(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 202111269866.9 (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　王仁军　康宇　曹洋　 王瑞宾　 (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) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/12(2006.01) (54)发明名称 基于LSTM演化聚类的移动源污染异常排放 检测方法及 介质 (57)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。 权利要求书3页 说明书9页 附图3页 CN 113919235 A 2022.01.11 CN 113919235 A 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Sp earman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。 2.根据权利要求1所述的基于LSTM演化聚类的移动源污染异常排放检测方法， 其特征 在于： 上述 步骤S1具体细分为如下步骤： S11： 从柴油车OBD数据上采集， 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、 无关属性删除等预处理操作， 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LSTM演化聚类的移动源污染异常排放检测方法， 其特征 在于： 上述 步骤S2具体细分为如下步骤： S21： 尾气污染物NOx与影响因素的Spearman相关系数ρ 的计算公式如下： 其中， xi为影响因素 的第i个样本值， 为该属性的均值， yi为污染物的第i个样本值， 为其均值； S22： 根据相关系数ρ 的计算结果选择主 要影响属性， 表达式为： |ρ |≥0.4。 4.根据权利要求3所述的基于LSTM演化聚类的移动源污染异常排放检测方法， 其特征 在于： 步骤S3： 时序动态行驶工况 数据集构建与划分具体细分为如下步骤： S31： 确定样本总数n， 时间步长t， 属性维度m， 构建时序属性数据集X＝{X1， X2， ...， Xp， ...， Xn‑t+1}， 其中 其对应的标签数据集y＝{y1， y2， ...， yp， ...， yn‑t+1}， 其中 S32： 按照比例7∶2 ∶ 1将时序数据集划分为训练集、 测试集和验证集。 5.根据权利要求4所述的基于LSTM演化聚类的移动源污染异常排放检测方法， 其特征权　利　要　求　书 1/3 页 2 CN 113919235 A 2在于： 上述 步骤S4： 尾气排 放无监督检测模型构建可细分为如下步骤： 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； 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， avg(Ci)表示第i类样本点到到簇中心ui的欧式距离平均值， dcen (ui， 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。 6.根据权利要求5所述的基于LSTM演化聚类的移动源污染异常排放检测方法， 其特征 在于： 所述 步骤S41具体包括： LSTM网络有三个门控， 分别为输入门、 输出门、 遗 忘门； 对于LSTM网络， 假设ft， it， ot分别表示在t时刻情况下遗忘门、 输入门和输出门的数值， 则它们的计算方式如下： ft＝σ(Wxfxt+Whfht‑1+WcfCt‑1+bf) it＝σ(Wxixt+Whiht‑1+WciCt‑1+bi) ot＝σ(Wxoxt+Whoht‑1+WcoCt‑1+bo) 其中， Xt表示t时刻输入的数据， ht‑1表示t‑1时刻的输出值， Ct‑1表示t‑1时刻的单元记忆 值， W**表示权重系数， b*表示偏置向量， σ 表示sigmo id函数， 其 函数表达式如下： 其中， σ(x)∈(0,1)。 7.根据权利要求6所述的基于LSTM演化聚类的移动源污染异常排放检测方法， 其特征 在于： 所述 步骤S41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0/1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；权　利　要　求　书 2/3 页 3 CN 113919235 A 3