CN107704976A - 基于居民出行调查的城市家庭交通尾气排放量预测方法 - Google Patents
基于居民出行调查的城市家庭交通尾气排放量预测方法 Download PDFInfo
- Publication number
- CN107704976A CN107704976A CN201711076965.9A CN201711076965A CN107704976A CN 107704976 A CN107704976 A CN 107704976A CN 201711076965 A CN201711076965 A CN 201711076965A CN 107704976 A CN107704976 A CN 107704976A
- Authority
- CN
- China
- Prior art keywords
- family
- trip
- emission
- transportation
- resident
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于居民出行调查的城市家庭交通尾气排放量预测方法,包括以下步骤:1)从居民出行调查中提取家庭基本信息数据和家庭成员出行数据;2)利用ArcGIS软件获取步骤1)中出行起讫交通小区间的最短路径长度,并计算出行平均速度;3)计算不同出行方式在不同速度区间的交通尾气排放系数;4)计算城市家庭交通尾气排放总量;5)建立城市家庭交通尾气排放总量与家庭基本信息数据的线性关系;6)根据家庭基本信息对城市家庭交通尾气排放总量进行预测。本方法利用家庭基本信息预测城市家庭交通尾气排放量,方法简单且预测精度高,在交通规划管理和环境保护方面具有实际的工程运用价值。
Description
技术领域
本发明涉及城市交通规划管理和环境保护与治理方法,具体来说,涉及一种基于居民出行调查的城市家庭交通尾气排放量预测方法。
背景技术
汽车尾气是空气污染物的主要来源之一,已有研究表明,汽车尾气中的有害气体对人体的呼吸系统和免疫系统都会带来较大的损害,同时还可能诱发心血管疾病、肿瘤等。近年来,随着城镇化进程的加快和汽车工业的快速发展,城市机动车保有量持续增长,空气污染问题日益严重。
这些年来,汽车尾气净化处理技术得到了快速地发展。同时,清洁能源汽车保有量所占比重也逐年增加,汽车尾气中的有害气体排放量有所控制。然而,如何快速测量交通尾气排放量是进行交通尾气排放研究与制定相关政策的前提。现有的汽车尾气排放检测方法多为室内试验,操作复杂且不能准确地反映实际出行尾气排放的具体情况。因此急需一种能够基于现有数据快速测量汽车尾气排放量的预测方法。
发明内容
发明目的:基于以上不足,本发明提出一种基于居民出行调查的城市家庭交通尾气排放预测方法,该预测方法利用居民出行调查中的家庭基本信息数据,对城市家庭交通尾气排放量进行预测,为交通规划管理与环境保护方案提供参考依据。
技术方案:为解决上述技术问题,本发明采用的基于居民出行调查的城市家庭交通尾气排放预测方法,包括以下步骤:
1、从居民出行调查中提取家庭基本信息数据和家庭成员有交通尾气排放的出行数据:从居民出行调查的家庭基本信息表中获取家庭信息数据,包括常住人口数、工作人口数、暂住人口数、0-6岁儿童数、自行车数、电动车数、摩托车数、小汽车数、私有小汽车停车泊位数、家庭年总收入、住房类型、离家最近公交站台和离家最近地铁站台;从居民出行调查的居民出行调查表中获取每个家庭成员当日有交通尾气排放的出行数据,即指出行方式为公交车、出租、轻骑摩托、驾驶小汽车、乘坐小汽车和单位车的出行记录,所要提取的数据包括出发地点交通小区、到达地点交通小区、出发时间、到达时间和出行方式;
2、利用ArcGIS软件获取步骤1中出行起讫交通小区间的出行距离,并计算出行平均速度:在ArcGIS软件中导入城市交通小区文件和城市路网文件,计算各个起讫交通小区间的出行距离L,当起讫交通小区为相同交通小区时,出行距离L取该交通小区的等效半径长度;当起讫交通小区为不同交通小区时,出行距离L取由ArcGIS软件中的最短路径分析求得的两个交通小区形心间的最短路径长度;再通过出发和到达时间之差算得出行时长t,利用出行距离L与出行时长t的比值算得平均出行速度v;
3、计算不同出行方式在不同速度区间的交通尾气排放系数,包括:
31、根据《道路机动车大气污染物排放清单编制技术指南(试行)》,利用式(1)计算交通尾气排放系数EFi,k:
式中,EFi,k为该城市i类能源类型机动车在不同速度区间k的某污染物排放系数,不同能源类型的机动车包括柴油公交车、其他能源类型公交车、汽油出租车、柴油出租车、其他能源类型出租车、汽油轻骑摩托、汽油微型/小型客车、其他能源类型微型/小型客车;BEFi为i类能源类型机动车某污染物的综合基准排放系数,为该城市的环境修正因子,γk为速度区间k的平均速度修正因子,λi为i类能源类型机动车的劣化修正因子,θi为i类能源类型机动车的其他使用条件修正因子;
32、利用式(2)计算该城市出行方式j在速度区间k的交通尾气排放系数MEFj,k:
式中,ci为该城市i类能源类型机动车在调查年份的保有量,n为单人单次出行交通尾气排放调整系数,根据出行方式的不同设置不同的值;
4、计算城市家庭交通尾气排放总量:根据每位家庭成员每次有排放出行的出行平均速度v确定速度区间k,根据出行方式j和出行距离L利用式(3)计算该次出行的交通尾气排放量,最后计算家庭一日出行中的交通尾气总排放量:
Ej,k=MEFj,k×L 式(3)
5、建立城市家庭交通尾气排放总量与家庭基本信息数据的线性关系:从家庭基本信息的常住人口数、工作人口数、暂住人口数、0-6岁儿童数、自行车数、电动车数、摩托车数、小汽车数、私有小汽车停车泊位数、家庭年总收入、住房类型、离家最近公交站台和离家最近地铁站台中选取合适的变量,利用最小二乘法建立交通尾气总排放量与选中变量的线性回归模型,最终模型应具有合理的可解释自变量和较高的拟合度;
6、根据家庭基本信息对城市家庭交通尾气排放总量进行预测:从居民出行调查中提取需要预测家庭交通尾气排放量的家庭基本信息数据,将对应的自变量带入步骤5建立的线性回归模型中以算得该家庭的预测交通尾气排放总量。
其中,交通尾气排放系数包括CO、HC、NOX、PM2.5和PM10共五类污染物的排放系数。
有益效果:
1、家庭交通尾气排放量预测准确率高。本发明的预测方法通过建立家庭基本信息与交通尾气排放的关系来预测交通尾气排放量,基本涵盖了家庭基本信息中所有与出行有关的因素,考虑全面,预测准确度高。
2、预测方法简单。本发明的预测方法可以利用已有的居民出行调查数据进行识别。通过步骤1-步骤5,得到家庭交通尾气排放线性回归方程后,即可对已调查家庭和将来要进行居民出行调查的家庭进行家庭交通尾气排放量预测,使用简便、实用性强。
附图说明
图1是本发明的方法流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
本发明的预测方法应用了居民出行调查获取家庭的基本信息数据,将这些数据带入本发明所建立的家庭交通尾气排放线性回归模型式中,测算该家庭产生交通尾气排放量。整个过程分为建立家庭交通尾气排放量线性回归模型和预测家庭交通尾气排放量两个部分,其中,建立家庭交通尾气排放量线性回归模型指的是:提取居民出行调查中的家庭基本信息数据,构建家庭交通尾气排放量计算关系式。为了保证建立的家庭交通尾气排放量预测函数能够具有较好的预测精度,采集的样本数要尽量大,通常家庭样本大于300个,然后将每一个基本信息数据作为变量建立模型,通过线性回归选择产生最佳拟合优度R2的变量保留在模型中。预测家庭交通尾气排放量指的是:从居民出行调查中提取家庭交通尾气排放量线性回归模型中的自变量并带入模型,根据该线性回归模型算得预测排放量。
如图1所示,一种基于居民出行调查的城市家庭交通尾气排放预测方法,包括以下步骤:
1)从居民出行调查中提取家庭基本信息数据和家庭成员有交通尾气排放的出行数据:从居民出行调查的家庭基本信息表中获取家庭信息数据,包括常住人口数、工作人口数、暂住人口数、0-6岁儿童数、自行车数、电动车数、摩托车数、小汽车数、私有小汽车停车泊位数、家庭年总收入、住房类型、离家最近公交站台和离家最近地铁站台;从居民出行调查的居民出行调查表中获取每个家庭成员当日有交通尾气排放的出行数据,即指出行方式为公交车、出租、轻骑摩托、驾驶小汽车、乘坐小汽车和单位车的出行记录,所要提取的数据包括出发地点交通小区、到达地点交通小区,出发时间,到达时间和出行方式。
2)利用ArcGIS软件获取步骤1)中出行起讫交通小区间的出行距离,并计算出行平均速度:在ArcGIS中导入城市交通小区文件和城市路网文件,计算各个起讫交通小区间的出行距离L,当起讫交通小区为相同交通小区时,出行距离L取该交通小区的等效半径长度;当起讫交通小区为不同交通小区时,出行距离L取由ArcGIS软件中的最短路径分析求得的两个交通小区形心间的最短路径长度;再通过出发和到达时间之差算得出行时长t,利用出行距离L与出行时长t的比值算得平均出行速度v。
3)计算不同出行方式在不同速度区间的交通尾气排放系数:根据《道路机动车大气污染物排放清单编制技术指南(试行)》,可利用式(1)分别计算CO、HC、NOX、PM2.5和PM10共五类污染物的排放系数EFi,k,
式(1)中,EFi,k为该城市i类能源类型机动车在不同速度区间k的某污染物排放系数,不同能源类型的机动车包括柴油公交车、其他能源类型公交车、汽油出租车、柴油出租车、其他能源类型出租车、汽油轻骑摩托、汽油微型/小型客车、其他能源类型微型/小型客车;BEFi为i类能源类型机动车某污染物的综合基准排放系数,为该城市的环境修正因子,γk为速度区间k的平均速度修正因子,λi为i类能源类型机动车的劣化修正因子,θi为i类能源类型机动车的其他使用条件(如负载系数、油品质量等)修正因子;上述参数均可在《道路机动车大气污染物排放清单编制技术指南(试行)》中查表获得。另外,所有纯电动机动车,包括纯电动微型/小型客车、纯电动公交车、纯电动出租车,其排放系数EFi,k均取0。
再利用式(2)计算该城市出行方式j在速度区间k的交通尾气排放系数MEFj,k,
式(2)中,ci为该城市i类能源类型机动车在调查年份的保有量,n为单人单次出行交通尾气排放调整系数,根据不同的出行方式综合考虑车辆设计参考规范再结合实际情况来设置该值,以得到更合理的尾气排放系数。根据本实施例,当出行方式j为公交车时,涉及的i类能源类型机动车包括柴油公交车、纯电动公交车和其他能源类型公交车,n取80;当出行方式为出租时,涉及的i类能源类型机动车包括汽油出租车、柴油出租车、纯电动出租车和其他能源类型出租车,n取1;当出行方式为轻骑摩托车时,涉及的i类能源类型机动车为汽油轻骑摩托,n取1;当出行方式为驾驶小汽车或单位车时,涉及的i类能源类型机动车包括汽油微型/小型客车、纯电动微型/小型客车和其他能源类型微型/小型客车,n取1;当出行方式为乘坐小汽车时,涉及的i类能源类型机动车包括汽油微型/小型客车、纯电动微型/小型客车和其他能源类型微型/小型客车,n取2。
4)计算城市家庭交通尾气排放总量:根据每位家庭成员每次有排放出行的出行平均速度v确定速度区间k,根据出行方式j和出行距离L利用式(3)计算该次出行的交通尾气排放量,最后计算家庭一日出行中的交通尾气总排放量。
Ej,k=MEFj,k×L 式(3)
5)建立城市家庭交通尾气排放总量与家庭基本信息数据的线性关系:
首先利用一元线性回归分析从每个家庭基本信息的常住人口数x1、工作人口数x2、暂住人口数x3、0-6岁儿童数x4、自行车数x5、电动车数x6、摩托车数x7、小汽车数x8、私有小汽车停车泊位数x9、家庭年总收入x10、住房类型x11、离家最近公交站台x12和离家最近地铁站台x13这些信息中选出与交通尾气排放量显著线性相关的变量,再利用逐步回归分析建立多个线性关系模型。在建模过程中需要考虑自变量的可解释性以及变量间的相关关系和共线性,并使得尽量多的自变量保留在模型中,必要时可对自变量进行哑变量处理,最终模型还应具有比较大的拟合优度R2。以CO为例,建模过程详见表1。
表1城市家庭交通尾气CO排放总量与家庭基本信息数据的线性关系模型比选列表
最终选取模型5作为最优模型:
lnyCO=β0+β3x3+β3′x3 2+β56(x5+x6)+β7x7+β8x8+β9x9+β89x8x9+β10x10+β11_1x11_1+β11_ 2x11_2+β12x12 式(4)
式中,yCO为根据步骤4)得到的家庭一日出行的交通尾气CO总排放量,x1至x9的取值分别为对应数量,β0是常数,β3是暂住人口数x3的系数,β3′是暂住人口数的二次方x3 2的系数,β56是非机动车数(x5+x6)的系数,β7是摩托车数x7的系数,β8是小汽车数x8的系数,β9是私有小汽车停车泊位数x9的系数,β89是小汽车数与停车泊位数之积(x8×x9)的系数,β10是家庭年总收入x10的系数,x10根据不同的家庭年总收入范围取不同的值,在本发明中,根据出行调查表中的设置,当家庭年总收入低于4万时,x10取1,当家庭年总收入在4-8万时,x10取2,当家庭年总收入在8-12万时,x10取3,当家庭年总收入在12-16万时,x10取4,当家庭年总收入在16-20万时,x10取5,当家庭年总收入在20万以上时,x10取6,住房类型x11有多种情况,x11_1表示住房类型为自有产权商品房,当住房类型为自有产权商品房时x11_1取1,其他情况下x11_1取0,x11_2表示住房类型为租房,当住房类型为租房时x11_2取1,其他情况下x11_2取0,β11_1是住房类型为自有产权商品房时x11_1的系数,β11_2是住房类型为租房时x11_2的系数,β12是离家最近公交站台x12的系数,x12根据不同从家到最近公交站台的步行时间范围取不同的值,在本发明中,当步行时间在5分钟以下时,x12取1,当步行时间在5-10分钟时,x12取2,当步行时间在10-15分钟时,x12取3,当步行时间在15分钟以上时,x12取4。利用最小二乘法确定各系数的值,得到标定参数后的污染物排放量回归模型。
6)根据家庭基本信息对城市家庭交通尾气排放总量进行预测:从居民出行调查中提取需要预测家庭交通尾气排放量的家庭基本信息数据,将对应的自变量带入步骤5)建立的线性回归模型中以算得该家庭的预测交通尾气排放总量。
下面以2014年江苏省南京市江宁区居民出行调查获得的数据为例,测试本发明在家庭交通尾气排放预测方面的性能。采集的数据包括:从居民出行调查的家庭基本信息表中获取家庭信息数据,包括常住人口数x1、工作人口数x2、暂住人口数x3、0-6岁儿童数x4、自行车数x5、电动车数x6、摩托车数x7、小汽车数x8、私有小汽车停车泊位数x9、家庭年总收入x10、住房类型x11、离家最近公交站台x12和离家最近地铁站台x13;从居民出行调查的居民出行调查表中获取每个家庭成员当日有交通尾气排放的出行数据,即指出行方式为公交车、出租、轻骑摩托、驾驶小汽车、乘坐小汽车和单位车的出行记录,所要提取的数据包括出发地点交通小区、到达地点交通小区、出发时间、到达时间和出行方式。
现有1679个家庭范例。从整个样本中随机选取1343个家庭范例用作训练集,剩下的336个家庭范例用作检测集,用来说明模型使用过程并测试本发明的预测精度。
利用选取的训练集,根据本发明的步骤1)-步骤5),以CO排放量yCO预测为例,得到式(4)所示家庭交通尾气CO排放量模型,并确定CO排放量线性回归模型的自变量以及自变量系数,如表2所示:
表2家庭交通尾气CO排放量模型自变量及自变量系数
利用该家庭交通尾气CO排放量模型对336个家庭范例的CO排放量进行预测,得到预测中误差为1.16g。
同理,利用选取的训练集,根据本发明的步骤1)-步骤5),以NOX排放量yNOx预测为例,确定NOX排放量线性回归模型的自变量以及自变量系数,如表3所示,其中,与表2中相同的参数表示与上述相同的含义,x11_3表示住房类型为自有产权经济适用房,当住房类型为自有产权经济适用房时x11_3取1,其他情况下x11_3取0,x11_4表示住房类型为自有产权别墅,当住房类型为自有产权别墅时x11_4取1,其他情况下x11_4取0,β11_3是住房类型为自有产权经济适用房时x11_3的系数,β11_4是住房类型为自有产权别墅时x11_4的系数。并得到家庭交通尾气NOX排放量模型,如下式所示:
lnyNOx=β0+β1x1+β2x2+β4x4+β6x6+β7x7+β8x8+β9x9+β89x8×x9+β11_1x11_1+β11_3x11_3+β11_ 4x11_4+β11_2x11_2+β12x12
表3家庭交通尾气NOX排放量模型自变量及自变量系数
利用该家庭交通尾气NOX排放量模型对336个家庭范例的NOX排放量进行预测,得到预测中误差为0.90g。
同上,可以利用同样的方法预测HC、PM2.5和PM10的排放量。综上所述,相较于其他预测方法,本方法操作简单且有较好的预测精度。因此,本发明的方法具有实际的工程运用价值。
Claims (8)
1.一种基于居民出行调查的家庭交通尾气排放预测方法,其特征在于,该预测方法包括以下步骤:
(1)从居民出行调查中提取家庭基本信息数据和家庭成员出行数据;
(2)利用ArcGIS软件获取步骤1)中出行起讫交通小区间的最短路径长度,并计算出行平均速度;
(3)计算不同出行方式在不同速度区间的交通尾气排放系数;
(4)计算城市家庭交通尾气排放总量;
(5)建立城市家庭交通尾气排放总量与家庭基本信息数据的线性回归模型;
(6)根据家庭基本信息对城市家庭交通尾气排放总量进行预测。
2.根据权利要求1所述的基于居民出行调查的家庭交通尾气排放预测方法,其特征在于,所述步骤(1)包括:
从居民出行调查的家庭基本信息表中获取家庭信息数据,包括常住人口数、工作人口数、暂住人口数、0-6岁儿童数、自行车数、电动车数、摩托车数、小汽车数、私有小汽车停车泊位数、家庭年总收入、住房类型、离家最近公交站台和离家最近地铁站台;
从居民出行调查的居民出行调查表中获取每个家庭成员当日有交通尾气排放的出行数据,即出行方式为公交车、出租、轻骑摩托、驾驶小汽车、乘坐小汽车和单位车的出行记录,所要提取的数据包括出发地点交通小区、到达地点交通小区、出发时间、到达时间和出行方式。
3.根据权利要求1所述的基于居民出行调查的家庭交通尾气排放预测方法,其特征在于,所述步骤(2)包括:在ArcGIS软件中导入城市交通小区文件和城市路网文件,计算各个起讫交通小区间的出行距离L,再通过出发时间和到达时间之差算得出行时长t,利用出行距离L与出行时长t的比值算得平均出行速度v;其中,
当起讫交通小区为相同交通小区时,出行距离L取该交通小区的等效半径长度;当起讫交通小区为不同交通小区时,出行距离L取由ArcGIS软件中的最短路径分析求得的两个交通小区形心间的最短路径长度。
4.根据权利要求1所述的基于居民出行调查的家庭交通尾气排放预测方法,其特征在于,所述步骤(3)包括:
(31)根据《道路机动车大气污染物排放清单编制技术指南(试行)》,利用式(1)计算交通尾气排放系数EFi,k:
式中,EFi,k为该城市i类能源类型机动车在不同速度区间k的某污染物排放系数,不同能源类型的机动车包括柴油公交车、其他能源类型公交车、汽油出租车、柴油出租车、其他能源类型出租车、汽油轻骑摩托、汽油微型/小型客车、其他能源类型微型/小型客车;BEFi为i类能源类型机动车某污染物的综合基准排放系数,为该城市的环境修正因子,γk为速度区间k的平均速度修正因子,λi为i类能源类型机动车的劣化修正因子,θi为i类能源类型机动车的其他使用条件修正因子;
(32)利用式(2)计算该城市出行方式j在速度区间k的交通尾气排放系数MEFj,k:
式中,ci为该城市i类能源类型机动车在调查年份的保有量,n为单人单次出行交通尾气排放调整系数,根据出行方式的不同设置不同的值。
5.根据权利要求4所述的基于居民出行调查的家庭交通尾气排放预测方法,其特征在于,所述步骤(4)包括:根据每位家庭成员每次有排放出行的出行平均速度v确定速度区间k,根据出行方式j和出行距离L利用式(3)计算该次出行的交通尾气排放量:
Ej,k=MEFj,k×L 式(3)
最后计算家庭一日出行中的交通尾气总排放量。
6.根据权利要求1所述的基于居民出行调查的家庭交通尾气排放预测方法,其特征在于,所述步骤(5)包括:从家庭基本信息的常住人口数、工作人口数、暂住人口数、0-6岁儿童数、自行车数、电动车数、摩托车数、小汽车数、私有小汽车停车泊位数、家庭年总收入、住房类型、离家最近公交站台和离家最近地铁站台中选出与交通尾气排放量线性相关的变量,再利用逐步回归分析建立多个线性关系模型,选择拟合优度R2最大的模型作为最优线性回归模型。
7.根据权利要求6所述的基于居民出行调查的家庭交通尾气排放预测方法,其特征在于,所述步骤(6)包括:从居民出行调查中提取需要预测家庭交通尾气排放量的家庭基本信息数据,将对应的自变量带入步骤(5)建立的线性回归模型中,计算出该家庭的预测交通尾气排放总量。
8.根据权利要求1-7中的任一项所述的基于居民出行调查的家庭交通尾气排放预测方法,其特征在于,所述步骤(3)中所述的交通尾气排放系数包括CO、HC、NOX、PM2.5和PM10共五类污染物的排放系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711076965.9A CN107704976A (zh) | 2017-11-06 | 2017-11-06 | 基于居民出行调查的城市家庭交通尾气排放量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711076965.9A CN107704976A (zh) | 2017-11-06 | 2017-11-06 | 基于居民出行调查的城市家庭交通尾气排放量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107704976A true CN107704976A (zh) | 2018-02-16 |
Family
ID=61178214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711076965.9A Pending CN107704976A (zh) | 2017-11-06 | 2017-11-06 | 基于居民出行调查的城市家庭交通尾气排放量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107704976A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389011A (zh) * | 2018-05-07 | 2018-08-10 | 广州市交通规划研究院 | 一种基于大数据和传统扩样方法相结合的车辆拥有分布校核修正方法 |
CN109035769A (zh) * | 2018-07-25 | 2018-12-18 | 深圳智达机械技术有限公司 | 一种信息管理系统 |
CN110059116A (zh) * | 2019-04-15 | 2019-07-26 | 东南大学 | 一种家庭多日出行距离累计分布预测方法 |
CN112070259A (zh) * | 2019-06-10 | 2020-12-11 | 中国航天系统工程有限公司 | 一种预测城市空载出租车数量的方法 |
CN114723182A (zh) * | 2022-06-08 | 2022-07-08 | 中汽研汽车检验中心(天津)有限公司 | 由油品烃组成快速预测汽车常规气态污染物排放的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102054222A (zh) * | 2010-12-10 | 2011-05-11 | 吉林大学 | 基于居民出行分析的城市机动车排放量化方法 |
CN103148862A (zh) * | 2013-02-18 | 2013-06-12 | 东南大学 | 一种考虑低碳排放约束影响的交通方式与路径选择方法 |
US8886447B2 (en) * | 2010-12-01 | 2014-11-11 | Hyundai Motor Japan R&D Center, Inc. | Fuel efficiency ranking method for vehicle driver and system therefor |
CN105225488A (zh) * | 2015-11-05 | 2016-01-06 | 北京市交通行业节能减排中心 | 一种基于机动车比功率的速度对车辆排放因子修正方法 |
-
2017
- 2017-11-06 CN CN201711076965.9A patent/CN107704976A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8886447B2 (en) * | 2010-12-01 | 2014-11-11 | Hyundai Motor Japan R&D Center, Inc. | Fuel efficiency ranking method for vehicle driver and system therefor |
CN102054222A (zh) * | 2010-12-10 | 2011-05-11 | 吉林大学 | 基于居民出行分析的城市机动车排放量化方法 |
CN103148862A (zh) * | 2013-02-18 | 2013-06-12 | 东南大学 | 一种考虑低碳排放约束影响的交通方式与路径选择方法 |
CN105225488A (zh) * | 2015-11-05 | 2016-01-06 | 北京市交通行业节能减排中心 | 一种基于机动车比功率的速度对车辆排放因子修正方法 |
Non-Patent Citations (4)
Title |
---|
SHAOJUN ZHANG: "道路机动车大气污染物排放清单编制技术指南(试行)", 《百度》 * |
SOBRINO, N.: "Management of Urban Mobility to Control Climate Change in Cities in Spain", 《TRANSP. RES. REC. J. TRANSP. RES. BOARD》 * |
江敬东: "中国特大城市家庭出行碳排放研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
赵琦: "城市道路交通与排放模型多层次对接机理与方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389011A (zh) * | 2018-05-07 | 2018-08-10 | 广州市交通规划研究院 | 一种基于大数据和传统扩样方法相结合的车辆拥有分布校核修正方法 |
CN109035769A (zh) * | 2018-07-25 | 2018-12-18 | 深圳智达机械技术有限公司 | 一种信息管理系统 |
CN110059116A (zh) * | 2019-04-15 | 2019-07-26 | 东南大学 | 一种家庭多日出行距离累计分布预测方法 |
CN112070259A (zh) * | 2019-06-10 | 2020-12-11 | 中国航天系统工程有限公司 | 一种预测城市空载出租车数量的方法 |
CN112070259B (zh) * | 2019-06-10 | 2023-12-22 | 中国航天系统工程有限公司 | 一种预测城市空载出租车数量的方法 |
CN114723182A (zh) * | 2022-06-08 | 2022-07-08 | 中汽研汽车检验中心(天津)有限公司 | 由油品烃组成快速预测汽车常规气态污染物排放的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107704976A (zh) | 基于居民出行调查的城市家庭交通尾气排放量预测方法 | |
Sun et al. | Analyzing spatiotemporal traffic line source emissions based on massive didi online car-hailing service data | |
KR101668753B1 (ko) | 대기 오염 관리 시스템 | |
Lyu et al. | Review of the studies on emission evaluation approaches for operating vehicles | |
Fontes et al. | Are HOV/eco-lanes a sustainable option to reducing emissions in a medium-sized European city? | |
Jones et al. | Estimation of the emission factors of particle number and mass fractions from traffic at a site where mean vehicle speeds vary over short distances | |
Pinto et al. | Traffic data in air quality modeling: A review of key variables, improvements in results, open problems and challenges in current research | |
CN105894814B (zh) | 考虑环境效益的多种交通管控措施联合优化方法及系统 | |
Yu et al. | Evaluation of bus emissions generated near bus stops | |
Wang et al. | Real-world emissions of gasoline passenger cars in Macao and their correlation with driving conditions | |
Zhang et al. | Vehicle emission inventories projection based on dynamic emission factors: a case study of Hangzhou, China | |
CN106202533A (zh) | 街道峡谷机动车尾气污染物浓度估算系统 | |
Ryu et al. | Development of a corrected average speed model for calculating carbon dioxide emissions per link unit on urban roads | |
Shafabakhsh et al. | Investigation and sensitivity analysis of air pollution caused by road transportation at signalized intersections using IVE model in Iran | |
Feng et al. | Association of the built environment with motor vehicle emissions in small cities | |
Alam et al. | Traffic emissions and air quality near roads in dense urban neighborhood: Using microscopic simulation for evaluating effects of vehicle fleet, travel demand, and road network changes | |
Panchal et al. | Personal air pollution exposure during morning commute car and active transport journeys | |
CN110889086A (zh) | 一种评估共享电动租赁汽车对城市汽车尾气排放影响的方法 | |
Pan et al. | Particulate matter exposure at urban traffic intersection during haze episodes: A case study in Changsha | |
Faria et al. | Scenario-based analysis of traffic-related PM 2.5 concentration: Lisbon case study | |
CN116415756B (zh) | 一种基于vr技术的城市虚拟场景体验管理系统 | |
Sun et al. | A prediction-evaluation method for road network energy consumption: Fusion of vehicle energy flow principle and Two-Fluid theory | |
Merkisz et al. | Exhaust emission measurements in the development of sustainable road transport | |
Yao et al. | VSP‐based emission factor calibration and signal timing optimisation for arterial streets | |
Mądziel et al. | Assessing Vehicle Emissions from a Multi-Lane to Turbo Roundabout Conversion Using a Microsimulation Tool. Energies 2021, 14, 4399 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180216 |
|
RJ01 | Rejection of invention patent application after publication |