21世纪以来,我国的机动车保有量逐年上升,随之带来的是机动车排放的大量有毒气体,不仅危害出行人员的身体健康而且是雾霾等环境问题的主导因素。为了调节交通流量和车辆行驶状态,相关人员需要借助机动车排放模型来制定科学有效的基于路网的控制策略。其中,确切的掌握机动车排放因子的特征,是搭建机动车排放模型的前提。但是,目前我国在研究机动车排放因子时都采用外国现有的机动车排放模型进行本土化应用,过程繁琐,不易操作。因此,研究出一款适合我国交通情况的机动车排放模型具有重要意义。本文根据现有实验环境,分别通过机器学习算法和深度神经网络对项目采集的机动车排放数据进行预测模型的构建,并与美国环保署自研的MOVES(Motor Vehicle Emission Simulator)模型进行比较。结果显示,基于深度神经网络构建的机动车排放模型在精度上要优于本土化后的MOVES模型,并且更易操作。本文主要做了如下三个工作:(1)针对机动车排放因子预测问题,本文首先使用机器学习算法中的Lasso(Least absolute shrinkage and selection operator)回归算法和Bayes回归算法构建预测模型,结果验证了机器学习算法在处理该问题时具有一定可行性。并且,对比实验的结果显示Bayes回归预测效果略优于本土化后的MOVES模型。(2)本文首次提出了使用深度神经网络构建预测模型,并与机器学习算法构建的预测模型和本土化后的MOVES模型比较,结果显示,使用深度神经网络构建的预测模型精度更高。通过本次实验,可以证明深度神经网络在处理机动车排放因子的工作上具有一定可行性,不仅为相关研究人员在处理机动车排放因子的问题上提供了新的方法和思路,还为日后的研究打下基础。(3)本文设计并实现了基于B/S架构的机动车排放因子预测平台,将使用深度神经网络训练好的模型封装成算法服务,对外提供API接口,并采用微服务的设计理念,将前后端和算法服务分离部署,搭建了一个高可用、便于维护的平台。大大提高了本文提出的机动车排放模型的实用性,使本次研究更具有现实意义。