Enhancing vehicular emissions monitoring: A raw data processing and imputation model for heavy-duty diesel vehicles using remote OBD systems
Notice bibliographique
Résumé
Currently, the raw data exported from the remote on-board diagnostics (OBD) monitoring systems of heavy-duty diesel vehicles exhibit significant issues with missing values in key items such as NOx concentration, posing challenges to effective emission regulation. This study proposes a systematic approach to raw data processing, provides a detailed analysis of NOx data missing patterns, and develops a weighted prediction model based on the AutoRegressive Moving Average with eXogenous variables- Long Short-Term Memory (ARMAX-LSTM) for missing data imputation. The ARMAX-LSTM model combines the capability of LSTM to capture nonlinear patterns with ARMAX’s ability to describe linear data, enhanced by dynamic weighting coefficients to improve prediction accuracy. Using Spearman rank correlation analysis, nine key parameters and the NOx downstream concentration itself were selected as input features for predicting and imputing missing values. Experimental results demonstrate that the proposed model reduces the mean squared error by 26.99% compared to the ARMAX baseline model and by 14.08% compared to the LSTM baseline model for randomly missing data. For naturally missing data segments, the model produced imputed curves with good continuity and stability, meeting engineering application requirements. This study provides technical support for improving OBD data quality and identifying high-emission vehicles, while also highlighting the model’s limitations in handling scenarios with all data items missing over continuous time periods. These findings offer directions for future model optimization.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».