1.机动车用的碳排放监测方法及系统，包括：采集机动车的行使数据集，行使数据集包含车速、油耗和里程；

对采集的行使数据集进行包含异常值检测和平滑处理的预处理；

利用预处理后的行使数据集，训练长短期记忆网络，得到碳排放预测模型A；

利用预处理后的行使数据集，训练梯度提升树，得到碳排放预测模型B；

根据得到的碳排放预测模型A和碳排放预测模型B，通过权重系数，得到融合的碳排放预测模型C；

利用碳排放预测模型C，对机动车碳排放进行预测。

2.根据权利要求1所述的机动车用的碳排放监测方法及系统，其特征在于：对采集的行使数据集进行包含异常值检测和平滑处理的预处理，包括：采用局部外推算法，将采集的油耗和里程作为输入，检测其中的异常值，并标记异常值的油耗和里程；

将采用移动平均算法，对采集的车速进行平滑处理；

将平滑后的车速、标记异常值的油耗和里程，作为输入，采用线性插值算法，对异常值进行填补，作为预处理后的行使数据集。

3.根据权利要求2所述的机动车用的碳排放监测方法及系统，其特征在于：采用基于KNN的局部外推算法。

4.根据权利要求3所述的机动车用的碳排放监测方法及系统，其特征在于：根据采集的油耗和里程，构建KD树；

采用启发式遍历算法，遍历构建的KD树，获取与目标节点的相关性大于阈值的若干个叶子节点集合；

采用遗传算法，将获取的叶子节点集合作为训练集，获取KNN算法中的最优参数K值；

将获得的叶子节点集合和最优参数K值，作为输入，采用KNN算法，计算叶子节点与目标节点的距离，获得目标节点的K个最近邻叶子节点。

5.根据权利要求4所述的机动车用的碳排放监测方法及系统，其特征在于：计算目标节点与每个最近邻叶子节点的相关性，获得K个相关性值；

将每个相关性值与预设的相关性阈值进行比较，统计大于等于相关性阈值的数量；

如果大于等于相关性阈值的数量在K个近邻节点中所占的比例低于预设值，则判断目标节点为异常值。

6.根据权利要求5所述的机动车用的碳排放监测方法及系统，其特征在于：线性插值算法中采用的相关性计算方法采用皮尔森相关系数。

7.根据权利要求1至6任一所述的机动车用的碳排放监测方法及系统，其特征在于：采用spark进行分布式预处理。

8.根据权利要求7所述的机动车用的碳排放监测方法及系统，其特征在于：训练长短期记忆网络时，采用含动量项Momentum的梯度下降法调整网络权重w：w(t+1)＝w(t)-η▽L(w(t))+αΔw(t)其中，η为学习率，▽L(w(t))为损失函数L关于权重w的梯度，α为动量因子，Δw(t)为上一步权重更新量。

9.根据权利要求8所述的机动车用的碳排放监测方法及系统，其特征在于：梯度提升决策树由多棵CART决策树作为基学习器构成。

10.根据权利要求9所述的机动车用的碳排放监测方法及系统，其特征在于：构建所述CART决策树时，采用Gini系数作为分裂特征的选择条件。