一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法技术

本发明专利技术提供了一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法，通过分析驾驶行为和二氧化碳排放的关系，构建了一个端到端的时空深度学习模型DL

A real-time calculation method of road vehicle exhaust carbon dioxide emissions based on spatio-temporal depth learning model

【技术实现步骤摘要】
一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法


[0001]本专利技术涉及深度学习和智能交通
，尤其涉及一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法。

技术介绍

[0002]在交通研究中，估算车辆CO2排放一直是一个长期存在的话题，它与智能交通系统(ITS)的环境影响高度相关，有助于量化车辆交通对空气质量的影响，促进生态驾驶或生态路线的实践以减少排放，从而促进城市交通的可持续发展。
[0003]微观排放模型的主要任务是利用道路上测量的车辆行驶状态数据，计算车辆尾气每秒排放的二氧化碳量。它不同于宏观模型。具体而言，宏观模型需要输入车队组成、各路段平均车速、车辆总行驶距离等数据，得出全市排放清单。而微观模型则是利用车辆当前速度、加速度或发动机性能指标的输入数据，逐秒估算单个车辆的排放量。这些模型通常是在实验室中根据物理过程和不同行驶工况开发的，如综合模态排放模型(CMEM)和国际车辆排放模型(IVE)。它们可以提供高精度的估计，但它们相当复杂，需要过多的校准参数作为输入。这可能会限制它们在许多智能交通系统中的部署，并限制它们在特定地区的应用。

技术实现思路

[0004]针对现有技术中无法实现易于部署的同时保证预测精度的问题，本专利技术提供了一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法。
[0005]本专利技术的技术方案为：
[0006]提供一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法，包括：
[0007]S1：收集车辆GPS轨迹数据，从收集的车辆GPS轨迹数据划分出训练数据；
[0008]S2：构建一个端到端的时空深度学习模型，时空深度学习模型包括历史模块、当前模块、外部模块、融合模块和全连接网络层，其中，历史模块用于利用LSTM网络从历史驾驶条件数据中提取车辆历史驾驶模式，当前模块用于采用多层次全连通网络从当前驾驶条件数据中提取当前驾驶模式和空间特征，外部模块用于使用全连接网络提取外部特征，融合模块用于将历史模块、当前模块和外部模块的输出进行融合，全连接网络层用于根据融合模块的结果估计出当前的CO2排放值；
[0009]S3：从训练数据中导出车辆驾驶条件变量及其相关变量，作为输入数据输入构建的时空深度学习模型中，以最小化观测到的车辆每秒二氧化碳排放量与估计出的车辆每秒二氧化碳排放量为目标，对模型进行训练，得到训练好的时空深度学习模型；
[0010]S4：利用训练好的时空深度学习模型进行道路车辆尾气二氧化碳排放的实时计算。
[0011]在一种实施方式中，步骤S2中的历史驾驶条件数据和当前驾驶条件数据构成集合
{DC
t
‑
m
,
……
,DC
t
}，DC
t
‑
m
为t
‑
m时刻的驾驶条件数据，属于历史驾驶条件数据，DC
t
为t时刻的驾驶条件数据，为当前驾驶条件数据。
[0012]在一种实施方式中，历史驾驶条件数据和当前驾驶条件数据中包含车辆行驶状况，用以反映车辆在道路上行驶的情况，车辆行驶状况包含车辆动力学变量、空间环境变量以及外部变量。
[0013]在一种实施方式中，所述方法还包括：采用DTW算法对历史驾驶条件数据和当前驾驶条件数据进行对齐。
[0014]在一种实施方式中，采用DTW算法对历史驾驶条件数据和当前驾驶条件数据进行对齐，包括：
[0015]计算车辆每秒比功率VSP值，计算公式为：
[0016][0017]其中，v
t
为t时刻的车速，a
t
为t时刻的车辆加减速，s表示车辆从t
‑
1时刻到t时刻所经过路段的坡度，VSP值用于表征车辆在行驶过程中对发动机的功率需求，与CO2排放量相关；
[0018]构造n
×
n矩阵D，矩阵中的元素D(i,j)表示VSP序列第i
th
位元素与CO2排放序列第j
th
位元素之间的累计距离；
[0019]计算任意两个元素VSP(i)与CO2(j)之间的绝对距离d(i,j)，其中，d(i,j)＝(VSP(i)
‑
CO2(j))2；
[0020]根据D(i,j)＝min{D(i
‑
1,j
‑
1),D(i
‑
1,j),D(i,j
‑
1)}+d(i,j)更新矩阵D的所有元素值；
[0021]从元素D(n,n)回溯到元素D(1,1)，寻找累积距离最小的路径，路径上的元素对应VSP与CO2排放的对齐。
[0022]在一种实施方式中，历史模块包括多层LSTM网络，给定一个输入序列{X
t
‑
m
,X
t
‑
m+1
,
……
,X
t
‑1},利用公式2推导出输出公式具体为：
[0023][0024]其中，Ψ(
·
)表示内部操作单元，n为LSTM层的总数，k为一个索引的层数，范围从1到n,表示细胞初始状态，表示细胞初始输出，表示细胞初始输出，分别表示第n层LSTM网络在t
‑
m时刻的输出、t
‑
m+1时刻、t
‑
1时刻的输出；表示第k层LSTM网络在t
‑
m时刻的输出，表示第k层LSTM网络在t
‑
m时刻的细胞状态，分别表示第k
‑
1层LSTM网络在t
‑
m时刻的输出、第k层LSTM网络在t
‑
m
‑
1时刻的细胞状态、第k层LSTM网络在t
‑
m
‑
1时刻的输出，分别表示第k层LSTM网络在t
‑
1时刻的输出、第k层LSTM网络在t
‑
1时刻的细胞状态；分别表示第k
‑
1层LSTM网络在t
‑
1时刻的输出、第k层LSTM网络在t
‑
2时刻的细胞状态，第k层LSTM网络在t
‑
2时刻的输出，X
t
‑
m
由t
‑
m时刻驾驶工况的变量及其衍生变量组成，它是一个14维向量，形式如下：
[0025][0026]其中，v
t
‑
m
是车辆速度，a
t
‑
m
是加速度或减速度，是最近的5秒的平均速度，是最近的5秒的平均加速度或减速度，Sv
t
‑
m
是速度的方差，Sa
t
‑
m
是加速度或减速的方差，是速度平方的方差，是速度三次幂的方差，R
t
‑...

【技术保护点】

【技术特征摘要】
1.一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法，其特征在于，包括：S1：收集车辆GPS轨迹数据，从收集的车辆GPS轨迹数据划分出训练数据；S2：构建一个端到端的时空深度学习模型，时空深度学习模型包括历史模块、当前模块、外部模块、融合模块和全连接网络层，其中，历史模块用于利用LSTM网络从历史驾驶条件数据中提取车辆历史驾驶模式，当前模块用于采用多层次全连通网络从当前驾驶条件数据中提取当前驾驶模式和空间特征，外部模块用于使用全连接网络提取外部特征，融合模块用于将历史模块、当前模块和外部模块的输出进行融合，全连接网络层用于根据融合模块的结果估计出当前的CO2排放值；S3：从训练数据中导出车辆驾驶条件变量及其相关变量，作为输入数据输入构建的时空深度学习模型中，以最小化观测到的车辆每秒二氧化碳排放量与估计出的车辆每秒二氧化碳排放量为目标，对模型进行训练，得到训练好的时空深度学习模型；S4：利用训练好的时空深度学习模型进行道路车辆尾气二氧化碳排放的实时计算。2.如权利要求1所述的道路车辆尾气二氧化碳排放实时计算方法，其特征在于，步骤S2中的历史驾驶条件数据和当前驾驶条件数据构成集合{DC
t
‑
m
,
……
,DC
t
}，DC
t
‑
m
为t
‑
m时刻的驾驶条件数据，属于历史驾驶条件数据，DC
t
为t时刻的驾驶条件数据，为当前驾驶条件数据。3.如权利要求2所述的道路车辆尾气二氧化碳排放实时计算方法，其特征在于，历史驾驶条件数据和当前驾驶条件数据中包含车辆行驶状况，用以反映车辆在道路上行驶的情况，车辆行驶状况包含车辆动力学变量、空间环境变量以及外部变量。4.如权利要求2所述的道路车辆尾气二氧化碳排放实时计算方法，其特征在于，所述方法还包括：采用DTW算法对历史驾驶条件数据和当前驾驶条件数据进行对齐。5.如权利要求4所述的道路车辆尾气二氧化碳排放实时计算方法，其特征在于，采用DTW算法对历史驾驶条件数据和当前驾驶条件数据进行对齐，包括：计算车辆每秒比功率VSP值，计算公式为：其中，v
t
为t时刻的车速，a
t
为t时刻的车辆加减速，s表示车辆从t
‑
1时刻到t时刻所经过路段的坡度，VSP值用于表征车辆在行驶过程中对发动机的功率需求，与CO2排放量相关；构造n
×
n矩阵D，矩阵中的元素D(i,j)表示VSP序列第i
th
位元素VSP(i)与CO2排放序列第j
th
位元素CO2(j)之间的累计距离；计算任意两个元素VSP(i)与CO2(j)之间的绝对距离d(i,j)，其中，d(i,j)＝(VSP(i)
‑
CO2(j))2；根据D(i,j)＝min{D(i
‑
1,j
‑
1),D(i
‑
1,j),D(i,j
‑
1)}+d(i,j)更新矩阵D的所有元素值；从元素D(n,n)回溯到元素D(1,1)，寻找累积距离最小的路径，路径上的元素对应VSP与CO2排放的对齐。6.如权利要求1所述的道路车辆尾气二氧化碳排放实时计算方法，其特征在于，历史模块包括多层LSTM网络，给定一个输入序列{X
t
‑
m
,X
t
‑
m+1
,
……
,X
t
‑1},利用公式2推导出输出
公式具体为：其中，Ψ(
·
)表示内部操作单元，n为LST...

【专利技术属性】
技术研发人员：贾涛，章鹏程，
申请(专利权)人：武汉大学，
类型：发明
国别省市：