重建重型柴油车载车辆OBD数据中缺失的NOx排放量:一种机器学习方法
Zeping Cao1, Yanan Wang1, Xiaoyang Zhao1
1Tianjin Key Laboratory of Urban Transport Emission Research & State Environmental Protection Key Laboratory of Urban Ambient Air Particulate Matter Pollution Prevention and Control, College of Environmental Science and Engineering, Nankai University, Tianjin 300071, China.
Journal of hazardous materials
|May 15, 2025
概括
本研究介绍了一种机器学习方法,用于重型柴油车载车载诊断 (OBD) 系统中重建缺失的数据. 这种方法可以提高现实世界排放数据的准确性,以便制定更好的污染控制策略.
科学领域:
- 环境科学 环境科学
- 机械工程 机械工程
- 数据科学数据科学数据科学
背景情况:
- 车载诊断 (OBD) 系统对于监测重型柴油车辆运行和氧化 (NOx) 排放至关重要.
- 现有的OBD系统经常缺少数据,阻碍了准确的真实世界排放评估.
- 准确的排放数据对于制定有效的减排策略至关重要.
研究的目的:
- 开发一种基于数据的方法,使用机器学习来重建重型柴油车辆缺少的OBD数据.
- 评估机器学习模型在预测上游和下游NOx排放方面的性能.
- 量化缺少数据对NOx总排放的影响,并为政策决策提供信息.
主要方法:
- 使用OBD记录的上游和下游NOx排放数据.
- 开发和应用机器学习模型用于数据重建.
- 使用R平方值验证了模型性能,并对选定的车辆进行了案例研究.
主要成果:
- 机器学习模型在预测上游NOx排放方面实现了高精度 (R2>0.9).
- 下游NOx排放预测性能有显著差异 (R2从0.05到0.98),与基于燃料的排放因子相关.
- 一辆车的缺失数据占总NOx排放量的很大一部分 (15,741.3μg),突显了数据缺口的影响.
结论:
- 拟议的数据驱动方法有效地重建缺失的OBD数据,提高真实世界排放表示的准确性.
- 该方法与大数据平台兼容,可扩展到各种车辆.
- 提高排放数据的准确性将使决策者能够实施更有针对性和有效的污染减缓战略.
