Set-Valued Transformer-Netzwerk erhöht Erkennung von Hoch-Emission-Fahrzeugen

Die Identifikation von Fahrzeugen mit hohem Emissionsausstoß ist ein entscheidender Schritt zur Reduktion städtischer Luftverschmutzung. In realen Messdaten ist der Anteil der Hoch-Emission‑Beobachtungen jedoch stark geringer als der der normalen Emissionszustände, was die Extraktion aussagekräftiger Merkmale erschwert.

Darüber hinaus sind die Emissionszustände von Fahrzeugen stark nichtlinear und es fehlt an relevanten Vorwissen, was die Modellierung zusätzlich verkompliziert. Um diesen Herausforderungen zu begegnen, wurde ein Set‑Valued Transformer Network (SVTN) entwickelt, das gezielt die Merkmale aus den seltenen Hoch‑Emission‑Proben lernt.

Das Modell nutzt zunächst einen Transformer, um die zeitliche Ähnlichkeit von Mikro‑Trip‑Variationen zu messen und die hochdimensionalen Emissionsdaten in einen kompakteren, niedrigdimensionalen Merkmalsraum zu projizieren. Anschließend wird ein set‑valued Identifikationsalgorithmus eingesetzt, der die Beziehung zwischen den erzeugten Merkmalvektoren und den zugehörigen Labels probabilistisch modelliert und damit ein präzises Messkriterium für die Klassifikation liefert.

In umfangreichen Experimenten mit den Diesel‑Fahrzeug‑Messdaten aus Hefei im Jahr 2020 konnte das SVTN die Erkennungsgenauigkeit um 9,5 % steigern, was die Effektivität des Ansatzes deutlich unterstreicht.

Diese Fortschritte zeigen, dass fortschrittliche Transformer‑basierte Netzwerke in Kombination mit set‑valued Lernmethoden das Potenzial haben, die Überwachung und Regulierung von Fahrzeugemissionen in urbanen Gebieten wesentlich zu verbessern.