面向高排放移动源识别的集合值变换器网络
机器学习
2025-08-19 v1
摘要
识别高排放车辆是调控城市污染水平和制定交通排放减少策略的关键步骤。然而，在实际监测数据中，高排放状态的数据比例显著低于正常排放状态。这一长尾分布特征严重阻碍了在数据挖掘过程中提取排放状态识别的判别性特征。此外，车辆排放状态的高度非线性特性以及缺乏相关先验知识也为构建识别模型提出了重大挑战。为解决上述问题，我们提出了一种集合值变换器网络（Set-Valued Transformer Network, SVTN），以实现对高排放样本中判别性特征的全面学习，从而提升检测准确性。具体而言，该模型首先采用变换器测量微旅程条件变化的时序相似性，从而构建将原始高维排放数据投影到低维特征空间的映射规则。随后，采用集合值识别算法对生成的特征向量与其标签之间的关系进行概率建模，为分类算法提供准确的度量标准。为验证所提方法的有效性，我们在2020年河北城市的柴油车监测数据上开展了大量实验。结果表明，与基于变换器的基线方法相比，我方方法实现了9.5%的漏检率降低，凸显其在准确识别高排放移动污染源方面的卓越能力。
引用
@article{arxiv.2508.11976,
title = {Set-Valued Transformer Network for High-Emission Mobile Source Identification},
author = {Yunning Cao and Lihong Pei and Jian Guo and Yang Cao and Yu Kang and Yanlong Zhao},
journal= {arXiv preprint arXiv:2508.11976},
year = {2025}
}