CN105426636A - 城市峡谷街道机动车污染物排放与扩散的实时估计方法 - Google Patents

Abstract

本发明为城市峡谷街道污染物实时估计方法，实现实时估计城市峡谷街道内主要由机动车尾气排放而产生的不同污染物的浓度值。该方法首先通过模型模拟道路交通状况，实时估计交通参数；其次结合机动车排放因子估计道路污染物排放；最后应用扩散模型实时估计道路空气中污染物扩散浓度；最后将计算得到的污染物浓度值实时显示于地图上。利用智能手机的GPS模块结合VSP模型计算机动车排放因子的方法，以一种便利、低开销的方式提高了模型的实时性和准确性，并通过地图界面将计算结果转化为直观可视的污染物浓度数据，供用户参考。

Description

城市峡谷街道机动车污染物排放与扩散的实时估计方法

技术领域

本发明属于智能交通系统领域，涉及道路交通仿真、机动车尾气排放和污染物在城市峡谷道路的扩散，由于时空条件的差异以及对气象条件的依赖，目前很难准确实时了解道路环境污染物浓度。本发明结合交通模型﹑污染物排放模型和扩散模型，实时估计城市峡谷街道的空气污染物浓度。

背景技术

随着经济的持续高速发展，我国城市机动车保有量呈现大幅度增长。随之而来，城市交通拥堵状况日益加剧，机动车尾气污染严重。机动车尾气排放与城市大气环境质量紧密相关，根据环保部门分析报道，机动车尾气排放已成为北京市空气污染的首要来源，也是造成雾霾、烟雾污染的一个重要原因。

机动车不仅排放量大﹑增长速度快，而且机动车属于低空流动源污染，其排放高度接近人的呼吸高度，排放的高浓度污染物将严重影响并威胁道路两侧行人和周围居民的身体健康，并且治理这些有害物质存在很大难度。城市峡谷街道是行人步行的最重要场所，尤其是商业街等人流密集区域，而且，城市峡谷两侧建筑高大密集，机动车流量较大，区域内污染物扩散条件较差，污染源排放集中，以上因素使得城市峡谷街道的空气污染比区域性空气污染更为严重，对出行者的健康状况造成严重威胁。

影响城市峡谷街道机动尾气排放总量及污染程度的主要因素包括实际交通行驶状况﹑尾气扩散气象条件以及峡谷几何形状。由于时空条件的差异以及对气象条件的依赖，现在很难准确实时地确定城市峡谷街道环境污染物浓度，为出行者提供准确的数值。

本发明提出一种新的污染物估计方法，首先通过模型模拟道路交通状况，实时估计交通参数；其次结合机动车排放因子估计道路污染物排放量；最后应用扩散模型实时估计道路空气中污染物扩散浓度，最后以图形化方式为出行者提供可视化界面，实时了解街道空气污染物的浓度。

发明内容

本发明的目的在于提出一种新的城市峡谷街道环境污染物浓度计算方法，可实时了解空气污染物浓度以扩散情况，并提供可视化的图形界面让出行者更加直观了解空气污染情况。

为实现上述目的，本发明所采用的技术方案为基于交通流模型和扩散模型的城市峡谷街道机动车污染物排放与扩散的实时估计研究，主要由四部分组成：基于CTM模型对城市路网进行建模与仿真；基于排放因子模型重新估计实验道路上机动车尾气污染物排放因子，结合道路交通流量计算街道机动车尾气排放；基于OSPM扩散模型模拟计算实验道路机动车尾气污染物扩散浓度；基于模型仿真数据的污染物浓度查询显示界面。这四部分关系如图1所示，其中：

A所示部分为交通建模与仿真。根据对国内外城市峡谷街道交通流模型研究的调研，本发明选择元胞传输模型对城区道路进行建模。根据CTM模型将道路划分成不同链路，每条链路又由不同元胞组成。对元胞之间不同的连接关系以及信号灯控制下的元胞之间的关系分别建立元胞传输表达式，并对建立的模型进行仿真实现。应用元胞传输模型描述城市交通状态，估计道路交通流量。

B所示部分为机动车尾气排放估计。机动车排放因子是影响机动车污染物排放主要因素，因为不同类型车辆、不同工况下的排放因子存在差异性，本发明利用基于智能手机的交通数据实时采集系统，实时获取机动车实际工况下的行驶参数，结合VSP模型实时估计机动车污染物排放因子。

C所示部分为城区街道机动车污染物扩散研究。一般城市街道两旁都有建筑物，考虑街道内的空气流动对污染物传输和扩散研究，这就不仅需要考虑排放源﹑气象条件和环境因素的影响，而且要考虑街道两旁建筑物形成的小尺度污染扩散过程，称为街道峡谷污染扩散。针对峡谷类型路段选取OSPM模型，应用模型模拟的方式计算道路机动车尾气污染物扩散浓度。

D所示部分为污染物浓度显示界面设计。

城市峡谷街道机动车污染物排放与扩散的实时估计方法，其特征在于：城市道路交通网络建模部分A，机动车污染物排放部分和扩散部分B、C，以及污染物浓度显示部分D；

交通网路建模部分A，基于CTM模型对城区路网进行建模、仿真，将道路划分成不同链路，每条链路划分成不同元胞，基于信号灯配时建立元胞之间传输关系，估计计算建模街道的交通状况；

城市道路机动车污染物排放估计部分B，利用基于智能手机的交通数据实时采集系统，实时获取机动车实际工况下的行驶参数，结合VSP模型实时估计机动车污染物排放因子；

城市道路机动车污染物扩散估计部分C，针对城市道路的峡谷特性，选取OSPM模型，模拟道路机动车污染物的扩散过程，计算街道处不同污染物的时空浓度；

污染物浓度显示部分D，主要包括地图界面部分和选项栏部分，将污染物浓度分为6个等级，每个等级分配一个颜色，利用模型计算的数据，将污染物等级显示在地图上。

基于CTM模型对城区路网进行元胞划分的方法；划分步骤包括：

将目标区域以交叉口和区域边界为节点划分成n条链路，每条链路沿车辆行驶方向划分成两部分，称之为方向链路；

每条方向链路按l米长度划分成多个元胞，将方向链路与交叉口连接的元胞分为分离元胞和融合元胞，分离元胞组成交叉口处不同行驶方向的车道，融合元胞接收来自交叉口的车辆；

对于丁字路口，分离元胞分为两种：直行元胞和左转元胞，或直行元胞和右转元胞，或左转元胞和右转元胞；对于十字路口，分离元胞分为三种：直行元胞、左转元胞和右转元胞；

若交叉口处分离车道的长度为l_d米，相同行驶方向的分离元胞个数则为i＝round(l_d/l)个，其中round(·)为四舍五入函数。

对已划分元胞和元胞之间截面流量的编号方法；编号方法如下：

首先对不同方向链路进行编号，具体编号方法为：链路编号+方向缩写，链路编号采用罗马数字；其次对方向链路内的元胞进行编号；

元胞编号方法：首先，按照直行、左转、右转将所有分离元胞分别编号为S、L、R，其次，自融合元胞或边界元胞起，沿车辆行驶方向除分离元胞外依次编为正整数1、2、…、n，分离元胞则在此顺序下继续编号，所以分离元胞的最终编号为S[n+1],S[n+2],…,S[n+i]，其余方向以此类推；最后结合方向链路编号和元胞编号即可区分区域内所有的元胞；最后对截面流量进行编号；

截面编号方法：在元胞编号基础上编号，首先将每个元胞的输出流量编号为y_元胞编号，其余的流量根据指向的元胞编号记为y_{U+元胞编号}。

为得到路段内的车辆数和路段截面的车流量，对并列的元胞内车辆数和并列截面的总车流量的相加方法：

元胞内车辆数相加原则为：若链路内有n列元胞，相加的多个元胞的编号中的数字相加为n+1；

截面车流量相加原则为：若链路内有n列元胞，除链路两端的截面流量外，相加的两个截面流量的编号中的数字相加为n，且无下标“U”，两端的截面流量，相加的多个截面流量的编号中的数字相加为n+1。

利用基于智能手机的交通数据采集系统和VSP模型对实际行驶工况下机动车尾气排放因子进行估计：

通过基于智能手机的实时交通数据采集系统采集机动车不同行驶状况下的动态交通数据，包括实时的经纬度、瞬时速度﹑瞬时加速度以及行驶轨迹等信息；

交通数据采集系统基于android智能手机操作系统编写API应用程序，实时调用GPS模块和加速度传感器模块数据并记录；应用程序以1Hz的固定采样频率实时获取数据信息，包括系统时间、GPS模块以及加速度模块信息，并以数据库文件形式保存在手机外部存储器内，由GPS模块可以获得位置信息和速度信息，由加速度传感器可以获得加速度信息；

对采集的交通动态数据进行预处理方法，得到瞬时速度与瞬时加速度的秒数据，结合VSP模型逐秒计算可获得各秒的排放水平，逐次查询获得对应的排放量清单，累加后可得到数据对应的出行过程的总排放量。

污染物浓度显示部分以OSPM模型计算所得结果为基础，为将模型的实时估计结果直观可视化，本方法将污染物浓度分为6个等级，并分配不同的颜色，根据OSPM模型计算得出的污染物浓度值，选取代表路段污染物浓度的颜色，将其实时显示在对应街道处，用户通过查看路段处的颜色来查询街道处污染物的浓度值。

与现有技术相比，本发明具有如下有益效果。

1、选取交通模型对城市峡谷街道进行建模。基于CTM模型对城市路网进行建模仿真，CTM模型可以很好地描述城市峡谷街道交通状态﹑实时估计道路交通参数，为污染物浓度的计算提供全面、准确的交通参数，可有效提高污染物浓度计算值的实时性和准确性。

2、选择VSP污染物排放模型对机动车排放水平进行估计。利用基于智能手机的交通数据采集系统，实时获取机动车的速度和加速度，对道路上实际行驶工况下的排放因子进行重新估计。无处不在的智能手机可以很容易的获取机动车的速度和加速度，适用度广、操作方便、实时性强、准确性高，使得重新估计的排放因子数据更为准确，从而提高了最终估计的污染物浓度的准确性和可靠性。

3、为用户提供直观可视数值化界面。通过CTM模型、VSP模型、OSPM模型系统性的计算，得到街道处几种污染物浓度和扩散的估计值，最终显示在地图上，使出行者能够直观的了解到城市街道不同污染物的浓度和扩散情况。

附图说明

图1为本发明所涉及的方法总体流程图。

图2为仿真场景图例。

图3为交通网络拓扑图例。

图4为排放因子估计流程图。

图5为智能手机加速度传感器获取加速度信息坐标示意图。

图6为交通数据采集流程图。

图7为本方法的实施流程图。

具体实施方式

下面结合附图对本发明做进一步说明。

第一部分是交通建模与仿真。本发明首先基于CTM模型对城区路网进行建模、仿真。

根据CTM模型将空间和时间离散化。空间离散化即元胞划分方法，将街道路段划分成多个具有相同长度的元胞，同时将时间划分为等时间间隔，作为时间步长，且满足在一个时间步长内，车辆以最大速度行驶的距离小于元胞长度。本发明的元胞划分方法为：选取元胞长度为l米，时间间隔为t秒，l一般取20，t一般取1。具体划分步骤如下：

(1)将目标区域以交叉口和区域边界为节点划分成n条链路，每条链路沿车辆行驶方向划分成两部分，称之为方向链路，代表同一条道路不同的行驶方向；

(2)每条方向链路按l米长度划分成多个元胞，将方向链路与交叉口连接的元胞分为分离元胞和融合元胞，分离元胞组成交叉口处不同行驶方向的车道，分离元胞内的车辆将驶入交叉口，融合元胞接收来自交叉口的车辆；

(3)分离元胞根据交叉口类型，元胞的划分方法稍有不同，对于丁字路口，分离元胞分为两种：直行元胞和左转元胞，或直行元胞和右转元胞，或左转元胞和右转元胞；对于十字路口，分离元胞分为三种：直行元胞、左转元胞和右转元胞；

(4)若交叉口处分离车道的长度为l_d米，相同行驶方向的分离元胞个数则为i＝round(l_d/l)个，其中round(·)为四舍五入函数。

按以上元胞划分步骤，以北京市CBD城区光华路与金桐西路和金桐东路交叉形成的路网为例，将该路段划分为元胞，划分结果如图2所示。在此基础上建立的交通网络拓扑图如图3所示。

为区分不同元胞、不同截面流量以及方便编程，需要对交通网络拓扑图中的元胞和截面流量进行编号。本发明以方向链路为单位进行编号，不同方向链路内元胞和截面流量的编号方法相同。

首先对不同方向链路进行编号，具体编号方法为：链路编号+方向缩写，链路编号采用罗马数字，方向缩写采用N、S、W、E，分别代表北、南、西、东，如IIIN代表链路3北侧的方向链路；其次对方向链路内的元胞进行编号；

元胞编号方法：首先，按照直行、左转、右转将所有分离元胞分别编号为S、L、R，其次，自融合元胞或边界元胞起，沿车辆行驶方向除分离元胞外依次编为正整数1、2、…、n，分离元胞则在此顺序下继续编号，所以分离元胞的最终编号为所以分离元胞的最终编号为S[n+1],S[n+2],…,S[n+i]，如S13，S14，其余方向以此类推。最后结合方向链路编号和元胞编号即可区分区域内所有的元胞；最后对截面流量进行编号。

截面流量编号方法：在元胞编号基础上编号，首先将每个元胞的输出流量记为y_元胞编号，其余的流量根据指向的元胞编号记为y_{U+元胞编号}。

根据每个元胞对应的道路几何信息和通行能力，确定以下元胞参数：

R：一个时间步长T内能流入元胞的最大车辆数；

S：一个时间步长T内能流出元胞的最大车辆数；

Q：一个时间步长T内元胞之间截面能流过的最大车辆数。

N：元胞中能容纳的最大车辆数；

N_c：路段为临界密度时元胞中的车辆数；

建立元胞之间交通流传输关系。本发明元胞之间的连接包括三种方式：简单连接﹑融合和分离，各连接方法在示例区域图3中都有体现，结合示例说明各个连接的计算方法：

(1)简单连接

图3中两元胞之间只有单个箭头的连接即为简单连接。如图3中A部分所示为简单连接的两个元胞，元胞1和元胞2之间实际的传输流量为：

$y_{12}=min\{n_1,Q_1^O,Q_2^I,{\mathrm{\δ}}_2(N_2-n_2)\}$

其中：y₁₂为T时间内元胞1实际的流出车辆数，也为T时间内元胞2实际的流入车辆数；n₁和n₂分别为元胞1和元胞2内现有的车辆数；分别为T时间内元胞1能流出的和元胞2能流入的最大车辆数；N₂元胞2内能容纳的最大车辆数；δ₂为元胞2的自由流速度和反向波速度的比，即δ＝N_c/(N-N_c)。

(2)融合连接

图3中交叉口处由多个箭头汇集到一个箭头的连接即为融合连接。如图3中B部分所示为融合连接的三个元胞，当该路口处直行信号灯为绿灯时，元胞S、元胞R和元胞1之间的实际传输流量为：

Y_U1≥Y_S+Y_R时： $\left\{\begin{array}{c}{y}_S=Y_S\\ y_R=Y_R\end{array}\right.$

Y_U1＜Y_S+Y_R时： $\left\{\begin{array}{c}{y}_S=mid\{Y_S,Y_{U1}-Y_R,{\mathrm{\α}}_S{Y}_{U1}\}\\ y_R=mid\{Y_R,Y_{U1}-Y_S,{\mathrm{\α}}_R{Y}_{U1}\}\end{array}\right.$

y_U1＝y_S+y_R

其中 $Y_S=min\{Q_S^O,n_S\};Y_R=min\{Q_R^O,n_R\};Y_{U1}=min\{Q_1^I,{\mathrm{\δ}}_1(N_1-n_1)\}.$

式中：α_S和α_R为融合比，即元胞1分配给元胞S和元胞R的空间比例，而且α_S+α_R＝1；mid函数表示取三个值的中间值；Y_S和Y_R表示T时间内元胞S和元胞R能流出的最大车辆数；Y_U1表示T时间内元胞1可以接收的最大车辆数；y_S和y_R表示T时间内元胞S和元胞R实际流出的车辆数；y_U1表示T时间内元胞1实际接收的车辆数。

图3中融合连接因不同交叉路口和不同红绿灯相位实际为以下几种情况：无连接、简单连接和融合连接。实际为融合连接的连接用上述公式计算。仿真时，根据信号灯配时选择元胞之间不同的连接方式。

对于丁字路口，有3个融合元胞，没有接收来自右转分离元胞内车辆的融合元胞(IIS1)，与其他两个元胞(ISS14、IVWL5)做融合连接时，实际为无连接或者简单连接：直行信号灯为绿时，IIS1只接收到来自ISS14的车辆，实际只与一个元胞连接，所以此时为简单连接；方向链路IVW左转信号灯为绿时，IIS1只接收到来自IVWL5的车辆，亦然；方向链路IN左转信号灯为绿时，没有车辆流入IIS1，此时为无连接。路口处其余两个融合元胞(IN1、IVE1)情况一致，实际为简单连接或融合连接，此处不再做详细说明。

对于十字路口，有4个融合元胞，它们的情况一致，实际都为简单连接或融合连接，且最多为两个元胞融合到一个元胞，此处亦不做详细说明。

(3)分离连接

图3中元胞之间由一个箭头分离为多个箭头的连接即为分离连接。如图3中C部分和D部分所示，C部分为丁字路口前一个元胞分离为两个元胞，D部分为十字路口前一个元胞分离为三个元胞，分离的计算方法类似，此处只对D部分做详细说明，元胞15与元胞L、元胞S、元胞R之间的实际传输流量为：

$y_{15}=min\left\{\begin{array}{c}\min \{n_{15},Q_{15}^O\}\\ \min \{Q_L^I,{\mathrm{\δ}}_L\[N_L-n_L\]/{\mathrm{\β}}_L\}\\ \min \{Q_S^I,{\mathrm{\δ}}_S\[N_S-n_S\]/{\mathrm{\β}}_S\}\\ \min \{Q_R^I,{\mathrm{\δ}}_R\[N_R-n_R\]/{\mathrm{\β}}_R\}\end{array}\right\}$

y_UL＝β_Ly₁₅；y_US＝β_Sy₁₅；y_UR＝β_Ry₁₅

其中β_L、β_S和β_R为分离比，即车流从元胞15进入元胞L、元胞S和元胞R的比例，且β_L+β_S+β_R＝1。

利用以上元胞连接方法，并分别为这两个路口配置交通信号灯配时方案，用实时的交通流量作为路段的边界值进行仿真，即可得到该路段不同元胞内的车辆数、元胞之间的传输流量等交通数据。

为得到路段内的车辆数和路段截面的车流量，即链路内两个方向链路中并列元胞的总车辆数和并列截面的总车流量，还需要对并列的元胞内车辆数和并列截面的总车流量进行相加，为满足并列条件，仿真时元胞内车辆数相加原则为：若链路内有n列元胞，相加的多个元胞的编号中的数字相加为n+1；截面车流量相加原则为：若链路内有n列元胞，除链路两端的截面流量外，相加的两个截面流量的编号中的数字相加为n，且无下标“U”，两端的截面流量，相加的多个截面流量的编号中的数字相加为n+1。

至此，路网内每个路段的车辆数和每个截面的车流量即可仿真得到。

第二部分是对机动车污染物排放量的计算。本发明计算机动车主要的排放物，包括氮化物NO_X、碳氢化物HC和一氧化碳CO。机动车污染物排放量可由污染物排放源强计算得出，每种污染物的排放强源可用下式计算：

$Q=\underset{i=1}{\overset{n}{\Σ}}\frac{N_i{E}_i}{3600}$

式中，Q为强源[mg·(m·s)^-1]；N_i为某类车的车流量(辆·h^-1)；E_i为某类车的排放因子[g·(km·辆)^-1]；n为机动车分类数。

由排放强源表达式可以看出，机动车污染物排放量与交通流量和机动车污染物排放因子有着直接的关系。交通流量是指在单位时间内，通过道路某横断面的车辆数，单位是辆·h^-1。机动车排放因子是指单辆机动车运行单位里程或消耗单位燃料排放污染物的量，单位是g/km，它是反映机动车排放状况的最基本的参数，也是确定机动车污染物排放总量及其环境影响的重要依据。本发明中，交通流量由第一部分的CTM模型仿真得出，机动车污染物排放因子根据机动车实际工况下的行驶参数，结合排放因子模型实时模拟估计得出。

针对机动车排放因子在实际应用过程中存在的不同车辆技术类型、不同工况等差异性问题，本发明利用基于智能手机的交通数据采集系统实时采集城区街道机动车实际道路行驶参数，基于VSP模型对实际行驶工况下机动车尾气排放因子进行估计，结合第一部分中计算得到的交通流量确定交通源的排放因子。

通过基于智能手机的交通数据实时采集系统采集机动车不同行驶状况下的动态交通数据，获得车辆实时的经纬度、瞬时速度﹑瞬时加速度以及行驶轨迹等信息。对采集的机动车行驶数据进行分析，估计机动车实际工况下污染物排放因子。该过程实现的流程图如图4所示。

交通动态采集系统基于android智能手机操作系统编写API应用程序，实时调用GPS模块和加速度传感器模块数据并记录。其流程图如图5所示，应用程序以1Hz的固定采样频率实时获取数据信息，包括系统时间、GPS模块以及加速度模块信息，并以数据库文件形式保存在手机外部存储器内，供后续分析使用。由GPS模块可以获得位置信息和速度信息，由加速度传感器可以获得加速度信息，包括三个方向上的加速度，如图6所示，垂直屏幕向上的方向为Z轴，屏幕由左至右方向为X轴，由下至上方向为Y轴。

采集的交通动态数据经过数据预处理方法后，得到瞬时速度与瞬时加速度的秒数据。根据处理后的速度与加速度信息秒数据，结合VSP模型逐秒计算可获得各秒的排放水平，依据所得排放水平逐次查询表获得对应的排放量清单，由于清单对应的即为当前一秒，所以排放清单即这一秒的排放量，累加后可得到数据对应的出行过程的总排放量。VSP定义为单位质量机动车的瞬时功率，是发送机克服滚动阻力和空气阻力，增加机动车的动能时能所输出的功率。VSP计算公式如下：

$\begin{array}{c}VSP=\frac{\frac{d}{dt}\left(KE+PE\right)+F_{rolling}\×v+F_{Aerodyna\mathrm{mi}c}\×v}{m}\\ =\frac{\frac{d}{dt}\[\frac{1}{2}m\left(1+{\mathrm{\ξ}}_i\right)\×v^2+mgh\]+C_R\×mg\×v+\frac{1}{2}{\mathrm{\ρ}}_{\mathrm{\α}}{C}_{D}A{\left(v+v_m\right)}^2\×v}{m}\\ =v\[a\×\left(1+{\mathrm{\ξ}}_i\right)+g\×grade+g\×C_R\]+\frac{1}{2}{\mathrm{\ρ}}_{\mathrm{\α}}\frac{C_D\×A}{m}{\left(v+v_m\right)}^2\×v\end{array}$

其中：KE为机动车动能；PE为机动车势能；F_rolling为车轮的阻力；F_Aerodynamic为空气阻力；v为机动车的运行速度；m为机动车的总质量；ξ_i为滚动质量系数；g为重力加速度；h为机动车距海平面的距离；C_R为轮胎转动阻力系数；ρ_α为空气密度；C_D为风阻系数；A为机动车前沿面积；v_m为机动车顶风风速(可忽略不计)；a为机动车加速度；grade为道路坡度。

本发明中假定路段内机动车的车型主要为：轻型车和重型车，并根据交通时段和GPS信息分配不同的比例。根据已标定的特征选取相关参数简化得到相关类型车辆VSP计算公式，其中，轻型车取值如下，ξ_i取0.1，C_R取0.0135，C_D×A/m取0.0005，v_m和grade忽略不计：

VSP＝v×(1.1×a+0.132)+0.000302×v³

通过对上式相关参数进行标定，得到重型车的VSP表达式为：

VSP＝v×(a+0.09199)+0.000169×v³

估算出行距离。GPS接收模块获得的经纬度位置信息是十进制小数形式的数据，单位为度。因此只需要依次计算一段数据中相邻两个经纬度坐标间的距离，并累加即可得到整个出行过程的行驶距离。假设地球是一个完美的球体，即半径为平均半径，记做R。设一点A的经纬度坐标为(LngA,LatA)，另一点B的经纬度坐标为(LngB,LatB)。以0度经线和赤道为基准，东经经度取正值，西经经度取负值，北纬取负值并加上90度，南纬取正值加上90度，由此可以得到转换后的A、B两点的坐标，分别为(MLngA,MLatA)和(MLngB,MLatB)，则根据三角推导得出计算两点距离Distance的如下公式所示：

C＝sin(MLatA)×sin(MLatB)×cos(MLngA-MLngB)+cos(MLatA)×cos(MLatB)

Distance(A,B)＝R×Arccos(C)×π/180

其中，Distance与R的单位保持一致，即若R采用6371.004千米，则Distance的单位就是千米。

基于VSP排放模型，并结合时间段内所行驶的距离即可估计出不同行驶工况下污染物排放因子

${\hat{E}}_i=\frac{\mathrm{\Σ}VSP(v,a)}{\underset{i=1}{\overset{n-1}{\Σ}}Dis\tan ce(A,B)}$

其中：的单位为g/km，Distance(A,B)为通过经纬度信息所计算得到的两点间距离。

至此，即可计算出不同类型车辆的排放因子，再结合车辆类型查表获得各类型车辆每种污染物的排放因子，将其带入源强计算公式，结合对应类型车辆的车流量，即可计算出不同类型车辆各种污染物的排放量，公式将不同类型车辆排放的同种污染物相加，最终即得到路段不同污染物的总排放量。

第三部分基于OSPM扩散模型模拟计算道路机动车尾气污染物扩散浓度。一般城市街道两旁都有建筑物，考虑街道内的空气流动对污染物传输和扩散研究，这就不仅需要考虑排放源﹑气象条件和环境因素的影响，而且要考虑街道两旁建筑物形成的小尺度污染扩散过程，称为街道峡谷污染扩散。针对峡谷类型路段，本发明选取OSPM模型，应用模型模拟的方式计算道路机动车尾气污染物扩散浓度。

OSPM模型认为街道峡谷中受体点的污染物浓度由两个主要的贡献源组成，一个是由街道中交通排放导致的浓度部分，另一个是该区域其他所有源贡献所致的背景浓度部分。前者又主要由交通排放直接引起的扩散浓度和街区内因气流涡旋引起污染物循环形成的浓度构成，并分别用高斯烟羽模型和箱模型来计算。于是街区内受体点污染物的总浓度为：

C_tot＝C_d+C_r+C_bk

式中：C_d是为直接扩散浓度，C_r为街道峡谷中循环浓度，C_bk为城市背景浓度。

利用高斯烟羽模型计算背风面直接贡献浓度C_d的公式如下：

$C_d=\mathrm{\δ}Q/\left(u_{b}LH\right)\frac{Q}{{\mathrm{L\σ}}_w}\{ln\frac{{\mathrm{\σ}}_{w}d1/u_b+h_0}{h_0}+R\left(\frac{{\mathrm{\σ}}_{w}d6/u_b+h_0}{{\mathrm{\σ}}_w{L}_r+h_0}\right)+\frac{{\mathrm{\σ}}_w}{{\mathrm{\σ}}_{wt}}\[1-\exp (-{\mathrm{\σ}}_{wt}d7/u_{b}H)\]\}$

d1＝min(L_max,L_r)

d6＝min[max(L_max,L_r),x1]

d7＝max(L_max,x1)-x1

迎风面直接贡献浓度C_d的公式如下：

$C_d=\mathrm{\δ}Q/\left(u_{b}LH\right)\frac{Q}{{\mathrm{L\σ}}_w}\{\ln \frac{{\mathrm{\σ}}_{w}d4/u_b+h_0}{h_0}+\frac{{\mathrm{\σ}}_w}{{\mathrm{\σ}}_{wt}}\[1-\exp (-{\mathrm{\σ}}_{wt}d5/u_{b}H)\]\}$

d4＝min[(L_max-L_r),x1]

d5＝max[(L_max-L_r),x1]-x1

利用箱模型计算循环区域内的污染物浓度C_r的公式如下：

$C_r=\frac{(Q/L)l_{r}sin\mathrm{\θ}}{{\mathrm{\σ}}_{wt}d2+u_{d}d3}$

d2＝min(L_max,0.5L_r)

d3＝max[0,d1L_s/(0.5L_r-1)]

其中：Q为街道机动车排放源强，由第二部分获得；u_b为街道处风速，由u_b＝β·u_t得出，式中u_t为峡谷顶部的风速，风速转换系数β的值一般取0.34；为垂直湍流速度的标准方差，a为经验常数，根据风洞实测确定，取为0.1，σ_wo为交通引起的湍流，在模式中取为定值σ_wo＝0.1m/s；L为街道宽度；L_max＝L/sin(θ)，θ是风向与街道的夹角；L_r＝2Hr为循环区下边长度，r是低风速修正因子，u_b＞2m/s时r＝1.0，u_b＜2m/s时r＝0.5；H为建筑物高度；h₀为汽车尾气初始混合高度，取h₀＝2m；x1＝u_b(H-h₀)/σ_w为积分上限；R＝Max[0,cos(2rθ)]为权重因子；σ_wt为峡谷顶部湍流速度的方差；u_d为对流速度。

气象参数采用中国气象局网站的常规监测数据，包括实时的风速、风向和背景浓度值。街道特征通过实地考量获得，包括建筑物平均高度、街道宽度和建筑物位置等。

将OSPM模型和相关参数输入计算机，结合第一部分得出的交通流数据和第二部分得出的排放源强数据，就可以实时仿真计算出路网内街道不同位置各种污染物的浓度。

第四部分为污染物浓度显示部分。本发明污染物浓度显示界面主要包括污染物浓度地图显示界面以及选项栏。

界面右上角为选项栏，本发明将污染物浓度分为6个等级，并分配不同的颜色，依次为绿、黄、橙、红、酒红、深红。对于不同的污染物，根据其浓度的数量级，每种颜色对应的浓度阶梯值不同，氮氧化物和碳氢化物的浓度阶梯值分为0～100、100～200、200～700、700～1200、1200～2340、＞2340，单位为μg/m³，一氧化碳浓度阶梯值分为0～5、5～10、10～35、35～60、60～90、＞90，单位为mg/m³。

根据第三部分OSPM模型计算得出的污染物浓度值，以及以上污染物浓度等级划分方法，选取代表路段污染物浓度的颜色，将其实时显示在对应街道处，用户通过查看路段处的颜色来查询街道处污染物的浓度值。

显示界面只显示一种污染物的浓度等级，用户可以通过切换污染物选项栏查看不同污染物的浓度等级。

同时将风力、风向等天气信息显示到选项栏供用户查看。

图7为本方法的实施流程图。

Claims (7)

1.城市峡谷街道机动车污染物排放与扩散的实时估计方法，其特征在于：城市道路交通网络建模部分A，机动车污染物排放部分和扩散部分B、C，以及污染物浓度显示部分D；

交通网路建模部分A，基于CTM模型对城区路网进行建模、仿真，将道路划分成不同链路，每条链路划分成不同元胞，基于信号灯配时建立元胞之间传输关系，估计计算建模街道的交通状况；

城市道路机动车污染物排放估计部分B，利用基于智能手机的交通数据实时采集系统，实时获取机动车实际工况下的行驶参数，结合VSP模型实时估计机动车污染物排放因子；

城市道路机动车污染物扩散估计部分C，针对城市道路的峡谷特性，选取OSPM模型，模拟道路机动车污染物的扩散过程，计算街道处不同污染物的时空浓度；

污染物浓度显示部分D，主要包括地图界面部分和选项栏部分，将污染物浓度分为6个等级，每个等级分配一个颜色，利用模型计算的数据，将污染物等级显示在地图上。

2.根据权利要求1所述的城市峡谷街道机动车污染物排放与扩散的实时估计方法，其特征在于：基于CTM模型对城区路网进行元胞划分的方法；划分步骤包括：

(1)将目标区域以交叉口和区域边界为节点划分成n条链路，每条链路沿车辆行驶方向划分成两部分，称之为方向链路；

(2)每条方向链路按l米长度划分成多个元胞，将方向链路与交叉口连接的元胞分为分离元胞和融合元胞，分离元胞组成交叉口处不同行驶方向的车道，融合元胞接收来自交叉口的车辆；

(3)对于丁字路口，分离元胞分为两种：直行元胞和左转元胞，或直行元胞和右转元胞，或左转元胞和右转元胞；对于十字路口，分离元胞分为三种：直行元胞、左转元胞和右转元胞；

(4)若交叉口处分离车道的长度为l_d米，相同行驶方向的分离元胞个数则为round(l_d/l)个，其中round(·)为四舍五入函数。

3.根据权利要求1所述的城市峡谷街道机动车污染物排放与扩散的实时估计方法，其特征在于：对已划分元胞和元胞之间截面流量的编号方法；编号方法如下：

首先对不同方向链路进行编号，具体编号方法为：链路编号+方向缩写，链路编号采用罗马数字；其次对方向链路内的元胞进行编号；

元胞编号方法：首先，按照直行、左转、右转将所有分离元胞分别编号为S、L、R，其次，自融合元胞或边界元胞起，沿车辆行驶方向除分离元胞外依次编为正整数1、2、…、n，分离元胞则在此顺序下继续编号，所以分离元胞的最终编号为S[n+1],S[n+2]，如S13，S14，其余方向以此类推；最后结合方向链路编号和元胞编号即可区分区域内所有的元胞；最后对截面流量进行编号；

截面编号方法：在元胞编号基础上编号，首先将每个元胞的输出流量编号为y_元胞编号，其余的流量根据指向的元胞编号记为y_{U+元胞编号}。

4.根据权利要求1所述的城市峡谷街道机动车污染物排放与扩散的实时估计方法，其特征在于：为得到路段内的车辆数和路段截面的车流量，对并列的元胞内车辆数和并列截面的总车流量的相加方法：

元胞内车辆数相加原则为：若链路内有n列元胞，相加的多个元胞的编号中的数字相加为n+1；

截面车流量相加原则为：若链路内有n列元胞，除链路两端的截面流量外，相加的两个截面流量的编号中的数字相加为n，且无下标“U”，两端的截面流量，相加的多个截面流量的编号中的数字相加为n+1。

5.根据权利要求1所述的城市峡谷街道机动车污染物排放与扩散的实时估计方法，其特征在于：利用基于智能手机的交通数据采集系统和VSP模型对实际行驶工况下机动车尾气排放因子进行估计：

通过基于智能手机的实时交通数据采集系统采集机动车不同行驶状况下的动态交通数据，包括实时的经纬度、瞬时速度﹑瞬时加速度以及行驶轨迹信息；

交通数据采集系统基于android智能手机操作系统编写API应用程序，实时调用GPS模块和加速度传感器模块数据并记录；应用程序以1Hz的固定采样频率实时获取数据信息，包括系统时间、GPS模块以及加速度模块信息，并以数据库文件形式保存在手机外部存储器内，由GPS模块能够获得位置信息和速度信息，由加速度传感器能够获得加速度信息；

对采集的交通动态数据进行预处理方法，得到瞬时速度与瞬时加速度的秒数据，结合VSP模型逐秒计算可获得各秒的排放水平，逐次查询获得对应的排放量清单，累加后可得到数据对应的出行过程的总排放量。

6.根据权利要求1所述的城市峡谷街道机动车污染物排放与扩散的实时估计方法，其特征在于：污染物浓度显示部分以OSPM模型计算所得结果为基础，为将模型的实时估计结果直观可视化，本方法将污染物浓度分为6个等级，并分配不同的颜色，根据OSPM模型计算得出的污染物浓度值，选取代表路段污染物浓度的颜色，将其实时显示在对应街道处，用户通过查看路段处的颜色来查询街道处污染物的浓度值。

7.根据权利要求1所述的城市峡谷街道机动车污染物排放与扩散的实时估计方法，其特征在于：实现城市峡谷街道机动车污染物实时估计的整个实施过程；

第一部分是交通建模与仿真；本方法首先基于CTM模型对城区路网进行建模、仿真；

根据CTM模型将空间和时间离散化；空间离散化即元胞划分方法，将街道路段划分成多个具有相同长度的元胞，同时将时间划分为等时间间隔，作为时间步长，且满足在一个时间步长内，车辆以最大速度行驶的距离小于元胞长度；本方法的元胞划分方法为：选取元胞长度为l米，时间间隔为t秒，l一般取20，t一般取1；具体划分步骤如下：

(1)将目标区域以交叉口和区域边界为节点划分成n条链路，每条链路沿车辆行驶方向划分成两部分，称之为方向链路，代表同一条道路不同的行驶方向；

(2)每条方向链路按l米长度划分成多个元胞，将方向链路与交叉口连接的元胞分为分离元胞和融合元胞，分离元胞组成交叉口处不同行驶方向的车道，分离元胞内的车辆将驶入交叉口，融合元胞接收来自交叉口的车辆；

(3)分离元胞根据交叉口类型，元胞的划分方法稍有不同，对于丁字路口，分离元胞分为两种：直行元胞和左转元胞，或直行元胞和右转元胞，或左转元胞和右转元胞；对于十字路口，分离元胞分为三种：直行元胞、左转元胞和右转元胞；

(4)若交叉口处分离车道的长度为l_d米，相同行驶方向的分离元胞个数则为i＝round(l_d/l)个，其中round(·)为四舍五入函数；

按以上元胞划分步骤，将路网划分为元胞，并在此基础上建立交通网络拓扑图；

为区分不同元胞、不同截面流量以及方便编程，需要对交通网络拓扑图中的元胞和截面流量进行编号；本方法以方向链路为单位进行编号，不同方向链路内元胞和截面流量的编号方法相同；

首先对不同方向链路进行编号，具体编号方法为：链路编号+方向缩写，链路编号采用罗马数字，方向缩写采用N、S、W、E，分别代表北、南、西、东；其次对方向链路内的元胞进行编号；

元胞编号方法：首先，按照直行、左转、右转将所有分离元胞分别编号为S、L、R，其次，自融合元胞或边界元胞起，沿车辆行驶方向除分离元胞外依次编为正整数1、2、…、n，分离元胞则在此顺序下继续编号，所以分离元胞的最终编号为S[n+1],S[n+2],…,S[n+i]，其余方向以此类推；最后结合方向链路编号和元胞编号即可区分区域内所有的元胞；最后对截面流量进行编号；

截面流量编号方法：在元胞编号基础上编号，首先将每个元胞的输出流量记为y_元胞编号，其余的流量根据指向的元胞编号记为y_{U+元胞编号}；

根据每个元胞对应的道路几何信息和通行能力，确定以下元胞参数：

R：一个时间步长T内能流入元胞的最大车辆数；

S：一个时间步长T内能流出元胞的最大车辆数；

Q：一个时间步长T内元胞之间截面能流过的最大车辆数；

N：元胞中能容纳的最大车辆数；

N_c：路段为临界密度时元胞中的车辆数；

建立元胞之间交通流传输关系；元胞之间的连接包括三种方式：简单连接﹑融合和分离，各个连接的计算方法如下：

(1)简单连接

交通拓扑图中，两元胞之间只有单个箭头的连接即为简单连接；设元胞1为上游元胞，元胞2为下游元胞，简单连接的元胞1和元胞2之间实际的传输流量为：

$y_{12}=min\{n_1,Q_1^O,Q_2^I,{\mathrm{\δ}}_2(N_2-n_2)\}$

其中：y₁₂为T时间内元胞1实际的流出车辆数，也为T时间内元胞2实际的流入车辆数；n₁和n₂分别为元胞1和元胞2内现有的车辆数；分别为T时间内元胞1能流出的和元胞2能流入的最大车辆数；N₂元胞2内能容纳的最大车辆数；δ₂为元胞2的自由流速度和反向波速度的比，即δ＝N_c/(N-N_c)；

(2)融合连接

交通拓扑图中，由多个箭头汇集到一个箭头的连接即为融合连接；设上游元胞为元胞S和元胞L，它们同时流入下游的元胞1，元胞S、元胞R和元胞1之间的实际传输流量为：

Y_U1≥Y_S+Y_R时： $\left\{\begin{array}{c}{y}_S=Y_S\\ y_R=Y_R\end{array}\right.$

Y_U1＜Y_S+Y_R时： $\left\{\begin{array}{c}{y}_S=mid\{Y_S,Y_{U1}-Y_R,{\mathrm{\α}}_S{Y}_{U1}\}\\ y_R=mid\{Y_R,Y_{U1}-Y_S,{\mathrm{\α}}_R{Y}_{U1}\}\end{array}\right.$

y_U1＝y_S+y_R

其中 $Y_S=min\{Q_S^O,n_S\};Y_R=min\{Q_R^O,n_R\};Y_{U1}=min\{Q_1^I,{\mathrm{\δ}}_1(N_1-n_1)\};$

式中：α_S和α_R为融合比，即元胞1分配给元胞S和元胞R的空间比例，而且α_S+α_R＝1；mid函数表示取三个值的中间值；Y_S和Y_R表示T时间内元胞S和元胞R能流出的最大车辆数；Y_U1表示T时间内元胞1能够接收的最大车辆数；y_S和y_R表示T时间内元胞S和元胞R实际流出的车辆数；y_U1表示T时间内元胞1实际接收的车辆数；

融合连接因不同交叉路口和不同红绿灯相位实际为以下几种情况：无连接、简单连接和融合连接；实际为融合连接的连接用上述公式计算；仿真时，根据信号灯配时选择元胞之间不同的连接方式；

对于三相位信号灯的丁字路口，有3个融合元胞，没有接收来自右转分离元胞内车辆的融合元胞，与其他两个元胞做融合连接时，实际为无连接或者简单连接：当直行信号灯为绿时，该融合元胞只接收到来自对应直行元胞的车辆，实际只与一个元胞连接，所以此时为简单连接；当无直行的方向左转信号灯为绿时，该融合元胞只接收到来自左转元胞的车辆，亦然；当有直行的方向左转信号灯为绿时，此时无直行的方向左转信号灯为红，没有车辆流入该融合元胞，此时为无连接；其余两个融合元胞情况一致，实际为简单连接或融合连接；

对于十字路口，有4个融合元胞，它们的情况一致，实际都为简单连接或融合连接，且最多为两个元胞融合到一个元胞；

(3)分离连接

元胞之间由一个箭头分离为多个箭头的连接即为分离连接；对于丁字路口，只有两个行车方向选择，所以路口前一个元胞分离为两个元胞，对于十字路口，由三个行车方向选择，所以路口前一个元胞分离为三个元胞；两种情况计算方法类似，具体说明十字路口，丁字路口只需去掉一个元胞的相关参数即可；分离元胞的编号一般会较大，设上游元胞为元胞15，下游元胞为元胞L、元胞S和元胞R，所以元胞15与元胞L、元胞S、元胞R之间的实际传输流量为：

$y_{15}=min\left\{\begin{array}{c}\min \left\{n_{15},Q_{15}^O\right\}\\ min\left\{Q_L^I,{\mathrm{\δ}}_L\[N_L-n_L\]/{\mathrm{\β}}_L\right\}\\ \min \left\{Q_S^I,{\mathrm{\δ}}_S\[N_S-n_S\]/{\mathrm{\β}}_S\right\}\\ \min \left\{Q_R^I,{\mathrm{\δ}}_R\[N_R-n_R\]/{\mathrm{\β}}_R\right\}\end{array}\right\}$

y_UL＝β_Ly₁₅；y_US＝β_Sy₁₅；y_UR＝β_Ry₁₅

其中β_L、β_S和β_R为分离比，即车流从元胞15进入元胞L、元胞S和元胞R的比例，且β_L+β_S+β_R＝1；

利用以上元胞连接方法，并分别为这两个路口配置交通信号灯配时方案，用实时的交通流量作为路段的边界值进行仿真，即可得到该路段不同元胞内的车辆数、元胞之间的传输流量交通数据；

为得到路段内的车辆数和路段截面的车流量，即链路内两个方向链路中并列元胞的总车辆数和并列截面的总车流量，还需要对并列的元胞内车辆数和并列截面的总车流量进行相加，为满足并列条件，仿真时元胞内车辆数相加原则为：若链路内有n列元胞，相加的多个元胞的编号中的数字相加为n+1；截面车流量相加原则为：若链路内有n列元胞，除链路两端的截面流量外，相加的两个截面流量的编号中的数字相加为n，且无下标“U”，两端的截面流量，相加的多个截面流量的编号中的数字相加为n+1；

至此，路网内每个路段的车辆数和每个截面的车流量即可仿真得到；

第二部分是对机动车污染物排放量的计算；本方法计算机动车主要的排放物，包括氮化物NO_X、碳氢化物HC和一氧化碳CO；机动车污染物排放量可由污染物排放源强计算得出，每种污染物的排放强源可用下式计算：

$Q=\underset{i=1}{\overset{n}{\Σ}}\frac{N_i{E}_i}{3600}$

式中，Q为强源[mg·(m·s)^-1]；N_i为某类车的车流量(辆·h^-1)；E_i为某类车的排放因子[g·(km·辆)^-1]；n为机动车分类数；

由排放强源表达式能够看出，机动车污染物排放量与交通流量和机动车污染物排放因子有着直接的关系；交通流量是指在单位时间内，通过道路某横断面的车辆数，单位是辆·h^-1；机动车排放因子是指单辆机动车运行单位里程或消耗单位燃料排放污染物的量，单位是g/km，它是反映机动车排放状况的最基本的参数，也是确定机动车污染物排放总量及其环境影响的重要依据；本方法中，交通流量由第一部分的CTM模型仿真得出，机动车污染物排放因子根据机动车实际工况下的行驶参数，结合排放因子模型实时模拟估计得出；

针对机动车排放因子在实际应用过程中存在的不同车辆技术类型、不同工况差异性问题，本方法利用基于智能手机的交通数据采集系统实时采集城区街道机动车实际道路行驶参数，基于VSP模型对实际行驶工况下机动车尾气排放因子进行估计，结合第一部分中计算得到的交通流量确定交通源的排放因子；

通过基于智能手机的交通数据实时采集系统采集机动车不同行驶状况下的动态交通数据，获得车辆实时的经纬度、瞬时速度﹑瞬时加速度以及行驶轨迹信息；对采集的机动车行驶数据进行分析，估计机动车实际工况下污染物排放因子；

交通动态采集系统基于android智能手机操作系统编写API应用程序，实时调用GPS模块和加速度传感器模块数据并记录；应用程序以1Hz的固定采样频率实时获取数据信息，包括系统时间、GPS模块以及加速度模块信息，并以数据库文件形式保存在手机外部存储器内，供后续分析使用；由GPS模块能够获得位置信息和速度信息，由加速度传感器能够获得加速度信息，包括三个方向上的加速度，垂直屏幕向上的方向为Z轴，屏幕由左至右方向为X轴，由下至上方向为Y轴；

采集的交通动态数据经过数据预处理方法后，得到瞬时速度与瞬时加速度的秒数据；根据处理后的速度与加速度信息秒数据，结合VSP模型逐秒计算可获得各秒的排放水平，依据所得排放水平逐次查询表获得对应的排放量清单，由于清单对应的即为当前一秒，所以排放清单即这一秒的排放量，累加后可得到数据对应的出行过程的总排放量；VSP定义为单位质量机动车的瞬时功率，是发送机克服滚动阻力和空气阻力，增加机动车的动能时能所输出的功率；VSP计算公式如下：

$\begin{array}{c}VSP=\frac{\frac{d}{dt}\left(KE+PE\right)+F_{rolling}\×v+F_{Aerodynamic}\×v}{m}\\ =\frac{\frac{d}{dt}\[\frac{1}{2}m\left(1+{\mathrm{\ξ}}_i\right)\×v^2+mgh\]+C_R\×mg\×v+\frac{1}{2}{\mathrm{\ρ}}_{\mathrm{\α}}{C}_{D}A{\left(v+v_m\right)}^2\×v}{m}\\ =v\[a\×\left(1+{\mathrm{\ξ}}_i\right)+g\×grade+g\×C_R\]+\frac{1}{2}{\mathrm{\ρ}}_{\mathrm{\α}}\frac{C_D\×A}{m}{\left(v+v_m\right)}^2\×v\end{array}$

其中：KE为机动车动能；PE为机动车势能；F_rolling为车轮的阻力；F_Aerodynamic为空气阻力；v为机动车的运行速度；m为机动车的总质量；ξ_i为滚动质量系数；g为重力加速度；h为机动车距海平面的距离；C_R为轮胎转动阻力系数；ρ_α为空气密度；C_D为风阻系数；A为机动车前沿面积；v_m为机动车顶风风速(可忽略不计)；a为机动车加速度；grade为道路坡度；

本方法中假定路段内机动车的车型为：轻型车和重型车，并根据交通时段和GPS信息分配不同的比例；根据已标定的特征选取相关参数简化得到相关类型车辆VSP计算公式；其中，轻型车取值如下，ξ_i取0.1，C_R取0.0135，C_D×A/m取0.0005，v_m和grade忽略不计：

VSP＝v×(1.1×a+0.132)+0.000302×v³

通过对上式相关参数进行标定，得到重型车的VSP表达式为：

VSP＝v×(a+0.09199)+0.000169×v³

估算出行距离；GPS接收模块获得的经纬度位置信息是十进制小数形式的数据，单位为度；因此只需要依次计算一段数据中相邻两个经纬度坐标间的距离，并累加即可得到整个出行过程的行驶距离；假设地球是一个完美的球体，即半径为平均半径，记做R；设一点A的经纬度坐标为(LngA,LatA)，另一点B的经纬度坐标为(LngB,LatB)；以0度经线和赤道为基准，东经经度取正值，西经经度取负值，北纬取负值并加上90度，南纬取正值加上90度，由此能够得到转换后的A、B两点的坐标，分别为(MLngA,MLatA)和(MLngB,MLatB)，则根据三角推导得出计算两点距离Distance的如下公式所示：

C＝sin(MLatA)×sin(MLatB)×cos(MLngA-MLngB)+cos(MLatA)×cos(MLatB)

Distance(A,B)＝R×Arccos(C)×π/180

其中，Distance与R的单位保持一致；

基于VSP排放模型，并结合时间段内所行驶的距离即可估计出不同行驶工况下污染物排放因子

${\hat{E}}_i=\frac{\mathrm{\Σ}VSP(v,a)}{\underset{i=1}{\overset{n-1}{\Σ}}Dis\tan ce(A,B)}$

其中：的单位为g/km，Distance(A,B)为通过经纬度信息所计算得到的两点间距离；

至此，即可计算出不同类型车辆的排放因子，再结合车辆类型查表获得各类型车辆每种污染物的排放因子，将其带入源强计算公式，结合对应类型车辆的车流量，即可计算出不同类型车辆各种污染物的排放量，公式将不同类型车辆排放的同种污染物相加，最终即得到路段不同污染物的总排放量；

第三部分基于OSPM扩散模型模拟计算道路机动车尾气污染物扩散浓度；一般城市街道两旁都有建筑物，考虑街道内的空气流动对污染物传输和扩散研究，这就不仅需要考虑排放源﹑气象条件和环境因素的影响，而且要考虑街道两旁建筑物形成的小尺度污染扩散过程，称为街道峡谷污染扩散；针对峡谷类型路段，本方法选取OSPM模型，应用模型模拟的方式计算道路机动车尾气污染物扩散浓度；

OSPM模型认为街道峡谷中受体点的污染物浓度由两个主要的贡献源组成，一个是由街道中交通排放导致的浓度部分，另一个是该区域其他所有源贡献所致的背景浓度部分；前者又主要由交通排放直接引起的扩散浓度和街区内因气流涡旋引起污染物循环形成的浓度构成，并分别用高斯烟羽模型和箱模型来计算；于是街区内受体点污染物的总浓度为：

C_tot＝C_d+C_r+C_bk

式中：C_d是为直接扩散浓度，C_r为街道峡谷中循环浓度，C_bk为城市背景浓度；

利用高斯烟羽模型计算背风面直接贡献浓度C_d的公式如下：

$C_d=\mathrm{\δ}Q/\left(u_{b}LH\right)\frac{Q}{{\mathrm{L\σ}}_w}\{\ln \frac{{\mathrm{\σ}}_{w}d1/u_b+h_0}{h_0}+R\left(\frac{{\mathrm{\σ}}_{w}d6/u_b+h_0}{{\mathrm{\σ}}_w{L}_r+h_0}\right)+\frac{{\mathrm{\σ}}_w}{{\mathrm{\σ}}_{wt}}\[1-\exp (-{\mathrm{\σ}}_{wt}d7/u_{b}H)\]\}$

d1＝min(L_max,L_r)

d6＝min[max(L_max,L_r),x1]

d7＝max(L_max,x1)-x1

迎风面直接贡献浓度C_d的公式如下：

$C_d=\mathrm{\δ}Q/\left(u_{b}LH\right)\frac{Q}{{\mathrm{L\σ}}_w}\left\{\ln \frac{{\mathrm{\σ}}_{w}d4/u_b+h_0}{h_0}+\frac{{\mathrm{\σ}}_w}{{\mathrm{\σ}}_{wt}}\[1-\exp \left(-{\mathrm{\σ}}_{wt}d5/u_{b}H\right)\]\right\}$

d4＝min[(L_max-L_r),x1]

d5＝max[(L_max-L_r),x1]-x1

利用箱模型计算循环区域内的污染物浓度C_r的公式如下：

$C_r=\frac{(Q/L)l_{r}sin\mathrm{\θ}}{{\mathrm{\σ}}_{wt}d2+u_{d}d3}$

d2＝min(L_max,0.5L_r)

d3＝max[0,d1L_s/(0.5L_r-1)]

其中：Q为街道机动车排放源强，由第二部分获得；u_b为街道处风速，由u_b＝β·u_t得出，式中u_t为峡谷顶部的风速，风速转换系数β的值一般取0.34；为垂直湍流速度的标准方差，a为经验常数，根据风洞实测确定，取为0.1，σ_wo为交通引起的湍流，在模式中取为定值σ_wo＝0.1m/s；L为街道宽度；L_max＝L/sin(θ)，θ是风向与街道的夹角；L_r＝2Hr为循环区下边长度，r是低风速修正因子，u_b＞2m/s时r＝1.0，u_b＜2m/s时r＝0.5；H为建筑物高度；h₀为汽车尾气初始混合高度，取h₀＝2m；x1＝u_b(H-h₀)/σ_w为积分上限；R＝Max[0,cos(2rθ)]为权重因子；σ_wt为峡谷顶部湍流速度的方差；u_d为对流速度；

气象参数采用中国气象局网站的常规监测数据，包括实时的风速、风向和背景浓度值；街道特征通过实地考量获得，包括建筑物平均高度、街道宽度和建筑物位置；

将OSPM模型和相关参数输入计算机，结合第一部分得出的交通流数据和第二部分得出的排放源强数据，就能够实时仿真计算出路网内街道不同位置各种污染物的浓度；

第四部分为污染物浓度显示部分；本方法污染物浓度显示界面主要包括污染物浓度地图显示界面以及选项栏；

界面右上角为选项栏，本方法将污染物浓度分为6个等级，并分配不同的颜色，依次为绿、黄、橙、红、酒红、深红；对于不同的污染物，根据其浓度的数量级，每种颜色对应的浓度阶梯值不同，氮氧化物和碳氢化物的浓度阶梯值分为0～100、100～200、200～700、700～1200、1200～2340、＞2340，单位为μg/m³，一氧化碳浓度阶梯值分为0～5、5～10、10～35、35～60、60～90、＞90，单位为mg/m³；

根据第三部分OSPM模型计算得出的污染物浓度值，以及以上污染物浓度等级划分方法，选取代表路段污染物浓度的颜色，将其实时显示在对应街道处，用户通过查看路段处的颜色来查询街道处污染物的浓度值；

显示界面只显示一种污染物的浓度等级，用户能够通过切换污染物选项栏查看不同污染物的浓度等级；

同时将风力、风向天气信息显示到选项栏供用户查看。