基于改进LSTM的重型柴油车远程监测NO_x浓度缺失数据填补

作者：邓明星; 欧阳含笑; 钱枫; 祝能; 许小伟

来源：环境科学学报, 2023, 43(11): 245-257.

DOI：10.13671/j.hjkxxb.2023.0146

• 重型柴油车
• 缺失数据填补
• 注意力机制
• 卷积神经网络
• 长短期记忆网络

氮氧化物（NOx）浓度是重型柴油车远程排放治理研究中的关键指标.车辆实际行驶时，由于NOx传感器控制策略的限制，导致NOx浓度采集数据存在大量缺失，影响了远程监控系统对重型柴油车NOx排放状况的有效评估.鉴于此现象，本文提出了一种改进的长短时记忆网络数据填补模型（SE-CNN-BiLSTM）对NOx浓度缺失数据进行精确填补.首先，采用皮尔逊相关性和主成分分析确定最优特征子集作为模型输入，使用滑动窗口划分模型训练集、测试集和验证集；其次，引入通道注意力模块（SE-block）优化一维卷积神经网络（1D-CNN），增强填补模型特征提取能力；在此基础上，由双向长短时记忆网络（BiLSTM）学习监测缺失数据的前后变化规律并完成模型训练和填补；最后，通过对比分析试验，验证所提模型对NOx浓度数据填补的有效性和适用性.结果表明，基于SE-CNN-BiLSTM模型的缺失数据填补方法能够有效解决NOx浓度数据缺失问题，从而提高了远程监控系统对NOx排放状况评估的准确性.

• 单位
  武汉科技大学