CN106530692A - 一种基于交通拥堵评价指标的机动车油耗排放强度测算方法 - Google Patents

一种基于交通拥堵评价指标的机动车油耗排放强度测算方法 Download PDF

Info

Publication number
CN106530692A
CN106530692A CN201610940579.9A CN201610940579A CN106530692A CN 106530692 A CN106530692 A CN 106530692A CN 201610940579 A CN201610940579 A CN 201610940579A CN 106530692 A CN106530692 A CN 106530692A
Authority
CN
China
Prior art keywords
index
traffic
emission factor
speed
oil consumption
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.)
Pending
Application number
CN201610940579.9A
Other languages
English (en)
Inventor
靳秋思
张宝武
张远景
宋国华
于雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Heilongjiang Urban Planning Survey And Design Institute
Beijing Jiaotong University
Original Assignee
Heilongjiang Urban Planning Survey And Design Institute
Beijing Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Heilongjiang Urban Planning Survey And Design Institute, Beijing Jiaotong University filed Critical Heilongjiang Urban Planning Survey And Design Institute
Priority to CN201610940579.9A priority Critical patent/CN106530692A/zh
Publication of CN106530692A publication Critical patent/CN106530692A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了基于交通拥堵评价指标的机动车油耗排放强度测算方法，所述方法包括以下步骤：步骤一、数据采集及处理；步骤二、数据聚类分析；步骤三、建立模型。

Description

一种基于交通拥堵评价指标的机动车油耗排放强度测算方法
技术领域
本发明属于路网拥堵及车辆排放技术领域，具体涉及一种基于交通拥堵评价指标的机动车油耗排放强度测算方法。
背景技术
近年来，随着科学技术的发展，依托智能化的交通信息采集技术，实时的道路交通运行状态评估成为热门研究方向。有利于全面掌握交通运行状态，合理引导交通参与者客观、正确地认知交通运行状态。国内外交通管理部门和研究机构展开了大量的交通拥堵评价相关研究，结合实际特点，每个城市对于交通拥堵评价指标也从不同角度给出了其定义，如拥堵指数（Congestion Index）（D’Este和Tylor），道路拥堵指数（Roadway CongestionIndex,RCI），出行率指数（Travel Rate Index，TRI），出行时间指数（Travel Time Index，TTI），LKDIF（Lane Kilometer Duration Index under LOS F），Tomtom Congest Index（CI），交通运行指数TPI（Traffic Performance Index）等。虽然各地交通拥堵评价指标的测算机理不同，但均被利用描述整体交通状态。交通拥堵评价指标不仅便于交通出行者对实时交通拥堵状况的把握，也为交通管理部门制定交通战略规划、实时动态路网状态分析提供新的技术手段。目前，交通拥堵评价指标在世界各大城市具有广泛的应用，且随着智能交通技术的发展，其将来的应用会更加普遍。
交通拥堵现象的频发，导致机动车在怠速、低速、急加速和急减速等非稳定行驶状态下的时间增加，使机动车排放物大量增加。为定量化城市交通网络中机动车的污染物排放量，研究学者应用排放因子展开了广泛研究。排放因子（Emission Factor，EF）是指机动车行驶单位距离后产生的不同排放物的质量（单位为g/km），不仅可以反映某类型车的微观排放特征，也可反映区域内不同交通状况下的宏观排放特征。因此，研究学者选择排放因子作为量化机动车尾气控制对策研究的依据。
在交通与环境的双重压力下，城市交通管理部门和环境保护部门已经开始联合行动。旨在通过采取治污与治堵一体化的措施，在改善交通拥堵的同时也取得节能减排的改善效果。因此，对交通规划、交通政策乃至交通项目节能减排效果进行科学评价的需求日益迫切。特别是目前许多城市已经建立了基于微观车辆速度数据的交通拥堵评价方法来进行路网整体运行水平的评价，使微观指标与宏观指标有机结合。但是由于研究角度的差异，目前尚缺少城市路网拥堵强度和机动车排放的定量关系的研究，尽管部分研究从城市路网着手，但是并没有开展交通拥堵评价指标与城市路网机动车油耗排放强度的关系研究。为此，本发明设计了一种基于交通拥堵评价指标的机动车油耗排放强度测算方法。
通过整理和研究国内外的研究成果发现，目前研究集中于在交通拥堵评价指标开发、量化拥堵对车辆排放的影响、车辆行驶速度与车辆排放的关系研究等方面，缺乏对城市路网拥堵强度和机动车排放关系的量化研究，尽管有部分研究从城市路网入手，但是没有对交通拥堵评价指标与路网机动车油耗排放强度的关系进行研究。为克服现有研究的空白，本发明提供了一种基于交通拥堵评价指标的机动车油耗排放强度测算方法。
本发明通过排放测试实验得到了不同排放标准轻型车的NOx、CO2、CO、HC排放因子和油耗因子。并考虑了实际交通流中不同排放标准车辆的构成比例，综合反映速度与NOx、CO2、CO、HC排放因子和油耗因子的定量关系。
本发明考虑到速度与油耗排放因子间的非线性关系，在研究交通运行指数与机动车油耗排放强度间的量化关系时，选用交通运行指数与速度分布数据，而非交通运行指数与速度数据。
本发明聚类分析了交通运行指数与速度分布数据，不仅降低了交通运行指数与速度分布关系的不确定性，也降低了交通运行指数与机动车油耗排放强度关系的不确定性。并聚类分析了交通运行指数与速度分布特征。
本发明以《道路交通信息服务、交通状况描述（GB29107-2012）》中的交通拥堵评价指标-道路交通运行指数（Traffic Performance Index，TPI；以下简称交通指数）为例，研究机动车油耗排放强度与交通运行指数间的关系。通过对交通拥堵评价指标和排放模型的测算机理进行分析，选择速度作为中间变量，本发明建立了交通运行指数与机动车能耗排放强度的关系模型。
本发明以聚类原则下交通运行指数的速度分布数据为基础，测算了相应分类条件下交通运行指数与机动车油耗排放因子的关系。并考虑实际应用，得到了不同日期和时间段交叉组合分类条件下，各道路等级和全路网交通运行指数与机动车油耗排放因子的拟合函数。
发明内容
针对现有技术中的不足，本发明的目的在于提供一种基于交通拥堵评价指标的机动车油耗排放强度测算方法。
为了实现上述目的，本发明采取的技术方案：
针对现有技术存在的问题，本发明提出了一种基于交通拥堵评价指标的机动车油耗排放强度测算方法。本发明以《道路交通信息服务、交通状况描述（GB29107-2012）》中的交通拥堵评价指标——道路交通运行指数（Traffic Performance Index，TPI；以下简称交通指数）为例，研究机动车油耗排放强度与交通运行指数的关系，特指这一定义下的交通运行指数，不适用此标准外的指数。本发明提供的是一种研究方法和思路，同时适用于其他交通拥堵评价指标，在此不做介绍。同时，在本发明中利用油耗因子（g/km）和排放因子（g/km）作为单车的油耗强度和排放强度。排放因子（油耗因子）是指机动车行驶单位距离所排放污染物（消耗燃油）的质量，单位g/km，用来量化机动车的排放强度（油耗强度）。
本发明利用北京市浮动车（Floating Car Data）交通信息采集系统获取浮动车数据，建立交通运行指数与速度分布数据测算模型，处理成分道路等级的交通运行指数与速度分布数据。分析发现交通运行指数与快速路、主干路、次支路的速度分布关系存在不确定性。
本发明分析了影响城市交通网络速度分布的因素，利用K-Means聚类方法，结合基于Silhouette测度的最佳聚类数函数，设计了城市交通运行指数的速度分布聚类方案。为评价各方案的聚类效果，本发明提出了速度分布变异系数和排放因子变异系数两个指标。本发明选择了聚类效果较优的聚类方案，并聚类分析了交通运行指数与速度分布特征。
本发明通过车载测试（PEMS，Portable Emission Measurement System，车载尾气检测设备），对不同排放标准的轻型汽油车进行排放测试。同时，通过GPS系统，以精确的时间为切合点，把机动车尾气排放与行驶路段的真实工况结合起来，则可得到每秒机动车所在的地理位置、行驶状况及其相应的排放情况。通过排放测试实验，本发明得到了不同排放标准轻型车的NOx、CO2、CO、HC排放因子和油耗因子与速度的量化关系。
本发明通过分析交通拥堵评价指标（交通指数）和油耗排放因子的测算机理，选择速度为衔接点，分道路等级构建了机动车油耗排放因子与交通指数的关系分析框架。并以聚类原则下的交通指数与速度分布数据为基础，结合速度与油耗排放因子的量化关系，测算了相应分类原则下快速路、主干路、次支路、全路网机动车油耗排放因子与交通指数的定量关系。并考虑到实际应用，本发明通过拟合得交通指数与NOx、HC、CO、CO2排放因子和油耗因子的函数关系式。
1.交通运行指数下的速度分布测算方法
浮动车一般是指载有GPS和无线通信装置，并在城市道路上行驶的普通车辆。浮动车辆在道路上行驶过程中，可采集车辆位置、方向和速度等自身交通数据，并通过无线通讯网络将这些信息传递到交通数据中心；交通数据中心采集数据后，通过虚拟专用网络（VPN）将数据传输到数据处理系统。利用GIS系统，通过地图匹配、路径推测等相关计算步骤进行处理，在时间和空间上使浮动车位置数据和城市道路关联起来。通过以上处理程序，通过浮动车（Floating Car Data，FCD）采集系统可计算得到平均行程速度、道路拥堵状态等指标。在此基础上，利用相关算法，可得综合反映城市交通网络运行状况的交通运行指数。
利用已有数据库中的路段速度和交通指数的数据，建立交通指数与速度分布的关系模型，实现某一道路等级某一指数条件下速度分布规律的计算模型。具体内容如下：
（1）批量从路网速度数据库中获取道路速度数据；
（2）按照道路等级，以0.2为步长在交通指数数据库中获取相应的交通指数及所处时刻；以此结果为依据，在经过步骤1的道路速度数据中批量获取与之相对应的道路速度数据集合；
（3）考虑到不同道路等级上车辆的运行特性存在显著差异，按照道路等级对路段速度数据和指数进行关联分析，通过聚类以及概率分布分析的方法对同一指数下各等级道路的速度分布进行分析，从而得到交通指数和路段速度的分布关系模型。具体计算方法为：测算同一时刻同一交通指数下不同速度区间的路段VKT之和占路网VKT总量的比例，可获得某一交通指数下的速度分布规律，具体如公式（1）所示。车辆行驶里程VKT是衡量机动车行驶量多少的基本单位，表示特定路网中所有车辆的行驶里程总和。由于在现有的技术条件下，不可能得到每辆车行驶里程的精确值。由于车辆在次干路和支路上的交通运行状态相似，本发明作为一类分析，统称为“次支路”。数据示例如表1所示。
式中，PTPI,RC,v——某一时刻，速度区间v所占的百分比，对于特定的交通指数TPI和道路等级RC；
VKTTPI,RC,v——某一时刻，速度区间v的机动车行驶里程，对于特定的交通指数TPI和道路等级RC；
v——速度区间。其中，速度区间的划分原则为：1）以5km/h为步长；2）快速路速度大于等于80km/h的归为一个速度区间，则快速路的速度区间包括[0，5]、[5，10）、[10，15）、……、[75，80）、[80，）；3）主干路和次支路速度大于等于75km/h的归为一个速度区间，即[75，）；
RC——道路等级，包括快速路、主干路、次支路；
nv——速度区间的数量。快速路共17个速度区间，主干路和次支路为16个；
l——某一时刻，平均速度位于速度区间v的路段编号；
Ql——路段l的流量；
Ll——路段l的长度；
nl——路段的数量。
表1交通运行指数与速度分布数据（示例）
在分析交通运行指数与机动车油耗排放因子关系时，油耗排放因子是一个关键参数。本发明利用车载试验采集车辆的排放数据。车载试验是指测试车辆按照规定的路线行驶，实时记录车辆的车速、位置和排放数据，设备实图如图2示。该系统主要由气态污染物测试单元和颗粒物测试单元组成，可以对所测量的排气成分进行实时记录，得到逐秒的数据，同时测量排气流量、实时车速、行驶里程等参数。为保证数据质量的可靠性，排放测试获得的机动车排放原始数据需要经过一系列的检验与预处理工作。测试得到的机动车排放数据如表2所示。
表2机动车排放实测数据（示例）
本发明通过车载测试，得到了不同排放标准轻型车在快速路、主干路、次支路的排放因子。并且结合各排放物排放因子，利用碳平衡法，对相应的油耗因子进行了测算。考虑到交通指数下的速度分布是对路网上各种车型的统计结果，因此，有必要结合实际交通流中各排放标准车辆的构成比例，综合反映道路上速度与油耗排放因子的量化关系。通过加权集计可得速度与综合油耗排放因子的量化关系，方法如公式（3）所示。
式中，EF综合,RC,i,k——速度区间k的综合油耗因子或排放因子，特定的道路等级RC和排放物类型i，单位为g/km；
——排放标准ES轻型车在交通流中所占比例。
2.交通运行指数与油耗排放因子的关系量化模型
1）基于交通运行指数的油耗排放因子模型
由于速度与油耗排放因子为非线性关系，如图3示。故在测算交通运行指数与机动车油耗排放因子的关系时，本发明选用交通指数的速度分布数据。
基于对交通指数和机动车油耗排放因子的产生机理的分析，选择速度为衔接变量，将交通指数和油耗排放因子相结合，建立交通指数与机动车油耗排放因子的关系模型，见公式（4）。具体测算过程中，速度区间v的油耗因子或排放因子的计算方法如公式（5）所示。即速度区间[10，15）对应速度为12.5km/h的油耗因子或排放因子。
式中，EFTPI,RC,i——交通指数TPI的油耗因子或排放因子，对于特定的道路等级RC，排放物类型i，单位为g/km；
EFRC,i,v——速度区间v的油耗因子或排放因子，对于特定的RC和i，单位为g/km；
PTPI,RC,v——速度区间v的分布概率，对于特定的TPI和RC；
nv——速度区间的数量。
然后，以VKT为权重，对同一交通指数下三种道路等级对应油耗排放因子加权求和，可得相应的路网油耗排放因子。权重取值为各道路等级的VKT权重，具体计算方法如式（6）所示：
EFTPI,net,i＝0.20EFTPI,快速路,i+0.41EFTPI,主干路,i+0.39EFTPI,次支路,i （6）
式中，EFTPI,net,i为全路网的油耗因子或排放因子，对于特定的TPI和i，单位为g/km。2）交通运行指数与油耗排放因子的不确定性关系
交通指数是从路段到路网不断积聚而形成的综合性评价指标，因此，用交通指数下的速度分布来反映复杂多变的路网交通拥堵状况，存在一定的不确定性。进而导致交通指数与油耗排放因子间关系存在一定的不确定性。为此，本发明在90%的置信度下，统计各交通指数油耗排放因子的置信上限、置信下限，即某一指数的油耗排放因子分布带，使得油耗排放因子处在分布带之中的概率达到90%。
式中，UCLTPI,RC,i、LCLTPI,RC,i——油耗因子或排放因子的平均值、置信上限、置信下限，对于特定的TPI，道路等级RC，排放物类型i，单位为g/km；
σTPI,RC,i——油耗因子或排放因子的标准差，对于特定的TPI，RC，i；
φTPI,RC,i——油耗因子或排放因子的偏差率，对于特定的TPI，RC，i。
3.交通运行指数下的速度分布聚类
本发明通过在数据库中筛选交通指数区间为5时不同时期和时段的交通指数与速度分布数据发现，从总体趋势来看，同一交通指数，各道路等级的速度分布具有一致性。但并不是同一指数下的每个时刻的路网速度分布都一样，甚至存在较大的差异，即交通指数与速度分布之间的关系存在不确定性，具体如图4示。故本发明拟对各交通指数下的速度分布数据聚类分析。
1）影响城市交通网络速度分布的因素
本发明从空间维度和时间维度，分析影响城市交通网络速度分布的因素，主要包括以下几个方面：
（1）道路等级。由于物理特征的差异，导致车辆在各道路等级上的交通流特性不同。
（2）交通需求。①交通出行总量。本发明对全路网在各工作日和周末速度随时间的变化规律进行分析。由图可知，工作日的变化趋势大致相同，周末的变化趋势基本一致。其中，星期二、星期三、星期四的变化趋势一致性较高，星期六比星期日更拥堵。故交通出行总量是影响城市交通网络速度分布特征的因素之一。②交通出行时间和空间分布。从时间维度出发，车辆在全天24小时的行驶速度特性也存在差异。在工作日7点-9点出现早高峰。由于到达目的地为工作单位，目标单一且明确，是刚性需求；在17点-19点出现晚高峰，出行目的多样化，是柔性需求；在周末，10点-12点出现早高峰，16点-18点出现晚高峰。
（3）节假日。在国家法定假日，各工作单位放假，路网中出行的车辆不集中，没有早高峰和晚高峰出行特征。同时，探亲访友、出行郊游、朋友聚会等活动增加，导致额外的交通需求。所以，节假日交通运行状态差别于非节假日。
（4）开学周。入学、接送孩子等行为导致出行车辆增加，交通需求增加。
（5）恶劣天气。相关研究表明雨雪等不利天气对交通流速度及流量有显著的影响。
2）聚类方案评价指标
为评价各方案的聚类效果，借助于变异系数（标准差与其平均数的比值）的概念，本发明设计了速度分布变异系数（Coefficient of Variation of Speed Distribution,CVSD）和排放因子变异系数（Coefficient of Variation of Emission Factor,CVEF）两个评价指标，分别用来衡量交通指数与速度分布、交通指数与机动车油耗排放因子关系的不确定性。通过测算各方案的CVSD和CVEF，从而选择不确定性最低、聚类效果最好的方案，对交通指数与速度分布数据聚类分析，为交通指数与油耗排放因子间的关系研究提供数据支撑。
假设满足聚类方案c，对于特定的交通指数TPI和道路等级RC，存在多个速度分布样本。速度区间v的平均概率为μc,TPI,RC,v、标准差为σc,TPI,RC,v，则利用公式（9）计算得速度区间v的变异系数CVc,TPI,RC,v。通过加权集计可得TPI的变异系数，计算方法如式（10）所示。
式中，CVc,TPI,RC,v——速度区间v的变异系数，对于特定的交通指数TPI和道路等级RC；
CVc,TPI,RC——交通指数TPI的变异系数，对于特定的RC；
σc,TPI,RC,v——速度区间v的标准差，对于特定的TPI和RC；
μc,TPI,RC,v——速度区间v的平均概率值，对于特定的TPI和RC；
——速度区间v的权重，对于特定的TPI和RC；
c——某聚类方案。
（1）速度分布变异系数（CVSD）：权重取值为各个速度区间的概率平均值。意指该速度区间概率越大，其重要性越高，具体见公式（11）。
（2）排放因子变异系数（CVEF）：权重取值为各个速度区间CO2排放因子所占比率。意指该速度区间CO2排放因子越大，其重要性越高，具体见公式（12）。考虑到低碳已发展成为城市环境和交通管理者的共识，近年来对碳排放的日益关注，本发明选用CO2排放因子为例。
式中，——速度区间v的CO2排放因子，对于特定的RC。
3）聚类对速度分布不确定性与油耗排放因子不确定性的影响
结合城市交通网络速度分布的影响因素，本发明针对交通需求稳定的特征，剔除节假日、开学周、恶劣天气数据。为排除夜间及凌晨噪音点数据的干扰，采用6:00-22:00共16个小时，以15min为时间粒度的全路网速度数据作为聚类指标，则一天拥有64个指标，可被看作64维欧氏空间中的点。本发明借助Matlab软件开发平台编写程序，利用K-Means聚类方法，结合基于Silhouette测度的最佳聚类数函数，对数据进行聚类分析。
通过聚类分析发现，根据相似性特征数据被分为6组，分别为星期日、星期一、普通工作日（星期二、星期三和星期四）、49限行工作日、星期五、星期六。考虑到交通出行的时间特征，在对城市交通运行指数的速度分布数据按照日期分类的基础上，本发明拟对其再按时间段进行更细致粒度的分类。为此，提出了两个时段聚类方案，方案一为上午（0:00-12:00）和下午（12:00-24:00），方案二为上午（6:00-12:00）、下午（12:00-22:00）和夜间（22:00-6:00）。各聚类方案的速度分布变异系数和排放因子变异系数见表4。
表3各聚类方案的速度分布变异系数和排放因子变异系数
通过研究发现，按道路等级、交通规律相似的工作日/周末和时间段（6:00-12:00、12:00-22:00、22:00-6:00）交叉组合分类，快速路、主干路、次支路速度分布不确定性降低了10.1%、13.6%、14.6%，排放因子不确定性降低了10.1%、13.4%、14.2%，降低效果最显著。故被选为本发明的聚类方案。
4）聚类条件下交通运行指数与速度分布特征
通过在数据库中筛选不同时期和时间段的基础数据，分析聚类条件下交通运行指数与速度分布特征。在此仅列举星期一交通运行指数的快速路、主干路、次支路速度分布特征。
由图5可知，当交通指数小于3时，快速路的速度分布近似单峰；交通指数大于3时，有明显的双峰特征。同时，当速度大于80km/h时，速度占比曲线突然升高，这是由于将大于80km/h的速度都包括在该速度区间，导致该区间占比较大。随着指数的增加，波峰向低速区间移动，高速度区间占比逐渐降低，低速区间占比增加。由图6和图7，区别于快速路，主干路和次支路的速度分布一直呈现单峰结构特征。随着指数的增加，峰值逐渐增大，向低速度区间移动。
4.交通运行指数与机动车油耗排放因子间的定量关系及其不确定性
1）各等级道路油耗排放因子与交通指数的定量关系及其不确定性
利用本发明提出的基于交通拥堵评价指标的机动车油耗排放强度测算方法，对不同聚类条件下交通运行指数与油耗排放因子的关系进行测算（分道路等级、日期、时间段、排放物类型等）。由于篇幅的限制，本发明仅列举了星期一交通指数与快速路、主干路、次支路综合CO2排放因子的关系曲线，具体如图8所示。由图可知交通指数在(2.0，8.0]时，随着交通指数的增加，CO2排放因子随之增长，增长速度较为平缓；当交通指数在(0.6,2.0]和大于8.0时，随着指数的增加，增长趋势变大。
从道路等级来看，同一交通指数，在次支路上机动车油耗排放因子最高，主干路次之，快速路上最低。
星期二三四、星期五、49限行工作日、星期六、星期日交通指数与油耗排放因子的关系变化趋势与星期一一致，仅相邻交通指数油耗因子和排放因子的增长率存在差异。
此外，考虑到实际应用，本发明通过拟合得交通指数与NOx、HC、CO、CO2排放因子和油耗因子的函数关系式，拟合度达到97%以上，可靠性较高。普通工作日（星期二、三、四）交通指数与各等级道路油耗排放因子的拟合函数见表5-表7，其他日期和时间段在此不再赘述。
表4星期二、三、四交通指数与快速路油耗排放因子的拟合函数
表5星期二、三、四交通指数与主干路油耗排放因子的拟合函数
表6星期二、三、四交通指数与次支路油耗排放因子的拟合函数
2）全路网油耗排放因子与交通指数间的定量关系及不确定性
基于公式（6），利用不同聚类条件下交通指数与快速路、主干路、次支路油耗排放因子的量化关系，本发明测算得到在不同日期和时间段交通指数与全路网油耗排放因子的定量关系以及拟合函数。在此仅列举星期一交通指数与全路网CO2排放因子关系图，具体如图9所示。由图可知，随着交通指数的增加，NOx、HC、CO、CO2排放因子及油耗因子随之增长。且当交通指数在(0.6,2.0]和大于8.0时，增长趋势变大。
有益效果
本发明建立了机动车油耗排放强度与交通拥堵评价指标的关系模型，拓展了交通拥堵评价指标的应用维度。
本发明不仅满足了交通管理部门的研究需求，而且使交通管理者和交通参与者通过交通拥堵评价指标判断路网交通运行状态、了解路网拥堵水平的同时，也可获知当前时刻机动车在各道路等级以及全路网的油耗排放强度，从而选择快捷而又健康的出行方式。
本发明可为交通规划、交通政策乃至交通项目节能减排效果的科学评价提供理论依据。
本发明可为城市交通规划中交通环境目标的制定和治污治堵一体化交通政策决策的制定提供支持。
附图说明
图1是本申请所述方法的流程图；
图2（a）-（b）是车载测试设备实图；
图3是速度与油耗排放因子的非线性关系；
图4是交通指数区间5.0-不同日期和时段的速度分布（示例）；
图5（a）-（c）是实施例星期一-交通运行指数的快速路速度分布；
图6（a）-（c）是实施例星期一-交通运行指数的主干路速度分布；
图7（a）-（c）是实施例星期一-交通运行指数的次支路速度分布图；
图8（a）-（c）是实施例星期一交通指数与CO2排放因子的关系；
图9是实施例星期一交通指数与全路网CO2排放因子的关系；
具体实施方式
基于交通拥堵评价指标的机动车油耗排放强度测算方法，所述方法包括以下步骤：
步骤一、数据采集及处理；
步骤二、数据聚类分析；
步骤三、建立模型；
其中，所述步骤一为进行城市交通运行指数的速度分布特征分析，具体包括数据采集、数据质量控制及处理、数据初步分析和交通指数的速度分布不确定性分析；
所述步骤二为进行城市交通运行指数的速度分布聚类分析，具体包括影响因素分析，利用K-Means聚类方法并结合基于Silhouette测度的最佳聚类数函数，得到聚类方案，并设计聚类评价指标评价聚类效果；
所述步骤三为进行基于城市交通运行指数的排放测算及不确定性分析，具体包括机动车油耗排放强度与交通指数的关系模型，进行排放测算及不确定性分析，得到关系曲线和拟合函数。
在所述步骤一中，利用已有数据库中的路段速度和交通指数的数据，建立交通指数与速度分布的关系模型，实现交通指数与速度分布规律的计算模型；
在步骤一中，基于对交通指数和机动车油耗排放因子的产生机理的分析，选择速度为衔接变量，将交通指数和油耗排放因子相结合，建立交通指数与机动车油耗排放因子的关系模型；具体测算过程中，速度区间[10，15）对应速度为12.5km/h的油耗因子或排放因子；
然后，以VKT为权重，对同一交通指数下三种道路等级对应油耗排放因子加权求和，可得相应的路网油耗排放因子；权重取值为各道路等级的VKT权重；
在90%的置信度下，统计各交通指数油耗排放因子的置信上限（Upper ConfidenceLimit，UCL）、置信下限（Lower Confidence Limit，LCL），即某一指数的油耗排放因子分布带，使得油耗排放因子处在分布带之中的概率达到90%；
所述步骤二中，为评价各方案的聚类效果，借助于变异系数（标准差与其平均数的比值）的概念，设计速度分布变异系数（Coefficient of Variation of SpeedDistribution,CVSD）和排放因子变异系数（Coefficient of Variation of EmissionFactor,CVEF）两个评价指标，分别用来衡量交通指数与速度分布、交通指数与机动车油耗排放因子关系的不确定性；
步骤（a）速度分布变异系数（CVSD）：权重取值为各个速度区间的概率平均值；意指该速度区间概率越大，其重要性越高；
步骤（b）排放因子变异系数（CVEF）：权重取值为各个速度区间CO2排放因子所占比率；意指该速度区间CO2排放因子越大，其重要性越高；
基于公式（6），利用不同聚类条件下交通指数与快速路、主干路、次支路油耗排放因子的量化关系，测算得到在不同日期和时间段交通指数与全路网油耗排放因子的定量关系以及拟合函数。
最后应说明的是：显然，上述实施例仅仅是为清楚地说明本申请所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本申请型的保护范围之中。

Claims (5)

1.基于交通拥堵评价指标的机动车油耗排放强度测算方法，其特征在于：所述方法包括以下步骤：
步骤一、数据采集及处理；
步骤二、数据聚类分析；
步骤三、建立模型；
其中，所述步骤一为进行城市交通运行指数的速度分布特征分析，具体包括数据采集、数据质量控制及处理、数据初步分析和交通指数的速度分布不确定性分析；
所述步骤二为进行城市交通运行指数的速度分布聚类分析，具体包括影响因素分析，利用K-Means聚类方法并结合基于Silhouette测度的最佳聚类数函数，得到聚类方案，并设计聚类评价指标评价聚类效果；
所述步骤三为进行基于城市交通运行指数的排放测算及不确定性分析，具体包括机动车油耗排放强度与交通指数的关系模型，进行排放测算及不确定性分析，得到关系曲线和拟合函数。
2.根据权利要求1所述的预测方法，其特征在于：在所述步骤一中，利用已有数据库中的路段速度和交通指数的数据，建立交通指数与速度分布的关系模型，实现交通指数与速度分布规律的计算模型，包括如下步骤：
步骤(1)、批量从路网速度数据库中获取道路速度数据；
步骤(2)、按照道路等级，以0.2为步长在交通指数数据库中获取相应的交通指数及所处时刻；以此结果为依据，在经过步骤(1)的道路速度数据中批量获取与之相对应的道路速度数据集合；
步骤(3)、考虑到不同道路等级上车辆的运行特性存在显著差异，按照道路等级对路段速度数据和指数进行关联分析，通过聚类以及概率分布分析的方法对同一指数下各等级道路的速度分布进行分析，从而得到交通指数和路段速度的分布关系模型；具体计算方法为：测算同一时刻同一交通指数下不同速度区间的路段VKT之和占路网VKT总量的比例，可获得某一交通指数下的速度分布规律；车辆行驶里程VKT是衡量机动车行驶量多少的基本单位，表示特定路网中所有车辆的行驶里程总和；由于车辆在次干路和支路上的交通运行状态相似，因此作为一类分析，统称为“次支路”。
3.根据权利要求2所述的预测方法，其特征在于：在步骤一中，基于对交通指数和机动车油耗排放因子的产生机理的分析，选择速度为衔接变量，将交通指数和油耗排放因子相结合，建立交通指数与机动车油耗排放因子的关系模型；具体测算过程中，速度区间[10，15)对应速度为12.5km/h的油耗因子或排放因子。
然后，以VKT为权重，对同一交通指数下三种道路等级对应油耗排放因子加权求和，可得相应的路网油耗排放因子；权重取值为各道路等级的VKT权重。
在90％的置信度下，统计各交通指数油耗排放因子的置信上限(UpperConfidenceLimit，UCL)、置信下限(Lower Confidence Limit，LCL)，即某一指数的油耗排放因子分布带，使得油耗排放因子处在分布带之中的概率达到90％。
4.根据权利要求1所述的预测方法，其特征在于：所述步骤二中，为评价各方案的聚类效果，借助于变异系数(标准差与其平均数的比值)的概念，设计速度分布变异系数(Coefficient of Variation of Speed Distribution,CVSD)和排放因子变异系数(Coefficient of Variation of Emission Factor,CVEF)两个评价指标，分别用来衡量交通指数与速度分布、交通指数与机动车油耗排放因子关系的不确定性。
5.根据权利要求1所述的预测方法，其特征在于：利用不同聚类条件下交通指数与快速路、主干路、次支路油耗排放因子的量化关系，测算得到在不同日期和时间段交通指数与全路网油耗排放因子的定量关系以及拟合函数。
CN201610940579.9A 2016-10-25 2016-10-25 一种基于交通拥堵评价指标的机动车油耗排放强度测算方法 Pending CN106530692A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610940579.9A CN106530692A (zh) 2016-10-25 2016-10-25 一种基于交通拥堵评价指标的机动车油耗排放强度测算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610940579.9A CN106530692A (zh) 2016-10-25 2016-10-25 一种基于交通拥堵评价指标的机动车油耗排放强度测算方法

Publications (1)

Publication Number Publication Date
CN106530692A true CN106530692A (zh) 2017-03-22

Family

ID=58292650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610940579.9A Pending CN106530692A (zh) 2016-10-25 2016-10-25 一种基于交通拥堵评价指标的机动车油耗排放强度测算方法

Country Status (1)

Country Link
CN (1) CN106530692A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492553A (zh) * 2018-03-12 2018-09-04 中山大学 一种面向实时路网排放评估的车辆活动水平分析方法
CN108647836A (zh) * 2018-06-06 2018-10-12 哈尔滨思派科技有限公司 一种驾驶员节能评价方法和系统
CN108682156A (zh) * 2018-07-13 2018-10-19 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
CN108759858A (zh) * 2018-06-29 2018-11-06 北京汽车股份有限公司 一种续航里程计算方法、计算装置及汽车
CN109145401A (zh) * 2018-07-31 2019-01-04 石家庄铁道大学 一种计算机动车排放清单的方法、系统及终端设备
CN110147820A (zh) * 2019-04-11 2019-08-20 北京远航通信息技术有限公司 航班额外油量的推荐方法、装置、设备及存储介质
CN110232816A (zh) * 2018-11-26 2019-09-13 深圳市城市交通规划设计研究中心有限公司 交通排放的计算方法、计算装置及终端
CN110827184A (zh) * 2019-10-12 2020-02-21 上海市政工程设计研究总院（集团）有限公司 一种道路交通碳排放计算模块及计算方法
CN111127894A (zh) * 2019-12-30 2020-05-08 江苏中路工程技术研究院有限公司 一种基于监测手段的交通运输能耗控制方法及其检测方法
CN111260933A (zh) * 2020-02-11 2020-06-09 北京交通大学 用于高分辨率机动车动态排放清单的小时交通量测算方法
CN111402581A (zh) * 2020-03-11 2020-07-10 浙江大华技术股份有限公司 一种交通状态检测方法及检测装置
CN115424448A (zh) * 2022-11-04 2022-12-02 八维通科技有限公司 一种基于交通出行数据的交通碳排放量评估方法与系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003293868A (ja) * 2002-03-29 2003-10-15 Mikio Okamoto 自動車の低燃費化及び低排気ガス化方法
CN102881158A (zh) * 2012-10-12 2013-01-16 王园园 一种减少机动车停车次数以及油耗和尾气排放的交通控制方法
CN104715605A (zh) * 2015-02-16 2015-06-17 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
CN105044278A (zh) * 2015-04-22 2015-11-11 北京交通大学 汽车碳排放检测方法及装置
CN105355048A (zh) * 2015-11-05 2016-02-24 北京市交通行业节能减排中心 一种交通指数与机动车污染物排放耦合分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003293868A (ja) * 2002-03-29 2003-10-15 Mikio Okamoto 自動車の低燃費化及び低排気ガス化方法
CN102881158A (zh) * 2012-10-12 2013-01-16 王园园 一种减少机动车停车次数以及油耗和尾气排放的交通控制方法
CN104715605A (zh) * 2015-02-16 2015-06-17 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
CN105044278A (zh) * 2015-04-22 2015-11-11 北京交通大学 汽车碳排放检测方法及装置
CN105355048A (zh) * 2015-11-05 2016-02-24 北京市交通行业节能减排中心 一种交通指数与机动车污染物排放耦合分析方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JAAP VREESWIJK 等: "ramp metering with an objective to reduce fuel consumption", 《百度学术》 *
于跃 等: "不同交通拥堵等级的北京市机动车尾气排放研究", 《交通工程》 *
郭栋 等: "基于车载测试的机动车比功率与排放关系的研究", 《汽车工程》 *
高艺 等: "交通排放量化模型的建立与仿真实现", 《系统仿真学报》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492553A (zh) * 2018-03-12 2018-09-04 中山大学 一种面向实时路网排放评估的车辆活动水平分析方法
CN108647836A (zh) * 2018-06-06 2018-10-12 哈尔滨思派科技有限公司 一种驾驶员节能评价方法和系统
CN108647836B (zh) * 2018-06-06 2021-11-12 哈尔滨思派科技有限公司 一种驾驶员节能评价方法和系统
CN108759858A (zh) * 2018-06-29 2018-11-06 北京汽车股份有限公司 一种续航里程计算方法、计算装置及汽车
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
CN108682156A (zh) * 2018-07-13 2018-10-19 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
CN109145401A (zh) * 2018-07-31 2019-01-04 石家庄铁道大学 一种计算机动车排放清单的方法、系统及终端设备
CN109145401B (zh) * 2018-07-31 2023-09-01 石家庄铁道大学 一种计算机动车排放清单的方法、系统及终端设备
CN110232816A (zh) * 2018-11-26 2019-09-13 深圳市城市交通规划设计研究中心有限公司 交通排放的计算方法、计算装置及终端
CN110147820B (zh) * 2019-04-11 2021-06-15 北京远航通信息技术有限公司 航班额外油量的推荐方法、装置、设备及存储介质
CN110147820A (zh) * 2019-04-11 2019-08-20 北京远航通信息技术有限公司 航班额外油量的推荐方法、装置、设备及存储介质
CN110827184A (zh) * 2019-10-12 2020-02-21 上海市政工程设计研究总院（集团）有限公司 一种道路交通碳排放计算模块及计算方法
CN111127894A (zh) * 2019-12-30 2020-05-08 江苏中路工程技术研究院有限公司 一种基于监测手段的交通运输能耗控制方法及其检测方法
CN111260933A (zh) * 2020-02-11 2020-06-09 北京交通大学 用于高分辨率机动车动态排放清单的小时交通量测算方法
CN111402581A (zh) * 2020-03-11 2020-07-10 浙江大华技术股份有限公司 一种交通状态检测方法及检测装置
CN115424448A (zh) * 2022-11-04 2022-12-02 八维通科技有限公司 一种基于交通出行数据的交通碳排放量评估方法与系统

Similar Documents

Publication Publication Date Title
CN106530692A (zh) 一种基于交通拥堵评价指标的机动车油耗排放强度测算方法
Zhao et al. Development of a representative urban driving cycle construction methodology for electric vehicles: A case study in Xi’an
Pouresmaeili et al. Development of Mashhad driving cycle for passenger car to model vehicle exhaust emissions calibrated using on-board measurements
Shang et al. Inferring gas consumption and pollution emission of vehicles throughout a city
Chang et al. Estimating real-time traffic carbon dioxide emissions based on intelligent transportation system technologies
Lyu et al. Review of the studies on emission evaluation approaches for operating vehicles
CN103678917B (zh) 一种基于模拟退火算法的公交实时到站时间预测方法
CN102496079B (zh) 一种道路能耗与排放的监测方法
CN108682156B (zh) 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
CN109086246A (zh) 一种道路交通源的排放量计算方法及装置
CN111612670B (zh) 一种构建机动车排放清单的方法、装置和计算机设备
CN105355049B (zh) 一种基于宏观基本图的高速公路运行状态评价方法
CN103838971A (zh) 一种城市路网动态交通能耗及排放的计算方法
Zhang et al. The impact of socio-demographic characteristics and driving behaviors on fuel efficiency
CN111260933B (zh) 用于高分辨率机动车动态排放清单的小时交通量测算方法
CN104361460A (zh) 采用模糊综合评价方法的道路服务水平评价方法
CN107832910A (zh) 一种评价道路交通特征对一氧化碳排放浓度影响的方法
Hung et al. Comparison of driving characteristics in cities of Pearl River Delta, China
Rosero et al. Assessing on-road emissions from urban buses in different traffic congestion scenarios by integrating real-world driving, traffic, and emissions data
CN112767686B (zh) 一种基于多源数据融合的公路网汽车排放估算方法
Czégé et al. Review on construction procedures of driving cycles
Tafidis et al. Exploring crowdsourcing information to predict traffic-related impacts
Salihu et al. Effect of road slope on driving cycle parameters of urban roads
Hao et al. Modal activity-based vehicle energy/emissions estimation using sparse mobile sensor data
Yu et al. Statistical inference-based research on sampling time of vehicle driving cycle experiments

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
AD01 Patent right deemed abandoned

Effective date of abandoning: 20200124

AD01 Patent right deemed abandoned