CN102496079B - 一种道路能耗与排放的监测方法 - Google Patents

Abstract

本发明公开了一种道路能耗与排放的监测方法，属于环保导航领域。所述方法包括：采集车辆的行驶数据，在所述车辆的行驶数据中提取车辆的典型行驶模式，建立道路与行驶模式之间的映射关系，获得实时汽车排放。本发明建立以道路为对象尾气排放模型，首先依据道路属性以及动态交通信息准确判别汽车行驶参数，而后将汽车行驶参数与汽车排放模型相结合，最终得到汽车行驶经过各条道路的尾气排放率及排放总量。本发明针对真实的城市道路行驶环境，在路网结构复杂、路况动态变化、汽车类型多样的情况下，建立一个以道路为对象的排放模型，实现在真实城市道路行驶环境下对汽车尾气排放率的准确获取，进而实现道路能耗与排放监测。

Description

一种道路能耗与排放的监测方法

技术领域

本发明涉及环保导航领域，特别涉及一种道路能耗与排放的监测方法。

背景技术

面对因汽车增长所导致的日益严重的汽车能源消耗与尾气污染，环保驾驶逐渐成为了关注的焦点。环保驾驶，旨在通过合理的选择出行线路，增强驾驶者环保驾驶水平，降低汽车尾气排放总量。其中合理选择出行线路，又称为环保导航，是指通过对比汽车行驶经过不同道路造成的尾气排放量，为驾驶者提供一条出发地至目的地排放总量最低的出行线路，从而帮助其规避高排放率道路，达到低碳出行目的。

环保导航的核心是准确预测汽车经过不同道路所造成的尾气排放量，据此挑选合理的出行道路。现有汽车排放模型力图通过统计回归、能量需求等不同角度，建立汽车类型、行驶速度、行驶加速度、道路坡度等因素与各类尾气排放率之间的映射关系，实现汽车尾气排放率的计算。此类模型的共同特点是需要输入确切的汽车行驶参数，经过公式计算获得汽车每一时刻瞬时能耗。如在环保导航领域直接使用此类汽车能耗模型，即需准确获取汽车在各个道路行驶的速度、加速度等行驶参数。但受限于当前交通信息采集技术，目前采集系统仅能获取道路的平均旅行时间、交通流量数据，无法满足汽车排放模型对于输入数据精度的要求。

因此如何准确确定机动车在不同行驶环境下的行驶状态，即每秒速度、加速度值，成为了计算尾气排放的关键。目前，已有的环保出行服务系统仅根据道路的类型(山区道路、平原道路、高速路、城市道路等)为各条道路设定静态的排放值，无法反应因交通状况、车辆类型、驾驶习惯等因素不同而导致的能耗、排放的差异，因此在进行道路排放(即汽车行驶经过此条道路所造成的能耗、尾气排放)计算时存在较大误差。

发明内容

有鉴于此，本发明的目的在于提供一种道路能耗与排放的监测方法，用于准确确定机动车在不同行驶环境下的能耗与排放。

本发明提供了一种道路能耗与排放的监测方法，该方法包括：

采集车辆的行驶数据，在所述车辆的行驶数据中提取车辆的典型行驶模式，建立道路与行驶模式之间的映射关系，获得实时汽车排放。

本发明建立以道路为对象尾气排放模型，首先依据道路属性以及动态交通信息准确判别汽车行驶参数，而后将汽车行驶参数与汽车排放模型相结合，最终得到汽车行驶经过各条道路的尾气排放率及排放总量。本发明针对真实的城市道路行驶环境，在路网结构复杂、路况动态变化、汽车类型多样的情况下，建立一个以道路为对象的排放模型，实现在真实城市道路行驶环境下对汽车尾气排放率的准确获取，进而实现道路能耗与排放监测。

附图说明

图1为本实施例提供的道路能耗与排放的监测方法流程图；

图2为本实施例提供的进行道路-行驶模式分类的方法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细描述。

本发明实施例通过行驶模式分析，建立道路属性与典型行驶模式之间的映射，确定不同道路类型、拥堵等级下的汽车行驶模式，进而较为准确的完成道路能耗计算。本发明实施例建立以道路为对象尾气排放模型，首先依据道路属性以及动态交通信息准确判别汽车行驶参数，而后将汽车行驶参数与汽车排放模型相结合，最终得到汽车行驶经过各条道路的尾气排放率及排放总量。本实施例针对真实的城市道路行驶环境，在路网结构复杂、路况动态变化、汽车类型多样的情况下，建立一个以道路为对象的排放模型，实现在真实城市道路行驶环境下对汽车尾气排放率的准确获取，进而实现道路能耗与排放监测。

本实施例提供的道路能耗与排放的监测方法，其流程如图1所示，包括以下步骤：

步骤101、采集车辆的行驶数据。使用高精度GPS设备采集得到汽车每秒经度、纬度、海拔、速度、行驶方向。

步骤102、在车辆的行驶数据中提取车辆的典型行驶模式。典型行驶模式提取所完成的任务是从真实的行驶数据之中抽取得到城市路网环境下车辆具有代表性的行驶特征，并对其进行定量表示。包括行驶数据划分、行驶模式计算和行驶模式聚类三个环节。

步骤1021、基于所在道路和道路连接点类型划分车辆的行驶数据。汽车行驶记录(Rcd_t0)代表汽车在t0时刻的位置和行驶状态信息，共包含经度、维度、速度、加速度四个属性，表示为四元组<Longitude、Latitude、Velocity、Acceleration>。行驶数据集(DC)即为由每秒行驶记录构成的时间序列[Rcd_t1,Rcd_t2,Rcd_t3,…Rcd_ti,…Rcd_tn]。

行驶数据划分首先要对每个行驶记录(Rcd_ti)进行道路匹配，确定每个行驶记录点所在道路；然后根据各个记录所在道路和道路连接点类型对行驶数据完成分组。其中道路与交叉路口信息均由地图厂商提供的地图数据中获得。具体包括以下步骤：

1、计算行驶方向。根据相邻行驶记录中的经纬度，由公式(1)计算获得汽车在ti时刻行驶方向。

D_ti＝(Rcd_ti.Latitude–Rcd_ti-1.Latitude)/(Rcd_ti.Longitude–Rcd_ti-1.Longitude)  (1)

2、根据行驶方向挑选匹配道路。行驶记录道路匹配条件为：路链通行方向与ti时刻行驶方向偏差角度小于30°。按行驶记录点(Rcd_ti.Longitude，Rcd_ti.Latitude)由近及远的顺序选取路链L_i，直至L_i满足道路匹配条件为止，此时L_i即为行驶记录Rcd_ti所在道路。

3、根据道路匹配结果和道路连接点类型进行行驶数据分组。依据以下原则对道路匹配后的行驶记录进行划分，得到行驶数据分组(DG)(行驶数据分组DG即为行驶数据集DC的子序列[Rcd_tk,Rcd_tk+1,Rcd_tk+2,Rcd_ti,…Rcd_tk+m])：

(1)匹配于同一路链的行驶记录划分到同一行驶数据分组。

(2)如记录Rcd₁与Rcd₂匹配路链分别为L₁、L₂，L₁与L₂相连，同属于同一道路的不同子路链，且连接点类型为非交叉路口，则Rcd₁与Rcd₂被划分为同一行驶数据分组。

(3)其他情况下行驶记录被划分为不同行驶数据分组。

步骤1022、基于行驶数据的划分结果进行行驶模式计算。将得到的每个行驶数据分组所代表的行驶模式进行定量表示，具体包括：

1、机动车比功率计算。针对每个行驶记录(Rcd_ti)，计算其对应时刻ti的机动车比功率，机动车比功率由公式(2)所示：

VSP＝v[1.1a+9.81(atan(sin(grade)))+0.132]+0.000302v³           (2)

其中v代表汽车行驶速度、a代表汽车行驶加速度、grade代表道路坡度(部分道路坡度由地图厂商提供，其他道路按0坡度计算)。

2、发动机负载计算。根据计算得到的每个行驶记录对应的机动车比功率，利用公式(3)计算每个行驶记录(Rcd_ti)对应时刻ti的发动机负载。

Engine Stress＝RPMIndex+(0.08ton/KW)*PreaveragePower

PreaveragePower＝Average(VSPt＝-5sec to-25sec)              (3)

RPMIndex＝Velocity_t＝0/SpeedDivider

其中RPMIndex代表发动机转速指数，由行驶速度除以速度因子(SpeedDivider)获得，不同速度、机动车比功率区间对应的速度因子由表1所示；PreaveragePower代表发动机当前平均输出功率，设当前时间为t0，PreaveragePower等于t-5sec至t-25sec秒机动车比功率均值。

表1

3、进行机动车比功率、发动机负载区间划分。得到所有行驶记录对应的机动车比功率和发动机负载，根据机动车比功率、发动机负载取值范围、取值分布及不同取值下的机动车排放值，进行聚类分析后将比功率、负载划分为60个区间。

4、利用机动车比功率和发动机负载的区间划分进行行驶模式计算。

针对每个行驶数据分组DG_i＝[Rcd_tk，Rcd_tk+1，Rcd_tk+2，…Rcd_tk+m]，计算DG_i中所有行驶记录对应机动车比功率、发动机负载在60个区间的分布比例。使用此区间分布作为行驶模式的定量描述，表示为Pattern_i＝[b₁,b₂,b₃,…b_i,…b₆₀]。

b_i＝Number(VSP_ti EngineStress_ti∈bin[i])/m                   (4)

其中VSP_ti、EngineStress_ti为分组DG_i中行驶记录Rcd_ti对应的机动车比功率、发动机负载，m为分组DG_i中行驶记录总数，Bin[i]为第i个比功率、负载区间，bi为第i个区间所包含行驶数据比例。

步骤1023、行驶模式聚类。

1、设置数据点影响度函数。以高斯影响函数(5-1)作为数据点影响度函数，当距离d(x,y)为0时，影响度函数有最大值1，距离为+∞时有最小值0，随距离的增大，影响度函数值成指数下降。使用欧几里得距离作为距离函数计算距离，如公式(5-2)所示。

$f_{\mathrm{Gauss}}(x,y)=e^{-\frac{d{(x,y)}^2}{2{\mathrm{\&sigma;}}^2}}---(5-1)$

$d(x,y)=\sqrt{\underset{i=1}{\overset{60}{\mathrm{\&Sigma;}}}{(x_{{\mathrm{bin}}_i}-y_{{\mathrm{bin}}_i})}^2}---(5-2)$

其中，x、y表示两个行驶模式，x_bini、y_bini为行驶模式在区间i的分布值，б为距离因子为常数。

2、计算数据集密度函数。数据集密度函数为所有数据点影响函数之和，表示所有数据点对点x影响度之和：

$f_B^D=\underset{i=0}{\overset{n}{\mathrm{\&Sigma;}}}\exp (-\frac{d{(x,y_i)}^2}{2{\mathrm{\&sigma;}}^2})---\left(6\right)$

3、计算密度吸引点。密度吸引点为数据集密度函数的局部极大值，使用爬山法确定数据点的密度吸引点。每个密度吸引点作为一个聚类中心，完成对训练集的第一次聚类。

4、计算密度吸引点影响函数。以方波函数作为密度吸引点影响函数，对行驶模式进行二次聚类，方波函数如公式(7)所示：

f_square(x，y)＝0  如果d(x,y)＞θ

              1  否则(7)

其中，d(x,y)为两数据点欧氏距离，θ为距离阀值。

5、计算簇中心。再次计算密度吸引点影响函数构成的密度函数，通过梯度获得最终的簇中心，每个簇中心覆盖一个或多个密度吸引点，而每个密度吸引点又覆盖多个行驶模式，最终行驶模式被划分为由不同簇中心(Clsi)覆盖的行驶模式类别。

步骤103、进行道路-行驶模式分类，建立道路与行驶模式之间的映射关系。道路-行驶模式分类的目的是建立道路属性、交通路况与行驶模式类别之间的映射关系，在未获取汽车当前实时行驶数据的情况下，依据道路类型和交通路况准确预测汽车行驶模式。如图2所示，具体包括以下步骤：

步骤1031、生成分类训练数据。根据道路属性与汽车行驶模式的影响关系，挑选道路级别、功能、收费类别、宽度、长度、平均旅行时间六个属性作为分类器训练数据的条件属性，以行驶模式类别作为决策属性，建立训练数据集TrainData。

步骤1032、基于分类训练数据的结果构建决策树。以信息增益比(公式(8))作为决策树分支属性挑选依据，针对TrainData构建决策树。

$\mathrm{Info}\left(D\right)=-\underset{i}{\mathrm{\&Sigma;}}{p}_i{\log }_2\left(p_i\right)$

$\mathrm{GainRatio}=\frac{\mathrm{Info}\left(D\right)-{\mathrm{Info}}_A\left(D\right)}{\mathrm{Info}\left(D\right)}$ (8)

其中，D为数据集，p_i为D中数据属于类C_i的概率，InfoA为按属性A对D划分后的信息熵。

步骤1033、选取决策树的最优分支。从决策树根节点开始，挑选信息熵最大分支节点BN_{best_i}，直至BN_{best_i}的子节点为叶子节点LN；挑选置信度最高叶子节点LN_best，将此节点LN_best至根节点路径作为最优分支。

步骤1034、基于最优分支建立分类决策表。将最优分支转换为规则R_i，加入分类决策表，同时将规则R_i覆盖样本从TrainData中删除。转换方法如下，遍历分支得到LN_best及其所有父节点，将此作为规则前件，节点LN_best所属类别作为规则后件，得到规则。

步骤1035、连续执行步骤1032至1034，直到训练数据集TrainData为空，最终得到决策表，用于道路-行驶模式分类。

步骤104、计算汽车排放。

步骤1041、确立单车尾气排放模型。针对单辆汽车，根据其所属汽车类型，确定汽车在不同行驶环境、行驶模式(速度、加速度)下的各类尾气排放率。

1、划分汽车类型。根据燃料类型(F_[t])、油控系统类型(D_[t])、动力系统类型(H_[t])、发动机类型(E_[t])、尾气控制类型(P_[t])及累计行驶里程Dis_[t]将现有乘用车划分为1034类，表示为六元组<F_[t],D_[t],H_[t],E_[t],P_[t],Dis_[t]>。

其中，燃料类型分为汽油、柴油、天然气、天然气(改装)、丙烷、丙烷(改装)、乙醇、乙醇(改装)八类；油控系统类型分为化油器、单点(节气门体)燃油喷射、多点(节气门体)燃油喷射三类；动力系统类型分为纯燃料动力、混合动力两类；发动机类型按排量范围小于1.5升、1.5升至3升、大于3升分为小排量、中排量、大排量三类；尾气控制类型分为PCV、二元催化剂、三元催化剂、EGR、Particulate五类；累计行驶里程分为小于25000千米，26000至90000千米，91000至160000千米，大于160000千米四类。

2、计算尾气排放率。单车排放率由公式(8)计算获得：

Q_running＝Q[t]*Σd[f[dt]*K[dt]]

Q[t]＝B[t]*K(Base)[t]*K(Tmp)[t]*K(Hmd)[t]*K(IM)[t]*K(Fuel)[t]*K(Alt)[t]   (8)

其中，Q[t]为类型为t的汽车修正排放率，等于此类型汽车基础排放率(B[t])、基础排放率修正因子(K(Base)[t])、温度修正因子(K(Tmp)[t])、湿度修正因子(K(Hmd)[t])、保养度修正因子(K(IM)[t])、燃料品质修正因子(K(Fuel)[t])、海拔修正因子(K(Alt)[t])之积，表示此类型汽车在特定温度、相对湿度、养护程度、使用燃料质量、海拔情况下的平均排放率。

Q_running为汽车行驶排放率，等于汽车修正排放率乘以行驶因素修正因子(Σd[f[dt]*K[dt]])，K[dt]表示机动车比功率、发动机区间为dt所对应的排放率修正因子，f[dt]为区间dt所占行驶时间比例。

步骤1042、计算实时汽车排放。将每条道路级别、功能、收费类型、宽度、长度、平均旅行时间输入道路-行驶模式分类，得到其所属行驶模式类别Pattern_c。将Pattern_c、温度、湿度、海拔、汽车类型、燃料种类、保养度输入单车尾气排放模型，最终得到汽车行驶经过此道路平均排放率与总排量。

基于以上实施方式，可以实现对城市道路交通能耗与排放进行实时微观监测(汽车排放包括汽车油耗率、尾气排放率，计算方法都一样)。该监测以城市路网为主体，实时感知道路上运行的交通流产生的能耗与排放。实施该监测后，可以获得城市路网能耗与排放强度的时空分布，及时发现高能耗高排放区域，有针对性的采取节能降耗措施(如改进区域交通管理控制策略、实施交通改造工程等)；其次，通过精确跟踪道路能耗的变化情况，可以有效评估各项交通政策、措施、工程在实施前后的节能减排效果，从而为节能减排指标的考核提供切实依据；最后，基于长期的道路能耗微观监测数据，可以进行更准确的城市交通能耗排放宏观统计分析，为政府制定调整各项交通政策措施提供支持，甚至为未来交通碳排放交易提供依据。

道路能耗的监测数据对于公众低碳出行也有巨大应用价值。随着公众环保意识的提高，驾车出行者都希望能够选择一条低能耗(省油)的出行路线，即实现环保导航。本实施例可以与动态导航算法完美结合，实现环保导航。

总之，以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (9)

1.一种道路能耗与排放的监测方法，其特征在于，所述方法包括：

采集车辆的行驶数据，在所述车辆的行驶数据中提取车辆的典型行驶模式，建立道路与行驶模式之间的映射关系，获得实时汽车排放；

所述提取车辆的典型行驶模式的步骤具体包括：

根据所在道路和道路连接点类型划分车辆的行驶数据，根据行驶数据的划分结果进行行驶模式计算和行驶模式聚类；

所述划分车辆的行驶数据的步骤具体包括：

获取车辆的行驶方向，根据行驶方向挑选匹配道路，根据道路匹配结果和道路连接点类型进行行驶数据分组；

所述行驶模式计算的步骤具体包括：

计算机动车比功率和发动机负载，进行机动车比功率、发动机负载区间划分，根据机动车比功率和发动机负载的区间划分结果进行行驶模式计算；

所述行驶模式计算的步骤具体包括：

针对每个行驶数据分组DG_i＝[Rcd_tk，Rcd_tk+1，Rcd_tk+2，…Rcd_tk+m]，Rcd_ti为行驶记录，计算DG_i中所有行驶记录对应机动车比功率、发动机负载在60个区间的分布比例，使用此区间分布作为行驶模式的定量描述，表示为Pattern_i＝[b₁,b₂,b₃,…b_i,…b₆₀]，

b_i＝Number(VSP_ti EngineStress_ti∈bin[i])/m         (4)

其中VSP_ti、EngineStress_ti为分组DG_i中行驶记录Rcd_ti对应的机动车比功率、发动机负载，m为分组DG_i中行驶记录总数，Bin[i]为第i个比功率、负载区间，bi为第i个区间所包含行驶数据比例。

2.根据权利要求1所述的道路能耗与排放的监测方法，其特征在于，所述行驶模式聚类的步骤具体包括：

设置数据点影响度函数，计算数据集密度函数和密度吸引点，获取密度吸引点影响函数，计算簇中心。

3.根据权利要求2所述的道路能耗与排放的监测方法，其特征在于，所述设置数据点影响度函数的步骤具体包括：

以高斯影响函数(公式5-1)作为数据点影响度函数，使用欧几里得距离(公式5-2)作为距离函数计算距离：

$f_{\mathrm{Gauss}}(x,y)=e^{-\frac{d{(x,y)}^2}{2{\mathrm{\&sigma;}}^2}}---(5-1)$

$d(x,y)=\sqrt{\underset{i=1}{\overset{60}{\mathrm{\&Sigma;}}}{(x_{{\mathrm{bin}}_i}-y_{{\mathrm{bin}}_i})}^2}---(5-2)$

其中，x、y表示两个行驶模式，xbini、ybini为行驶模式在区间i的分布值，б为距离因子常数。

4.根据权利要求3所述的道路能耗与排放的监测方法，其特征在于，所述计算数据集密度函数的步骤具体包括：

数据集密度函数为所有数据点影响函数之和，表示所有数据点对点x影响度之和：

$f_B^D=\underset{i=0}{\overset{n}{\mathrm{\&Sigma;}}}\exp (-\frac{d{(x,y_i)}^2}{2{\mathrm{\&sigma;}}^2})---\left(6\right)$

5.根据权利要求4所述的道路能耗与排放的监测方法，其特征在于，所述计算密度吸引点的步骤具体包括：

密度吸引点为数据集密度函数的局部极大值，使用爬山法确定数据点的密度吸引点；每个密度吸引点作为一个聚类中心，完成对训练集的第一次聚类。

6.根据权利要求5所述的道路能耗与排放的监测方法，其特征在于，所述获取密度吸引点影响函数的步骤具体包括：

以方波函数作为密度吸引点影响函数，对行驶模式进行二次聚类，方波函数如公式(7)所示：

其中，d(x,y)为两数据点欧氏距离，θ为距离阀值。

7.根据权利要求6所述的道路能耗与排放的监测方法，其特征在于，所述计算簇中心的步骤具体包括：

再次计算密度吸引点影响函数构成的密度函数，通过梯度获得最终的簇中心，每个簇中心覆盖至少一个密度吸引点，每个密度吸引点覆盖多个行驶模式，最终行驶模式被划分为由不同簇中心覆盖的行驶模式类别。

8.根据权利要求7所述的道路能耗与排放的监测方法，其特征在于，所述建立道路与行驶模式之间的映射关系的步骤具体包括：

步骤1，生成分类训练数据；

步骤2，根据所述分类训练数据的结果构建决策树；

步骤3，选取所述决策树的最优分支；

步骤4，根据所述最优分支建立分类决策表；

步骤5，循环执行步骤2至4，直到所述分类训练数据为空，最终得到决策表。

9.根据权利要求8所述的道路能耗与排放的监测方法，其特征在于，所述生成分类训练数据的步骤具体包括：

根据道路属性与汽车行驶模式的影响关系，挑选道路级别、功能、收费类别、宽度、长度和平均旅行时间六个属性作为分类训练数据的条件属性，以行驶模式类别作为决策属性，建立训练数据集TrainData。