简介：本资源面向本科及以上阶段、具备一定MATLAB基础的学生与研究人员，提供一套基于长短期记忆神经网络（LSTM）的汽车排放量预测完整实现方案。汽车排放数据本质上属于时间序列，相比普通前馈神经网络，LSTM在捕捉长程依赖与趋势变化方面更具优势，因此该方案适合用于排放预测、时序建模等课程设计或科研入门场景。压缩包共5个文件，约82KB，包含3个m脚本文件、1个xlsx数据文件及1个asv自动备份文件，脚本覆盖主程序、评价指标计算与拟合优度评估等模块，数据文件可直接加载运行，代码注释较为完整，便于理解与二次扩展。目前已有160人学习下载。读者可获得一套可直接运行的LSTM时序预测流程，包括数据读取、网络构建、训练与MSE、RMSE、MAE、R²等多指标评估，既能作为课程作业参考，也可在此基础上调整网络结构或替换数据集，快速迁移到其他时序预测任务中。
1. 排放量预测为什么总在“下一秒”翻车：LSTM 能接住这个锅吗
车企做排放标定的人都有个共识：台架数据漂亮，上路就露馅。NOx、CO、HC 这些排放物的生成不是线性的，发动机瞬态工况下，油门一抖，排放曲线能给你画出个尖峰。传统做法是用 MAP 图加修正系数，但 MAP 本质是稳态查表，遇到急加速、急减速这种瞬态过程，它只能靠标定工程师的经验去“猜”下一帧的排放值。猜得准不准，全看标定数据覆盖得够不够密。
LSTM（长短期记忆网络）之所以被拿来干这件事，核心在于它的门控结构能记住“上一秒的燃烧状态”对“下一秒排放”的延迟影响。排放物不是即产即排的，从缸内燃烧到氧传感器读到信号，中间有物理延迟和化学反应的滞后。LSTM 的遗忘门和输入门就是在学这个滞后窗口该开多大。这篇要讲的是：怎么用 LSTM 搭一个能跑通、能验证、能落地的排放量预测流程，从数据切片、特征工程到模型调参和线上排查，适合手里有台架或车载数据、想用时间序列模型替代部分 MAP 标定的工程师。
2. 把排放数据喂给 LSTM 之前：时序切片的三个硬约束
2.1 为什么不能用随机切分：排放数据的自相关性陷阱
做机器学习习惯性会上来就 train_test_split，但在排放时序数据上这是第一个翻车点。发动机排放数据相邻采样点之间的自相关系数在滞后 1 到 5 步内通常高于 0.85，随机切分会让训练集和测试集共享同一段工况的相邻帧，模型相当于在测试集上“见过答案”。表现出来就是验证 loss 低得离谱，一上实车就崩。
常见做法是按时间顺序切分，并且要在切分点留一段“隔离带”。我一般会这样做：取前 70% 时间做训练，中间空出 5% 的数据不参与训练也不参与测试，最后 25% 做测试。隔离带的作用是切断训练集末尾和测试集开头之间的自相关，让测试集真正模拟“未来未知工况”。
import numpy as np import pandas as pd def temporal_split(df, train_ratio=0.7, gap_ratio=0.05): """ 按时间顺序切分排放时序数据，中间留隔离带 df: 按时间排序的 DataFrame，包含排放值和工况特征 train_ratio: 训练集占比 gap_ratio: 隔离带占比 返回: train_df, test_df """ n = len(df) train_end = int(n * train_ratio) gap_end = int(n * (train_ratio + gap_ratio)) train_df = df.iloc[:train_end].copy() test_df = df.iloc[gap_end:].copy() # 打印切分边界的时间戳，确认没有重叠 print(f"训练集: {df.index[0]} 到 {df.index[train_end-1]}") print(f"隔离带: {df.index[train_end]} 到 {df.index[gap_end-1]}") print(f"测试集: {df.index[gap_end]} 到 {df.index[-1]}") return train_df, test_df这段代码的关键参数是gap_ratio，设太小（比如 0.01）隔离效果不够，设太大（比如 0.15）会浪费宝贵的数据。根据我处理过的几个台架数据集，0.03 到 0.08 之间比较稳妥，具体看采样率和工况切换频率。采样率 10Hz 以上、工况切换频繁的，隔离带可以短一些；采样率 1Hz、工况平稳的，隔离带要拉长到 0.1 左右。
2.2 滑动窗口的构造：用多少秒的历史预测未来几秒
LSTM 的输入是序列，不是单点。你得决定用过去多少时间步的数据来预测未来多少时间步的排放值。这个窗口长度的选择直接决定模型能不能学到燃烧滞后的物理规律。
我一般会先做自相关分析（ACF）和偏自相关分析（PACF），看排放信号在滞后多少步之后自相关系数降到 0.5 以下。以 NOx 传感器为例，在 10Hz 采样下，ACF 通常在滞后 15 到 25 步（1.5 到 2.5 秒）降到 0.5 以下，那输入窗口至少得覆盖这个长度。输出窗口一般取 1 到 5 步，预测太远没有工程意义，因为 ECU 的控制周期就在几十毫秒级别。
def make_sequences(data, input_len, output_len, target_col, feature_cols): """ 构造 LSTM 的滑动窗口序列 data: 归一化后的 numpy 数组 input_len: 输入时间步数 output_len: 输出时间步数 target_col: 目标列索引（排放值） feature_cols: 特征列索引列表 返回: X (样本数, input_len, 特征数), y (样本数, output_len) """ X, y = [], [] total_len = input_len + output_len for i in range(len(data) - total_len + 1): # 输入窗口：过去 input_len 步的所有特征 x_window = data[i:i+input_len, feature_cols] # 输出窗口：未来 output_len 步的排放值 y_window = data[i+input_len:i+total_len, target_col] X.append(x_window) y.append(y_window) return np.array(X), np.array(y)input_len和output_len的比值建议控制在 5:1 到 10:1 之间。比如输入 20 步、输出 2 步，或者输入 30 步、输出 3 步。如果输出窗口太长，模型会倾向于输出一条平滑的均值曲线，尖峰全被抹掉，而排放预测最怕的就是把尖峰抹掉。feature_cols里除了排放值本身的历史值，一定要加入转速、扭矩、进气量、冷却水温、EGR 率这些工况特征，否则模型学不到工况到排放的映射关系。
2.3 归一化的坑：排放值量纲差异比你想的大
NOx 排放可能在某些工况下是几十 ppm，在另一些工况下是几百 ppm，而 CO 可能是百分比级别。如果所有特征一起做 MinMax 归一化，量纲小的特征会被量纲大的特征淹没。我的做法是分组归一化：排放类目标单独归一化，工况类特征按物理量分组归一化。
from sklearn.preprocessing import MinMaxScaler # 分组归一化：排放目标一组，工况特征一组 emission_scaler = MinMaxScaler(feature_range=(0, 1)) condition_scaler = MinMaxScaler(feature_range=(0, 1)) # 排放列单独归一化 df['NOx_norm'] = emission_scaler.fit_transform(df[['NOx']]) # 工况特征一起归一化 condition_cols = ['rpm', 'torque', 'air_flow', 'coolant_temp', 'egr_rate'] df[condition_cols] = condition_scaler.fit_transform(df[condition_cols])注意 scaler 必须只在训练集上 fit，然后 transform 测试集。如果全量数据一起 fit，测试集的极值会泄露到训练过程中。这个细节在排放数据上尤其致命，因为排放尖峰的极值往往出现在特定工况，泄露之后模型在测试集上的表现会虚高。
3. 搭一个能收敛的 LSTM 排放预测模型：层数、门控和损失函数
3.1 单层还是双层：排放预测的容量边界在哪
LSTM 层数不是越多越好。排放数据的信噪比通常不高，传感器本身有噪声，燃烧循环波动也带来随机性。层数太多，模型会把噪声也学进去，表现为训练 loss 持续下降但验证 loss 反弹。
我的经验是：先试单层 LSTM，隐藏单元数从 32 开始，逐步加到 64、128。如果单层在验证集上的 R² 能到 0.85 以上，基本够用。如果单层怎么调都上不去，再考虑堆第二层。第二层的隐藏单元数应该比第一层少，比如第一层 64、第二层 32，这样形成金字塔结构，让模型先提取底层时序特征再组合成高层抽象。
import torch import torch.nn as nn class EmissionLSTM(nn.Module): def __init__(self, input_size, hidden_size=64, num_layers=1, output_size=1, dropout=0.2): super().__init__() self.hidden_size = hidden_size self.num_layers = num_layers # batch_first=True 让输入维度为 (batch, seq, feature) self.lstm = nn.LSTM( input_size=input_size, hidden_size=hidden_size, num_layers=num_layers, batch_first=True, dropout=dropout if num_layers > 1 else 0 ) # 全连接层把 LSTM 输出映射到排放值 self.fc = nn.Linear(hidden_size, output_size) def forward(self, x): # h0, c0 默认全零初始化 lstm_out, _ = self.lstm(x) # 取最后一个时间步的输出做预测 last_step = lstm_out[:, -1, :] out = self.fc(last_step) return outdropout只在num_layers > 1时生效，单层 LSTM 加 dropout 在 PyTorch 里会报警告。input_size等于特征列的数量，比如排放历史值加 5 个工况特征就是 6。output_size等于预测步数，如果预测未来 3 步就是 3。
3.2 损失函数选 MSE 还是 MAE：排放尖峰的惩罚权重
MSE 对大误差的惩罚是平方级的，排放尖峰预测偏了，MSE 会给出很大的梯度，逼着模型去拟合尖峰。但排放数据里尖峰样本少，MSE 会导致模型在平稳工况下反而预测不准。MAE 对尖峰不敏感，但会让模型倾向于输出中位数。
我一般用 Huber loss，它在误差小的时候像 MSE，误差大的时候像 MAE，相当于给尖峰一个“有限度的关注”。PyTorch 里直接调nn.HuberLoss(delta=1.0)，delta控制切换阈值。对于归一化到 0 到 1 的排放值，delta设 0.1 到 0.3 比较合适。
criterion = nn.HuberLoss(delta=0.2) optimizer = torch.optim.Adam(model.parameters(), lr=1e-3, weight_decay=1e-5) scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau( optimizer, mode='min', factor=0.5, patience=10 )weight_decay加一点 L2 正则，防止 LSTM 的权重矩阵过大。ReduceLROnPlateau在验证 loss 不降的时候把学习率减半，patience=10表示连续 10 个 epoch 没改善就减。这个组合在排放数据上比较稳，不容易震荡。
3.3 训练循环里必须监控的三个量
训练 LSTM 不能只看 loss。排放预测任务里，我至少监控三个量：训练 loss、验证 loss、验证集上的尖峰召回率。尖峰召回率定义为：真实排放值超过阈值的样本中，预测值也超过阈值的比例。阈值一般取训练集排放值的 90 分位数。
def train_epoch(model, loader, criterion, optimizer): model.train() total_loss = 0 for X_batch, y_batch in loader: optimizer.zero_grad() pred = model(X_batch) loss = criterion(pred, y_batch) loss.backward() # 梯度裁剪防止 LSTM 梯度爆炸 torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0) optimizer.step() total_loss += loss.item() return total_loss / len(loader) def evaluate(model, loader, criterion, threshold): model.eval() total_loss = 0 all_pred, all_true = [], [] with torch.no_grad(): for X_batch, y_batch in loader: pred = model(X_batch) loss = criterion(pred, y_batch) total_loss += loss.item() all_pred.append(pred) all_true.append(y_batch) all_pred = torch.cat(all_pred) all_true = torch.cat(all_true) # 尖峰召回率 true_peaks = all_true > threshold pred_peaks = all_pred > threshold recall = (true_peaks & pred_peaks).sum().item() / max(true_peaks.sum().item(), 1) return total_loss / len(loader), recallclip_grad_norm_的max_norm=1.0是 LSTM 训练的标配，不加的话梯度爆炸会让 loss 变成 NaN。尖峰召回率如果低于 0.6，说明模型在尖峰工况上欠拟合，需要增加尖峰样本的权重或者调整 Huber loss 的delta。
4. 排放预测模型上线前的排查清单：五个血泪踩坑记录
4.1 现象：验证 loss 正常但实车数据一塌糊涂
原因：训练数据的工况覆盖和实车工况不匹配。台架数据往往集中在稳态和几个标准循环（如 WHTC、WLTC），实车会有冷启动、高海拔、极端温度这些台架上没覆盖的工况。模型在训练分布内表现好，出了分布就崩。
解决：在训练集里显式加入工况标签，用工况分类器先判断当前工况是否在训练分布内。如果不在，降级到 MAP 查表，不要硬用 LSTM 输出。另外，训练时对工况特征做 domain randomization，人为加一些扰动，让模型对工况偏移鲁棒一些。
4.2 现象：预测曲线整体滞后真实值 2 到 3 秒
原因：输入窗口的input_len设得太短，模型没有足够的历史信息来推断当前的燃烧滞后。或者 LSTM 的遗忘门学得太“健忘”，把关键历史信息丢掉了。
解决：先检查input_len是否覆盖了 ACF 降到 0.5 以下的滞后步数。如果覆盖了还滞后，检查 LSTM 的bias初始化，PyTorch 默认的遗忘门 bias 是 0，可以手动设成 1.0 甚至 2.0，让遗忘门初始偏向“记住”。
# 手动初始化 LSTM 的遗忘门 bias for name, param in model.lstm.named_parameters(): if 'bias' in name: n = param.size(0) # 前 n//4 是输入门，中间 n//4 是遗忘门 param.data[n//4:n//2].fill_(1.0)4.3 现象：训练 loss 震荡剧烈，偶尔跳到 NaN
原因：学习率太大，或者排放数据里有异常值（传感器故障导致的跳变）没有清洗。LSTM 对异常值敏感，一个极端值就能把梯度带偏。
解决：先把学习率降到 1e-4 试一轮。如果还震荡，用 IQR 方法清洗排放数据，把超过 Q3 + 3IQR 或低于 Q1 - 3IQR 的点标记为异常，用前后均值插值替换。同时加上梯度裁剪，max_norm设 0.5 到 1.0。
4.4 现象：模型在测试集上 R² 很高，但尖峰一个都没预测到
原因：损失函数用了纯 MSE，模型学会了输出平滑的均值曲线来降低整体 MSE，尖峰被当成噪声忽略了。或者训练集里尖峰样本太少，模型没学到尖峰模式。
解决：换 Huber loss 或带权重的 MSE，给尖峰样本更高的权重。权重可以按排放值分位数来设，比如超过 90 分位数的样本权重设为 5.0，其他为 1.0。另外，在验证指标里强制加入尖峰召回率，不达标就不保存模型。
4.5 现象：推理时单次预测耗时超过 ECU 控制周期
原因：LSTM 的隐藏单元数太多，或者输入窗口太长，导致矩阵乘法计算量过大。ECU 的算力有限，不能跟 GPU 比。
解决：先做模型剪枝，把 LSTM 的隐藏单元数从 128 降到 64 甚至 32，看精度掉多少。如果精度掉得不多，就用剪枝后的模型。另外，可以把 LSTM 在时间维度上展开的计算改成流式推理，每次只算一个新时间步，复用上一步的 hidden state，这样单次计算量从 O(input_len) 降到 O(1)。
5. 让 LSTM 排放预测真正落地的两个进阶技巧
5.1 用残差学习把 MAP 图变成 LSTM 的起点
纯 LSTM 从零学排放映射，需要大量数据。但如果把已有的 MAP 图输出作为基准，让 LSTM 只学 MAP 预测值和真实排放值之间的残差，学习难度会大幅下降。具体做法是：先用 MAP 图算出一个基准排放值，把这个值作为一个额外特征喂给 LSTM，同时让 LSTM 的输出目标变成“真实值减去 MAP 基准值”。
# 构造残差目标 df['map_base'] = map_lookup(df['rpm'], df['torque']) # 查 MAP 图 df['residual'] = df['NOx'] - df['map_base'] # LSTM 输入特征里加入 map_base feature_cols = ['NOx_norm', 'rpm', 'torque', 'air_flow', 'map_base_norm'] # 目标变成 residual target_col = 'residual_norm'这样 LSTM 只需要学 MAP 图没覆盖到的瞬态修正量，数据需求能减少一半以上。而且即使 LSTM 输出有偏差，叠加 MAP 基准后整体不会偏得太离谱，相当于有个保底。
5.2 在线更新：用最近 100 个点的滑动窗口微调最后一层
实车运行中，发动机老化、传感器漂移、环境变化都会让数据分布偏移。模型上线后不能一劳永逸。我的做法是冻结 LSTM 层，只在线微调最后的全连接层。每收集 100 个新样本，就用这 100 个点做一次小步长的梯度更新，学习率设 1e-5，只更新fc层的权重。
# 在线微调：只更新全连接层 for param in model.lstm.parameters(): param.requires_grad = False online_optimizer = torch.optim.SGD(model.fc.parameters(), lr=1e-5) def online_update(model, buffer_X, buffer_y): model.train() online_optimizer.zero_grad() pred = model(buffer_X) loss = nn.HuberLoss(delta=0.2)(pred, buffer_y) loss.backward() online_optimizer.step() # 恢复 LSTM 层的梯度开关，不影响下次训练 for param in model.lstm.parameters(): param.requires_grad = True这个技巧的关键是缓冲区大小和学习率。缓冲区太小（比如 20 个点），微调会过拟合到最近几个样本；太大（比如 500 个点），适应速度跟不上分布变化。100 个点、学习率 1e-5 是我在几个车载数据集上试出来比较平衡的值。微调频率不要太高，每 100 个新样本更新一次就够，更新太频繁会让模型震荡。
这两个技巧配合使用，残差学习降低初始数据需求，在线微调解决长期漂移，基本能让 LSTM 排放预测在实车上稳定跑起来。我自己的习惯是每两周把在线微调后的模型权重导出一次，和原始模型做对比测试，如果在线模型在回放测试集上比原始模型差超过 5%，就回滚到原始模型重新开始在线更新。这个习惯帮我避免了好几次因为传感器故障导致的模型跑偏。希望帮到你。
本文还有配套的精品资源，点击获取
