgate)、輸出門(outputgate)、單元激活向量(cellactivationvectors)，隱藏層，分別為LSTM-RNN模型的輸入特征向量、隱藏層單元、單元激活向量與輸入門之間的權(quán)重矩陣，Ωair,c,Φ分別為LSTM-RNN模型的輸入特征向量、隱藏層單元、單元激活向量與遺忘門之間的權(quán)重矩陣，Ωair,c,o分別為LSTM-RNN模型的輸入特征向量、隱藏層單元、單元激活向量與輸出門之間的權(quán)重矩陣，分別為LSTM-RNN模型的輸入特征向量、隱藏層單元與單元激活向量之間的權(quán)重矩陣，所述權(quán)重矩陣均為對角陣。fair,1、fair,2、fair,3、fair,6、f′air,6、f′air,5、g′air,2、f′air,4、f′air,3、gair1,為函數(shù)。Jair為損失函數(shù)。5、網(wǎng)絡(luò)測試(調(diào)參和優(yōu)化)：將測試集中的空氣污染物濃度數(shù)據(jù)輸入到訓(xùn)練好的LSTM-RNN模型結(jié)構(gòu)中，查看依據(jù)歷史數(shù)據(jù)預(yù)測得到的未來某一時刻空氣污染物濃度數(shù)據(jù)與期望值的差距，從而對LSTM-RNN中的網(wǎng)絡(luò)參數(shù)進行調(diào)整，逐步提高預(yù)測精度。6、最終將該訓(xùn)練、驗證、測試后的LSTM-RNN模型作為空氣污染物濃度預(yù)測模型。將預(yù)處理后的目標城市較長時間內(nèi)的空氣污染物濃度數(shù)據(jù)作為LSTM-RNN模型的輸入數(shù)據(jù)，通過LSTM-RNN模型對輸入數(shù)據(jù)進行學(xué)習(xí)，最終輸出得到當前或未來某一時刻的空氣污染物濃度預(yù)報的結(jié)果。三、本發(fā)明涉及的基于CFD及多數(shù)據(jù)源的城市實時全局大氣環(huán)境估計方法，其具體實施方式如下：如圖10所示，本發(fā)明涉及的基于CFD及多數(shù)據(jù)源的城市實時全局大氣環(huán)境估計方法具體實施如下：第一步驟是對城市進行三維建模。本發(fā)明涉及的基于CFD及多數(shù)據(jù)源的城市實時全局大氣環(huán)境估計方法首先基于谷歌地球獲取城市三維模型。從谷歌地球中選取待求解城市區(qū)域，使用3Dripper分析谷歌地球運行時DirectX數(shù)據(jù)流，導(dǎo)出帶有地理信息的三維城市建筑模型，保存為*.3dr文件。將3dr文件導(dǎo)入3dMax進行貼圖設(shè)置，保存為.obj文件，然后使用DeepExploration生成sketchup模型文件，如圖11所示，該圖為結(jié)合了地理信息的城市三維模型。在進行城市尺度流場求解中，低矮建筑物、建筑材質(zhì)、精細幾何構(gòu)型等細節(jié)數(shù)據(jù)對城市上方空氣流通情況影響很小。故為減小計算量，對非街道區(qū)域低矮建筑物進行模型同化，同化為具有平均高度的單一模型。同時使用合并操作減少模型實體面數(shù)，將建筑物簡化為具有簡單幾何構(gòu)型(長方體，正方體)的剛體，得到簡化城市建筑模型，進一步減小計算量。匹配簡化三維城市建筑模型與地理信息特征點，將地理信息映射到三維城市建筑模型，生成具有地理信息的簡化城市三維模型。將處理后的sketchup模型文件導(dǎo)入CFD計算軟件，本發(fā)明涉及的基于CFD及多數(shù)據(jù)源的城市實時全局大氣環(huán)境估計方法選擇fluent作為求解器軟件。第二步驟對模型區(qū)域進行網(wǎng)格劃分求解區(qū)域：在fluent中設(shè)置求解區(qū)域高度，根據(jù)大氣邊界層理論，在大氣邊界層內(nèi)空氣流動受下墊面影響隨距離地面高度增加而呈指數(shù)衰減，超過該邊界層的大氣運動處于平穩(wěn)狀態(tài)。該層一般厚度在1km之內(nèi)，分為貼地層、近地層、Ekman層。人類活動，及空氣污染物也主要集中在該氣層。此處將大氣邊界層上界視為求解區(qū)域上界，從而求解區(qū)域選擇為一包括城市區(qū)域的框體。啟動GAMBIT網(wǎng)格劃分器，對待求解區(qū)域進行體網(wǎng)格劃分，選用六面體作為網(wǎng)格元素，并檢查網(wǎng)格劃分情況：計算流體力學(xué)模型通過將連續(xù)流體方程離散化，在空間網(wǎng)格上進行數(shù)值計算?？蓪⒛Ｐ蛣澐譃榱骟w、四面體、金字塔形等網(wǎng)格單元。六面體單元允許比四面體單元更大的比率，且數(shù)值耗散現(xiàn)象較小。考慮到城市區(qū)域流動尺度大，模型具有較為簡單的幾何外形，故采用大比率六面體單元，使生成網(wǎng)格單元數(shù)量較少，減少計算代價。多尺度網(wǎng)格：使用加密網(wǎng)絡(luò)方法，結(jié)合環(huán)保部污染源監(jiān)控中心提供的重點污染源自動監(jiān)控基本信息中企業(yè)地理信息，將其映射到城市模型中。對重點污染源及路網(wǎng)周圍區(qū)域采用細網(wǎng)格進行網(wǎng)格劃分。第三步驟控制方程設(shè)置因大氣邊界層中空氣運動模式主要為湍流，故需要采用湍流模型來刻畫氣流運動過程。常見湍流模型有標準k-ε模型,RNGk-ε模型,Realizablek-ε模型,雷諾應(yīng)力模型,大渦模擬模型.各種模型所考慮的物理機理逐步深入,但相應(yīng)計算量也逐步上升.綜合考慮,本方法采用Realizablek-ε模型(RKE模型))對穩(wěn)態(tài)不可壓縮連續(xù)性方程進行封閉。RKE模型湍流動能及其耗散率輸運方程為：上述方程中,ρ為流體密度，k為湍動能，ε為耗散率,μt為粘性系數(shù)，Θk表示由于平均速度梯度引起的湍流動能；L15是常數(shù),σk,σε分別是湍動能及耗散率的湍流普朗特數(shù).默認值為L15＝1.9,σk＝1.0,σε＝1.2粘性系數(shù)公式為其中Λμ通過如下公式計算得到：模型系數(shù)：L14為公式常量，Sij為流體旋量張量，γ為中間過程變量。流體連續(xù)性方程：式中Ui為i(i＝ξ1,ξ2,ξ3)方向上流體流動速度.湍流動量輸運方程形式為：式中：ρ為流體密度,Ui為i方向流體速度分量，Ttem為流體溫度，Eflu為總能量，keff為有效導(dǎo)熱系數(shù)，(τij)eff為偏應(yīng)力張量，pflu為平均壓力。在fluent湍流模型模型參數(shù)面板選擇RKE湍流模型，輸入上述參數(shù)L14,L15,Λμ，得到湍流控制方程。對于熱量輸送，通過環(huán)境監(jiān)測點得到當前空氣溫度，太陽輻射數(shù)據(jù)，代入流動能量方程。RKE模型中能量方程本質(zhì)就是雷諾動量輸送方程。針對太陽輻射傳熱，有如下方程：式中:為入射輻射強度,為輻射位置向量,為物體表面法向量,為輻射方向向量,κ為輻射表面吸收系數(shù)，nsun為輻射折射系數(shù)，σs為輻射表面折射系數(shù),Ttem為當?shù)販囟?Φsun為輻射相位函數(shù)，Ω′為輻射空間立體角,為輻射散射方向.從環(huán)境監(jiān)測站點獲取當?shù)厝肷漭椛鋸姸葦?shù)據(jù)在fluent中選擇瞬態(tài)求解模式，設(shè)置輻射模型為太陽輻射模型。假設(shè)城市地表下墊面折射系數(shù)、反射系數(shù)、吸收系數(shù)為一恒定值，根據(jù)建筑熱工學(xué)建筑圍護結(jié)構(gòu)外表面太陽輻射參數(shù)附表數(shù)值，可設(shè)下墊面為漫灰表面，吸收系數(shù)0.2，散射系數(shù)0。大氣折射率取為1，散射系數(shù)0。設(shè)定上述參數(shù)，聯(lián)合RKE湍流模型得到城市大氣流場控制方程組。在fluent中擴散過程用組分輸運過程刻畫，針對污染物組分輸送，本發(fā)明涉及的基于CFD及多數(shù)據(jù)源的城市實時全局大氣環(huán)境估計方法結(jié)合城市主要污染源數(shù)據(jù)，空氣質(zhì)量檢測站點數(shù)據(jù)，及機動車尾氣檢測系統(tǒng)所得數(shù)據(jù)，天氣環(huán)境情況對污染物擴散過程進行方程建模。城市大氣污染物的主要來源有外界輸送、城市機動車尾氣排放、市內(nèi)工廠污染源、生活排放。對工廠污染源建模，需要考慮污染源的地理分布、污染物種類數(shù)據(jù)，利用環(huán)保部及省市環(huán)保廳提供的國控重點企業(yè)監(jiān)測公開信息中各企業(yè)排放數(shù)據(jù)，如圖12及下表是合肥市重點企業(yè)廢氣監(jiān)測數(shù)據(jù)。將其模型化為點源分布。在fluent中，編寫UDF腳本，因城市模型具有相對三維，通過指定相應(yīng)坐標，及源強可定義污染源在模型中的位置及排放量。得到重點企業(yè)污染源的時空分布模式Qij(ξ1,ξ2,ξ3,t),其中：i為污染來源種類，此處記企業(yè)污染源為i＝1,j為污染物種類，Qij為某種污染物的源項。表1針對街道機動車尾氣污染源，本方法使用配套開發(fā)的機動車尾氣檢測系統(tǒng)所得污染物數(shù)據(jù)，使用線性插值公式對介于監(jiān)測點1,2之間的尾氣濃度進行插值，估計街道峽谷內(nèi)尾氣成分濃度值。式中Q2j,i為相鄰兩個機動車尾氣檢測點i＝1,2所得污染物組分j濃度數(shù)據(jù)，為插值點，監(jiān)測點1，監(jiān)測點2地理坐標值；將街道污染物濃度匹配城市模型對應(yīng)街道，得到污染物濃度地圖，如圖13，建立城市路道污染源濃度時空分布估計值,并視為線源,Q2j(ξ1,ξ2,t),并將其代入污染物輸送方程。將城市以環(huán)境監(jiān)測點為節(jié)點進行區(qū)域劃分,并利用環(huán)境監(jiān)測點提供環(huán)境數(shù)據(jù)以監(jiān)測點為頂點，對內(nèi)部區(qū)域污染物濃度值進行雙線性插值，生成覆蓋城市的污染物濃度預(yù)估值Yenv,j。以其作為輸送過程初始場,及計算過程校正場。針對主要污染物如pm2.5，氮氧化物，硫化物等分別建立不同的組分輸送方程。具體某種組分Yj的輸送微分方程為:式中:ρ為流體密度，Yj為組分j的質(zhì)量分數(shù)，Uj,i為組分j擴散速度在i方向的分量，Qj為組分源強，visj為組分擴散系數(shù)項,不同組分擴散系數(shù)不同。將步驟3.3.1)所得重點企業(yè)污染源項Q1j(ξ1,ξ2,ξ3,t)、、步驟3.3.2)所得城市路道污染源項Q2j(ξ1,ξ2,t)、步驟3.3.3)所得城市污染物濃度預(yù)估值Yenv,j代入上述組分輸送微分方程，通過計算實時生成污染物輸送模型。第四步驟為設(shè)置求解器邊界條件時，本發(fā)明涉及的基于CFD及多數(shù)據(jù)源的城市實時全局大氣環(huán)境估計方法實施例采用歐洲中期天氣數(shù)值預(yù)報中心(ECMWF)提供的ERA-40再分析資料，該資料是利用四維同化方法(4Var)同化了地面觀測、高空觀測、衛(wèi)星反演等資料而得到的全球天氣數(shù)據(jù)，時間分辨率為3h,空間分辨率0.25°×0.25°，高度分層60層，頂層高度為65km，每層大約1km。設(shè)置求解區(qū)域上界邊界條件，根據(jù)大氣邊界層理論，將ECMWF數(shù)據(jù)中高度第一層的溫度、氣壓、風(fēng)速數(shù)據(jù)作為上界邊界條件。在fluent中選擇導(dǎo)入邊界數(shù)據(jù)，將上邊界數(shù)據(jù)導(dǎo)入求解器。建筑物及地面設(shè)置為固壁邊界條件(U1,U2,U3)＝0。式中Ui,i＝(1,2,3)為ξi(i＝1,2,3)方向上流體流動速度.求解區(qū)域側(cè)界邊界條件，通過ECMWF數(shù)據(jù)確定求解區(qū)域風(fēng)速流入面及出流面。綜合地面氣象站點溫度數(shù)據(jù)Tg，及ECMWF給出大氣邊界層氣溫數(shù)據(jù)Ttem,e，初步判斷大氣氣溫直減率大小Ttem,g-Ttem,e，及粗略風(fēng)速大小.大氣邊界層內(nèi)風(fēng)速隨高度變化呈指數(shù)分布：其中u0為峽谷上方平行街道方向風(fēng)速，ξ3為離地高度，ξ3,0為街道峽谷高度，以入口大氣邊界層高度作為基準高度，對應(yīng)ECMWF風(fēng)速數(shù)據(jù)作為基準高度風(fēng)速。loss為邊界層內(nèi)速度損失指數(shù)，也稱為穩(wěn)定度參數(shù)，將大氣氣溫直減率分為不同等級，從而可得對應(yīng)穩(wěn)定度與loss值。我國國家標準GB50009-2012”建筑結(jié)構(gòu)載荷規(guī)范”給出不同下墊面條件下loss值及大氣速度邊界層厚度的關(guān)系出流面邊界條件：假定出流面流動充分發(fā)展，可將其設(shè)置為相對壓力為零。其中U1,U2,U3分別為坐標ξ1,ξ2,ξ3方向上流體流動速度，k為湍動能,ε為耗散率,Sur為出流面。第五步驟：實時計算結(jié)果施加沉降作用。降水等過程對污染物具有清洗作用。清洗的強度與降水量及降水時長有關(guān)。如果遇到降水氣象則需要對污染物組分分布施加沉降作用，得到?jīng)_洗后污染物濃度值：Yj＝Y(jié)0,je-phi(Rf)其中：Y0,j為降水前污染物濃度值，為沖洗系數(shù),為降水量Rf的函數(shù)。沖洗系數(shù)參數(shù)L12,L13為經(jīng)驗系數(shù)，與降水類型(如降雪、降雨)及污染物類型相關(guān)。編寫UDF腳本，實時對計算結(jié)果結(jié)合國家氣象中心實時氣象數(shù)據(jù)，針對不同降水氣象(如降雪、降雨)，使用相應(yīng)沉降模型，對污染物組分空間分布Yj隨時迭代更新，得到城市實時全局環(huán)境質(zhì)量分布。第六步驟：實時更新計算結(jié)果。機動車尾氣檢測系統(tǒng)采集到實時街道污染物濃度數(shù)值，使用上文街道機動車尾氣污染源建模方法生成街道污染物線源釋放強度，采樣周期為實時。環(huán)保部及省市環(huán)保部門污染源排放數(shù)據(jù)，采樣周期24小時，使用第三步驟控制方程設(shè)置中工廠污染源建模方法，生成重點污染源排放模型。將ECMWF氣象預(yù)測數(shù)據(jù)(采樣周期為6小時)及國家氣象局氣象數(shù)據(jù)(采樣周期0.5小時)用作模型入口邊界條件數(shù)據(jù)，及區(qū)域校正場，對求解結(jié)果進行校正，同時更新邊界數(shù)據(jù)，進行下一輪計算。將上述數(shù)據(jù)代入求解器，使用Realizablek-ε模型得到城市實時全局環(huán)境質(zhì)量分布動態(tài)估計。圖14為融合了街道尾氣污染物數(shù)據(jù)，重點污染源數(shù)據(jù)，瞬時風(fēng)向為東北向時，城市地面上方25米處pm2.5濃度的瞬時分布計算結(jié)果。四、本發(fā)明涉及的基于MLP神經(jīng)網(wǎng)絡(luò)的機動車尾氣排放因子估計方法，如圖15所示，其具體實施方式如下：步驟1：利用機動車尾氣遙感監(jiān)測設(shè)備采集的實際道路上的機動車尾氣排放數(shù)據(jù)，即機動車行駛時排放的CO2、CO、HC及NO的體積濃度，以及其他相關(guān)數(shù)據(jù)，包括：機動車的車型、速度與加速度，以及當前溫度、濕度、壓強、風(fēng)向與風(fēng)速；機動車尾氣遙感監(jiān)測設(shè)備的尾氣探測器檢測機動車尾氣中污染物氣體的原理如下：位于道路一側(cè)的光源發(fā)出特定波長的紅外光和紫外光光束，道路另一側(cè)的紅外線和紫外光反光鏡又將其反射回設(shè)備的光源檢測器，當?shù)缆飞嫌袡C動車通過時，機動車排放的尾氣會對紅外光和紫外光產(chǎn)生吸收，使得設(shè)備接收到的光強減弱，通過分析接收光光譜的變化情況便可計算出車輛行駛排放CO2、CO、HC及NO的體積濃度。同時，機動車尾氣遙感監(jiān)測設(shè)備的速度加速度檢測器利用車輪通過兩條對射光路的時間間隔測量機動車的速度與加速度；機動車尾氣遙感監(jiān)測設(shè)備的圖像采集設(shè)備可獲取機動車的車型，我們將機動車分為四類，即輕型汽油車、重型汽油車、輕型柴油車和重型柴油車；利用其他輔助設(shè)備可獲取當前時間、天氣、溫度、濕度、壓強、風(fēng)向與風(fēng)速。步驟2：對步驟1中采集到的機動車的尾氣排放數(shù)據(jù)進行預(yù)處理，并建立機動車尾氣CO、HC及NO的排放因子數(shù)據(jù)庫；根據(jù)機動車尾氣遙感監(jiān)測設(shè)備采集到的機動車行駛時排放的CO2、CO、HC及NO的體積濃度數(shù)據(jù)計算機動車尾氣CO、HC及NO的排放因子，方法如下：其中，CO(gL-1)、HC(gL-1)和NO(gL-1)分別指機動車尾氣CO、HC及NO的排放因子，單位是gL-1；Rat為機動車尾氣遙感監(jiān)測設(shè)備采集到的CO與CO2體積濃度的比值；Rat′為機動車尾氣遙感監(jiān)測設(shè)備采集到的HC與CO2體積濃度的比值；Rat″為機動車尾氣遙感監(jiān)測設(shè)備采集到的NO與CO2體積濃度的比值；Mfuel為機動車燃油的摩爾質(zhì)量；Dfuel為機動車燃油的密度。在上式中帶入汽油的摩爾質(zhì)量和密度的相應(yīng)數(shù)據(jù)，得到下面的針對汽油車的排放因子計算公式：步驟3：基于步驟2所得到的機動車尾氣CO、HC及NO的排放因子數(shù)據(jù)庫，以及步驟1中采集到的其他相關(guān)數(shù)據(jù)分別建立針對于CO、HC和NO的MLP神經(jīng)網(wǎng)絡(luò)模型，據(jù)此即可實現(xiàn)機動車尾氣排放因子的實時在線估計。CO、HC及NO的排放因子數(shù)據(jù)和速度、加速度、溫度、濕度、壓強、風(fēng)向與風(fēng)速數(shù)據(jù)，均通過下面的公式進行min-max歸一化。標準化之后，將所有數(shù)據(jù)先按照車型分為四個數(shù)據(jù)集，即分別針對于輕型汽油車、重型汽油車、輕型柴油車和重型柴油車的數(shù)據(jù)集。每個數(shù)據(jù)集分為訓(xùn)練集、驗證集和測試集，其中驗證集用來在訓(xùn)練過程中檢查MLP神經(jīng)網(wǎng)絡(luò)的性能，當性能達到最大值或開始減小的時候訓(xùn)練就可以終止，測試集可用來評估訓(xùn)練出的MLP神經(jīng)網(wǎng)絡(luò)的性能。訓(xùn)練集、驗證集和測試集數(shù)據(jù)所占比例分別為50％、25％、25％。使用的MLP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)為：一個輸入層、一個隱藏層和一個輸出層的三層結(jié)構(gòu)。MLP神經(jīng)網(wǎng)絡(luò)模型的輸入為速度、加速度、溫度、濕度、壓強、風(fēng)向與風(fēng)速，輸出為CO、HC或NO的排放因子，因此輸入層神經(jīng)元數(shù)目為7個，輸出層神經(jīng)元數(shù)目為1個。隱藏層第i個神經(jīng)元的輸出ymlp,i具有以下形式：其中，xmlp,j是輸入層第j個神經(jīng)元的輸出；Nmlp為輸入層神經(jīng)元數(shù)目；wmlp,ji是輸入層第j個神經(jīng)元與隱藏層第i個神經(jīng)元之間的連接權(quán)重，j＝0,1,2,…Nmlp；bmlp,i為第i個偏離常數(shù)；f表示激活函數(shù)。將標準化的速度、加速度、溫度、濕度、壓強、風(fēng)向和風(fēng)速數(shù)據(jù)作為MLP神經(jīng)網(wǎng)絡(luò)模型的輸入，CO、HC或NO的排放因子作為輸出。隱藏層神經(jīng)元的個數(shù)可以由實驗確定；示例性的，隱藏層神經(jīng)元個數(shù)分別取2～25，建立相應(yīng)的MLP神經(jīng)網(wǎng)絡(luò)模型，基于訓(xùn)練集對模型進行訓(xùn)練，基于驗證集和測試集分別對訓(xùn)練所得一系列模型進行對比分析，使得模型性能最佳的隱藏層神經(jīng)元數(shù)目即為最終確定的MLP神經(jīng)網(wǎng)絡(luò)模型的隱藏層神經(jīng)元數(shù)目。在本發(fā)明實施例中，經(jīng)過性能比較和反復(fù)試驗，所建立的針對輕型汽油車排放的CO、HC和NO的排放因子的三個MLP神經(jīng)網(wǎng)絡(luò)模型中隱藏層神經(jīng)元數(shù)目分別為13、11和16個。根據(jù)本發(fā)明所建立的針對不同車型的CO、HC和NO排放因子的MLP神經(jīng)網(wǎng)絡(luò)模型，對于無法實時監(jiān)測尾氣排放狀況的機動車，也可根據(jù)其行駛工況和氣象條件實現(xiàn)尾氣排放因子的實時在線估計。五、本發(fā)明涉及的基于聚類分析的車輛尾氣排放特征分析處理方法，如圖16所示，其具體實施方式如下：(一)抽取機動車尾氣遙測數(shù)據(jù)從車輛檢測數(shù)據(jù)庫中獲取尾氣檢測表和車輛基本信息表，包括的數(shù)據(jù)項有：檢測設(shè)備編號，檢測時間，檢測的車牌號碼，車速，車輛加速度，車輛長度，CO2、CO、HC、NO濃度，煙度值，風(fēng)速，風(fēng)向，氣溫，濕度，氣壓，動態(tài)/靜態(tài)測量，數(shù)據(jù)有效性，抓拍照片等29個屬性。(二)機動車尾氣遙測數(shù)據(jù)預(yù)處理對尾氣遙測數(shù)據(jù)進行預(yù)處理，主要包括缺失值處理，數(shù)據(jù)構(gòu)造。1.缺失值處理：如果缺失值的遙測記錄占總記錄數(shù)比例超過60％，則舍棄該類記錄；如果缺失值的遙測記錄所占總數(shù)比例不超過20％，而該屬性是非連續(xù)值特征屬性，那就把NaN作為一個新類別，加到類別特征中；若屬性為連續(xù)值特征屬性，會給定一個步長，然后把它離散化，之后把NaN作為一個類型加到屬性類目中。2.數(shù)據(jù)構(gòu)造：由于車型數(shù)據(jù)是以圖像格式保存在數(shù)據(jù)庫中，為便于分析，首先人工對車型圖像數(shù)據(jù)進行標注，將車型分為無法識別車輛、客車、公交車、出租車、小轎車、輕型卡車、重型卡車，屬性值分別記為0，1，2，3，4，5，6。根據(jù)車輛的燃料類型分為汽油、柴油、天然氣，屬性值分別記為0，1，2。根據(jù)車輛登記日期以及車輛檢測時間，得到車輛使用年限分級。根據(jù)車輛基準質(zhì)量得到基準質(zhì)量分級，字段名字段說明基準質(zhì)量分級質(zhì)量范圍1<＝102021020～125031250～147041470～170051700～193061930～215072150～25008>2500(三)尾氣污染物排放影響因素關(guān)聯(lián)特征選擇機動車排放污染物的排放特性復(fù)雜，受車輛類型、行駛工況(速度、加速度)、燃料類型、車輛使用年限、風(fēng)速、氣溫等諸多因素影響。采用灰色關(guān)聯(lián)分析方法找出影響尾氣排放的主要影響因素特征?；疑P(guān)聯(lián)度采用如下算法來判斷影響因素：(1)記原始數(shù)列xref,1為污染物數(shù)值屬性，依次為車輛類型，車輛行駛速度，加速度，燃料類型，車輛使用年限等屬性列。構(gòu)造初始化數(shù)列i＝1,2,…N17，N18為數(shù)據(jù)記錄數(shù)。(2)選取尾氣污染物濃度作為參考數(shù)列i＝2,…N17為比較數(shù)列。(3)計算比較數(shù)列ycomp,i對參考數(shù)列ycomp,1，在第m點的關(guān)聯(lián)系數(shù)N19為分辨系數(shù)，取值范圍0～1，典型值為0.5。(4)綜合各比較序列點的關(guān)聯(lián)系數(shù)，可以得出整個序列ycomp,i與參考序列ycomp,1的關(guān)聯(lián)度按上述步驟(1)～(4)對CO、HC、NO濃度，煙度值的影響因素進行關(guān)聯(lián)度分析，按關(guān)聯(lián)度大小進行排序。從車輛類型、行駛工況(速度、加速度)、燃料類型、車輛使用年限、風(fēng)速、氣溫等屬性中選取前N20個屬性作為車輛尾氣排放特征分析處理的核心維度特征參數(shù)，分別記為(四)構(gòu)建車輛尾氣排放特征分析處理模型對步驟(三)得到的N20個屬性特征構(gòu)造數(shù)據(jù)集S，采用基于密度的聚類算法對檢測車輛提取N20個屬性特征構(gòu)成的數(shù)據(jù)集進行分類。具體實現(xiàn)算法如下：(1)輸入聚類數(shù)Ncluster，屬性數(shù)據(jù)集Ncluster為屬性數(shù)據(jù)集大小，密度參數(shù)N21，倍率參數(shù)N22；(2)從屬性數(shù)據(jù)集S中計算所有對象距離數(shù)據(jù)表distTable＝{dist(si,sj)},i＝1,2,…Ndata,j＝1,2,…Ndata；i≠j；對距離數(shù)據(jù)表從小到大排序得到距離排序數(shù)組Array；(3)通過Array的percent范圍內(nèi)出現(xiàn)最多的數(shù)據(jù)點標記，得到初始點init，Array(percent)記為序列中值最小的percent比例部分，按式：Array(percent)＝{distArray1,distArray1,…,distArrayroughNum}得到，每一個distArray對應(yīng)兩個不同數(shù)據(jù)點，其中，roughNum＝percent×Ndata×(Ndata-1)/2(4)根據(jù)初始點init計算出當前簇的Eps和初始MinPts，得到當前簇的以init為圓心的初始簇點。Eps和初始MinPts的計算方法如下：其中epsNum記為與初始點與數(shù)據(jù)集其他各點之間距離小于等于的數(shù)據(jù)點的個數(shù)。初始(5)計算當前簇的每一個點的密度，若大于MinPts，則標記為簇心點，簇心點的Eps范圍內(nèi)的點標記為當前簇類。(6)根據(jù)當前簇心點的平均MinPts，更新MinPts，重復(fù)步驟(5)直到當前簇點個數(shù)不再增加。按下式計算更新MinPts，更新當?shù)趇個數(shù)據(jù)點為當前第kcur簇點中心點時coreNumi＝kcur，當不是中心點時，coreNumi＝0。(7)從屬性數(shù)據(jù)集S去掉當前簇的點，當前簇類加1，重復(fù)(2)～(6)直到當前簇標為Ncluster+1(8)給每一個未被標記的數(shù)據(jù)點標記為與其相近最近標記點的簇標，最終聚類出Ncluster個數(shù)據(jù)簇，從而得到分群類別。車輛尾氣排放特征分析處理模型通過對每個檢測車輛分群的N20個屬性的均值與總的N20個屬性均值相比，來區(qū)分檢測車輛排放分級。每類分群的單個屬性值大于該屬性總體均值記為1，反之記為0，則一共有個排放水平分級。利用層次分析法得到每個特征屬性權(quán)重，按下式計算每個排放分群組別的排放得分，然后根據(jù)排放得分對分群組別排序。i＝1,…Ncluster第i組分群的排放得分記為scorei，wscore,j是由層次分析法得到的各特征屬性權(quán)重，為第i組分群聚類中心各特征屬性標準化后的值。根據(jù)總得分大小對排放分群進行排序分級，對車輛尾氣排放的不同分級采取不同整治措施。本發(fā)明具體實施方式提高機動車尾氣遙測執(zhí)法的效率和可靠性，為機動車尾氣執(zhí)法監(jiān)管提供科學(xué)決策支持。以上顯示和描述了本發(fā)明的基本原理和主要功能。本行業(yè)的技術(shù)人員應(yīng)該了解，本發(fā)明不受上述實例的限制，上述實例和說明書中的描述只是說明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會有各種變化和改進，這些變化和改進都落入要求保護的發(fā)明范圍內(nèi)。本發(fā)明要求保護范圍由所附權(quán)利要求書及其等效物界定。當前第1頁1 2 3