基于VMD-SSA-LSSVM組合的汽車NO排放預測研究

【關鍵詞】VMD算法；SSA-LSSVM；組合預測模型；排放預測； NO_x ；魯棒性圖分類號：U468.3 文獻標識碼：A 文章編號：1003-8639（2025）07-0114-03

Research on Automotive NO Emission Prediction Based on the Combination of VMD-SSA-LSSVM*

Tuerxun Maimaitiab，Liu Yaloua.b，Cheng Siyiab，Zu Shaopenga，b，Zhao Jiangtaoab lollege of Transportation and Logistics Engineering；b.Intellgent Transportation Engineering Research Center， Xinjiang Agricultural University，Urumqi 830o52，China）

【Abstract】Automobile exhaust emissions are oneof the main sources of urban air polution.To improve the accuracyand robustnessof theemission prediction model，thisarticle proposes toconstructacombined predictionmodel of VMDnoisereductionandSSA-LSSVM.Firstly，theemisiondataofNationalVlight gasoline vehiclesonthe Hetan Expressay in Urumqi were collected through the OBEAS10oO vehicle exhaust gas analysis system.After preprocessing， the VMD algorithm wasused toreduce the noise of the emission sequence.Combinedwith SSAtooptimize the parameters of the LSSVM model，the VMD-SSA-LSSVMcombined model was constructed.And compare it with the LSSVM，SSA-LSSVMand VMD-LSSVM models.The results show that thecombined model hasan RMSEof 0.00220， aMAEofO.00172，andanMAPEof 2.25% inNOxprediction.The accuracyis significantlyimproved compared with the single model，and it can effectively analyze the transient fluctuation characteristics of emissions.

【Key Words】VMD algorithm；SSA-LSSVM；combined prediction model；emisson forecasting；NOx；robustness

汽車尾氣排放是城市大氣污染的主要來源，其排放的CO、HC、NO和PM占比超 90%^[1] 。近年來，基于神經網絡的方法成為汽車污染物排放預測研究的主流，如Hien2等構建CNN網絡和回歸模型估算車輛油耗與 CO₂ 排放，徐志等提出時空圖卷積網絡預測城市車輛排放。針對單一模型易過擬合、泛化能力弱的問題，本文提出VMD降噪與SSA-LSSVM組合預測模型，通過與LSSVM、SSA-LSSVM、VMD-LSSVM對比，為提升排放預測精度及魯棒性提供理論方法。

1實際道路試驗及數據預處理

本研究以國V輕型汽油車為對象，采用OBEAS1000車載系統采集尾氣污染物濃度，結合車載診斷系統獲取行駛狀態與環境參數，通過無線連接實現數據監控、裁剪對齊及存儲。試驗路段為烏魯木齊河灘快速路（廣匯立交橋一喀什東路立交橋往返），針對設備異常、操作失誤等導致的排放序列異常值，分析前進行篩選并刪除缺失數據。

2 理論模型

2.1污染物排放序列降噪

VMD算法相較于傳統數據降噪技術，具有非遞歸求解和自主選擇模態個數的優點，在處理波動性和非線性較強的數據時優勢顯著，能很好地控制分

解結果的稀疏性和光滑性，有效降低排放數據的復雜度。VMD算法步驟如下。

1）將原始數據分解成 k 個模態分量，即滿足式（1）的約束條件。

式中： —分解模態； ?_t —對 χ_t 的偏導； . -中心頻率算子；s.t.—約束條件； ω_k. 一分量的中心頻率； g（t） ——原始序列的信號； S（t） 1狄拉克函數。

2）加入二次懲罰因子與拉格朗日乘子，轉化為非約束問題，即： （2）

式中：L- -函數符號； k 模態個數； μ 二階懲罰因子； λ ——拉格朗日乘子。

3）更新分量中心頻率，得出非約束模型鞍點，其表達式為：

式中： 的傅里葉變換； λ（Ω_t） 的傅里葉變換； 的傅里葉變換； ω ——中心頻率。

2.2單一預測模型

由于實際道路排放時間序列特有復雜的變化趨勢，基于傳統數據驅動的方法難以準確映射模型輸入與排放時間序列之間的非線性關系。本研究以LSSVM作為初始模型構建預測模型。LSSVM在預測時不需要計算支持向量，預測時間效率較高。LSSVM算法的具體步驟如下。

1）構建目標函數和不等式約束條件：

式中：{—預測誤差值； W —超平面的法向量；b—常數； r —懲罰因子； ω（x_k） —核函數；

J——損失函數。

2）引入拉格朗日函數，構造拉格朗日變換多項式，得到變換式：

式中： α_k —拉格朗日乘子； y_k -模型輸出值。3）得到LSSVM預測模型回歸函數：

式中： Γ（x，x_k）. ——核函數。

2.3 VMD-SSA-LSSVM組合模型

結合VMD分解、SSA和LSSVM模型，構建VMD-SSA-LSSVM輕型汽油車排放預測模型，步驟如下：① 將排放數據 X（Φ_t） 導人VMD模型進行降噪處理； ② 將分解的子分量輸入SSA-LSSVM模型進行瞬態排放預測； ③ 整合5個分量序列模型的預測輸出，采用累加合成策略生成最終預測結果； ④ 選取RMSE、MAE和MAPE這3項指標，系統評估模型預測準確性。

3結果與分析

3.1 排放時間序列時段選取

以2023年8月18日實際道路測試采集的數據為例，樣本量共計11268條，經預處理后的試驗路段有效序列為8661條。本研究選取預處理后的2946組早高峰樣本建立排放預測模型數據集，選取轉速、燃油率、車速、VSP值、加速度和發動機冷卻溫度等參數作為預測模型的輸入。

3.2 快速路早高峰排放預測

基于2.3小節構建VMD-SSA-LSSVM組合模型，將VMD分解后的5個分量作為組合模型的輸入進行排放預測，并與LSSVM、VMD-LSSVM和SSA-LSS-VM這3種模型進行對比分析。圖1為4種模型對NOx的預測效果，表1為4種模型性能評價指標對比結果。

從表1可以得出，從單一模型和組合模型的總體預測性能方面分析，本文提出的方法主要優勢體現在以下3個方面。

1）VMD-LSSVM模型相較于LSSVM模型，RMSE下降了0.13866，MAE下降了0.05534；VMD-SSA-LSSVM模型相較于SSA-LSSVM模型，RMSE下降了0.1101，MAE下降了0.07725。這表明VMD降噪方法有效強化了預測模型對非平穩排放序列動態特性的捕捉能力，實現了預測精度的量級提升。

2）加人SSA優化LSSVM模型的核參數和懲罰因子后，在NO瞬態排放預測上，相較于VMD-LSSVM模型，均方根誤差下降了0.03473，平均絕對誤差下降了0.02272。

3）對比分析VMD-SSA-LSSVM與其他3種模型預測NO的MAPE，結果表明，該模型預測NO的MAPE較其他3種算法分別降低了 42.63% 、 41.54% 、 6.23% 。

4結論

本文基于VMD算法對原始排放數據進行降噪，結合SSA-LSSVM構建輕型汽油車污染物排放預測模型。主要結論如下：VMD-SSA-LSSVM模型在刻畫尾氣排放影響因素與尾氣排放序列之間的非線性關系方面呈現出較好的魯棒性；該模型在NO上的預測誤差評價指標均為最優，模型擬合效果更佳，能有效解析汽油車尾氣污染物排放的瞬態波動特征。本研究后續可考慮道路坡度、海拔、荷載等因素做進一步深入研究。

參考文獻

[1]生態環境部.中國移動源環境管理年報（2023年）[J].環境保護，2024，52（2）：48-62.

[2] HIEN NLH，KORAL.Analysis and prediction model of fuelconsumption and carbon dioxide emissions oflight-duty vehi-cles[J].Applied Sciences，2022，12（2）：803.

[3]XUZ，KANGY，CAOY，etal.Spatiotemporal graphconvo-lution multifusion network for urban vehicle emission predic-tion[J].IEEE Transactions on Neural Networks and LearningSystems，2020，32（8）：3342-3354.

（編輯林子衿）