买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：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)

摘要：本发明的一种基于LSTM演化聚类的移动源污染异常排放检测方法及介质，其中方法以机动车OBD时序数据为研究对象,步骤如下：机动车OBD时序数据集抽取；机动车尾气污染物排放影响因素相关性分析；机动车时间序列行驶工况构建；车辆尾气排放无监督检测模型构建。本发明的基于LSTM演化聚类的移动源污染异常排放检测方法利用进化算法演化原理来优化输入数据时间步的权值，帮助LSTM提升对时间步的关注，进一步提高污染物浓度预测准确度；可帮助技术人员分析和处理车辆异常排放，为降低城市空气污染提供了一种可行的方法。

主权项：1.一种基于LSTM演化聚类的移动源污染异常排放检测方法，其特征在于，通过计算机设备执行以下步骤，采集道路移动源的车载诊断系统监测数据，输入到事先设置的污染物NOx的LSTM演化优化排放预测模型进行污染异常排放检测；其中，污染物NOx的LSTM演化优化排放预测模型的构建步骤如下：S1：机动车OBD数据集抽取；即采集道路移动源的车载诊断系统监测数据，其包含尾气中的污染物NOx及其他车辆属性数据，并对数据集进行预处理操作；S2：污染物排放影响因素相关性分析；即对多种属性数据进行Spearman相关性分析，计算各属性与污染物NOx的相关系数，筛选出指定的影响属性；S3：时序动态行驶工况构建；即将污染物NOx和车辆指定影响属性组成多维时序工况数据集，并将其划分为训练集、测试集和验证集；S4：尾气排放无监督检测模型构建；即构建污染物NOx的LSTM演化优化排放预测模型，并采用无监督的聚类算法聚合出高排放类别；S41：构建LSTM演化优化模型，使用进化算法优化LSTM模型的注意力层权重参数，其中；进化算法优化LSTM的具体过程如下：1初始化种群与个体；对输入步长为t的训练集进行01编码，假设种群大小为n，则编码n个个体，且每个个体编码长度为6×t；2计算权重和适应度值；将个体上每6个单位长度的01编码信息视为一个2进制数值，并将其转化为10进制，共t个，分别对应为时间步中t项的权重；该权重与步长t的训练集进行数组乘法运算，所得结果喂入LSTM网络，且网络的预测误差作为该个体的适应度值；当代种群共得到n个个体的适应度值；3选择；将种群随机均分成m组，1mn，且n可被m整除，选择每组中适应度最优的个体；4交叉和变异；将步骤3选择得到的多个个体进行排列组合配对即2个一对，再进行交叉操作产生子代个体，并伴随一定的变异概率；5产生新种群；将步骤3选择得到的个体和步骤4新产生的子代个体组成新种群，其余个体被淘汰；步骤4产生的子代个体数需满足条件：新种群和原种群拥有相同规模；6重复p次步骤2-5，即进化了p代；在最后一代种群中选择适应度最优的个体作为待求注意力权重的最优解；S42：在S41模型得到污染物浓度的预测结果后，使用无监督的K-means聚类算法对污染物浓度的预测误差和影响属性组成的数据集进行标准化；标准化的计算方式如下： 其中，μ表示X所处列的均值，σ表示X所处列的方差；S43：对步骤S42得到的标准化数据集进行K-means聚类；S44：步骤S43中，使用DBI指标确定K-means聚类算法的最佳簇别数k，k∈{2，3，4，5，6}；DBI的计算方式如下： 其中，k表示簇别数，avgCi表示第i类样本点到到簇中心ui的欧式距离平均值，dcenui，uj表示第i类簇中心ui与第j类簇中心uj之间的欧式距离；S45：在步骤S44得到最佳簇别数k之后，通过计算得分来判别高排放类别；簇别i得分的计算方式如下： 其中，1≤i≤k，μ，μi代表簇别i污染物预测误差的平均值，σ，σi代表簇别i污染物预测误差的标准差，θi表示簇别i的数量占比，0＜θi＜1；步骤S46：根据步骤S45计算得到的得分集合S＝{S1，S2，...，Sk}，选择集合中的最大值Smax所对应的类别为高排放类别。

全文数据：

权利要求：

百度查询： 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) 基于LSTM演化聚类的移动源污染异常排放检测方法及介质