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：深圳市城市交通规划设计研究中心股份有限公司

摘要：本发明提出一种高分辨率排放因子匹配方法，属于排放因子匹配技术领域。包括以下步骤：S1.监测驾驶工况和排放数据；S2.将驾驶工况数据匹配到对应道路网络，还原车辆运行路径轨迹，进行环境工况匹配得到对应道路的地理信息数据；S3.构建排放因子匹配模型，排放因子匹配模型输入为驾驶工况和地理信息数据，排放因子匹配模型输出秒级时间排放因子。解决现有技术中存在难以通过固定映射关系来匹配和解析、缺少范化过程影响匹配精度的技术问题。本发明的深度学习相比数据库匹配或解析模型等传统方法，具备更强复杂关系与不规律解析能力，有助于提高因子匹配的精度和灵活性。

主权项：1.一种高分辨率排放因子匹配方法，其特征在于，包括以下步骤：S1.监测驾驶工况和排放数据；S2.将驾驶工况数据匹配到对应道路网络，还原车辆运行路径轨迹，进行环境工况匹配得到对应道路的地理信息数据；环境工况匹配：基于还原车辆运行路径轨迹获得路径的路段编号，接入对应时段内交通态势、环境气象数据，接入每个匹配点对应地点道路的地理信息数据；S2具体步骤为：S21.计算GPS点落在某一路段上的观测概率；GPS观测序列是由多个GPS经纬度组成的时间序列数据，根据GPS经度和纬度，计算每一个GPS点车辆距离周边路段i的投影距离d1，将d1输入观测概率模型，计算得到当前GPS点落在周边路段i的观测概率Pi；S22.计算GPS点之间的状态转移概率；计算前一GPS在路段i上的投影点至后一GPS点在路段j上的投影点的长度d2，将d2输入状态转移概率模型，计算得到GPS点从路段i转移至路段j的状态转移概率Pij；S23.基于维特比算法求解最大可能路径；根据GPS点的观测概率及状态转移概率，计算每个GPS点落在某一路段上的最大可能概率，最大可能概率计算公式为： 其中，i、j、I分别为前、后GPS点投影的路段编号及前一GPS点的投影路段状态空间，p′j为前一GPS点从投影路段空间I转移至j的最大可能概率，pi、pij、pj分别为前GPS点落在路段i上的观测概率、GPS点从路段i转移至路段j的状态转移概率和后GPS点落在路段j上的观测概率；S24.最大可能运行轨迹回溯；根据p′j确定GPS点的最大可能投影路段，连接每个GPS点的最大可能投影路段，形成匹配至路段的完整车辆运行路径；S3.基于循环神经网络和注意力机制构建排放因子匹配模型，排放因子匹配模型输入为驾驶工况和地理信息数据，排放因子匹配模型输出秒级时间排放因子；排放因子匹配模型包括编码层、上下文转译层和解码层；编码层采用改进循环神经网络，将运行工况序列转译为上下文向量，单个GRU隐含状态为：Zi＝σWz·[Xi,Hi-1]Ri＝σWr·[Xi,Hi-1] 其中，σ为激活函数；Xi为排放因子匹配模型中i时刻输入单元输入的工况特征向量，Zi为编码层更新门、Ri为编码层重置门，Wz、Wr、Wh分别为编码层训练参数；Hi为编码层隐藏状态；为编码层上一时间片隐含状态Hi-1与Xi的中间运算结果，为候选隐藏状态；为哈达玛积；上下文转译层利用注意力机制理解序列关联，输出上下文向量并传递给下游任务；上下文向量是编码层隐含状态的加权和Cl，权重αtk代表解码器当前状态对第k个编码层状态的关注程度，上下文向量的数学表达式为： 其中，为学习的对齐模型，设为前馈神经网络；Hk为第k个编码层在i时刻输出的隐含状态，St-1为解码器在t-1时的隐含状态，解码器初始状态为编码层的输出隐含状态；αtk为解码器当前状态t对第k个编码层隐含状态的关注程度；Ct为上下文向量；解码器采用改进循环神经网络GRU，将上下文向量转译为排放序列输出，解码器中GRU计算的数学表达式为：Z't＝σW'z·[Yt-1,St-1,Ct]+b'zR't＝σWr'·[Yt-1,St-1,Ct]+b't Yt＝softmaxW'o·St+b'o其中，St为解码器在t时的隐藏状态，St-1为解码器在t-1时的隐含状态，为候选隐藏状态；Z't为解码器更新门、R't解码器重置门，W'z、W'r、W'h、W'o、b'z、b't、b'h、b'o分别为解码器训练参数。

全文数据：

权利要求：

百度查询： 深圳市城市交通规划设计研究中心股份有限公司 一种高分辨率排放因子匹配方法