許鎮(zhèn)義,王瑞賓,康宇,4,5?,曹洋,張聰,王仁軍

(1合肥綜合性國家科學中心人工智能研究院,安徽 合肥 230088;2中國科學技術(shù)大學自動化系,安徽 合肥 230036;3安徽大學計算機科學與技術(shù)學院,安徽 合肥 230601;4中國科學技術(shù)大學先進技術(shù)研究院,安徽 合肥 230088;5中國科學技術(shù)大學火災科學國家重點實驗室,安徽 合肥 230027;6合肥市生態(tài)環(huán)境局,安徽 合肥 230601)

0 引 言

隨著我國經(jīng)濟的發(fā)展,城市機動車數(shù)量不斷增多,在人們生活水平日益提高的同時,移動源污染排放已經(jīng)成為城市大氣污染的重要來源,受到越來越多的關注[1,2]。

何春玉和王歧東[3]利用綜合排放模型(CMEM)對北京市機動車尾氣排放進行了研究,計算出了CO、HC與NOx排放量,并與實際排放因子及排放特征進行對比分析,得到較好的一致性。于坤等[4]等根據(jù)車載排放測試系統(tǒng)(PEMS)實際工況下測量的機動車油耗與各污染物排放數(shù)據(jù),并結(jié)合油耗理論建立了綜合預測模型,獲得較好的預測效果。Hao等[5]使用PEMS對農(nóng)村地區(qū)的機動車進行測量,使用速度和加速度作為解釋變量,各污染物排放濃度為被解釋變量,利用外部插值法進行擬合構(gòu)建預測模型,模型預測數(shù)值與實際值誤差較小。王志紅等[6]使用PEMS對重型柴油車進行道路污染物排放特性測試,利用所測的車輛比功率(VSP)為輸入,分別搭建CO、NOx雙隱含層反向傳播(BP)神經(jīng)網(wǎng)絡排放預測模型,實驗結(jié)果在瞬時排放和整體排放特性上預測準確性較高。左付山等[7]使用BP神經(jīng)網(wǎng)絡分別建立了汽油機CO、HC、NOx的預測模型。李昌慶等[8]使用長沙市大型客車監(jiān)測所得的速度、加速度、比功率等屬性特征構(gòu)建BP神經(jīng)網(wǎng)絡模型,實現(xiàn)了對CO、CO2和NOx排放的可靠預測。

以上研究或是使用傳統(tǒng)的統(tǒng)計方法計算回歸方程進行預測,或是使用智能預測方法擬合數(shù)據(jù)進行預測,這些預測方法都很少關注外部條件對移動源污染排放數(shù)據(jù)采集的影響。然而在實際的機動車尾氣排放檢測工作中,車型、駕駛習慣、環(huán)境條件等一系列因素都對數(shù)據(jù)的準確性有著一定的影響。本文的數(shù)據(jù)主要是通過尾氣遙感監(jiān)測獲取,其利用光學原理獲得機動車污染排放等屬性,通過這一技術(shù)使得機動車污染監(jiān)測更加高效快捷,然而由于技術(shù)上的限制,這項技術(shù)尚未成熟,在實際使用過程中還存在著抗外部干擾能力差、單車重復性低等缺點[9]。

本文基于合肥機動車尾氣遙測數(shù)據(jù)和車輛年檢數(shù)據(jù),對檢測到的外部環(huán)境因素和車輛基本信息使用Spearman系數(shù)分析各因素與移動源污染排放監(jiān)測之間的相關性,并利用最小絕對收縮算子(Lasso)算法計算各影響因素權(quán)重系數(shù),作為污染排放較大影響因素的選擇依據(jù)。在此基礎上引入BP神經(jīng)網(wǎng)絡,針對移動污染源排放中的CO、HC、NO分別建立基于多源外部因素的濃度預測模型。最后,通過與其他模型對比,驗證了本文所構(gòu)建的網(wǎng)絡模型預測的準確性與穩(wěn)定性。

1 分析方法與過程

1.1 移動源污染遙測數(shù)據(jù)獲取

布設在安徽省合肥市各交通路段的尾氣遙感監(jiān)測設備和機動車年檢站的多種尾氣排放監(jiān)測手段整體構(gòu)成了城市路網(wǎng)機動車尾氣排放監(jiān)測系統(tǒng),本工作所使用的機動車尾氣排放污染數(shù)據(jù)通過該系統(tǒng)采集。尾氣遙感檢測系統(tǒng)使用的是一種光譜分析技術(shù),其原理如圖1所示。光源探測器發(fā)射出探測光束,經(jīng)激光分束器分成測量光路和參考光路。當檢測車輛通過監(jiān)測區(qū)域時,測量光路信號通過尾氣煙羽后光源強度發(fā)生變換,再通過反射裝置反射到激光接收器。反射光路和參考光路經(jīng)信號放大處理后,通過計算光強差分信號從而測算尾氣煙羽中各組成成分的體積濃度分數(shù),并將測量結(jié)果最終存儲在工控機上。水平式機動車尾氣遙測系統(tǒng)主要適用于單車通過尾氣污染排放測量,垂直式機動車尾氣遙測系統(tǒng)通過垂直分車道檢測可實現(xiàn)多車道尾氣監(jiān)測,水平式和垂直式尾氣檢測設備如圖2所示。

圖1 尾氣遙感檢測系統(tǒng)原理[10]Fig.1 Mobile emission remote sensing detection system[10]

圖2 水平式(a)和垂直式(b)遙感檢測設備示意圖[10]Fig.2 Schematic of horizontal(a)and vertical(b)remote sensing detection equipment[10]

1.2 分析方法流程

國內(nèi)相關部門對移動源污染排放的數(shù)據(jù)處理、分析開展了各種研究[11,12],大多采取的是利用污染排放與各待定影響因素建立多元線性回歸模型,并使用最小二乘法估計回歸方程參數(shù),這種方法對數(shù)據(jù)的依賴性很大,無法處理多重共線性,并且不能保證所求的解是全局最優(yōu)解。Lasso算法是近年來被廣泛應用的變量選擇和參數(shù)估計方法,在做參數(shù)估計時可以很好地解決變量之間的多重線性問題。因此本研究采用由Robert[13]提出的Lasso這種有偏估計方法對變量進行篩選。Lasso參數(shù)估計定義為

式(1)可以使用二次規(guī)劃進行求解,其計算量往往較大,且式中λ很難給出準確值,因此下面使用最小角回歸(LARS)和交叉驗證方法解決Lasso計算問題[14]。

圖3為基于移動源遙感監(jiān)測的影響因素分析及排放預測方法的流程,主要包括以下步驟:

圖3 機動車尾氣排放預測模型流程Fig.3 Flow chart of vehicle exhaust emission prediction model

1)從車輛檢測數(shù)據(jù)庫中提取尾氣檢測表和車輛基本信息表,抽取尾氣遙測數(shù)據(jù)、車檢數(shù)據(jù)以及環(huán)境數(shù)據(jù)等相關數(shù)據(jù)。

2)對步驟1)抽取的相關數(shù)據(jù)進行預處理,得到建模數(shù)據(jù),進行Spearman相關性分析并建立Lasso變量選擇模型。

3)在Lasso變量選擇的基礎上,采用神經(jīng)網(wǎng)絡對尾氣遙測數(shù)據(jù)建立訓練模型,得到尾氣污染物CO、碳氧化合物(HC)、NO排放濃度預測模型。

2 移動源污染排放影響因素分析及預測模型構(gòu)建

對預處理好的數(shù)據(jù)進行描述統(tǒng)計性分析,變量描述性統(tǒng)計結(jié)果如表1所示。表中右邊四列從左到右分別為各屬性的最小值、最大值、均值、方差。

表1 主要變量的描述性統(tǒng)計Table 1 Descriptive statistics of main variables

根據(jù)預處理后的數(shù)據(jù)計算各屬性Spearman系數(shù)公式為

式中ρ為某一因素與排放物的Spearman系數(shù),xi為影響因素的第i個樣本值,為該屬性的均值,yi為污染物的第i個樣本值,為其均值。根據(jù)相應屬性的Spearman系數(shù)ρ計算其統(tǒng)計量T值為

式中T為影響因素與排放物的統(tǒng)計量;n為樣本數(shù)目,此處樣本數(shù)為3560。

圖4是依據(jù)式(2)、(3)計算的移動源污染排放中RCCO、RCHC、RC NO與其他外部變量的Spearman秩序相關系數(shù)熱力圖和在α=0.05下的T值檢驗的統(tǒng)計量熱力圖。從圖中可得出,在顯著性水平α=0.05(T=1.645)下,CO濃度與車長沒有統(tǒng)計學意義;HC濃度和基準質(zhì)量、速度、風向沒有統(tǒng)計學意義;NO濃度和風速、溫度、大氣壓沒有統(tǒng)計學意義。

圖4 變量的Spearman秩序相關系數(shù)(a)和T檢驗數(shù)值(b)Fig.4 Spearman′s rank correlation coefficient of variables(a)and T-test value of variables(b)

表2為利用Lasso得到的各影響因素的系數(shù)。從表中可以看出,Lars-Lasso變量選擇模型將與CO相關因素中的基準質(zhì)量、車長、風向的權(quán)重系數(shù)壓縮為0,與HC相關的因素中的基準質(zhì)量、加速度、車長、比功率的權(quán)重系數(shù)壓縮為0,與NO相關因素中的使用年限、加速度、比功率、溫度的權(quán)重系數(shù)壓縮為0。

表2 影響因素系數(shù)Table 2 Coefficient of influencing factors

針對移動源污染排放中的三類主要氣體CO、HC、NO,將Spearman顯著性檢驗中與各變量無統(tǒng)計學意義和Lasso變量選擇方法系數(shù)為0的屬性刪除,使用各自剩下的關鍵影響因素分別建立神經(jīng)網(wǎng)絡預測模型。神經(jīng)網(wǎng)絡采用基于TensorFlow的Keras庫搭建線性疊加模型。將預處理后的數(shù)據(jù)零均值歸一化后,數(shù)據(jù)集按照8:1:1的比例,將數(shù)據(jù)(3560條)劃分為訓練數(shù)據(jù)集(2848條)、驗證數(shù)據(jù)集(356條)和測試數(shù)據(jù)集(356條)。

大量研究表明[17-19],三層神經(jīng)網(wǎng)絡可以逼近任何一個非線性函數(shù),本研究采用這一經(jīng)典BP神經(jīng)網(wǎng)絡結(jié)構(gòu),依據(jù)經(jīng)驗公式可大致確定隱藏層神經(jīng)元數(shù)量,再使用隨機搜索去尋找最合適的神經(jīng)元數(shù)量和批量大小,基于經(jīng)驗手動調(diào)整學習率,各層使用Relu函數(shù)為激活函數(shù)。隱藏神經(jīng)元數(shù)的經(jīng)驗公式為

式中n為隱藏層神經(jīng)元數(shù)量,N為輸入層節(jié)點數(shù)目,M為輸出層節(jié)點數(shù)目,a∈[1,10]中的隨機數(shù)。圖5為BP神經(jīng)網(wǎng)絡結(jié)構(gòu)(三層)示意圖。

圖5 BP神經(jīng)網(wǎng)絡模型Fig.5 BP neural network

對CO的建模中,將使用年限、行駛速度、行駛加速度、比功率、風速、溫度、相對濕度、大氣壓這8項屬性作為CO的影響因子,將CO的濃度作為預測輸出;對HC的建模中,將使用年限、風速、溫度、濕度、大氣壓這5項屬性作為HC的影響因子,將HC的濃度作為預測輸出;對NO的建模中,將基準質(zhì)量、行駛速度、車長、相對濕度、大氣壓、風向這6項屬性作為NO的影響因子,將NO的濃度作為預測輸出。

表3為各研究成分網(wǎng)絡模型的具體參數(shù),基于該網(wǎng)絡結(jié)構(gòu)訓練,設置訓練次數(shù)為15000次,且使用早停法[20]避免過擬合,將早停法的停止條件設置為絕對誤差減小的最大次數(shù)等于20。圖6展示了基于神經(jīng)網(wǎng)絡預測模型(L-ANN)與支持向量回歸(SVR)、隨機森林(RandomForest)、未進行特征提取的神經(jīng)網(wǎng)絡ANN這三組對照模型的預測平均絕對誤差(MAE)和均方根誤差(RMSE)的對比。MAE和RMSE是衡量變量精度的兩個常用指標,MAE是所有預測值和實際值之間絕對差值的平均值,反應實際誤差的大小;而RMSE是預測值和實際值之間差異平方平均值的平方根,說明預測樣本的離散程度。從圖中可以看到,本文設計的模型在CO預測中MAE值為0.140%,RMSE值為0.224%;在HC預測中值為0.819×10-6,RMSE的值為4.776×10-6;在NO預測中MAE值為31.002×10-6,RMSE的值為89.820×10-6。預測的誤差均在可接受范圍內(nèi),且預測有著較高的準確性。

表3 預測模型參數(shù)Table 3 Parameters of prediction models

圖6 CO(a)、HC(b)和NO(c)預測模型對比Fig.6 Comparison of prediction models for CO(a),HC(b)and NO(c)

總體來看,設計的L-ANN模型的MAE和RMSE比其他預測模型都要小,性能最好;其次,SVR回歸模型的各項性能在絕大部分情況下優(yōu)于其它兩種模型?？梢?在各項移動源污染排放成分預測中,L-ANN模型的預測有著較出色的表現(xiàn)。

3 結(jié) 論

在影響移動源污染排放遙感監(jiān)測各成分的因素中,利用Spearman相關性分析和Lasso特征篩選確定使用年限、行駛速度、行駛加速度、比功率、風速、溫度、相對濕度、大氣壓這8項屬性是CO的關鍵影響因子;使用年限、風速、溫度、相對濕度、大氣壓這5項屬性是HC的關鍵影響因子;基準質(zhì)量、行駛速度、車長、相對濕度、大氣壓、風向這6項屬性是NO的關鍵影響因子。

在移動源污染排放成分預測結(jié)果對比實驗中,通過將本文提出的L-ANN模型與SVR、RandomForest和ANN模型對比發(fā)現(xiàn),針對移動源污染排放預測,L-ANN模型有著更高的準確性和穩(wěn)定性。本研究可以有效地降低尾氣檢測的成本,并為有關部門實現(xiàn)尾氣污染的高效監(jiān)管提供技術(shù)支持。

模型的訓練需要依靠大量的數(shù)據(jù),在數(shù)據(jù)量較少的情況下很難得到理想的實驗結(jié)果。為了克服這一點,在未來的研究中,可以依靠遷移學習,針對某一數(shù)據(jù)量足夠的移動源訓練得到模型后,再遷移到數(shù)據(jù)量缺乏的移動源中,以獲得較為準確的污染預測。