1.一种城市路网机动车尾气排放遥感监控系统，其特征在于：包括遥测设备层、选址布
点层与数据处理层；
遥测设备层，实现对机动车尾气中CO、CO2、NOx、HC浓度、以及不透光烟度的检测，同时
记录机动车的速度、加速度与机动车牌照号码，最终得到每辆通过监测点机动车的尾气遥
测数据及机动车属性、行驶工况、检测时间、气象条件数据，并将尾气遥测数据及机动车属
性、行驶工况、检测时间、气象条件数据传输到数据处理层；
选址布点层，能够将路网拓扑、道路信息、气象信息、交通信息及布点区域已有检测器
数量的数据作为输入，采用选址布点层的选址布点方法，对遥测设备层中机动车尾气遥测
设备在城市路网中的布设点位进行优化；
数据处理层，实现对遥测设备层采集的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；
所述遥测设备层包括移动式尾气遥测设备、水平式尾气遥测设备和垂直式尾气遥测设
备三种设备，其中，水平式尾气遥测设备和垂直式尾气遥测设备都固定安装在道路上，水平
式尾气遥测设备用于单车道的道路以及车流量少的多车道道路；垂直式尾气遥测设备用于
车流量大的多车道道路；移动式尾气遥测设备在城市路网上进行巡逻；三种设备分别用于
城市路网上的不同道路，水平式尾气遥测设备基于深度残差学习网络对柴油车尾气烟度进
行检测，垂直式尾气遥测设备使用路面反射的弱信号进行尾气污染物成分与浓度的分析。
2.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：所述垂
直式尾气遥测设备包括车辆检测单元、尾气检测单元、弱信号处理单元和车牌识别单元四
个部分；
车辆检测单元，包括两组激光发生器和接收器，两组激光发生器以一定距离间隔安置
于横跨车道的龙门架上，发射激光垂直于车道，经路面反射后被龙门架上的激光接收器接
收，当机动车行驶通过检测区时，激光发射器发出的激光就会受到影响，使发射器-接收器
之间的光路缩短，从而说明有机动车行驶进入检测区，机动车在离开检测区时会导致发射
器-接收器之间的光路恢复到无车状态，利用两组激光器分别记录的机动车进入、离开时刻
差获取机动车速度、加速度信息；同时输出触发信号触发尾气检测单元对尾气信息进行采
集，触发车牌识别单元对车牌信息进行采集；
尾气检测单元，由多个安装在横跨车道的龙门架上垂直于路面的激光发射器构成，每
个激光发射器以一定距离间隔安置，每个激光发射器均垂直向地面发射激光束，由于每个
车道的激光接收器会受到不同车道激光的影响，每个激光接收器接收到的是混叠信号，通
过对激光接收器混叠信号的分析，得到尾气污染物成分与浓度的混叠数据，每个接收器的
数据会被发送到弱信号处理单元进行弱信号提取与分离；
弱信号处理单元，包括弱信号提取模块和弱信号分离模块，弱信号提取模块根据弱信
号与噪声信号在频率分布、覆盖范围、统计特性方面的差异，识别和提取出尾气检测单元数
据的相关弱信号数据；弱信号分离模块对弱信号提取模块中提取出的相关弱信号数据进行
分离处理，选择线性瞬时混合模型作为弱信号的模型，采用独立分量分析的方法对不同源
的相互混叠的弱信号进行分离，最终获取通过监测点的机动车尾气污染物成分与浓度；
车牌识别单元，包括一台摄像机与图像处理模块，当车辆检测单元检测到有机动车进
入检测区时，输出触发信号，使摄像机对车头进行多次拍照，由图像处理模块进行照片的筛
选与车牌照号码的识别，完成检测结果与车牌号之间的关联，从而最终实现基于路面反射
的垂直式机动车尾气遥测。
3.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：所述垂
直式尾气遥测设备中，车辆检测单元中，所述获取机动车速度、加速度信息的过程如下：
机动车经过第一组激光发射装置和第二组激光发射装置的平均速度为vel1，vel2，其
计算方法为速度 加速度为 其中，Ldis为两
组激光发射器间隔，记录接收器1和接收器2下降沿出现的时刻为T1，T2，记录接收器1和接
收器2上升沿出现的时刻为T3，T4。
4.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：所述垂
直式尾气遥测设备中，所述弱信号处理单元中，所述弱信号分离模块，选择线性瞬时混合模
型作为弱信号的模型，假设N1个源信号s(t)被M1个检测器接收后输出混合信号x(t)，线性瞬
时混合模型可以表示为x(t)＝Bs(t)，其中 是M1*1维观测信号
的向量，M1表示接收的检测器的数目， 是N1*1维相互独立的源
信号的向量，N1表示源信号的个数，B是一个M1*N1维的混合矩阵，其估计模型表示为y(t)＝
Wx(t)，其中y(t)是对源信号s(t)的估计，W是一个M1*N1维的矩阵，称之为分离矩阵；
采用独立分量分析的方法对不同源的相互混叠的弱信号进行分离，求解分离矩阵W，对
源信号进行估计。
5.根据权利要求4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：所述垂
直式尾气遥测设备中，弱信号处理单元中，所述采用独立分量分析的方法进行弱信号分离
的步骤如下：
步骤一、对提取到的数据进行预处理，包括数据中心化和白化处理，数据中心化，使输
出混合信号x中心化，具体做法是用x减去其均值向量E(x)，将x转化为零均值向量；白化处
理，对x进行线性变换，使得x的各分量方差都为1，白化的目的就是降低输入的冗余性，使得x(t)的各个分量不相关联，通过预处理，有效地降低了求解的复杂度，减小了工作量，记预
处理后的数据为z(t)；
步骤二、随机地选择一个初始向量W(N2)，N2＝1；N2表示迭代的次数；
步骤三、W(N2+1)＝E{zg(WT(N2)z)}-E{g′(WT(N2)z)}W(N2)，其中非线性函数g取g(x)＝
x3，E表示均值，z为预处理后的数据，W为分离矩阵；
步骤四：作正交归一化处理，W(N2+1)＝W(N2+1)/||W(N2+1)||其中||·||表示矩阵范
数；
步骤五：判断W(N2)是否收敛，收敛则停止迭代得到W(N2)，否则返回步骤三继续迭代。
6.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：所述遥
测设备层的水平式尾气遥测设备中，所述基于深度残差学习网络的柴油车尾气烟度检测方
法包括以下步骤：
步骤1、在选定的路段用CCD摄像机对经过的柴油车进行尾气视频记录，通过图像采集
卡从尾气视频中获取柴油车尾气图像；
步骤2、在选定的路段中用汽柴一体化机动车尾气遥测装置直接测量柴油车的尾气烟
度，获取柴油车尾气图像中车辆的尾气烟度，将获取的尾气烟度作为相应柴油车尾气图像
的标签，柴油车尾气图像和相应的标签构成柴油车尾气烟度数据集；
步骤3、构建20层深度残差学习网络，该网络包含一个普通卷积层、一个池化层，八个残
差学习单元，一个平均池化层，一个全连接层；普通卷积层的作用是学习全局性特征，池化
层pooll的作用是降低卷积层输出的特征向量，同时改善结果，降低过拟合出现的可能性；
八个残差学习单元的作用是学习特征的同时提高精度，平均池化层的作用是对这一层的输
入进行降采样操作，最后一个全连接层构成一个20分类器，对输入的柴油车尾气烟度图像
分类；所述八个残差学习单元中的每一个残差学习单元包含两个残差卷积层，每个残差学
习单元的输入不仅包含上一个残差学习单元的输出，还包含上一个残差学习单元的输入，
即构成了跨层连接的输入输出方式；普通卷积层的输入为经过预处理的图像，普通卷积层
的输出作为池化层的输入，池化层的输出为八个残差学习单元中第一个残差学习单元的输
入，残差学习单元之间按照跨层连接的输入输出方式传递数据；池化层的输入是最后一个
残差学习单元的输入和输出；全连接层的输入是平均池化层的输出；
步骤4、对柴油车尾气烟度数据集进行预处理，将预处理后的图像作为深度残差学习网
络的输入，对深度残差学习网络进行训练、验证和测试，得到能够精确检测柴油车烟度的深
度残差学习网络；
步骤5、对于没有安装汽柴一体化机动车尾气遥测装置的路段，在道边布设CCD摄像机
以获取柴油车尾气图像，并输入到训练完成的深度残差学习网络中，从而实现对柴油车尾
气烟度的检测。
7.根据权利要求6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：所述一
种基于深度残差学习网络的柴油车尾气烟度检测方法中，所述步骤1，在选定的路段用CCD
摄像机对经过的柴油车进行尾气视频记录，用图像采集卡从记录的视频中抽取出有含有柴
油车尾气的图像，将这些图像按照75％、10％、15％的比例分成训练集，验证集和测试集。
8.根据权利要求6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：所述一
种基于深度残差学习网络的柴油车尾气烟度检测方法中，所述步骤2具体如下：在选定的路
段安装汽柴一体化机动车尾气遥测装置，该装置的激光模块发出的检测激光穿过道路上柴
油机动车排放的尾气，照射到另一侧的光强检测单元，光强检测单元接收到因柴油车尾气
烟度受到削弱的激光，通过激光削弱程度可以得到柴油车尾气烟度值，找到该柴油车尾气
烟度值对应的柴油车尾气图像，该柴油车尾气烟度值即为对应的柴油车尾气图像的标签。
9.根据权利要求6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：所述一
种基于深度残差学习网络的柴油车尾气烟度检测方法中，所述步骤3中，一个普通卷积层的
卷积核大小为7*7；一个池化层的卷积核大小为2*2；八个残差学习单元的卷积核大小为3*
3；一个平均池化层的卷积核大小为2*2。
10.根据权利要求6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：所述
一种基于深度残差学习网络的柴油车尾气烟度检测方法中，所述步骤4中，首先对柴油车尾
气烟度数据集中进行预处理，具体包括对数据集中的柴油车尾气图像进行尺度增强、随机
采样和减像素均值操作；然后将预处理后的图像作为深度残差学习网络的输入，对深度残
差学习网络进行训练、验证和测试，得到能够精确检测柴油车烟度的深度残差学习网络，具
体包括：将预处理后的图像作为深度残差学习网络的输入进行训练，同时对验证集进行过
拟合检查，即判断深度残差学习网络对验证集图像处理的损失函数是否呈现先下降后反而
上升的现象，当验证集的损失函数不再下降时候，即可暂时停止训练；将预处理后的测试集
图像作为训练终止后的深度残差学习网络的输入，将此时网络的输出与步骤2中的标签值
进行比较，若测试集精度超过99％，则训练完成，否则，继续训练。
11.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：所述
选址布点层包括基于道路相似性的布点模块、基于路网拓扑结构的布点模块与基于特定车
辆路线的布点模块；
基于道路相似性的布点模块，使用一种基于道路相似性的机动车尾气遥测设备布点方
法来实现，充分考虑了道路特性、道边环境与气象因素，提取出其中关键的属性进行聚类，
采用层次聚类的方法对城市路网的不同路段进行聚类，能够将任意数目的尾气遥测设备进
行优化布点；
基于路网拓扑结构的布点模块，使用一种基于图论的机动车尾气遥感监测设备布点算
法来实现，以城市路网拓扑结构为主，辅以车流量等级，城市的区域功能信息，基于图与超
图理论对问题进行建模，将遥测设备的布点选址问题转化为最小横贯问题，最终采用贪婪
算法求解出布设尾气遥测设备的路段集合；
基于特定车辆路线的布点模块，使用一种基于图论与布尔代数的机动车尾气遥测设备
布点方法来实现，针对城市公交系统尾气的普查进行尾气遥测设备选址布点，首先基于超
图理论，将公交车运行路线转化为公交路线超图，然后用布尔代数的相关原理，确定尾气遥
测设备在城市路网中的布设位置；
上述基于道路相似性的布点模块、基于路网拓扑结构的布点模块与基于特定车辆路线
的布点模块可单独使用，也可组合使用，选择标准取决于输入信息的多少以及决策者对布
设于城市路网的尾气遥测设备的功能需求；
在尾气检测信息、道路车流量信息、天气信息和道路相关信息都需要获得的情况下采
用基于道路相似性的布点模块；在输入信息只包含交通路网的拓扑结构和一些容易获得的
交通信息，包括路段所属区域功能、交通流量的等级及是否建有天桥时，采用基于路网拓扑
结构的布点模块；需要对公交车这一种类的机动车进行重点监控时采用基于特定车辆路线
的布点模块。
12.根据权利要求11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：所述
基于路网拓扑结构的布点模块中，一种基于道路相似性的机动车尾气遥测设备布点方法，
包括以下步骤：
步骤一：采集所需样本数据并对样本数据进行预处理，所述所需样本数据是指用尾气
遥测设备获得目标路网中每条路段一段时间内的尾气检测信息、道路车流量信息、天气信
息和道路相关信息；数据预处理包括数据清洗、数据规约和数据变换三个方面；
步骤二：采用层次聚类的方法对步骤一中经过数据预处理处理后的样本数据进行聚类
分析；采用欧几里德距离作为聚类距离的度量，首先将每个样本都归为一类，计算每两个类
之间的相似度，也就是样本与样本两两之间距离进行度量；然后把其中相似程度最高也就
是距离最小的样本聚成一类，循环重复相似性度量并进行最近类的合并，每次减少一类，最
后直到所有的样本被聚到一类中去，得到聚类结果；
步骤三：根据步骤二中的聚类结果，绘制聚类谱系图，将每一步聚类的结果直观的显示
在聚类谱系图上；
步骤四：对所考察的路段赋予权重，代表路段的重要程度以及优先考虑程度，将任意数
目的尾气遥测设备对应相应数目的聚类结果，在聚类谱系图上找到包含类数目等于对应数
目的聚类结果，选取每个类中权重最大的路段布设尾气遥测设备，最终得到将任意数目的
尾气遥测设备进行布点的方案。
13.根据权利要求12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：所述
一种基于道路相似性的机动车尾气遥测设备布点方法中，所述步骤一具体实现如下：
(1)聚类前的样本数据采集，将目标路网中的每条路段作为一个样本，获得每个样本路
段一段时间内的尾气检测信息、道路车流量信息、天气信息和道路相关信息；其中：
尾气检测信息，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，抓拍照片；
道路车流量信息，包括的数据项有：道路名称，时间，小型客车、中型客车不同类型车辆
的车流量；
天气信息，包括的数据项有：时间，城市，天气状况，温度，湿度，风速，PM2.5，PM10，AQI；
道路相关信息，包括的数据项有：地理位置id，所在省份，所在城市，所在街道，连接方
式，路旁植被面积，建筑物平均高度；
(2)样本数据预处理部分包括数据清洗、数据规约和数据变换三个方面；数据清洗，就
是通过对数据的分析，找出缺失值、偏离过大的个别极端值进行丢弃处理；数据规约，删除
与所考虑问题不相关、弱相关或冗余的属性，合并相同属性，同时不断的对相关属性的选择
进行修改，以达到所要求的聚类效果；数据变换，将数据规约后的数据进行标准化处理，转
化为便于处理的适当格式，以适应聚类分析的需要。
14.根据权利要求12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：所述
一种基于道路相似性的机动车尾气遥测设备布点方法中，所述步骤二中，采用层次聚类的
方法对步骤一中处理得到的样本数据进行聚类分析具体包括以下步骤：
(1)将步骤一中处理得到样本中的每一个样本都归为一类，计算每两个类之间的相似
度，即对样本与样本两两之间的距离进行度量；度量样本之间的相似性采用欧几里德距离
作为聚类距离的度量，欧几里得距离如下：
其中，d(i，j)表示欧几里得距离，i和j为第i个样本和第j个样本的样本标号，分别代表
第i条路段和第i条路段，M4表示选取的相关属性个数，相关属性包括属性合并后的污染物
总浓度、烟度值、属性合并后的总车流量、连接方式、路旁植被面积、建筑物平均高度，x表示相关属性经过标准化后的数值，xi1表示第i个样本的第1个属性，xi2表示第i个样本的第2个
属性， 表示第i个样本的第M4个属性，xj1表示第j个样本的第1个属性，xj2表示第j个样本
的第2个属性， 表示第j个样本的第M4个属性；
(2)把步骤(1)中相似程度最高也就是距离最小的两个样本聚成一类，假设为样本N5和
样本M6，将样本N5，M6合并为一新类，记为Cla1＝{N5，M6}，新产生的类Cla1的相关属性用路段N5，M6对应属性的均值表示，即新类的属性表示为
其中，N5和M6为第N5个样本和第M6个样本的样本标号，M4表示选取的相关属性个数，x表
示相关属性经过标准化后的数值， 表示第N5个样本的第1个属性， 表示第N5个样本
的第M4个属性， 表示第M6个样本的第1个属性， 表示第M6个样本的第M4个属性；
(3)新类和其他类一起得到一个N4-1容量的样本，计算样本中所有样本点每两个之间的
相似度，即两两之间的距离进行度量；将其中使得距离最小的两个样本聚成一类，记为
Cla2，新产生的类Cla2的相关属性用类中包含的两个样本的对应属性的均值表示；
(4)类似地，重复进行相似性度量和最近类的合并，每次减少一类，依次得到新类
最后类的个数减少为1，所有的样本被聚到一类中去，得到聚类结果。
15.根据权利要求12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：所述
一种基于道路相似性的机动车尾气遥测设备布点方法中，所述步骤三中，根据聚类过程绘
制聚类谱系图，横坐标为1处代表第一次聚类的结果，横坐标为2处代表第二次聚类的结果，
依次类推，将每一步聚类的结果直观的显示在聚类谱系图上，聚类谱系图充分展示了聚类
的每一步过程，让从可视化的层面了解到每一步哪些路段被聚为一类，每一步聚类结束后
不同类的数目和这些类中分别包含哪些路段。
16.根据权利要求12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：一种
基于道路相似性的机动车尾气遥测设备布点方法中，所述步骤四中，对所考察的路段赋予
权重，权重综合考虑该路段的设备布设成本、设备布设难易程度要素后确定，权重越大代表
路段的重要程度越大以及优先考虑程度越高；假设需要将数目为M5的尾气遥测设备进行，
从聚类谱系图找到对应类数目为M5的聚类结果，即第N4-M5次聚类后的结果，选取这M5个类
中每个类的权重最大的路段布设尾气遥测设备，最终得到对任意数目的尾气遥测设备进行
布点的方案。
17.根据权利要求11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：所述
基于路网拓扑结构的布点模块中，一种基于图论的机动车尾气遥测设备布点方法，包括以
下步骤：
步骤一：将城市交通路网依据拓扑结构和交通流方向抽象成一个有向图，将交通路网
信息抽象成一个数据矩阵，采用深度优先搜索算法找到所述有向图中的所有有向回路；
步骤二：将所有路段作为有向回路超图的顶点，所有有向回路作为有向回路超图的超
边，建立城市路网的有向回路超图，简化该有向回路超图，得到简单有向回路超图，建立简
单有向回路超图中顶点的加权度模型，寻找加权度模型中加权度最大的顶点，采用贪婪算
法求出简单有向回路超图的最小横贯，即为机动车尾气遥感监测设备的布点路段；所述加
权度是指融合了交通路网信息的简单有向回路超图的顶点的度，所述简单有向回路超图的
最小横贯是指能够覆盖简单有向回路超图所有边的最小顶点集合。
18.根据权利要求17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：所述
一种基于图论的机动车尾气遥测设备布点方法中，所述步骤一中，将交通路网信息抽象成
一个数据矩阵，如下：
其中， 表示交通路网的所有路段，M7为路网中路段总数； 表示路
段的信息，包括路段所属区域功能，交通流量的等级，是否建有天桥；N7为布点方法中所利
用的路段信息种类；Rij，i＝1，2，...，M7，j＝1，2，...，N7表示将路段信息数字化后的具体数值。
19.根据权利要求17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：所述
一种基于图论的机动车尾气遥测设备布点方法中，所述步骤一中，采用深度优先搜索算法
找到所述有向图中的所有有向回路的过程如下：
(1)首先将城市交通路网依据拓扑结构和交通流方向抽象成一个有向图，然后将有向
图转换为线图；
(2)从步骤(1)中的线图的一个初始顶点出发，沿着线图的有向弧和不同的顶点寻找有
向路径，直到不存在有向弧到达下一个顶点，判断是否存在有向弧回到初始顶点，若存在，
表明检测到一个圈；
(3)退回步骤(2)中有向路径的上一个顶点，沿着其他有向弧继续拓展有向路径，直到
不存在有向弧到达下一个顶点，判断是否存在有向弧回到初始顶点，若存在，表明检测到一
个圈；
(4)重复步骤(3)，直到退回初始顶点；
(5)依次以其他顶点为初始顶点，重复步骤(2)(3)(4)，线图的所有圈即为原有向图的
所有有向回路。
20.根据权利要求17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：所述
一种基于图论的机动车尾气遥测设备布点方法中，所述步骤二具体实现如下：
(1)将所有路段作为有向回路超图的顶点，所有有向回路作为有向回路超图的边，建立
城市路网的有向回路超图模型；
(2)依次比较(1)中建立的有向回路超图的两条边，判断是否存在包含关系，若存在，则
在有向回路超图中删去较长的那条边，并且对删除边后的有向回路超图重复此步骤，直到
删除边后的有向回路超图的任意两条边都不存在包含关系，即得到简单有向回路超图；
(3)在步骤(2)得到的简单有向回路超图中建立顶点的加权度模型，寻找加权度模型中
加权度最大的顶点，采用贪婪算法求出简单有向回路超图的最小横贯，贪婪算法的求解过
程如下：在简单有向回路超图中，删除加权度模型中加权度最大的顶点及包含该顶点的所
有边，并且对删除顶点和边后的简单有向回路超图重复此步骤，直到简单有向回路超图为
空，则删除的顶点集合为简单向回路超图的最小横贯，即机动车尾气遥感监测设备的布点
路段。
21.根据权利要求17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：所述
一种基于图论的机动车尾气遥测设备布点方法中，所述步骤二中，简单有向回路超图中顶
点的加权度模型的数学表达如下：
其中，D*(i)表示简单有向回路超图顶点i的加权度，Rij为交通路网数据矩阵模型中的
元素，i＝1，2，...，M7，j＝1，2，...，N7；rj为路段信息，r1表示路段所属的区域功能，如果路段位于污染区域，则r1＝0，否则r1＝1，rjmax表示rj的最大值，watr，j表示各个路段信息的权值，满足 deg(i)表示简单有向回路超图中顶点i的度，degmax表示简单有向回
路超图中所有顶点的度的最大值。
22.根据权利要求11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：所述
基于特定车辆路线的布点模块中，一种基于图论与布尔代数的机动车尾气遥测设备布点方
法，包括以下步骤：
步骤一：将公交车行驶路线抽象为公交路线超图；
步骤二：应用布尔代数相关理论求解公交路线超图的所有极小横贯集；
步骤三：求解公交路线超图的最小横贯集，所述最小横贯集是指所有极小横贯集中基
数最小的一个极小横贯集，在本发明中最小横贯集指最小监测路段集合，即需要布设尾气
遥测设备的路段的集合。
23.根据权利要求22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：所述
一种基于图论与布尔代数的机动车尾气遥测设备布点方法中，所述步骤一具体实现如下：
(1)以城市实际的交通道路网络为基础，将公交车行驶路线中经过的各路段抽象为超
图顶点，得到顶点集；
(2)将公交车行驶线路抽象为超边，超边是顶点集的子集；
(3)所有超边的集合即为超图，超图由公交车行驶路线所得，称之为公交路线超图。
24.根据权利要求22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：所述
一种基于图论与布尔代数的机动车尾气遥测设备布点方法中，所述步骤二具体实现如下：
(1)对公交路线超图中每个顶点设布尔变量χi，χi表示路段i是否布设尾气遥测设备，若
χi＝1则表示此路段需要布设遥测设备；
(2)公交路线超图中每条边按其所含顶点进行布尔加法，得到各条边的布尔析取式，
即： ψj表示第j条公交运行路线中包含的路段；
(3)将所有边的布尔析取式进行布尔乘法，得到公交路线超图的布尔合取式，即：
表示整个公交路线网中所有线路所含路段的全体，Nhy为公交
路线超图中超标数目；
(4)对所得的合取式用布尔运算规律整理化简，得到最简的析取式，即：
其中每个子式λt对应的顶点集是公交路线超图的一个极小横贯集，
所有的λt构成公交路线超图的所有极小横贯集的集合 表示与公交车每条运
行路线都相交的路段全体。
25.根据权利要求22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：所述
一种基于图论与布尔代数的机动车尾气遥测设备布点方法中，步骤三具体实现如下：
(1)求各个极小横贯集的基数，即所含顶点的个数；
(2)确定基数最小的极小横贯集，该极小横贯集即为最小横贯集，最小横贯集中顶点所
对应的路段即为需要布设尾气遥测设备的路段，这些路段构成的集合为最小监测路段集
合。
26.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：所述
数据处理层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；
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。
27.根据权利要求26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：数据
处理层中，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。
28.根据权利要求27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：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，i，βrac，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。
29.根据权利要求27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：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，1表示中间层的第1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。
30.根据权利要求26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：数据
处理层的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。
31.根据权利要求30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：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。
32.根据权利要求30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：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。
33.根据权利要求30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：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。
34.根据权利要求30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：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。
35.根据权利要求30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：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。
36.根据权利要求30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：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。
37.根据权利要求36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：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，l、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。
38.根据权利要求26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：所述
数据处理层的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。
39.根据权利要求38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：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。
40.根据权利要求38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：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Realizable 
k-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。
41.根据权利要求38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：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。
42.根据权利要求38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：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。
43.根据权利要求38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：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。
44.根据权利要求26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：所述
数据处理层的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。
45.根据权利要求44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：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。
46.根据权利要求44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：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。
47.根据权利要求26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：数据
处理层中，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。
48.根据权利要求47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：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。
49.根据权利要求47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：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。
50.根据权利要求47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：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。
51.根据权利要求47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：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 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。
52.根据权利要求51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：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。