1.一种机动车尾气排放数据融合系统，其特征在于：包括道边空气污染物浓度估计模
块、道边空气污染物浓度预报模块、城市全局大气环境预测模块、机动车尾气排放因子估计模块与机动车尾气排放特征分析模块；实现对机动车尾气遥测数据及机动车属性、行驶工况、检测时间、气象条件数据的存储、分析与融合，结合车载诊断系统数据库、便携式排放测试系统数据库、车检所离线数据库、交通信息数据库与地理信息数据库，对机动车尾气遥测数据进行分析处理，实现机动车尾气排放因子估计、机动车尾气排放特征分析、道边空气污染物浓度估计、道边空气污染物浓度预测及城市全局环境预测，为环保部门的政策制定与执法提供科学依据；
道边空气污染物浓度估计模块，使用一种基于重构深度学习的道边空气污染物浓度预
测方法来实现，根据道边空气污染物的时空分布特点，基于重构深度学习方法对深度重构Elman模型进行训练，当训练完成后，输入实时的路网信息、气象信息和交通信息，即可获得实时的道边空气污染物浓度估计值；
道边空气污染物浓度预报模块，使用一种基于LSTM-RNN模型的空气污染物浓度预报方
法来实现，根据历史空气污染物浓度数据，提出基于LSTM-RNN模型的预报方法，模型训练完成后，该模型可预报当前或未来某一时刻的空气污染物浓度；
城市全局大气环境预测模块，使用一种基于CFD及多数据源的城市实时全局环境估计
方法来实现，结合城市环境监测站点历史数据、全球中尺度气象预测结果、国家气象数据、城市重点污染源数据、城市地理三维模型及机动车尾气遥测设备的实时监测数据，利用流体力学CFD作为计算引擎，根据气象信息自适应切换环境质量模式，采用多尺度网格离散化城市模型并引入多组分污染模型，实现城市全局大气环境的实时预测；
机动车尾气排放因子估计模块，使用一种基于MLP神经网络的机动车尾气排放因子估
计方法来实现，利用机动车尾气遥测设备采集的实际道路上的机动车尾气排放数据以及其他相关数据建立机动车尾气CO、HC及NO的排放因子数据库，并据此建立针对于CO、HC和NO的MLP神经网络模型，实现机动车尾气排放因子的实时在线估计；
机动车尾气排放特征分析模块，使用一种基于聚类分析的车辆尾气排放特征分析处理
方法来实现，采用灰色关联分析方法从车辆类型、行驶工况、燃料类型、车辆使用年限、风速、气温中找出影响尾气排放的主要影响因素，作为车辆尾气排放特征分析的核心维度特征参数，利用基于密度的聚类算法对机动车进行尾气排放贡献程度的分类；
上述五个模块分别实现不同的数据分析功能，选择不同的模块即可实现不同的功能；
可以单独使用，也可以两个或两个以上组合作用；
在需要获得实时的道边空气污染物浓度估计值时，采用道边空气污染物浓度估计模
块；
在根据历史空气污染物浓度数据预报当前或未来某一时刻的空气污染物浓度时，采用
道边空气污染物浓度预报模块；
在需要城市全局大气环境的实时预测时，采用城市全局大气环境预测模块；
在需要进行机动车尾气排放因子的实时在线估计时，采用机动车尾气排放因子估计模
块；
在分析影响尾气排放的主要影响因素，或对机动车进行尾气排放贡献程度进行分类时
采用机动车尾气排放特征分析模块。
2.根据权利要求1所述的机动车尾气排放数据融合系统，其特征在于：所述道边空气污
染物浓度估计模块中，一种基于重构深度学习的道边空气污染物浓度实时预测方法包含以下步骤：
步骤1：基于重构深度学习方法，根据道边空气污染物的时空分布特点，形成道路空气
污染物浓度数据集，构建深度重构Elman模型；所述道边空气污染物包括一氧化碳CO、二氧化碳CO2、氮氧化物NOx；所述深度重构Elman模型包括：主网络和次网络；主网络具有前馈连接和反馈连接结构，含有局部记忆能力，主网络依次由输入层、承接层、中间层和输出层构成；次网络用于主网络初始化，次网络含有一个可视层和一个隐含层；
步骤2：根据限制玻耳兹曼机的特征，从道边空气污染物浓度数据集中随机选取部分数
据，完成深度重构Elman模型的初始化；
步骤3：采用梯度下降算法，对深度重构Elman模型进行训练，得到能够对道边空气污染
物浓度进行实时预测的深度重构Elman模型，以实时的路网信息、气象信息、交通信息因素作为Elman模型的输入，Elman模型输出为对应的实时道边空气污染物浓度；所述路网信息包括路段车道数、道路绿化程度、道路建筑物高度、建筑物与道边距离；所述气象信息包括温度、湿度、天气、风速和风向；所述交通信息车种比例、车流量、通过时间、停止时间和拥塞时间。
3.根据权利要求2所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于重
构深度学习的道边空气污染物浓度实时预测方法中，所述步骤2实现如下：
(1)对道路空气污染物浓度数据集中的数据进行归一化处理，并将数据集按照60％、
20％、20％的比例划分为训练集、验证集、测试集；
(2)对限制玻尔兹曼机设置重构误差阈值，利用训练集中的输入数据对限制玻尔兹曼
机进行训练，其中可视层单元个数为14，隐含层单元个数为37，关于状态的损失函数Jres(xpol,hpol,θ)为：

其中，xpol,i为影响道边空气污染物浓度的因素之一，hpol,j为xpol,i的另一种表达，θrac＝{ωrac,i,j,αrac,iβ, rac,j}，αrac,i、βrac,j分别为可视单元和隐含单元的偏差向量，ωrac,i,j是权重矩阵，N9、L9分别为可视单元和隐含单元的数量；
限制玻尔兹曼机参数的梯度求解方法如下：



其中，prob(xpol,θ)是可视单元的概率，prob(hrac,j＝1|xpol,θ)是隐含单元的条件概分布；
(3)初始化Elman模型，其中用限制玻尔兹曼机中训练好的矩阵ωrac初始化输入层权重
中间层权重 和承接层权重 用零矩阵初始化。
4.根据权利要求2所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于重
构深度学习的道边空气污染物浓度实时预测方法中，所述步骤3实现如下：
(1)根据深度重构Elman模型的非线性状态空间表达式计算第m次迭代输出的道边空气
污染物浓度yrac(m)；
(2)根据梯度下降算法计算道边空气污染物浓度损失函数Jrac，若污染物浓度损失函数
的值小于初始化中设置的误差阈值或者迭代次数值m大于等于初始化中设置的最大迭代次数，则训练结束，进入步骤(5)，否则进去步骤(3)；
(3)根据梯度下降算法计算道边空气污染物浓度损失函数关于深度重构Elman模型的
权重参数 的偏导数，计算方法如下：



其中，Jrac(m)是道边空气污染物浓度损失函数，n表示输入层的第n个单元，j表示
输出层的第j个单元，l表示中间层的第l个单元，表示隐含层的第 个单元，m是迭代次
数，是求偏导符号， 是道边空气污染物浓度损失函数关于
的偏导数，η1、η2、η3分别是 的学习率，
分别是深度重构Elman模型的中间层到输出层权重参数、输入层到
中间层权重参数、承接层到中间层权重参数；
(4)然后根据权重参数的偏导数对权重参数进行更新，更新规则如下：



更新完毕后，返回步骤(1)；
(5)训练结束，模型的权重参数确定，所得模型即为能够对道边空气污染物浓度进行实
时预测的深度重构Elman模型，将实时的路网信息、气象信息、交通信息因素输入到模型中，通过模型即可输出预测的实时道边空气污染物浓度结果。
5.根据权利要求1所述的机动车尾气排放数据融合系统，其特征在于：道边空气污染物
浓度预报模块中，一种基于LSTM-RNN模型的空气污染物浓度预报方法包含以下步骤：
步骤一，首先收集目标城市较长时间内的空气污染物浓度数据，作为历史数据，并存入
数据库；
步骤二，然后通过对收集到的历史数据进行预处理，构造待训练的LSTM-RNN(Long 
Short-Term Memory，长短时记忆)模型的训练样本数据、验证样本数据和测试样本数据；
步骤三，通过训练样本数据得到预先训练的LSTM-RNN模型，然后通过构造的验证样本
数据和测试样本数据微调训练得到的LSTM-RNN模型参数，通过进一步修正LSTM-RNN模型参数，提高LSTM-RNN模型精度，将该修正后的LSTM-RNN模型作为空气污染物浓度预报模型；
步骤四，将预处理后的目标城市较长时间内的空气污染物浓度数据作为LSTM-RNN模型
的输入数据，通过LSTM-RNN模型对输入数据进行学习，最终LSTM-RNN模型输出得到当前或未来某一时刻的空气污染物浓度预报的结果。
6.根据权利要求5所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于
LSTM-RNN模型的空气污染物浓度预报方法中，所述步骤一中，收集目标城市较长时间内，即一年的空气污染物浓度数据，选取与空气污染物浓度有关的数据进行汇总，对于其中部分缺失的数据，采用平均值法填补缺失数据，并存入数据库。
7.根据权利要求5所述的机动车尾气排放数据融合系统，其特征在于：一种基于LSTM-
RNN模型的空气污染物浓度预报方法中，所述步骤一中的平均值法为：采用缺失数据前N10个与后N10个数据取平均值的方法，N10表示前后取数的个数，取值为20-30个。
8.根据权利要求5所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于
LSTM-RNN模型的空气污染物浓度预报方法中，所述步骤二中，构造待训练的LSTM-RNN模型的训练样本数据：从数据库中读出目标城市的污染数据，进行归一化处理，构成LSTM-RNN模型的输入特征向量，并按照75％、15％、10％的比例划分为训练样本数据、验证样本数据和测试样本数据。
9.根据权利要求5所述的机动车尾气排放数据融合系统，其特征在于：一种基于LSTM-
RNN模型的空气污染物浓度预报方法中，步骤二中所述归一化处理方法为min-max归一化方法，对收集到的目标城市较长时间内的空气污染物浓度数据做归一化处理，使其值在0到1之间。
10.根据权利要求5所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于
LSTM-RNN模型的空气污染物浓度预报方法中，所述步骤三中，LSTM-RNN模型采用具有1个输入层、5个隐藏层，输出层，使用identity函数来执行回归。
11.根据权利要求5所述的机动车尾气排放数据融合系统，其特征在于：一种基于LSTM-
RNN模型的空气污染物浓度预报方法中，所述步骤三中的5个隐藏层采用LSTM(长短时记忆)单元，该单元具有三个门：输入门表示是否允许采集的新的污染物浓度数据信息加入到当前隐藏层节点中，如果为1即门开，则允许输入，如果为0，即门关，则不允许，这样就可以摒弃掉一些没用的输入信息；遗忘门表示是否保留当前隐藏层节点存储的历史污染物浓度数据，如果为1即门开，则保留，如果为0，即门关，则清空当前节点所存储的历史污染物浓度数据；输出门表示是否将当前节点输出值输出给下一层，即下一个隐藏层或者输出层，如果为
1，即门开，则当前节点的输出值将作用于下一层，如果为0，即门关，则当前节点输出值不输出。
12.根据权利要求11所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于
LSTM-RNN模型的空气污染物浓度预报方法中，所述隐藏层的LSTM单元具体公式表示如下：




Hair，t＝ottanh(ct)
其中sig为逻辑sigmoid函数，xair表示LSTM-RNN模型的输入特征向量， Φ、o、c、
Hair分别表示输入门(input gate)、遗忘门(forget gate)、输出门(output gate)、单
元激活向量(cell activation vectors)，隐藏层， 分别为
LSTM-RNN模型的输入特征向量、隐藏层单元、单元激活向量与输入门之间的权重矩阵，
Ωair，c，Φ分别为LSTM-RNN模型的输入特征向量、隐藏层单元、单元激
活向量与遗忘门之间的权重矩阵， Ωair，c，o分别为LSTM-RNN模型的输
入特征向量、隐藏层单元、单元激活向量与输出门之间的权重矩阵， 分
别为LSTM-RNN模型的输入特征向量、隐藏层单元与单元激活向量之间的权重矩阵，所述权重矩阵均为对角阵； βair，Φ、βair，o、βair，c分别为LSTM-RNN模型输入门、遗忘门、输出门、单元激活向量的偏差值，t作为下标时表示时刻，tanh为激活函数。
13.根据权利要求1所述的城市路网机动车尾气排放遥感监控系统，其特征在于：城市
全局大气环境预测模块中，一种基于CFD及多数据源的城市实时全局环境估计方法包含以下步骤：
步骤一，提取城市三维模型数据，使用模型片段数简化方法进行所述三维模型融合，并
将地理信息映射到所述三维模型，生成具有地理信息的简化城市三维模型；
步骤二，选定城市的待求解区域，在待求解区域中，对第一步所得简化城市三维模型进
行六面体网格划分，融入城市重点污染源GIS信息及城市主要街道GIS信息，然后使用多尺度网格划分方法对重点污染源区域、主要街道进行细网格划分，生成多尺度网格化城市三维模型；
步骤三，使用Realizable k-ε湍流模型封闭城市大气流场方程，加入太阳辐射方程，得到城市大气流场控制方程；
步骤四，将城市重点污染源的排放数据、机动车尾气排放的实时数据通过匹配地理位
置坐标点方法，映射到第二步所得城市三维模型重点污染源位置及主要街道位置所在处，生成城市重点污染源排放时空分布Q1j(ξ1，ξ2，ξ3，t)，其中ξ1，ξ2，ξ3为坐标变量，t为时间变量；及主要街道尾气污染物源浓度分布Q2j(ξ1，ξ2，t)，融合城市环境监测站点污染物浓度数据，采用双线性插值生成全局污染物浓度初步估计分布Yenv，j，使用污染物输送方程综合上述所述三种数据源，即Q1j(ξ1，ξ2，ξ3，t)、Q2j(ξ1，ξ2，t)和Yenv，j，得到实时污染物输送模型；
步骤五，将多数据源全国尺度风场、污染物分布数据及ECMWF气象数据，作为城市模型
求解区域时变边界参数，利用大气边界层理论得到入流面、出流面、上边界及下垫面边界条件；
步骤六，利用计算流体力学CFD求解器在第二步所得城市三维网格模型上对第三步所
得流场控制方程及第四步污染物输送模型离散化，按第五步的时变边界条件，进行城市全局流场求解，得到无气象因素实时环境质量分布；
步骤七，结合城市气象数据，针对不同降水气象，包括降雪和降雨，对第六步CFD湍流模型计算所得无气象因素实时环境质量分布的计算结果进行对应沉降作用处理，得到城市实时全局环境质量分布；
步骤八，在第七步得到当前时刻城市实时全局环境质量分布当前时刻环境质量分布计
算结果基础上，载入下一时刻气象数据，重点污染源排放数据，机动车尾气排放数据，进行实时循环计算，生成城市实时全局环境质量分布动态估计。
14.根据权利要求13所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于
CFD及多数据源的城市实时全局环境估计方法中，所述步骤一中，提取城市三维模型数据，使用模型片段数简化方法进行所述三维模型融合，并将地理信息映射到所述三维模型，生成具有地理信息的简化城市三维模型的方法为：
(1)使用3D ripper分析谷歌地球运行时DirectX数据流，导出带有地理信息的三维城
市建筑模型；
(2)使用STL模型简化技术合并步骤(1)所得三维城市建筑模型三角面，得到简化城市
建筑模型；
(3)匹配步骤(2)所得三维城市建筑模型与地理信息特征点，将地理信息映射到三维城
市建筑模型，生成具有地理信息的简化城市三维模型。
15.根据权利要求13所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于
CFD及多数据源的城市实时全局环境估计方法中，所述步骤三中，使用Realizablek-ε湍流模型封闭城市大气流场方程，Do模型描述太阳辐射，得到城市大气流场控制方程的方法为：
(1)采用Realizable k-ε湍流模型，即RKE模型对稳态不可压缩连续性方程进行封闭，
设定Realizable k-ε湍流模型参数：方程常数L11，湍动能及耗散率的湍流普朗特数σk，σε，得到湍流控制方程；
(2)使用气象数据中太阳辐照强度数值，确定当前入射辐射强度 代入辐射
传热方程，计算辐射对流场及温度影响，联合步骤(1)中湍流控制方程得到城市大气流场控制方程组。
16.根据权利要求13所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于
CFD及多数据源的城市实时全局环境估计方法中，所述步骤四中，使用污染物输送方程综合三种数据源，得到污染物输送模型的步骤为：
(1)利用环保部及省市环保厅提供的国控重点企业监测公开信息中各企业排放数据，
将重点污染源模型化为点源分布，指定污染源坐标，源强可定义污染源在模型中的位置及排放量，得到重点企业污染源的时空分布模式Q1j(ξ1，ξ2，ξ3，t)，其中：i为污染来源种类，此处记企业污染源为i＝1，j为污染物种类，Qj(ξ1，ξ2，ξ3，t)为某种污染物的源项；
(2)根据配套开发的机动车尾气检测系统所得污染物数据，使用线性插值公式对介于
监测点1，2之间的尾气浓度进行插值，估计街道峡谷内尾气成分浓度值，

式中Q2j，1为相邻两个机动车尾气检测点所得污染物浓度数据， 为插值点，监测点
1，监测点2地理坐标值；将街道污染物浓度匹配城市模型对应街道，得到污染物浓度地图，建立城市路道污染源浓度时空分布估计值，并视为线源，Q2j(ξ1，ξ2，t)，并将其代入污染物输送方程；
(3)将城市以环境监测点为节点进行区域划分，并利用环境监测点提供环境数据以监
测点为顶点，对内部区域污染物浓度值进行双线性插值，生成覆盖城市的污染物浓度预估值Yenv，j，以其作为输送过程初始场，及计算过程校正场；
(4)针对主要污染物，包括PM2.5，氮氧化物，硫化物分别建立不同的组分输送方程，具
体某种组分Yj的输送微分方程为：

式中：ρ为流体密度，Yj为组分j的质量分数，Uj，i为组分j扩散速度在i方向的分量，Qj为组分源强，visj为组分扩散系数项，不同组分扩散系数不同，将步骤(1)所得重点企业污染源项Q1j(ξ1，ξ2，ξ3，t)、步骤(2)所得城市路道污染源项Q2j(ξ1，ξ2，t)、步骤(3)所得城市污染物浓度预估值Yenv，j代入上述组分输送微分方程，通过计算实时生成污染物输送模型。
17.根据权利要求13所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于
CFD及多数据源的城市实时全局环境估计方法中，所述步骤五中，将数据源全国尺度风场、污染物分布数据，及ECMWF气象数据，作为城市模型求解区域时变边界参数，利用大气边界层理论得到入流面、出流面、上边界及下垫面边界条件的步骤为：
根据大气边界层理论，将ECMWF数据中高度第一层的数据作为上界边界条件；建筑物及
地面设置为固壁边界条件；流入面边界条件：以指数分布描述入流面大气边界层内风速随高度变化情况：

其中u0为峡谷上方平行街道方向风速，ξ3为离地高度，ξ3，0为街道峡谷高度，loss为边界层内速度损失指数，以入口大气边界层高度作为基准高度，对应ECMWF风速数据作为基准高度风速；设置出流面相对压力为零，通过上述设定，得到入流面、出流面、上边界及下垫面边界条件。
18.根据权利要求13所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于
CFD及多数据源的城市实时全局环境估计方法中，所述步骤七中，结合城市气象数据，针对不同气象模式，对基于CFD及多数据源的城市实时全局环境估计方法的步骤六的计算结果进行沉降作用处理，得到城市实时全局环境质量分布的步骤为：
实时对基于CFD及多数据源的城市实时全局环境估计方法的步骤七所得无气象因素实
时环境质量分布计算结果结合国家气象中心实时气象数据，针对不同降水气象，包括降雪、降雨，不同污染物组分对污染物组分分布施加沉降作用，得到冲洗后污染物浓度值：Yj＝Y0，je-phi(Rf)，其中：Y0，j为降水前污染物浓度值， 为冲洗系数，为降水量Rf
的函数，冲洗系数参数L12，L13为经验系数，与降水类型及污染物类型相关，对污染物组分空间分布Yj随时迭代更新，得到城市实时全局环境质量分布。
19.根据权利要求1所述的城市路网机动车尾气排放遥感监控系统，其特征在于：机动
车尾气排放因子估计模块中，一种基于MLP神经网络的机动车尾气排放因子估计方法包括以下步骤：
步骤1：利用机动车尾气遥感监测设备采集的实际道路上的机动车尾气排放数据，即机
动车行驶时排放的CO2、CO、HC及NO的体积浓度，以及其他相关数据，所述其他相关数据包括：机动车的车型、速度与加速度，以及当前温度、湿度、压强、风向与风速；
步骤2：对步骤1中采集到的机动车的尾气排放数据进行预处理，并建立机动车尾气CO、
HC及NO的排放因子数据库；
步骤3：基于步骤2所得到的机动车尾气CO、HC及NO的排放因子数据库，以及步骤1中采
集到的其他相关数据分别建立针对于CO、HC和NO的MLP神经网络模型，依据MLP神经网络模型即实现机动车尾气排放因子的实时在线估计。
20.根据权利要求19所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于
MLP神经网络的机动车尾气排放因子估计方法中，所述步骤2中，对机动车尾气排放数据进行预处理的方法如下：
根据机动车尾气遥感监测设备采集到的机动车行驶时排放的CO2、CO、HC及NO的体积浓
度数据计算机动车尾气CO、HC及NO的排放因子，方法如下：



其中，CO(gL-1)、HC(gL-1)和NO(gL-1)分别指机动车尾气CO、HC及NO的排放因子，单位是gL-1；Rat为机动车尾气遥感监测设备采集到的CO与CO2体积浓度的比值；Rat′为机动车尾气遥感监测设备采集到的HC与CO2体积浓度的比值；Rat″为机动车尾气遥感监测设备采集到的NO与CO2体积浓度的比值；Mfuel为机动车燃油的摩尔质量；Dfuel为机动车燃油的密度。
21.根据权利要求19所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于
MLP神经网络的机动车尾气排放因子估计方法中，所述步骤3中，建立针对于CO、HC和NO的MLP神经网络模型的方法如下：
在进行MLP神经网络模型构造之前，所有数据，包括速度、加速度、温度、湿度、压强、风向与风速及CO、HC和NO的排放因子，都需进行min-max归一化；
在min-max归一化之后，将所有数据先按照车型分为四个数据集，即分别针对于轻型汽
油车、重型汽油车、轻型柴油车和重型柴油车的数据集；每个数据集分为训练集、验证集和测试集，其中验证集用来在训练过程中检查MLP神经网络的性能，当性能达到最大值或开始减小的时候训练终止，测试集用来评估训练出的MLP神经网络的性能；训练集、验证集和测试集数据所占比例分别为50％、25％、25％；
使用上述所得的训练集中的数据来训练MLP神经网络，采用的MLP神经网络模型的结构
为：一个输入层、一个隐藏层和一个输出层的三层结构；MLP神经网络模型的输入为速度、加速度、温度、湿度、压强、风向与风速，输出为CO、HC或NO的排放因子，输入层神经元数目为7个，输出层神经元数目为1个，隐藏层神经元数目采用试验法决定。
22.根据权利要求1所述的机动车尾气排放数据融合系统，其特征在于：所述机动车尾
气排放特征分析模块中，一种基于聚类分析的车辆尾气排放特征分析处理方法包括如下步骤：
(1)抽取机动车尾气遥测数据；
(2)对抽取的机动车尾气遥测数据进行预处理；
(3)对步骤(2)中的预处理后的数据，采用灰色关联分析方法从车辆类型、行驶工况、燃
料类型、车辆使用年限、风速、气温等诸多因素找出影响尾气排放的主要影响因素，作为车辆尾气排放特征分析处理的核心维度特征参数，实现尾气污染物排放影响因素关联特征选择，得到影响尾气排放的主要影响因素特征属性；
(4)根据步骤(3)得到的影响尾气排放的主要影响因素特征属性，采用基于密度的聚类
算法对检测车辆尾气排放特征数据进行分类得到分群类别，并计算每个排放分群组别的排放得分，然后根据排放得分对分群组别排序，构建车辆尾气排放特征分析处理模型，根据车辆尾气排放特征分析处理模型对车辆尾气排放进行分析处理。
23.根据权利要求22所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于
聚类分析的车辆尾气排放特征分析处理方法中，所述步骤(1)中，抽取机动车尾气遥测数据的过程如下：
(11)从车辆检测数据库中获取尾气检测表和车辆基本信息表，包括的数据项有：检测
设备编号，检测时间，检测的车牌号码，车速，车辆加速度，车辆长度，CO2、CO、HC、NO浓度，烟度值，风速，风向，气温，湿度，气压，动态/静态测量，数据有效性，抓拍照片，燃料类型，车辆登记日期属性；
(12)从道路车流量信息数据库，获取的数据项有：道路名称，时间，小轿车、出租车、公交车、大客车、中轻型卡车及重型卡车这些不同类型车辆的车流量；
(13)从天气信息数据库，获取的数据项有：时间，城市，天气状况，温度，湿度，风速，PM2.5，PM10，AQI。
24.根据权利要求22所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于
聚类分析的车辆尾气排放特征分析处理方法中，所述步骤(2)中，机动车尾气遥测数据预处理如下：通过对尾气遥测数据的分析，找出缺失值、偏离过大的个别极端值进行丢弃处理，从原始数据中的众多属性中删除与遥测记录不相关冗余属性，对遥测数据中的车型数据、燃料类型、数据有效性的非数值型数据进行量化处理，再根据车辆登记日期以及车辆检测时间，构造车辆使用年限分级数据。
25.根据权利要求22所述的机动车尾气排放数据融合系统，其特征在于：所述一种基于
聚类分析的车辆尾气排放特征分析处理方法中，所述步骤(4)中，尾气污染物排放影响因素关联特征选择如下：采用灰色关联分析方法从车辆类型、行驶工况、燃料类型、车辆使用年限、风速、气温等诸多因素找出影响尾气排放的主要影响因素，作为车辆尾气排放特征分析处理的核心维度特征参数。
26.根据权利要求22所述的机动车尾气排放数据融合系统，其特征在于：
所述一种基于聚类分析的车辆尾气排放特征分析处理方法中，所述步骤(4)中，构建车
辆尾气排放特征分析处理模型如下：对步骤(3)得到的特征属性采用基于密度的聚类算法对检测车辆尾气排放特征数据进行分类得到分群类别，利用层次分析法得到每个特征属性权重，按式 i＝1，…
Ncluster求得第i组分群的排放得分scorei，计算每个排放分群组别的排放得分，然后根据排放得分对分群组别排序。
27.根据权利要求26所述的机动车尾气排放数据融合系统，其特征在于：所述基于密度
的聚类算法的过程如下：
(1)输入聚类数Ncluster，属性数据集 Ncluster为属性数据集大小，密
度参数N21，倍率参数N22；
(2)从属性数据集S中计算所有对象距离数据表distTable＝{dist(si，sj)}，
i＝1，2，…Ndata，j＝1，2，…Ndata；i≠j；对距离数据表从小到大排序得到距离排序数组Array；
(3)通过Array的percent范围内出现最多的数据点标记，得到初始点init，Array
(percent)记为序列中值最小的percent比例部分，按式：
Array(percent)＝{distArray1，distArray1，…，distArrayroughNum}得到，每一个
distArray对应两个不同数据点，
其中，
roughNum＝percent×Ndata×(Ndata-1)/2；
(4)根据初始点init计算出当前簇的Eps和初始MinPts，得到当前簇的以init为圆心的
初始簇点；
(5)计算当前簇的每一个点的密度，若大于MinPts，则标记为簇心点，簇心点的Eps范围
内的点标记为当前簇类；
(6)根据当前簇心点的平均MinPts，更新MinPts，重复步骤(5)直到当前簇点个数不再
增加；
(7)从属性数据集S中去掉当前簇的点，当前簇类加1，重复(2)～(6)直到当前簇标为
Ncluster+1；
(8)给每一个未被标记的数据点标记为与其相近最近标记点的簇标，最终聚类出Ncluster个数据簇，从而得到分群类别。