(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111269825.X (22)申请日 2021.10.2 9 (71)申请人 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） 地址 230000 安徽省合肥市望江西路5 089 号， 中国科学技术大学先进技术研究 院未来中心B120 5-B1208 (72)发明人 许镇义　王瑞宾　康宇　曹洋　 王仁军　 (74)专利代理 机构 合肥天明专利事务所(普通 合伙) 34115 代理人 苗娟 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 113/08(2020.01) (54)发明名称 基于时序特征迁移的移动源排放预测方法、 系统及设备 (57)摘要 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。 权利要求书3页 说明书8页 附图2页 CN 113919234 A 2022.01.11 CN 113919234 A 1.一种基于时序特征迁移的移动源排放预测方法， 其特征在于， 通过计算机设备执行 以下步骤， 对采集到的机动车尾气车载诊断系统数据， 通过事先训练好的时序预测模型进行处理 预测， 并输出 预测结果； 其中， 时序预测模型的训练步骤如下： S1： 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； S2： 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； S3： 将训练数据集划分为 k段分布最 不相似的序列； S4： 以预处 理后的所有数据预训练一个GRU的时序预测模型； S5： 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； S6： 将测试集投入训练好的时序模型 上进行预测。 2.根据权利要求1所述的基于时序特征迁移的移动源排放预测方法， 其特征在于： 上述 步骤S1具体包括如下细分步骤S1 1至S12： S11： 从柴油车OBD数据上采集， 数据量大小1460条， 采样间隔为5s， 其中采样属性包括 发动机转速、 实际输出扭矩百分比、 发动机水温、 发动机机油温度、 后处理下游NOx值、 后处 理下游氧气值、 大气压力、 环境温度、 后处理废气质量流量、 尿素箱液位百分比、 尿素箱温 度、 车速、 油门踏板开度； S12： 对采集的OBD数据进行缺失值填充、 无关属性删除这些预处理操作， 其中缺失值数 据使用相邻值进行填充。 3.根据权利要求2所述的基于时序特征迁移的移动源排放预测方法， 其特征在于： 所述 上述步骤S2具体包括如下细分步骤S21至S2 2： S21： 将预处理数据按8:2的比例划分为训练集和测试集， 其中训练集用于训练具有迁 移性质的尾气预测模型， 测试集用于对上述模型进行测试； S22： 对训练集和 测试集数据进行归一 化处理， 归一化公式如下： 其中 为归一化后的值， x为数据原始值， xmin和xmax分别代表相应指标的最大值和最小 值。 4.根据权利要求3所述的基于时序特征迁移的移动源排放预测方法， 其特征在于： 所述 上述步骤S3具体包括如下细分步骤S31至S3 3： S31： 将采集的OBD时序训练数据集划分为10等份， 且每一 等份为最小不可分割单 元； S32： 确定K值， K∈{2,3,5,7,10},以K＝2为例， 以str和end表示整个时间序列的起点和 终点， 从9个候选点中选择分割点po int_2， 使得 下式最大 dis(str→point_w,point_2→end) 其中dis表示两个时间序列之间的分布差异， 选用KL散度、 MMD距离、 余弦距离这些方式 进行度量， 选择使用M MD距离时， M MD公式表示 为权　利　要　求　书 1/3 页 2 CN 113919234 A 2其中k(·)是映射， 用于把原始数据映射到再生核希尔伯特空间中， X,Y表示两种分布 的样本， 为映射函数集； S33： 基于k＝2， 依照S32的步骤选择分割点， 找到k＝3时的分割点， 并依此方法操作下 去， 找到其他不同时间序列划分下的分割点， 具体的k值确定需要依据数据最 终预测效果确 定。 5.根据权利要求4所述的基于时序特征迁移的移动源排放预测方法， 其特征在于： 上述 步骤S4具体包括如下细分步骤S41至S42： S41： 网络结构特征层采用2层GRU， 损失函数采用MSE， 根据 k值的确定， 损失函数具体公 式如下： 其中|Dj|代表第j段序列所包含样本个数， 第j个序列中i样本的真实值， 为第j个 序列中i样本的预测值； S42： 模型搭建好后， 将训练集输入网络开始训练， 预训练epoch最大值设置为40， 当验 证集loss的值不再下降且epoch大于40时停止迭代， 整个网络使用Adam优化整个模型， 训练 完成后， 保存网络结构的参数。 6.根据权利要求5所述的基于时序特征迁移的移动源排放预测方法， 其特征在于： 上述 步骤S5具体包括如下细分步骤S51至S5 3： S51:根据S3得到的K， 以预训练模型参数为基础， 在损失函数中加入MMD距离来缩小k段 序列的分布差距， 具体损失函数如下： 其中Lpred( θ )为MSE函数， 具体公式如步骤S4所示， Ltdm(Di,Dj； θ, α )为各时序序列间的 MMD距离， 具体公式如下 其中 为序列i在t时刻的 隐藏状态， d( ·)为两个影藏状态直接的分布差异， 本发明 中为MMD， 为序列i和序列j在第t个隐藏状态的超参数； S52： 针对每一隐藏状态的重要性， 取值不同， 本发明使用Boosting的方法来对参数 进行学习， 训练前 预设所有 v为隐藏状态个数， 训练中按以下公式更新α 权　利　要　求　书 2/3 页 3 CN 113919234 A 3