基于维度规约的快速路全时段排放模型适应性研究

摘要：

针对城市快速路汽车污染物排放控制需要,紧扣不同排放模型在映射不同时段排放影响因素与排放率关系方面的差异,以排放测试车辆实际工况排放序列为数据源,分别将反向传播神经网络(Back Propagation Neural Network,BPNN)、广义回归神经网络(General Regression Neural Network,GRNN)和径向基函数神经网络(Radial Basis Function,RBFNN)与平均影响值(Mean Impact Value,MIV)方法相结合,构建维度规约模型.以95％累计贡献率为阈值对排放预测模型输入维度进行降维的基础上,分析神经网络在维度规约前后在不同时段的预测污染物排放率适应性.结果表明:维度规约后BPNN和GRNN模型的R2及MSE在全时段排放数据集中的预测性能提升1.19％、10.14％、6.51％、15.56％,RBF模型对维度规约不敏感;全时段GRNN模型的R2和其余两个模型相比提高10.18％和7.68％,MSE和其余两个模型相比降低0.0396和0.0446,同时MAPE显著降低7.38％和3.86％,揭示GRNN模型在预测快速路污染物排放方面与GRNN和RBF相比具有较好的鲁棒性;分析GRNN在不同时段的预测性能发现,平峰时段预测R2与早高峰和晚高峰相比提升3.10％和4.37％,MSE和其他两个时段相比下降0.0303、0.0157,MAPE降低0.4117、0.2857.表明,快速路不同时段交通状态、交通流和驾驶行为影响下的排放时间序列的异常波动对不同排放模型的鲁棒性和泛化能力的影响显著,为今后排放模型研究当中引入排放时段和交通状态等参量提供依据.

关键词：交通工程、模型适应性、维度规约、排放预测、神经网络

所属期刊栏目：23

分类号：U491.9(交通工程与公路运输技术管理)

在线出版日期：2023-03-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：245-253