CN105206056B - 道路交通污染源智能预测方法及系统 - Google Patents
道路交通污染源智能预测方法及系统 Download PDFInfo
- Publication number
- CN105206056B CN105206056B CN201510627634.4A CN201510627634A CN105206056B CN 105206056 B CN105206056 B CN 105206056B CN 201510627634 A CN201510627634 A CN 201510627634A CN 105206056 B CN105206056 B CN 105206056B
- Authority
- CN
- China
- Prior art keywords
- city
- time period
- vehicle
- road
- traffic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种道路交通污染源智能预测方法及系统,属于交通污染和环境监测领域,该方法包括:获取第一检测器在第一时间段内采集到的第一交通流信息和车辆标识信息;获取第二检测器在第一时间段内采集到的第二交通流信息;根据所述车辆标识信息和城市在用车辆信息库,统计在第一时间段内行驶于第一类道路的车辆的车辆类型占有比例和各车辆类型排放标准的占有比例;根据第一和第二交通流信息以及城市的路网结构图,得到城市在第一时间段的路网交通流动态信息,并因此预测城市在第二时间段的交通流信息;利用车辆类型占有比例和各车辆类型排放标准的占有比例、车辆排放系数以及城市在第二时间段的交通流信息,计算城市在第二时间段的排放量。
Description
技术领域
本发明涉及交通污染和环境监测领域,具体而言,涉及一种道路交通污染源智能预测方法及系统。
背景技术
近年来,机动车保有量急剧增长,城市交通拥堵和机动车尾气污染问题非常严重,大中城市空气质量恶化,已危及到人们的身心健康和日常生活。机动车尾气污染源排放已成为城市空气质量恶化的首要污染物。现有技术中主要宏观地——空间上以城市为单位,时间上以年为单位——统计测算机动车尾气排放总量,也就是说,现有技术中仅针对统计期间的在用机动车的保有量静态估算机动车尾气排放总量,并不具备预测功能。
发明内容
鉴于此,本发明的目的在于提供一种道路交通污染源智能预测方法及系统,以改善现有技术中仅以年为单位宏观地统计测算机动车尾气排放总量的问题。
本发明第一实施例提供一种道路交通污染源智能预测方法,包括:获取第一检测器在第一时间段内采集到的第一交通流信息以及车辆标识信息,所述第一检测器固定安装于城市的多条第一类道路;获取第二检测器在所述第一时间段内采集到的第二交通流信息,所述第二检测器可移动地置于所述城市的多条第二类道路;根据所述车辆标识信息以及所述城市的在用车辆信息库中的车辆类型以及与各车辆类型对应的排放标准,统计在所述第一时间段内行驶于所述第一类道路的车辆的车辆类型占有比例和各车辆类型排放标准的占有比例;根据所述第一交通流信息、所述第二交通流信息以及所述城市的路网结构图,得到所述城市在所述第一时间段的路网交通流动态信息;根据所述城市在所述第一时间段的路网交通流动态信息预测所述城市在第二时间段的交通流信息,所述第二时间段在时间上晚于所述第一时间段;利用所述车辆类型占有比例和各车辆类型排放标准的占有比例、车辆排放系数以及所述城市在所述第二时间段的交通流信息,计算所述城市在所述第二时间段的排放量。
本发明第二实施例提供一种道路交通污染源智能预测系统,包括:第一获取单元,用于获取第一检测器在第一时间段内采集到的第一交通流信息以及车辆标识信息,所述第一检测器固定安装于城市的多条第一类道路;第二获取单元,用于获取第二检测器在所述第一时间段内采集到的第二交通流信息,所述第二检测器可移动地置于所述城市的多条第二类道路;统计单元,用于根据所述车辆标识信息以及所述城市的在用车辆信息库中的车辆类型以及与各车辆类型对应的排放标准,统计在所述第一时间段内行驶于所述第一类道路的车辆的车辆类型占有比例和各车辆类型排放标准的占有比例;处理单元,用于根据所述第一交通流信息、所述第二交通流信息以及所述城市的路网结构图,得到所述城市在所述第一时间段的路网交通流动态信息;交通流预测单元,用于根据所述城市在所述第一时间段的路网交通流动态信息预测所述城市在第二时间段的交通流信息,所述第二时间段在时间上晚于所述第一时间段;排放量计算单元,用于利用所述车辆类型占有比例和各车辆类型排放标准的占有比例、车辆排放系数以及所述城市在所述第二时间段的交通流信息,计算所述城市在所述第二时间段的排放量。
在本发明实施例提供的道路交通污染源智能预测方法及系统中,通过针对城市路网结构中不同类型的道路进行多点在线实时抽样检测,再根据抽样检测获得的交通流数据来预测城市的路网交通流动态信息,之后利用所预测的城市路网交通流动态信息、结合机动车尾气排放模型库来实现城市路网机动短期排放量(或排放强度)的预测(空间上可以为城市外环以内的主城区)。相对于现有技术,通过本发明实施例提供的道路交通污染源智能预测方法及系统,可以实现不再以年为单位的城市路网机动短期排放量预测,从而有助于即时制定相应的交通规划策略来改善城市空气质量,以及为城市灰霾天气预测预报提供基础信息。
为使本发明的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。通过附图所示,本发明的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图,重点在于示出本发明的主旨。
图1为本发明第一实施例提供的道路交通污染源智能预测方法的流程图;
图2为本发明第一实施例提供的道路交通污染源智能预测方法中的示例性组合预测方法的流程图;
图3为本发明第二实施例提供的道路交通污染源智能预测系统的示意性结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在以下本发明各实施例提供的道路交通污染源智能预测方法及系统中,通过针对城市路网结构中不同类型的道路进行多点在线实时抽样检测,再根据抽样检测获得的交通流数据来预测城市的路网交通流动态信息,之后利用所预测的城市路网交通流动态信息、结合机动车尾气排放模型库来实现城市路网机动短期排放量(或排放强度)的预测(空间上可以为城市外环以内的主城区)。相对于现有技术,通过本发明实施例提供的道路交通污染源智能预测方法及系统,可以实现不再以年为单位的城市路网机动短期排放量预测,从而有助于即时制定相应的交通规划策略来改善城市空气质量,以及为城市灰霾天气预测预报提供基础信息。
第一实施例
图1中示出本发明第一实施例提供的道路交通污染源智能预测方法的流程图。请参阅图1,第一实施例提供的道路交通污染源智能预测方法可以包括步骤S11至步骤S16。
在步骤S11中,获取第一检测器在第一时间段内采集到的第一交通流信息以及车辆标识信息,所述第一检测器固定安装于城市的多条第一类道路。
具体地,所述第一类道路可以包括所述城市的快速路、主干路、次干路和支路。快速路完全用于交通功能服务,其是解决城市大容量、长距离、快速交通的主要道路。主干路为连接城市各主要分区的干路,其是城市路网的主要骨架,以交通功能为主。次干路是城市区域型的交通干道,提供区域交通集散服务,配合主干路形成道路网。支路为次干路联系各居住小区的连接线路,其解决局部地区交通,直接与两侧建筑物人口相接,以服务功能为主。针对以上四种类型的第一类道路,可以在每种类型第一类道路的多条代表性道路固定安装第一检测器,例如可以对每种类型第一类道路的3至5条代表性道路每公里固定安装一个第一检测器。需要注意的是,安装第一检测器的每种类型第一类道路的条数可以根据具体情况变化,并且第一检测器在每条第一类道路的安装间隔也可以根据具体情况设定。
第一检测器可以包括第一雷达微波车辆检测单元和第一视频识别单元。第一微波雷达单元可以用于采集所述第一交通流信息,其中所述第一交通流信息可以包括在所述第一时间段内与所述第一类道路相关的第一交通流量、第一交通流速度和第一交通流密度。第一视频检测单元可以用于采集在所述第一时间段内行驶于所述第一类道路的车辆的车辆标识信息,例如车牌信息或其他合适的车辆标识信息。需要注意的是,还可以采用磁频检测单元或其他合适的检测单元来采集所述第一交通流信息,还可以采用电子标签检测单元或其他合适的检测单元来采集所述车辆标识信息,并且第一时间段可以根据具体情况设定。
在步骤S12中,获取第二检测器在所述第一时间段内采集到的第二交通流信息,所述第二检测器可移动地置于所述城市的多条第二类道路。
具体地,所述第二类道路可以包括所述城市的交叉路口。由于城市道路交通拥堵、尾气排放污染严重主要体现在各类交叉路口上,因此还在城市交叉路口处采集所述第二交通流信息。交叉路口是指平面交叉路口,即两条或者两条以上道路在同一平面相交的部位。交叉路口按形状可以包括十字形、X形、T形、Y形、环形(即圆环形)等交叉路口。可以在多个上述典型交叉路口处可移动地设置第二检测器,以用于采集在所述第一时间段内城市典型交叉路口处的第二交通流信息。需要注意的是,设置第二检测器的交叉路口的数目可以根据具体情况设定。
第二检测器可以包括用于采集所述第二交通流信息的第二雷达微波车辆检测单元,其中所述第二交通流信息可以包括在所述第一时间段内与所述第二类道路相关的第二交通流量、第二交通流速度和第二交通流密度。于另一种具体实施方式中,第二检测器还可以包括第二视频识别单元,以用于辅助所述第二交通流信息的采集。在本发明实施例中,并未通过第二视频识别单元来采集在所述第一时间段内行驶于第二类道路即交叉路口的车辆的车辆标识信息,原因在于行驶于第二类道路即交叉路口的车辆的类型的随机性较大并且其可以根据行驶于第一类道路的车辆的类型获得,然而本发明具体实施方式并不以此为限。此外,第二检测器还可以包括气态污染物检测单元和气象检测单元,以用于对机动车尾气排放预测数据进行验证。气态污染物检测单元可以检测SO2、NO2、NO、CO、CH、PM2.5和PM10等的量,气象检测单元可以对湿度、温度、风速、风向、降水量和大气压六个参数统一进行检测。于一种具体实施方式中,上述第二检测器可以安装于移动检测车中。
在步骤S13中,根据所述车辆标识信息以及所述城市的在用车辆信息库中的车辆类型以及与各车辆类型对应的排放标准,统计在所述第一时间段内行驶于所述第一类道路的车辆的车辆类型占有比例和各车辆类型排放标准的占有比例。
具体地,城市的在用车辆信息库中可以存储有车辆标识信息(例如车牌信息)、车辆类型、燃料种类、初次登记日期、排放标准以及检测日期等。例如,车辆类型可以包括微型载客汽车、小型载客汽车、出租车、中型载客汽车、大型载客汽车、公交车、微型载货汽车、轻型载货汽车、中型载货汽车、重型载货汽车、低速货车、三轮汽车、普通摩托车和轻便摩托车。燃料种类可以包括汽油、柴油、压缩天然气、液化天然气、液化石油气等。排放标准可以包括国一前、国一、国二、国三、国四、国五,排放标准是根据车辆类型、燃料种类以及初次登记日期来确定的。
根据所述车辆标识信息以及所述城市的用车辆信息库中与所述车辆标识信息对应的车辆类型以及与各车辆类型对应的排放标准,可以统计出在所述第一时间段内行驶于所述第一类道路的车辆的车辆类型占有比例和各车辆类型排放标准的占有比例。
在步骤S14中,根据所述第一交通流信息、所述第二交通流信息以及所述城市的路网结构图,得到所述城市在所述第一时间段的路网交通流动态信息。
于一种具体实施方式中,所述根据所述第一交通流信息、所述第二交通流信息以及所述城市的路网结构图,得到所述城市在所述第一时间段的路网交通流动态信息,可以包括:对与所述多条第一类道路相关的所述第一交通流量、所述第一交通流速度和所述第一交通流密度分别求平均,将所获得的平均第一交通流量、平均第一交通流速度和平均第一交通流密度分别设定为所述城市未设置所述第一检测器的第一类道路在所述第一时间段内的第一交通流量、第一交通流速度和第一交通流密度;对与所述多条第二类道路相关的所述第二交通流量、所述第二交通流速度和所述第二交通流密度分别求平均,将所获得的平均第二交通流量、平均第二交通流速度和平均第二交通流密度分别设定为所述城市未设置所述第二检测器的第二类道路在所述第一时间段内的第二交通流量、第二交通流速度和第二交通流密度,从而得到整个城市在所述第一时间段内的路网交通流动态信息。例如,通过对所获取的与多条主干路相关的第一交通流量、第一交通流速度和第一交通流密度分别求平均,将所获得的平均第一交通流量、平均第一交通流速度和平均第一交通流密度分别设定为所述城市未设置所述第一检测器的主干路在所述第一时间段内的第一交通流量、第一交通流速度和第一交通流密度,类似算法同样适用于所述城市未设置所述第一检测器的快速路、次干路和支路,以及适用于所述城市未设置所述第二检测器的交叉路口。需要注意的是,还可以根据所述第一交通流信息和所述第二交通流信息、采用其他合适的算法得到所述城市在所述第一时间段的路网交通流动态信息。
在步骤S15中,根据所述城市在所述第一时间段的路网交通流动态信息预测所述城市在第二时间段的交通流信息,所述第二时间段在时间上晚于所述第一时间段。
于一种具体实施方式中,可以利用统计回归模型、灰色预测模型、神经网络预测模型、支持向量机模型、自回归移动平均模型、灰色神经网络组合预测模型或其他合适的组合预测模型,根据所述城市在所述第一时间段的路网交通流动态信息预测所述城市在所述第二时间段的交通流信息。具体地,可以根据具体情况选择不同的模型,将所述城市在所述第一时间段的路网交通流动态信息作为输入来预测所述城市在所述第二时间段的交通流信息。
对于公知的预测模型下文不进行详细描述,为了便于理解,下面以灰色神经网络组合预测模型为例进行简要描述。采用灰色神经网络组合预测模型的原因如下:在单采用灰色预测模型时,会在对系统信息数据随机性变化较为明显时出现较大误差;在单采用神经网络预测模型时,测算过程复杂,由于需要建立多个回归模型而具有较大的计算量,所需的系数多并且每个系数的计算过程中均存在误差,从而导致累计误差增大,并且训练时间较长,易陷入局部极小,容易出现“平台现象”等。组合预测模型可以结合不同单个预测模型的信息,考虑的影响信息也比较全面,因而能够有效地改善预测效果。在采用所述灰色神经网络组合预测模型的情况下,可以根据误差平方和最小准则或误差绝对值最小准则进行所述预测。
图2中示出了本发明第一实施例提供的道路交通污染源智能预测方法中采用灰色神经网络组合预测模型进行预测的示例性流程图。建立灰色神经网络组合预测模型的大致思想为,利用神经网络预测模型来求解灰色预测模型的模型参数,并将神经网络预测法应用到灰色预测模型残差补偿方法中,利用神经网络预测模型对灰色预测模型进行残差修正,最后根据多模型预测结果结合的思想对两种预测模型的结果进行优选组合预测。具体地,参阅图2,利用灰色神经网络组合预测模型进行预测可以包括步骤S21至步骤S27。
在步骤S21中,建立灰色预测模型的累加生成序列,其中采用如下方法生成灰色预测模型的累加数列,假设数据样本的时间序列X(0)有n个样本值,X(0)={X(0)(1),X(0)(2),...,X(0)(n)},通过累加生成的新序列为X(1)={X(1)(1),X(1)(2),...,X(1)(n)},在该累加生成的新序列中,
x(1)(1)=(3x(0)(1)+x(0)(2))/4,
x(1)(n)=(x(0)(n-1)+3x(0)(n))/4,
x(1)(m)=(x(0)(m-1)+2x(0)(m)+3x(0)(m+1))/4,1<m<n。
在步骤S22中,求解灰色微分方程其中a和μ为待定系数,将得到的离散响应函数映射到神经网络中,对神经网络进行训练,并从训练收敛后的神经网络中提取出相应的方程系数,从而得到白化方程。在步骤S23中,根据白化方程计算灰色预测模型的预测值。在步骤S24中,判断灰色预测模型的预测值是否满足预先设定的精度,如果满足则执行步骤S25,否则执行步骤S26。在步骤S26中,利用标准神经网络预测模型对灰色预测模型的预测值残差进行预测,并对灰色预测模型进行残差修正处理,之后返回执行步骤S24。在步骤S25中,利用标准神经网络预测方法对数据样本进行预测,得到神经网络预测值,之后执行步骤S27。在步骤S27中,根据方差-协方差优选组合预测方法的思想,对灰色预测模型和神经网络预测模型二者的预测值进行优选组合,得到预测结果。
下面简要描述灰色预测模型预测值与神经网络预测模型预测值的优选组合。设f1为灰色预测值,f2为神经网络预测值,fc为优选组合预测值,预测误差分别为e1、e2和ec,w1和w2分别为相应的权系数,且w1+w2=1,则fc=w1f1+w2f2。使用方差-协方差优选组合预测方法,则方差为:
关于w1对var(ec)求极小值,可得到:且w2=1-w1。
因为灰色预测模型的建模思想是灰色系统理论,然而神经网络预测模型的依据是人工神经网络的模拟,两者依据的建模思想及方法都截然不同,所以两者可以看作是相对独立的两个预测模型,将两者进行组合预测是相当有比较的,针对动态地提高组合预测模型对数据样本的拟合精度来改善组合预测模型的预测值精度,将其二者进行组合的目的是cov(el,e2)=0。设定var(e1)=δ11,var(e2)=δ22,可以依据上述条件求得组合预测权系数分别为:w1=δ22/(δ11+δ22),w2=δ11/(δ11+δ22)。
在步骤S16中,利用所述车辆类型占有比例和各车辆类型排放标准的占有比例、车辆排放系数以及所述城市在所述第二时间段的交通流信息,计算所述城市在所述第二时间段的排放量(或排放强度)。
所述排放量可以包括一氧化碳(CO)排放量、碳氢化合物(HC)排放量、氮氧化物(NOx)排放量、细颗粒物(PM2.5)排放量和可吸入颗粒物(PM10)排放量。所述车辆排放系数可以包括不同类型车辆的综合基准排放系数、环境修正因子、平均速度修正因子和劣化修正因子,不同类型的污染物排放量可以对应于不同的车辆排放系数。具体地,每种类型车辆在某地区的排放系数可以为该类型车辆的综合基准排放系数、该地区的环境修正因子、该地区的平均速度修正因子以及该类型车辆的其他使用条件(如负载系数、油品质量等)修正因子之积。综合基准排放系数可以基于国家提供的综合基准排放系数表格获得,各地可以调研实际情况对表格提供的修正系数进行调整。
环境修正因子可以包括温度修正因子、湿度修正因子和海拔修正因子三部分,具体地,环境修正因子可以为温度修正因子、湿度修正因子和海拔修正因子三部分的乘积。平均速度修正因子可以分为20,20-30,30-40,40-80和80km/h五个速度区间,使用不同的燃料可以对应于不同的平均速度修正因子。劣化修正因子可以根据机动车排放系数劣化系数表格获得。
于一种具体实施方式中,利用所述城市在所述第二时间段的交通流信息,可以获得每条道路一定长度路段内的平均车流量。针对此长度路段内的每种车辆,将此平均车流量与在步骤S13中获得的该种车辆的占有比例和该种车辆对应的每种排放标准的占有比例相乘,之后再与相对应的车辆排放系数相乘,即可获得第二时间段内不同排放标准的该种车辆在此长度路段上的排放量。将此长度路段上所有类型车辆的排放量相加即可获得此长度路段在第二时间段内的排放量,再将每条道路的各个具有一定长度的路段在第二时间段内的排放量相加即可获得每条道路在第二时间段内的排放量,从而可以获得城市路网在第二时间段内的排放量。需要注意的是,在上述排放量计算中,每种污染源排放量是分别计算的。预测的时间段可以由用户灵活设置,例如可以每小时预测一次,此外还可以对预测结果进行周期性分析等操作。
此外,本发明第一实施例提供的道路交通污染源智能预测方法,还可以包括:获取所述第二检测器在所述第一时间段内采集到的气态污染物量和气象数据。因此,可以利用所检测到的气态污染物量和气象数据对所预测的排放量进行实测验证,并相应地有助于调整预测参数。
利用本发明第一实施例提供的道路交通污染源智能预测方法,通过针对城市路网结构中不同类型的道路进行多点在线实时抽样检测,再根据抽样检测获得的交通流数据来预测城市的路网交通流动态信息,之后利用所预测的城市路网交通流动态信息、结合机动车尾气排放模型库来实现城市路网机动短期排放量(或排放强度)的预测(空间上可以为城市外环以内的主城区)。相对于现有技术,通过本发明第一实施例提供的道路交通污染源智能预测方法,可以实现不再以年为单位的城市路网机动短期排放量预测,从而有助于即时制定相应的交通规划策略来改善城市空气质量,以及为城市灰霾天气预测预报提供基础信息。
第二实施例
图3示出了本发明第二实施例提供的道路交通污染源智能预测系统的示意性结构图。请参阅图3,本发明第二实施例提供的道路交通污染源智能预测系统200可以包括第一获取单元210、第二获取单元220、统计单元230、处理单元240、交通流预测单元250以及排放量计算单元260。
第一获取单元210用于获取第一检测器在第一时间段内采集到的第一交通流信息以及车辆标识信息,所述第一检测器固定安装于城市的多条第一类道路。
第二获取单元220用于获取第二检测器在所述第一时间段内采集到的第二交通流信息,所述第二检测器可移动地置于所述城市的多条第二类道路。
统计单元230用于根据所述车辆标识信息以及所述城市的在用车辆信息库中的车辆类型以及与各车辆类型对应的排放标准,统计在所述第一时间段内行驶于所述第一类道路的车辆的车辆类型占有比例和各车辆类型排放标准的占有比例。
处理单元240用于根据所述第一交通流信息、所述第二交通流信息以及所述城市的路网结构图,得到所述城市在所述第一时间段的路网交通流动态信息。
交通流预测单元250用于根据所述城市在所述第一时间段的路网交通流动态信息预测所述城市在第二时间段的交通流信息,所述第二时间段在时间上晚于所述第一时间段。
排放量计算单元260用于利用所述车辆类型占有比例和各车辆类型排放标准的占有比例、车辆排放系数以及所述城市在所述第二时间段的交通流信息,计算所述城市在所述第二时间段的排放量。
于一种具体实施方式中,所述第一检测器可以包括用于采集所述第一交通流信息的第一雷达微波车辆检测单元和用于采集所述车辆标识信息的第一视频识别单元,所述第二检测器可以包括用于采集所述第二交通流信息的第二雷达微波车辆检测单元。
进一步地,所述第二流检测器包括还包括气态污染物检测单元和气象检测单元。
以上各模块可以是由软件代码实现,此外,以上各模块同样可以由硬件例如集成电路芯片实现。
本实施例对交通污染源智能预测系统200的各功能模块实现各自功能的具体过程,请参见以上方法实施例中描述的具体内容,此处不再赘述。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (10)
1.一种道路交通污染源智能预测方法,其特征在于,包括:
获取第一检测器在第一时间段内采集到的第一交通流信息以及车辆标识信息,所述第一检测器固定安装于城市的多条第一类道路;
获取第二检测器在所述第一时间段内采集到的第二交通流信息,所述第二检测器可移动地置于所述城市的多条第二类道路;
根据所述车辆标识信息以及所述城市的在用车辆信息库中的车辆类型以及与各车辆类型对应的排放标准,统计在所述第一时间段内行驶于所述第一类道路的车辆的车辆类型占有比例和各车辆类型排放标准的占有比例;
根据所述第一交通流信息、所述第二交通流信息以及所述城市的路网结构图,得到所述城市在所述第一时间段的路网交通流动态信息;
根据所述城市在所述第一时间段的路网交通流动态信息预测所述城市在第二时间段的交通流信息,所述第二时间段在时间上晚于所述第一时间段;
利用所述车辆类型占有比例和各车辆类型排放标准的占有比例、车辆排放系数以及所述城市在所述第二时间段的交通流信息,计算所述城市在所述第二时间段的排放量。
2.根据权利要求1所述的道路交通污染源智能预测方法,其特征在于,所述第一交通流信息包括第一交通流量、第一交通流速度和第一交通流密度,所述第二交通流信息包括第二交通流量、第二交通流速度和第二交通流密度,
所述根据所述第一交通流信息、所述第二交通流信息以及所述城市的路网结构图,得到所述城市在所述第一时间段的路网交通流动态信息,包括:
对与所述多条第一类道路相关的所述第一交通流量、所述第一交通流速度和所述第一交通流密度分别求平均,将所获得的平均第一交通流量、平均第一交通流速度和平均第一交通流密度分别设定为所述城市未设置所述第一检测器的第一类道路在所述第一时间段内的第一交通流量、第一交通流速度和第一交通流密度;
对与所述多条第二类道路相关的所述第二交通流量、所述第二交通流速度和所述第二交通流密度分别求平均,将所获得的平均第二交通流量、平均第二交通流速度和平均第二交通流密度分别设定为所述城市未设置所述第二检测器的第二类道路在所述第一时间段内的第二交通流量、第二交通流速度和第二交通流密度。
3.根据权利要求1所述的道路交通污染源智能预测方法,其特征在于,所述根据所述城市在所述第一时间段的路网交通流动态信息预测所述城市在第二时间段的交通流信息,包括:
利用统计回归模型、灰色预测模型、神经网络预测模型、支持向量机模型、自回归移动平均模型或灰色神经网络组合预测模型,根据所述城市在所述第一时间段的路网交通流动态信息预测所述城市在第二时间段的交通流信息。
4.根据权利要求3所述的道路交通污染源智能预测方法,其特征在于,在采用所述灰色神经网络组合预测模型的情况下,根据误差平方和最小准则或误差绝对值最小准则进行所述预测。
5.根据权利要求1所述的道路交通污染源智能预测方法,其特征在于,所述方法还包括:获取所述第二检测器在所述第一时间段内采集到的气态污染物量和气象数据。
6.根据权利要求1所述的道路交通污染源智能预测方法,其特征在于,所述车辆排放系数包括不同类型车辆的综合基准排放系数、环境修正因子、平均速度修正因子和劣化修正因子。
7.根据权利要求1所述的道路交通污染源智能预测方法,其特征在于,所述排放量包括一氧化碳排放量、碳氢化合物排放量、氮氧化物排放量、细颗粒物(PM2.5)排放量和可吸入颗粒物(PM10)排放量。
8.一种道路交通污染源智能预测系统,其特征在于,包括:
第一获取单元,用于获取第一检测器在第一时间段内采集到的第一交通流信息以及车辆标识信息,所述第一检测器固定安装于城市的多条第一类道路;
第二获取单元,用于获取第二检测器在所述第一时间段内采集到的第二交通流信息,所述第二检测器可移动地置于所述城市的多条第二类道路;
统计单元,用于根据所述车辆标识信息以及所述城市的在用车辆信息库中的车辆类型以及与各车辆类型对应的排放标准,统计在所述第一时间段内行驶于所述第一类道路的车辆的车辆类型占有比例和各车辆类型排放标准的占有比例;
处理单元,用于根据所述第一交通流信息、所述第二交通流信息以及所述城市的路网结构图,得到所述城市在所述第一时间段的路网交通流动态信息;
交通流预测单元,用于根据所述城市在所述第一时间段的路网交通流动态信息预测所述城市在第二时间段的交通流信息,所述第二时间段在时间上晚于所述第一时间段;
排放量计算单元,用于利用所述车辆类型占有比例和各车辆类型排放标准的占有比例、车辆排放系数以及所述城市在所述第二时间段的交通流信息,计算所述城市在所述第二时间段的排放量。
9.根据权利要求8所述的道路交通污染源智能预测系统,其特征在于,所述第一检测器包括用于采集所述第一交通流信息的第一雷达微波车辆检测单元和用于采集所述车辆标识信息的第一视频识别单元,所述第二检测器包括用于采集所述第二交通流信息的第二雷达微波车辆检测单元。
10.根据权利要求9所述的道路交通污染源智能预测系统,其特征在于,所述第二检测器包括还包括气态污染物检测单元和气象检测单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510627634.4A CN105206056B (zh) | 2015-09-25 | 2015-09-25 | 道路交通污染源智能预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510627634.4A CN105206056B (zh) | 2015-09-25 | 2015-09-25 | 道路交通污染源智能预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105206056A CN105206056A (zh) | 2015-12-30 |
CN105206056B true CN105206056B (zh) | 2017-06-16 |
Family
ID=54953698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510627634.4A Active CN105206056B (zh) | 2015-09-25 | 2015-09-25 | 道路交通污染源智能预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105206056B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548258B (zh) * | 2016-12-09 | 2020-04-21 | 北京交通大学 | 一种基于气象条件的交通空气污染物浓度预测方法与系统 |
CN106781489B (zh) * | 2016-12-29 | 2019-07-26 | 北京航空航天大学 | 一种基于递归神经网络的路网状态预测方法 |
CN107180530B (zh) * | 2017-05-22 | 2019-09-06 | 北京航空航天大学 | 一种基于深度时空卷积循环网络的路网状态预测方法 |
CN107219157A (zh) * | 2017-07-29 | 2017-09-29 | 山东诺方电子科技有限公司 | 一种利用社会车辆进行大气颗粒物监测系统 |
CN107978153B (zh) * | 2017-11-29 | 2019-07-26 | 北京航空航天大学 | 一种基于空间向量自回归模型的多模式交通需求影响分析方法 |
CN108682156B (zh) * | 2018-07-13 | 2021-07-13 | 哈尔滨工业大学 | 基于出租车gps数据动态监测市区交通排放污染状况的方法 |
IT201900001111A1 (it) * | 2019-01-25 | 2020-07-25 | Dulevo Int S P A | Spazzatrice stradale automatizzata e procedimento di pulizia stradale di detta spazzatrice stradale |
EP3723062A1 (de) * | 2019-04-09 | 2020-10-14 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zur computer-implementierten verkehrsleitung von kraftfahrzeugen in einem vorbestimmten gebiet |
CN111860360A (zh) * | 2020-07-23 | 2020-10-30 | 中科三清科技有限公司 | 过境车辆排放清单构建方法及装置 |
FR3122011B1 (fr) | 2021-04-14 | 2024-04-12 | Ifp Energies Now | Procédé de détermination de la quantité d’émissions polluantes émises par un véhicule sur un brin d’un réseau routier |
CN113515722B (zh) * | 2021-09-15 | 2021-11-30 | 南昌云宜然科技有限公司 | 一种道路交通排放与扬尘排放的实时监测方法与系统 |
CN115035713B (zh) * | 2022-04-29 | 2023-08-25 | 银江技术股份有限公司 | 智慧交通碳排放监测系统和方法 |
CN115019513A (zh) * | 2022-07-18 | 2022-09-06 | 桂林电子科技大学 | 一种交通碳排放监测系统及监测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003316884A (ja) * | 2002-04-23 | 2003-11-07 | Mitsubishi Heavy Ind Ltd | 排気ガス中の有害物質の削減量の算定方法、算定システム、有害物質の排出権の取引方法及びコンピュータプログラム |
JP2009282717A (ja) * | 2008-05-21 | 2009-12-03 | Toyota Motor Corp | 排気ガス情報処理システム、車載機、排気ガス情報処理方法 |
CN102496079B (zh) * | 2011-12-12 | 2015-04-08 | 北京航空航天大学 | 一种道路能耗与排放的监测方法 |
CN102567811A (zh) * | 2011-12-31 | 2012-07-11 | 中山大学 | 基于实时道路交通特征的机动车排放测算方法 |
CN103838971A (zh) * | 2014-03-12 | 2014-06-04 | 中国航天系统工程有限公司 | 一种城市路网动态交通能耗及排放的计算方法 |
CN104715605B (zh) * | 2015-02-16 | 2017-09-26 | 北京交通大学 | 一种基于vsp分布的交通运行数据与排放数据耦合方法与系统 |
-
2015
- 2015-09-25 CN CN201510627634.4A patent/CN105206056B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105206056A (zh) | 2015-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105206056B (zh) | 道路交通污染源智能预测方法及系统 | |
Sun et al. | Analyzing spatiotemporal traffic line source emissions based on massive didi online car-hailing service data | |
Liu et al. | A high temporal-spatial vehicle emission inventory based on detailed hourly traffic data in a medium-sized city of China | |
Pinto et al. | Traffic data in air quality modeling: a review of key variables, improvements in results, open problems and challenges in current research | |
Liu et al. | Modelling the multilevel structure and mixed effects of the factors influencing the energy consumption of electric vehicles | |
Bellasio et al. | Emission inventory for the road transport sector in Sardinia (Italy) | |
Borge et al. | Comparison of road traffic emission models in Madrid (Spain) | |
Mishra et al. | Evaluation and analysis of traffic noise along bus rapid transit system corridor | |
Fan et al. | Congestion and environmental impacts of short car trip replacement with micromobility modes | |
Lai et al. | Development of city-specific driving cycles for transit buses based on VSP distributions: Case of Beijing | |
Fontes et al. | Are HOV/eco-lanes a sustainable option to reducing emissions in a medium-sized European city? | |
Coelho et al. | Assessment of potential improvements on regional air quality modelling related with implementation of a detailed methodology for traffic emission estimation | |
CN105355049B (zh) | 一种基于宏观基本图的高速公路运行状态评价方法 | |
Zhang et al. | Vehicle emission inventories projection based on dynamic emission factors: a case study of Hangzhou, China | |
Zhong et al. | Impact of the built environment on the vehicle emission effects of road pricing policies: A simulation case study | |
CN102567811A (zh) | 基于实时道路交通特征的机动车排放测算方法 | |
Tabeshian et al. | Modeling nonmotorized travel demand at intersections in Calgary, Canada: use of traffic counts and Geographic Information System data | |
CN104318315A (zh) | 一种城市道路交通污染物排放监控预警系统及方法 | |
Lin et al. | The application of GIS to air quality analysis in Taichung City, Taiwan, ROC | |
Chen et al. | Quantifying on-road vehicle emissions during traffic congestion using updated emission factors of light-duty gasoline vehicles and real-world traffic monitoring big data | |
Sharma et al. | Performance evaluation of CALINE 4 dispersion model for an urban highway corridor in Delhi | |
CN108629450A (zh) | 一种液化天然气公交车尾气排放预测方法 | |
Feng et al. | Association of the built environment with motor vehicle emissions in small cities | |
CN107833459A (zh) | 一种基于gps数据的城市公交运行状况评价方法 | |
Joo et al. | Assessing the impact of traffic crashes on near freeway air quality |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: Pingtung 519000 Guangdong Province, Zhuhai city Xiangzhou District Nanping Technology Industrial Park Road No. Patentee after: Zhuhai Gao Ling information Polytron Technologies Inc Address before: Pingtung 519000 Guangdong Province, Zhuhai city Xiangzhou District Nanping Technology Industrial Park Road No. Patentee before: Zhuhai Comleader Information Science & Technology Co., Ltd. |