重型建筑机械二氧化碳排放的多模态区间预测：一种考虑复杂建筑环境中传感器故障的、对缺失数据具有鲁棒性的逆变换器模型

《Engineering Applications of Artificial Intelligence》：Multimodal interval prediction of carbon dioxide emissions from heavy construction machinery: a missing-data robust inverted-transformer model considering sensors failure in complex construction environment

准确预测重型机械在复杂施工环境中的二氧化碳排放是应对气候变化的关键。本文提出改进的iTransformer模型，通过混合专家机制处理传感器随机故障数据缺失问题，引入峰值捕获损失函数增强对高排放瞬态的捕捉能力，并利用Bootstrap方法量化预测不确定性。案例验证显示模型在5%-15%数据缺失率下R2达0.99，较传统方法提升6%。

　　在全球基础设施建设日益扩展的背景下，重型工程机械的碳排放预测成为应对气候变化的重要研究方向。碳排放作为温室效应的主要驱动因素，其不断增加的态势引发了全球气温上升、海平面上升以及极端天气事件的频发，对人类社会的可持续发展构成了严峻挑战。为了有效控制碳排放，必须对重型工程机械的排放进行精确测量和预测，以便制定有针对性的减排策略，推动绿色建筑目标的实现。

当前，碳排放的测量方法主要包括发动机测功机测试、底盘测功机测试、高速公路隧道测量、光学遥感系统、尾气追踪测量以及便携式排放测量系统（PEMS）。这些方法在不同场景下各有优势，但都面临一定的局限性。例如，实验室测试虽然能够提供标准化的数据，但与实际运行条件之间存在显著偏差，其误差范围可达30%至40%。而PEMS设备虽然能够采集更贴近现实的排放数据，但其高昂的成本和复杂的维护要求，限制了其在复杂施工环境中的广泛应用。

随着计算机技术的快速发展，人工智能方法在碳排放预测中的应用逐渐成为一种更具成本效益和可扩展性的替代方案。这些方法主要包括机器学习（ML）和深度学习（DL）技术，如回归模型、CatBoost算法、随机森林（RF）算法、人工神经网络（ANN）、反向传播神经网络（BPNN）、长短期记忆（LSTM）网络和门控循环单元（GRU）等。其中，Transformer模型因其在处理序列数据方面的卓越性能，近年来被广泛应用于污染物预测研究。例如，Jiang等人（2025）采用了一种轻量级的Transformer模型来预测燃气轮机的碳排放，取得了较高的预测精度（R2 = 0.97）。而Dong等人（2025）则利用增强型Informer模型对空气质量指数（AQI）进行预测，进一步提升了模型的预测能力。然而，主流的Transformer、Informer和PatchTST等模型通常采用通道混合的嵌入策略，即将多源变量在同一时间点合并为一个token。尽管这种方法在某些场景下表现良好，但在处理具有不同物理特性的多模态数据时，容易导致变量之间的边界模糊，从而降低模型对每个变量独立特征的提取能力。

为了解决这一问题，近年来提出了一种新的模型——iTransformer，该模型能够通过将每个时间序列分别嵌入为独立的token，更精确地捕捉多变量时间序列之间的相关性和独立性。这一创新使得iTransformer在处理复杂多模态数据时表现出色，尤其适用于具有振动和声音特征的工程机械数据。因此，本研究借鉴iTransformer的优势，结合多模态数据处理的特点，提出了一种改进型的iTransformer模型——MPI-iTransformer，专门用于重型工程机械在随机传感器故障条件下的碳排放区间预测。

在重型工程机械的碳排放预测研究中，过去五年的文献综述（如表1所示）揭示了当前方法在复杂施工环境中的三大主要挑战。首先，大多数模型未能充分考虑随机数据丢失对预测精度的影响，而这种数据丢失往往源于施工环境的恶劣和复杂性。其次，现有的方法在捕捉瞬时高排放峰值方面表现不足，尤其是在样本中高排放特征有限的情况下，难以准确识别和预测这些峰值。第三，传统的机器学习和深度学习模型主要依赖于点预测方法，忽略了排放数据本身的非平稳性和混沌性，这可能会影响减排策略的有效性。

综上所述，尽管在碳排放的测量和预测方面已有大量研究，但仍存在一些关键问题需要解决。例如，当前的碳排放预测模型尚未充分考虑重型工程机械复杂的运行条件，特别是在恶劣的施工环境中，传感器故障导致的随机数据丢失给预测工作带来了额外的挑战。此外，现有研究未能有效提升模型在有限高排放样本下的峰值捕捉能力，这可能会影响整体排放预测的准确性。最后，传统的机器学习和深度学习模型主要依赖于点预测方法，忽略了排放数据本身的非平稳性和混沌性，这可能会限制减排策略的有效制定。

为了应对这些研究空白和技术挑战，本研究引入了一种新的碳排放区间预测模型——MPI-iTransformer，专门用于重型工程机械的碳排放预测。该模型采用iTransformer作为核心架构，并包含三个关键模块：专家混合机制（MoE）、峰值捕捉损失函数（PCL）和区间预测模块。通过这三个模块的协同作用，MPI-iTransformer能够在复杂施工环境下，实现对重型工程机械碳排放的精确预测，同时兼顾模型的鲁棒性和不确定性评估能力。

在具体实施过程中，本研究首先利用PEMS设备对重型工程机械的碳排放进行测量，从而获取高质量的碳排放数据。随后，通过消融实验验证了MoE模块和PCL损失函数的有效性。在MoE模块中，引入了多个专家子网络和门控机制，使得模型在面对传感器故障导致的数据缺失时，仍能保持较高的预测精度。PCL损失函数则通过调整相邻时间步之间的排放增量，增强了模型对高排放特征的敏感度，特别是在样本中高排放特征有限的情况下，能够有效捕捉瞬时排放峰值。此外，为了进一步提高模型的实用性，本研究还引入了区间预测模块，通过对预测结果进行不确定性量化，使得模型不仅能够提供更全面的碳排放预测信息，还能显著提升其在实际应用中的可靠性和有效性。

在多模态特征提取方面，本研究对与滚筒振动特性相关的三轴加速度和声音数据进行了深度特征提取。提取后的特征与发动机净输出扭矩、发动机转速、发动机燃烧流量、速度、湿度和温度等参数进行了拼接，最终形成了一个统一的特征矩阵。这一过程通过多模态数据融合实现，其示意图如图4所示。通过这种方式，模型能够更全面地捕捉滚筒运行过程中的各种物理特征，从而提升预测的准确性。

在分析复杂施工条件下滚筒的排放特性时，本研究发现滚筒运行过程中会排放多种污染物，包括二氧化碳（CO?）、一氧化碳（CO）、氮氧化物（NO/NO?）等。图6展示了在相同实验条件下，这些污染物的排放曲线。结果显示，CO?、NO和NO?的排放曲线呈现出相似的趋势，具有相近的动态特性，而CO的排放曲线则表现出单个尖锐的峰值，这一现象似乎是一个异常值。进一步分析表明，这些峰值（在图6中用红色圆圈标注）同时出现在CO?、NO和NO?的排放曲线中，表明它们之间可能存在某种关联性。这一发现为理解滚筒在复杂施工环境中的排放行为提供了新的视角，同时也为后续的预测模型开发提供了重要的参考依据。

为了确保模型在实际应用中的有效性，本研究还引入了不确定性评估机制。在复杂施工环境中，传感器故障导致的数据缺失不仅会影响预测的准确性，还可能引入较大的不确定性。为此，本研究采用Bootstrap方法对预测结果的不确定性进行量化和估计。Bootstrap方法通过多次重采样来评估模型在不同数据缺失率下的预测性能，从而为碳排放预测提供更加可靠和稳健的结果。通过这一方法，本研究能够更全面地了解模型在面对不确定性时的表现，为后续的优化和改进提供依据。

在模型的应用和比较分析阶段，本研究对MPI-iTransformer模型进行了性能评估。评估结果显示，该模型在不同数据缺失率（5%、10%、15%）下的预测精度均较高，平均R2值提高了约6%。这一结果表明，MPI-iTransformer模型在复杂施工环境下的碳排放预测能力显著优于传统方法，尤其是在处理随机数据缺失和瞬时排放峰值方面表现突出。此外，模型的区间预测能力使其能够提供更全面的预测信息，有助于更科学地制定碳排放管理策略和决策方案。

在研究框架的构建过程中，本研究采用了分阶段的实施策略。首先，通过PEMS设备对滚筒的碳排放进行测量，获取高质量的实时数据。其次，基于这些数据，构建MPI-iTransformer模型，并通过消融实验验证各个模块的有效性。最后，将模型应用于实际场景，并与现有方法进行比较分析，以评估其性能优势。这一分阶段的实施策略不仅有助于模型的开发和优化，还能够确保其在实际应用中的可行性和有效性。

在碳排放测量设备的选择上，本研究采用了AVL公司生产的MOVE PEMS系统。该系统是一种模块化的便携式排放测量设备，能够采集滚筒在实际运行条件下的瞬时和累计排放数据，其数据采集频率为1 Hz。图2展示了该设备的各个模块的示意图，包括GAS PEMS、系统控制先进（SCA）单元、PN PEMS和排气流量计（EFM）。对于NO/NO?的测量，该设备采用了紫外分析仪，能够直接量化NO和NO?的浓度，而无需额外的化学反应或处理步骤。这种高效的测量方式不仅提高了数据采集的准确性，还简化了测量过程，使得设备更加适用于复杂施工环境中的实际应用。

在模型的构建和优化过程中，本研究采用了多模态特征提取方法，以确保模型能够全面捕捉滚筒运行过程中的各种物理特征。具体而言，本研究对与滚筒振动特性相关的三轴加速度和声音数据进行了深度特征提取，并将其与发动机净输出扭矩、发动机转速、发动机燃烧流量、速度、湿度和温度等参数进行了拼接，最终形成一个统一的特征矩阵。这一过程通过多模态数据融合实现，其示意图如图4所示。通过这种方式，模型能够更全面地理解滚筒运行过程中的各种因素，并提升预测的准确性。

在模型的应用和验证过程中，本研究对MPI-iTransformer模型进行了广泛的测试和评估。测试结果显示，该模型在不同数据缺失率下的预测精度均较高，尤其是在处理随机数据丢失和瞬时排放峰值方面表现突出。此外，模型的区间预测能力使其能够提供更全面的预测信息，有助于更科学地制定碳排放管理策略和决策方案。通过与现有方法的比较分析，本研究进一步验证了MPI-iTransformer模型在复杂施工环境中的优势，表明其在碳排放预测方面具有较高的应用价值。

综上所述，本研究通过引入MPI-iTransformer模型，成功解决了重型工程机械在复杂施工环境中的碳排放预测问题。该模型不仅能够有效应对随机数据丢失，还能精准捕捉瞬时排放峰值，并通过区间预测提供更全面的预测信息。这些改进使得模型在实际应用中的可靠性和有效性得到了显著提升，为碳排放管理提供了新的思路和技术手段。未来，随着人工智能技术的不断发展，碳排放预测模型将更加智能化和精准化，为实现绿色建筑目标和碳中和目标提供更强有力的支持。