本发明专利技术公开了一种汽车二氧化碳实时排放预测方法、装置、设备及存储介质，所述方法通过获取待测车辆的实际道路排放测试数据，对所述实际道路排放测试数据进行规范化处理，获得总训练数据集；将所述总训练数据集发送至LSTM神经网络，获得二氧化碳实时排放的预测模型；根据所述预测模型对所述待测车辆进行二氧化碳瞬时排放速率预测，获得预测结果，能够实现对车辆在实际道路上的二氧化碳排放进行高精度的实时预测，避免了大量人力物力的耗费。避免了大量人力物力的耗费。避免了大量人力物力的耗费。
【技术实现步骤摘要】
汽车二氧化碳实时排放预测方法、装置、设备及存储介质
[0001]本专利技术涉及车辆排放预测
，尤其涉及一种汽车二氧化碳实时排放预测方法、装置、设备及存储介质。
技术介绍
[0002]随着车辆保有量的持续增加，来自车辆尾气中的CO2排放也急剧增加，给环境造成了严峻的影响；由于实际道路复杂的环境以及试验室测试所采用的工况曲线并不能很好的反映实际工况，导致试验室测试结果并不能真实反映车辆的CO2实际排放情况；此外，对车辆的CO2排放实行全生命周期监管的呼声日益高涨，但是仅依靠目前的油耗认证测试、生产一致性检查以及在用符合性检查并不能很好地实现上述目标。
[0003]随着深度学习技术的发展，国内外研究人员对基于深度学习技术的车辆排放预测模型开展了大量的研究，并取得很好的预测精度；但是由于人工神经网络结构具有众多的超参数和网络结构参数，需要研究人员具有足够的专业知识并投入大量时间对模型结构进行调试，会耗费大量人力物力，并且CO2瞬时排放预测精度无法保证。
技术实现思路
[0004]本专利技术的主要目的在于提供一种汽车二氧化碳实时排放预测方法、装置、设备及存储介质，旨在解决现有技术中CO2瞬时排放预测精度依赖人工神经网络，耗费大量人力物力，预测精度较差的技术问题。
[0005]第一方面，本专利技术提供一种汽车二氧化碳实时排放预测方法，所述汽车二氧化碳实时排放预测方法包括以下步骤：
[0006]获取待测车辆的实际道路排放测试数据，对所述实际道路排放测试数据进行规范化处理，获得总训练数据集；
[0007]将所述总训练数据集发送至LSTM神经网络，获得二氧化碳实时排放的预测模型；
[0008]根据所述预测模型对所述待测车辆进行二氧化碳瞬时排放速率预测，获得预测结果。
[0009]可选地，所述获取待测车辆的实际道路排放测试数据，对所述实际道路排放测试数据进行规范化处理，获得总训练数据集，包括：
[0010]获取待测车辆在目标道路行驶过程中的实际道路排放测试数据，对所述实际道路排放测试数据进行处理，获得所述待测车辆的瞬时加速度以及二氧化碳瞬时排放速率；
[0011]获取所述待测车辆的实时速度、加速度、发动机转速和冷却液温度，对所述实时速度和所述发动机转速进行规范化处理，获得规范化处理后的目标实时速度和目标发动机转速；
[0012]根据预设起点数据点、预设窗口步长和预设相邻窗口起始数据点间隔对所述目标实时速度和所述目标发动机转速进行窗口划分，获得划分后的窗口数据；
[0013]根据所述窗口数据、所述加速度、所述冷却液温度、所述瞬时加速度以及所述二氧
化碳瞬时排放速率构建总训练数据集。
[0014]可选地，所述将所述总训练数据集发送至LSTM神经网络，获得二氧化碳实时排放的预测模型，包括：
[0015]对LSTM神经网络的各个体网络单元数量和各层网络参数进行均匀分布随机初始化；
[0016]对初始化后的LSTM神经网络的种群参数进行解码，获得解码结果，根据所述解码结果构建目标神经网络，并对所述目标神经网络进行初始化，使用所述总训练数据集对预设模型进行训练，获得模型训练结果；
[0017]根据所述模型训练结果确定二氧化碳实时排放的预测模型。
[0018]可选地，所述根据所述模型训练结果确定二氧化碳实时排放的预测模型，包括：
[0019]从所述模型训练结果中获得各预设模型的模型训练误差，将所述模型训练误差作为适应度，根据所述适应度对各预设模型进行排序，获得适应度排序结果；
[0020]对所述模型训练结果中的各层网络单元数量进行二进制编码，将编码结果和各层网络参数的平均值和均方值进行保存；
[0021]对所述编码结果、所述平均值和所述均方值进行迭代变异，获得训练好的LSTM深度学习结构模型，将所述的LSTM深度学习结构模型作为二氧化碳实时排放的预测模型。
[0022]可选地，所述对所述编码结果、所述平均值和所述均方值进行迭代变异，获得训练好的LSTM深度学习结构模型，将所述的LSTM深度学习结构模型作为二氧化碳实时排放的预测模型，包括：
[0023]从所述适应度排序结果中确定子代种群、父代和母代；
[0024]根据预设概率对各子代的各层网络单元数进行二进制变异，并对各子代的每层网络参数的平均值、均方差进行多项式变异，获得变异结果；
[0025]对所述子代种群进行边界判断，根据判断结果确定个体参数取值限值，根据所述个体参数取值限值进行种群循环迭代，直至迭代次数达到预设迭代次数，获得目标个体参数；
[0026]根据所述目标个体参数和层初始参数对预设结构模型进行训练，获得训练好的LSTM深度学习结构模型，将所述的LSTM深度学习结构模型作为二氧化碳实时排放的预测模型。
[0027]可选地，所述根据所述目标个体参数和层初始参数对预设结构模型进行训练，获得训练好的LSTM深度学习结构模型，将所述的LSTM深度学习结构模型作为二氧化碳实时排放的预测模型，包括：
[0028]获取预设初始学习率、预设损失函数和预设模型训练总回合；
[0029]根据所述预设初始学习率、所述预设损失函数、所述预设模型训练总回合、所述目标个体参数和层初始参数对预设结构模型进行训练，获得训练好的LSTM深度学习结构模型，将所述的LSTM深度学习结构模型作为二氧化碳实时排放的预测模型。
[0030]可选地，所述根据所述预测模型对所述待测车辆进行二氧化碳瞬时排放速率预测，获得预测结果，包括：
[0031]根据预设部署策略对所述预测模型进行部署，并根据部署后的预测模型对所述带车车辆进行二氧化碳瞬时排放速率预测，获得预测结果。
[0032]第二方面，为实现上述目的，本专利技术还提出一种汽车二氧化碳实时排放预测装置，所述汽车二氧化碳实时排放预测装置包括：
[0033]数据处理模块，用于获取待测车辆的实际道路排放测试数据，对所述实际道路排放测试数据进行规范化处理，获得总训练数据集；
[0034]模型确定模块，用于将所述总训练数据集发送至LSTM神经网络，获得二氧化碳实时排放的预测模型；
[0035]排放预测模块，用于根据所述预测模型对所述待测车辆进行二氧化碳瞬时排放速率预测，获得预测结果。
[0036]第三方面，为实现上述目的，本专利技术还提出一种汽车二氧化碳实时排放预测设备，所述汽车二氧化碳实时排放预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的汽车二氧化碳实时排放预测程序，所述汽车二氧化碳实时排放预测程序配置为实现如上文所述的汽车二氧化碳实时排放预测方法的步骤。
[0037]第四方面，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有汽车二氧化碳实时排放预测程序，所述汽车二氧化碳实时排放预测程序被处理器执行时实现如上文所述的汽车二氧化碳实时排放预测方法的步骤。
[0038]本专利技术提出的汽车二氧化碳实时排放预本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种汽车二氧化碳实时排放预测方法，其特征在于，所述汽车二氧化碳实时排放预测方法包括：获取待测车辆的实际道路排放测试数据，对所述实际道路排放测试数据进行规范化处理，获得总训练数据集；将所述总训练数据集发送至LSTM神经网络，获得二氧化碳实时排放的预测模型；根据所述预测模型对所述待测车辆进行二氧化碳瞬时排放速率预测，获得预测结果。2.如权利要求1所述的汽车二氧化碳实时排放预测方法，其特征在于，所述获取待测车辆的实际道路排放测试数据，对所述实际道路排放测试数据进行规范化处理，获得总训练数据集，包括：获取待测车辆在目标道路行驶过程中的实际道路排放测试数据，对所述实际道路排放测试数据进行处理，获得所述待测车辆的瞬时加速度以及二氧化碳瞬时排放速率；获取所述待测车辆的实时速度、加速度、发动机转速和冷却液温度，对所述实时速度和所述发动机转速进行规范化处理，获得规范化处理后的目标实时速度和目标发动机转速；根据预设起点数据点、预设窗口步长和预设相邻窗口起始数据点间隔对所述目标实时速度和所述目标发动机转速进行窗口划分，获得划分后的窗口数据；根据所述窗口数据、所述加速度、所述冷却液温度、所述瞬时加速度以及所述二氧化碳瞬时排放速率构建总训练数据集。3.如权利要求1所述的汽车二氧化碳实时排放预测方法，其特征在于，所述将所述总训练数据集发送至LSTM神经网络，获得二氧化碳实时排放的预测模型，包括：对LSTM神经网络的各个体网络单元数量和各层网络参数进行均匀分布随机初始化；对初始化后的LSTM神经网络的种群参数进行解码，获得解码结果，根据所述解码结果构建目标神经网络，并对所述目标神经网络进行初始化，使用所述总训练数据集对预设模型进行训练，获得模型训练结果；根据所述模型训练结果确定二氧化碳实时排放的预测模型。4.如权利要求3所述的汽车二氧化碳实时排放预测方法，其特征在于，所述根据所述模型训练结果确定二氧化碳实时排放的预测模型，包括：从所述模型训练结果中获得各预设模型的模型训练误差，将所述模型训练误差作为适应度，根据所述适应度对各预设模型进行排序，获得适应度排序结果；对所述模型训练结果中的各层网络单元数量进行二进制编码，将编码结果和各层网络参数的平均值和均方值进行保存；对所述编码结果、所述平均值和所述均方值进行迭代变异，获得训练好的LSTM深度学习结构模型，将所述的LSTM深度学习结构模型作为二氧化碳实时排放的预测模型。5.如权利要求4所述的汽车二氧化碳实时排放预测方法，其特征在于，所述对所述编码结果、所述平均值和所述均方值进行迭代变异，获得训练好的LSTM深度学习结构模型，将所述的LSTM深...
【专利技术属性】
技术研发人员：李岳兵，刘志军，李峰，史育海，何媛媛，
申请(专利权)人：襄阳达安汽车检测中心有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。