基于道路遥感与机器学习的轻型汽油车排放快速评估
机器学习
2021-10-04 v1 大气与海洋物理
摘要
及时准确的在途车辆排放评估在城市空气质量与健康政策制定中起着核心作用。然而，官方认知受限于每年在实验室进行的检测/维护（I/M）程序。它不仅与现实世界情形（如气象条件）存在巨大差距，而且无法进行常规监管。在此我们构建了一个独特的数据集，包含103831辆轻型汽油车，其中道路遥感（ORRS）测量通过车辆识别号和车牌与I/M记录相关联。在此基础上，我们开发了一个集成模型框架，整合了三种机器学习算法，包括神经网络（NN）、极端梯度提升（XGBoost）和随机森林（RF）。我们证明该集成模型可快速评估车辆特异性排放（即CO、HC和NO）。特别是，该模型在常规条件下（即较低VSP（< 18 kw/t）、温度（6 ~ 32 {\deg}C）、相对湿度（< 80%）和风速（< 5m/s））对通过车辆表现良好。结合当前排放标准，我们在现实世界中识别出大量脏车（2.33%）或清洁车（74.92%）。我们的结果表明，借助此处开发的基于机器学习的集成模型，ORRS测量可实现对在途车辆特异性排放的逐日监管。该框架为在全球改革I/M程序并深度缓解城市空气污染提供了宝贵机遇。
引用
@article{arxiv.2110.00260,
title = {Rapid Assessments of Light-Duty Gasoline Vehicle Emissions Using On-Road Remote Sensing and Machine Learning},
author = {Yan Xia and Linhui Jiang and Lu Wang and Xue Chen and Jianjie Ye and Tangyan Hou and Liqiang Wang and Yibo Zhang and Mengying Li and Zhen Li and Zhe Song and Yaping Jiang and Weiping Liu and Pengfei Li and Daniel Rosenfeld and John H. Seinfeld and Shaocai Yu},
journal= {arXiv preprint arXiv:2110.00260},
year = {2021}
}