基于机器学习和车载诊断数据的车辆尾气挥发性有机物（VOCs）排放预测模型开发

为解决车辆尾气挥发性有机物（VOCs）排放量化不精确的问题，研究人员创新性地结合离子分子反应质谱仪（IMR-MS）与车载诊断系统（OBD），开发了基于多层感知器（MLP）的机器学习模型。该模型通过实时监测车速、加速度、发动机转速（RPM）等6项参数，实现了VOCs排放的高精度预测（R2 值0.57-0.75），并首次揭示了节气门开度（相关系数0.9）和RPM（0.64）的关键影响，为臭氧污染防控提供了新工具。

　　

随着全球城市化进程加速，地面臭氧污染已成为严峻的环境挑战。欧洲环境署数据显示，超过95%的欧洲人口暴露于超标臭氧环境，而中国、韩国等地区2013-2022年间臭氧浓度显著上升。作为臭氧形成的关键前体物，车辆尾气排放的挥发性有机物（VOCs）贡献了20%-60%的人为排放量。然而，传统排放模型如MOVES和IVE依赖离散化的车辆比功率（VSP）模式，无法反映真实路况下发动机运行参数的动态变化，导致排放预测存在显著偏差。

针对这一难题，中国的研究团队开创性地将离子分子反应质谱仪（IMR-MS）与车载诊断系统（OBD）联用，在广州秋季（平均气温21°C）对9辆轻型汽油车进行实际道路测试，采集了包括车速、加速度、发动机转速（RPM）、点火提前角、节气门开度和进气温度等6项关键参数的高分辨率数据。基于这些数据，研究人员构建了多层感知器（MLP）机器学习模型，首次实现了车辆VOCs排放的秒级动态预测。

关键技术方法包括：1）通过IMR-MS和OBD系统同步获取VOCs排放速率与发动机运行参数；2）采用MLP算法建立排放预测模型；3）使用决定系数（R²
）和均方根误差（RMSE）评估模型性能；4）通过皮尔逊相关系数识别关键影响参数。

模型评估指标
研究显示，模型对未参与训练的不同车辆预测R²
达0.57-0.75，其中节气门开度与排放的相关系数高达0.9，RPM为0.64。值得注意的是，高排放值分布广泛的车辆预测误差较大（RMSE>45），这为后续模型优化指明了方向。

结论与意义
该研究突破了传统排放模型的局限，首次证明机器学习可通过OBD参数实时预测VOCs排放。相较于底盘测功机实验，实际道路数据更能反映复杂驾驶工况，而MLP模型对未知车辆的泛化能力显著优于既往研究（R²
普遍>0.8但仅适用训练车型）。研究为臭氧污染防治提供了两大利器：一是无需昂贵仪器即可量化排放，二是通过OBD参数实现排放精准调控。论文发表于《Journal of Environmental Sciences》，为智能环保技术的发展开辟了新路径。