(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111606175.3 (22)申请日 2021.12.26 (65)同一申请的已公布的文献号 申请公布号 CN 114519451 A (43)申请公布日 2022.05.20 (73)专利权人 特斯联科技 集团有限公司 地址 100027 北京市朝阳区新源南路8号启 皓北京西塔1 1层 (72)发明人 张大鹏　 (74)专利代理 机构 北京春江专利商标代理事务 所(普通合伙) 11835 专利代理师 向志杰 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 113239314 A,2021.08.10CN 110472842 A,2019.1 1.19 CN 112668802 A,2021.04.16 CN 107730425 A,2018.02.23 WO 2021195077 A1,2021.09.3 0 AU 201210 0416 A4,2012.0 5.31 CN 113240155 A,2021.08.10 陈彬等.产业园区碳 排放核算方法研究. 《中 国人口资源与环境》 .2017,第27 卷(第03期),4- 13. 安久煜.城市道路交通CO2排 放测算及其 树 木固碳方法研究. 《中国优秀硕士论文 全文数据 库 工程科技 Ⅱ辑》 .2017,C 034-1362. I.A. Azid 等.Predicti ng combi ned- cycle natural g as power plant emis sions by using artificial neural netw orks. 《20 00 TENCON Proce edings. Intelligent System s and Technologies for the New Mi llennium 》 .2002, 审查员 吴俊杰 (54)发明名称 智能化孤岛型园区车辆碳排量预测方法和 系统 (57)摘要 本发明涉及一种智能化孤岛型园区车辆碳 排量预测方法， 所述方法包括： 使用数据映射机 构， 用于基于孤岛型园区内种植的每一种绿植对 应的种植数量， 确定孤岛型园区一天每一个时间 分段的最大二氧化碳吸收数值； 使用管控调节系 统， 通过设计碳监测智 能模型， 分析历史碳排放 及碳吸收数据， 同时对不同时段的车辆管理模式 开展管控策略推演。 当次日的目标时间分段的最 大二氧化碳吸收数值小于次日的目标时间分段 的估测碳排放数据时， 启动对孤岛型园区在次日 的目标时间分段内进入车辆的管控 策略。 本发明 还涉及一种智能化孤岛型园区车辆碳排量预测 系统。 通过本发明， 能够采用不同的智 能化估测机制分别估测未来每一时间分段内园区运动车 辆总数以及未来每一时间分段内园区绿植整体 的二氧化碳吸收能力， 从而为 分时维护孤岛型园 区的碳中和效果 提供了保障。 权利要求书4页 说明书10页 附图6页 CN 114519451 B 2022.08.02 CN 114519451 B 1.一种智能化孤岛型园区车辆碳 排量预测方法， 其特 征在于， 所述方法包括： 使用数据映射机构， 服务于孤岛型园区， 用于基于所述孤岛型园区内种植的每一种绿 植对应的种植数量确定所述孤岛型园区一天每一个时间分段的最大二氧化 碳吸收数值； 使用对象检测机构， 服务于所述孤岛型园区， 用于基于视觉检测模式检测所述孤岛型 园区在历史日期的每一个时间分段内的运动车辆对象数量； 使用第一提取机构， 与所述对象检测机构连接， 用于提取针对所述孤岛型园区的深度 神经网络， 所述深度神经网络的多个输入信号为所述孤岛型园区在 估测日期之前设置数量 的多天分别 在与估测时间分段同一时间分段内的多个运动车辆对象数量， 所述深度神经网 络的单个输出信号 为所述孤岛型园区在估测日期的估测时间分段内的运动车辆对象数量； 使用第二提取机构， 与所述第一提取机构连接， 用于将所述孤岛型园区在各个历史日 期的相同时间分段内分别对应的各个运动车辆对 象数量作为所述深度神经网络的输入信 号和输出信号对所述深度神经网络进 行固定总数的多次学习动作， 以获得学习后的深度神 经网络； 使用排放解析设备， 与所述第二提取机构连接， 用于将所述孤岛型园区在次日之前设 置数量的多天分别在与目标时间分段同一时间分段内的多个运动车辆对 象数量作为学习 后的深度神经网络的多个输入信号以执行所述学习后的深度神经网络， 获得所述学习后的 深度神经网络 输出的所述孤岛型园区在次日的目标时间分段内的运动车辆对象数量； 使用管控调节系统， 分别与所述数据映射机构以及所述排放解析设备连接， 用于针对 次日的目标时间分段执行以下车辆管控策略： 当次日的目标时间分段的最大二氧化碳吸收 数值小于次日 的目标时间分段的估测碳排放数据时， 启动对所述孤岛型园区在次日 的目标 时间分段内进入车辆的管控策略； 其中， 当次日的目标时间分段的最大二氧化碳吸收数值小于次日的目标时间分段的估 测碳排放数据时， 启动对所述孤岛型园区在次日的目标时间分段内进入车辆的管控策略还 包括： 次日 的目标时间分段的估测碳排放数据超过次日 的目标时间分段的最大二氧化碳吸 收数值越多， 单位时间允许进入所述孤岛型园区的车辆数量越少； 其中， 将所述孤岛型园区在各个历史日期的相同时间分段内分别对应的各个运动车辆 对象数量作为所述深度神经网络的输入信号和输出信号对所述深度神经网络进行固定总 数的多次学习动作， 以获得学习后的深度神经网络包括： 所述固定总 数的取值与所述孤岛 型园区内种植的绿植种类总数正向关联。 2.如权利要求1所述的智能化孤岛型园区车辆碳 排量预测方法， 其特 征在于： 所述对象检测机构包括画面采集单元、 车辆识别单元、 运动分析单元、 时间供应单元和 对象统计单 元； 其中， 所述画面采集单元设置在所述孤岛型园区的中央区域的正上方， 用于采用覆盖 所述孤岛型园区的视野执 行画面采集动作， 以获得园区成像画面； 其中， 所述车辆识别单元与所述画面采集单元连接， 用于识别所述园区成像画面中的 各个车辆对象； 其中， 所述运动分析单元分别与所述车辆识别单元和所述时间供应单元连接， 用于基 于连续多帧园区成像画面中同一车辆对 象的位置是否改变以判断所述车辆对 象是否属于 运动车辆对象；权　利　要　求　书 1/4 页 2 CN 114519451 B 2其中， 所述对象统计单元分别与所述时间供应单元和所述运动分析单元连接， 用于将 历史日期的每一个时间分段内对应的各帧园区成像画面中被判断属于运动车辆对 象的总 数作为历史日期的每一个时间分段内的运动车辆对象数量输出。 3.如权利要求1所述的智能化孤岛型园区车辆碳排量预测方法， 其特征在于， 所述方法 还包括： 使用门禁驱动机构， 分别与 所述管控调节系统以及所述孤岛型园区的门禁执行机构连 接， 用于基于所述管控调节系统确定的针对次日的目标时间分段执行以下车辆管控策略修 正所述孤岛型园区的门禁执 行机构的进入车辆的放入策略。 4.如权利要求1 ‑3任一所述的智能化孤岛型园区车辆碳 排量预测方法， 其特 征在于： 当次日的目标时间分段的最大二氧化碳吸收数值小于次日的目标时间分段的估测碳 排放数据时， 启动对所述孤岛型园区在次日的目标时间分段内进入车辆的管控策略包括： 基于次日的目标时间分段内的运动车辆对 象数量确定次日的目标时间分段 的估测碳排放 数据； 其中， 基于次日的目标时间分段内的运动车辆对象数量确定次日的目标时间分段的估 测碳排放数据包括： 次日的目标时间分段内的运动车辆对 象数量的数值越大， 确定的次日 的目标时间分段的估测碳 排放数据的数值越大； 其中， 所述深度神经网络的多个输入信号为所述孤岛型园区在估测日期之前设置数量 的多天分别 在与估测时间分段同一时间分段内的多个运动车辆对象数量包括： 所述设置数 量的取值与所述孤岛型园区的占地 面积成正比。 5.如权利要求1 ‑3任一所述的智能化孤岛型园区车辆碳 排量预测方法， 其特 征在于： 基于所述孤岛型园区内种植的每一种绿植对应的种植数量确定所述孤岛型园区一天 每一个时间分段的最大二氧化碳吸收数值包括： 基于所述孤岛型园区内种植的每一种绿植 在某一天某一个时间分段 的最大二氧化碳吸收数值以及每一种绿植的种植数量累计所述 孤岛型园区某一天某一个时间分段的最大二氧化 碳吸收数值； 其中， 基于所述孤岛型园区内种植的每一种绿植对应的种植数量确定所述孤岛型 园区 一天每一个时间分段的最大二氧化碳吸收数值包括： 一 天的时间轴由多个时长均匀的时间 分段构成； 其中， 基于所述孤岛型园区内种植的每一种绿植对应的种植数量确定所述孤岛型 园区 一天每一个时间分段 的最大二氧化碳吸收数值包括： 根据所处的不同季节， 动态确定所述 孤岛型园区一天每一个时间分段的最大二氧化 碳吸收数值； 其中， 根据所处的不同季节， 动态确定所述孤岛型园区一天每一个时间分段的最大二 氧化碳吸收数值包括： 当所处的季节不同时， 确定的所述孤岛型园区一天的同一个时间分 段的最大二氧化 碳吸收数值动态改变。 6.一种智能化孤岛型园区车辆碳 排量预测系统， 其特 征在于， 所述系统