CN107832910A - 一种评价道路交通特征对一氧化碳排放浓度影响的方法 - Google Patents
一种评价道路交通特征对一氧化碳排放浓度影响的方法 Download PDFInfo
- Publication number
- CN107832910A CN107832910A CN201710916400.0A CN201710916400A CN107832910A CN 107832910 A CN107832910 A CN 107832910A CN 201710916400 A CN201710916400 A CN 201710916400A CN 107832910 A CN107832910 A CN 107832910A
- Authority
- CN
- China
- Prior art keywords
- traffic
- concentration
- variables
- variable
- cell
- 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.)
- Granted
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种评价道路交通特征对一氧化碳排放浓度影响的方法,包括:获取研究区域的交通分析小区信息;获取交通小区的人口经济、就业、交通状况和路网特征变量;获取研究区域各空气监测站的CO年平均浓度;利用空间插值法得到各交通小区CO浓度数据;获取研究区域除交通外其他主要CO排放来源数据;将各变量和CO浓度数据匹配到各交通小区;各变量相关性分析对变量进行筛选;建立地理加权回归模型;根据最终预测模型评价模型中保留的解释变量对CO浓度的影响。本发明方法以交通小区为单位分析人口经济、就业、交通和路网状况对CO排放的影响,为将环境因素纳入城市与交通规划提供一定的理论基础。
Description
技术领域
本发明涉及一种评价道路交通特征对一氧化碳排放浓度影响的方法,属于城市交通可持续性发展规划技术领域。
背景技术
随着经济和城市化的快速发展,车辆的保有量和使用率都在急剧增长,根据中国环保部发布的2017年机动车污染防治年报可知,我国已连续八年成为世界机动车产销第一大国,机动车尾气污染已成为我国空气污染的重要来源,尤其是一氧化碳(CO),2016年度机动车CO的排放量为3419.3万吨,占机动车总排放量的76%,CO作为机动车尾气的主要气体,它的大量排放无疑会对人体和环境构成巨大的威胁。因此为了有效减少由机动车产生的CO,许多学者开始研究影响CO排放的因素。
这些年来,已有的研究大多针对单个车辆,即研究单个车辆CO的瞬时排放量,探究车辆类型、发动机特征、天气、道路设计、车辆行驶特征(速度、加速度等)对CO排放的影响。但这些方法的不足之处是需要获取车辆的瞬时速度、加速度等,这些瞬时数据的获取较为困难且需要耗费大量的时间,因此这些研究无法直接应用于评价一个较为宏观区域(交通小区、城市等)的CO排放情况。
发明内容
发明目的:针对现有技术的不足,本发明目的在于提供一种评价道路交通特征对一氧化碳排放浓度影响的方法,该方法以交通分析小区为研究对象,利用地理加权回归模型,分析人口经济特征、就业、交通状况、道路网络特征等因素对交通小区CO浓度的影响,建立交通小区CO浓度预测模型,为城市交通可持续规划提供一定的理论基础。
技术方案:为实现上述发明目的,本发明采用如下技术方案:
一种评价道路交通特征对一氧化碳排放浓度影响的方法,该评价方法包括以下步骤:
(1)获取研究区域的交通分析小区信息,利用地理信息系统软件将各交通小区在整个研究区域的具体位置可视化,并计算交通小区的面积;
(2)获取交通分析小区的人口经济、就业、交通状况和路网特征变量数据;
(3)获取研究区域各空气监测站的CO年平均浓度,利用地理信息系统软件将监测站标定到研究区域的具体位置上;
(4)利用空间插值法得到各交通分析小区的CO浓度数据;
(5)获取研究区域除交通外其他主要CO排放来源数据;
(6)将步骤(2)获取的各变量数据、步骤(4)中交通分析小区CO浓度和步骤(5)中其他主要CO排放来源数据匹配到各交通分析小区;
(7)以步骤(2)获取的变量为解释变量,将解释变量逐个与CO浓度建立线性回归模型,根据显著性水平剔除与CO浓度不相关的变量,并在未被剔除的解释变量之间进行相关性分析,确保相关性强的变量不会同时出现在模型中;
(8)以每个交通分析小区CO浓度作为因变量,经步骤(7)筛选后变量作为解释变量建立地理加权回归模型,建模时逐一加入解释变量,选择AIC值最小的模型为CO浓度预测模型;
(9)根据步骤(8)得到的CO浓度预测模型评价模型中保留的解释变量对CO浓度的影响。
进一步的,本发明方法中,步骤(2)中人口经济变量包括每个交通分析小区的总人口数,不同年龄段人口数和车辆数;就业变量包括每个交通分析小区不同通勤时间人数和不同年龄段的工作人数;交通状况变量包括每个交通分析小区不同车辆的发生量和吸引量,以及高速公路的年平均日交通量;道路网络特征变量包括每个交通分析小区的高速公路路网密度、城市道路路网密度和公共交通路网密度。
进一步的,本发明方法中,步骤(4)中利用克里金空间差值方法,得到每个交通分析小区的CO浓度数据。
进一步的,本发明方法中,步骤(7)中,剔除显著性水平大于0.1的变量,确保相关系数大于0.5的变量不会同时出现在模型。
进一步的,本发明方法中,步骤(8)中地理加权回归模型的具体结构为:
其中:yi表示第i个交通分析小区的CO浓度;sim表示交通小区i的m类CO排放来源;λim表示m类排放来源的回归系数;M表示其它主要CO排放来源种类数;(ui,vi)表示第i个交通小区的空间地理坐标;λim(ui,vi)表示回归系数λim与交通小区i的地理位置有关;β0(ui,vi)表示模型的常数项,其值也与交通小区i的地理位置有关;K表示模型中解释变量个数;xik表示交通小区i的第k个解释变量;βk(ui,vi)表示第k个解释变量在第i个交通小区里的回归系数,与交通小区i的地理位置有关;εi表示误差。
进一步的,本发明方法中,步骤(9)中,通过计算出每个解释变量对应的弹性值反映不同解释变量对CO浓度的影响,解释变量弹性值计算公式为:其中,Ek表示第k个解释变量的弹性值,βk表示第k个解释变量的回归系数,xk表示第k个解释变量,Yk表示第k个解释变量对应的因变量值。
有益效果:与现有技术相比,本发明的技术方案具有以下有益效果:
本发明选取交通分析小区为研究对象,在较为宏观的层面上利用地理加权回归模型分析人口经济特征、就业、交通状况、道路网络特征等因素对交通小区CO浓度的影响,建立小区CO浓度预测模型。同时,本发明不需要车辆相关的瞬时数据,因此数据获取相对简单便捷。最后,利用该方法得到的小区CO浓度预测模型,可以为减少机动车CO排放和交通可持续性规划提供一定的理论依据。
附图说明
图1是本发明的流程框图。
具体实施方式
下面结合附图和实施例,对本发明作进一步详细说明。
如图1所示,本发明实施例公开的一种评价道路交通特征对一氧化碳排放浓度影响的方法,包括以下步骤:
步骤1)获取研究区域的交通分析小区(TAZ)信息:选取最常用的交通分析单元——交通分析小区(TAZ)作为研究对象,获取交通分析小区所对应的矢量地图文件(shapefile文件),利用ArcGIS软件可得到各交通分析小区的基本属性,如将各交通小区在整个研究区域的具体位置可视化,计算交通小区的面积等;
步骤2)获取交通小区的人口经济、就业、交通状况和路网特征等变量:人口经济属性变量一般包括每个交通小区的总人口数,不同年龄段人口数和车辆数等;就业变量一般包括每个交通小区不同通勤时间人数和不同年龄段的工作人数等;交通状况变量一般包括各交通小区不同车辆(如小汽车、公共交通、自行车、步行等)的发生量和吸引量(发生量是指由交通小区产生的不同车辆数,吸引量是指到交通小区的不同车辆数),高速公路的年平均日交通量(AADT)等;道路网络特征变量一般包括交通小区各不同等级路网密度,如高速公路路网密度,城市道路路网密度,公共交通路网密度等;
步骤3)获取研究区域各空气监测站的CO年平均浓度:考虑到每个交通小区CO排放浓度难以获取,因此本方法选择获取研究区域所有CO监测站的年平均浓度数据。由于该数据包含每个监测站的位置信息,可利用ArcGIS软件将监测站标定到研究区域的具体位置上,供步骤4)的进一步分析;
步骤4)利用合适的空间插值法得到各交通小区CO浓度数据:空间插值法是利用离散点的测量数据转换为连续的数据曲面,由于本方法需要通过已知的监测点CO浓度得到整个研究区域的CO浓度分布,因此选择空间内插法。利用ArcGIS软件进行空间插值,根据趋势面拟合适度的各项指标:如R2检验,显著性F检验,预测误差相关指标等选择合适的空间差值方法,得到每个交通小区的CO浓度值;
步骤5)获取研究区域除交通外其他主要CO排放来源数据:由于每个交通小区CO排放不仅由道路交通造成,还包括其它来源(如建造业、制造业、电力服务等)。因此根据研究区域对应的实际情况,获取其它主要CO排放来源数据;
步骤6)将步骤2)中各变量和CO浓度数据匹配到各交通小区:一般地,步骤2)中的人口经济、就业、交通状况变量均以交通小区为单位,因此可直接利用利用ArcGIS软件,选择交通小区作为连接字段,将人口经济、就业、交通状况变量匹配到各交通小区;对于道路网络特征变量,可利用ArcGIS将道路网按交通小区打断,继而统计出每个交通小区内的路网长度和路网密度。对于其它主要CO排放来源数据,一般得到是一定区域(如城市、行政区)的排放总量,本方法中可根据交通小区的地理坐标判断各交通小区所属的区域,继而将其他CO排放总量按交通小区面积平均分配,最终得到每个交通小区的其他主要CO排放来源总量。
步骤7)CO浓度与解释变量及解释变量之间相关性分析:为了构建步骤8)的地理加权回归模型,需要提前对解释变量进行筛选。首先对于CO浓度与解释变量之间,将解释变量逐个与CO浓度建立线性回归模型,选择合适的显著性水平α,剔除与CO浓度不相关的变量。其次,在未被剔除的解释变量之间进行相关性分析,依据相关系数r,确保在线性回归模型建模过程中,相关性强的变量不会同时出现在模型中。其中,显著性水平α设为0.1,相关系数r取0.5,r>0.5表示强相关。
步骤8)建立地理加权回归模型:考虑到不同交通小区之间存在的空间关联性,最终选择地理加权回归模型进行关系建模,地理加权回归模型可以反映参数的空间异质性,使得变量间的关系可以随空间位置的变化而变化。本方法以每个交通小区CO浓度作为因变量,步骤7)中的变量作为解释变量建立地理加权回归模型。考虑到每个交通小区的CO浓度不仅由道路交通造成,还来自于其他来源排放,因此将步骤5)获取的各小区其他排放来源数据加入模型中,模型的具体结构为:
其中:yi表示第i个交通分析小区的CO浓度;sim表示交通小区i的m类CO排放来源;λim表示m类排放来源的回归系数;M表示其它主要CO排放来源种类数;(ui,vi)表示第i个交通小区的空间地理坐标;λim(ui,vi)表示回归系数λim与交通小区i的地理位置有关;β0(ui,vi)表示模型的常数项,其值也与交通小区i的地理位置有关;K表示模型中解释变量个数;xik表示交通小区i的第k个解释变量;βk(ui,vi)表示第k个解释变量在第i个交通小区里的回归系数,与交通小区i的地理位置有关;εi表示误差。等式左边即可视为交通小区i由道路交通所造成的CO浓度,为了便于求解模型,得到最终的模型结构为:
建模时逐一加入解释变量,依据最小信息准则(AIC准则),选择AIC值最小时的模型结构。
步骤9)根据步骤8)得到的CO浓度预测模型评价模型中保留的解释变量对CO浓度的影响。进一步而言,解释变量的回归系数为正,表示其与CO浓度呈正相关,该解释变量值增大,CO浓度也会对应增大;反之,解释变量的回归系数为负,表示其与CO浓度呈负相关,该解释变量值增大,CO浓度会随之减少。为了定量反映不同解释变量对CO浓度的影响,可计算出每个解释变量对应的弹性值。弹性值表示该解释变量每变化1%个单位引起的CO浓度百分比变化。解释变量弹性值计算公式为其中,Ek表示第k个解释变量的弹性值,βk表示第k个解释变量的回归系数,xk表示第k个解释变量,Yk表示第k个解释变量对应的因变量值。
下面结合具体应用案例说明本发明方法的有效性:
利用美国加利福利亚州洛杉矶市的所有交通分析小区的真实数据,测试本发明在交通小区CO浓度预测方面的性能。洛杉矶市共有2244个交通小区,获取的数据包括2010年每个交通小区的人口经济特征(总人口数、不同年龄段人口数、车辆数)、就业(不同通勤时间人数、不同年龄段的工作人数)、交通状况(各交通小区不同车辆的发生量和吸引量、高速公路的年平均日交通量(AADT)、货车的年平均日交通量)、道路网络特征(高速公路路网密度,除高速公路外其他路网密度)、15个CO监测站的CO平均浓度(ppm)、CO其他主要排放来源(制造业、建造业、采矿业、发电站等电力服务设施)。
根据图1所示的本发明流程图,在建模前需要将所有数据按交通小区准确匹配。在匹配前,步骤4中利用15个监测点的CO浓度,依据R2值与预测误差等指标最终选择克里金插值法得到每个交通小区的CO浓度值。步骤5中根据美国环保局公布的各区域排放清单可知,洛杉矶市的CO排放主要有五大来源,分别为:交通、建筑业、制造业、采矿业和发电站等电力服务设施。为了得到因交通造成的CO排放,依据步骤5需获取其他四个来源的CO排放量。根据美国劳动局公布的官方数据,可以得到洛杉矶不同市区的CO排放量,然后依据步骤6)利用ArcGIS软件,按各交通小区面积得到每个小区的其他四种来源CO排放量。
根据步骤7),在进行建模分析前需要对变量进行筛选。将显著性水平α设为0.1,得到20个变量与CO浓度显著相关。此外,在20个变量之间进行相关性分析,在步骤8)的建模中,保证相关系数r>0.5的强相关性变量不同时出现在模型中。
由于其他四种CO排放来源(建造业、制造业、采矿业和电力服务)具有很强的相关性,因此在建模前可利用主成分分析进行降维处理,主成分分析结果如下表:
表1其他四种种CO排放来源主成分分析结果
最终,选择地理加权回归模型进行建模分析,以每个交通小区的CO浓度作为因变量,人口经济特征、就业、交通状况、道路网络特征、其他四种CO排放来源作为解释变量,最终模型保留的解释变量和各解释变量系数标定结果如表2所示。
表2地理加权回归模型结果
依据模型结果可知,交通小区内不同年龄的工作人数、不同通勤时间人数、交通量和信号灯数量都显著影响小区CO浓度。根据该模型预测得到2244个交通小区的CO浓度,与实际数据进行拟合,拟合R2值达到了0.9以上,表明地理加权回归模型能有效地预测每个交通小区的CO浓度。此外,为了进一步定量分析各解释变量对CO浓度的影响,依据步骤9)计算每个解释变量对应的弹性值,具体结果如表3。
表3各变量弹性值
根据各解释变量的弹性值可知,各解释变量变化1%引起的CO浓度变化。由各变量弹性值可知,除高速公路外其他路网密度对小区CO浓度影响最大,依据其弹性值0.025可知,当除高速公路外其他路网密度增加1%,小区CO浓度将增加0.025%。而交通小区在家工作的人数的弹性值为-0.00187,表明小区在家工作人数每增加1%,小区CO浓度将减少0.00187%。根据地理加权回归模型结果可实施特定的减小CO浓度的措施与政策,如鼓励居民在家办公或者限制摩托车出行等。因此,本发明的方法能够有效评价人口经济、道路交通特征对CO浓度的影响,具有实际的应用价值。
Claims (6)
1.一种评价道路交通特征对一氧化碳(CO)排放浓度影响的方法,其特征在于,该评价方法包括以下步骤:
(1)获取研究区域的交通分析小区信息,利用地理信息系统软件将各交通小区在整个研究区域的具体位置可视化,并计算交通小区的面积;
(2)获取交通分析小区的人口经济、就业、交通状况和路网特征变量数据;
(3)获取研究区域各空气监测站的CO年平均浓度,利用地理信息系统软件将监测站标定到研究区域的具体位置上;
(4)利用空间插值法得到各交通分析小区的CO浓度数据;
(5)获取研究区域除交通外其他主要CO排放来源数据;
(6)将步骤(2)获取的各变量数据、步骤(4)中交通分析小区CO浓度和步骤(5)中其他主要CO排放来源数据匹配到各交通分析小区;
(7)以步骤(2)获取的变量为解释变量,将解释变量逐个与CO浓度建立线性回归模型,根据显著性水平剔除与CO浓度不相关的变量,并在未被剔除的解释变量之间进行相关性分析,确保相关性强的变量不会同时出现在模型中;
(8)以每个交通分析小区CO浓度作为因变量,经步骤(7)筛选后变量作为解释变量建立地理加权回归模型,建模时逐一加入解释变量,选择AIC值最小的模型为CO浓度预测模型;
(9)根据步骤(8)得到的CO浓度预测模型评价模型中保留的解释变量对CO浓度的影响。
2.根据权利要求1所述的一种评价道路交通特征对一氧化碳排放浓度影响的方法,其特征在于,所述步骤(2)中人口经济变量包括每个交通分析小区的总人口数,不同年龄段人口数和车辆数;就业变量包括每个交通分析小区不同通勤时间人数和不同年龄段的工作人数;交通状况变量包括每个交通分析小区不同车辆的发生量和吸引量,以及高速公路的年平均日交通量;道路网络特征变量包括每个交通分析小区的高速公路路网密度、城市道路路网密度和公共交通路网密度。
3.根据权利要求1所述的一种评价道路交通特征对一氧化碳排放浓度影响的方法,其特征在于,步骤(4)中利用克里金空间差值方法,得到每个交通分析小区的CO浓度数据。
4.根据权利要求1所述的一种评价道路交通特征对一氧化碳排放浓度影响的方法,其特征在于,步骤(7)中,剔除显著性水平大于0.1的变量,确保相关系数大于0.5的变量不会同时出现在模型。
5.根据权利要求1所述的一种评价道路交通特征对一氧化碳排放浓度影响的方法,其特征在于,步骤(8)中地理加权回归模型的具体结构为:
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>&beta;</mi>
<mrow>
<mn>0</mn>
<mrow>
<mo>(</mo>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mrow>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>k</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<mrow>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
</mrow>
<mo>+</mo>
<msub>
<mi>&epsiv;</mi>
<mi>i</mi>
</msub>
</mrow>
其中:yi表示第i个交通分析小区的CO浓度;sim表示交通小区i的m类CO排放来源;λim表示m类排放来源的回归系数;M表示其它主要CO排放来源种类数;(ui,vi)表示第i个交通小区的空间地理坐标;λim(ui,vi)表示回归系数λim与交通小区i的地理位置有关;β0(ui,vi)表示模型的常数项,其值也与交通小区i的地理位置有关;K表示模型中解释变量个数;xik表示交通小区i的第k个解释变量;βk(ui,vi)表示第k个解释变量在第i个交通小区里的回归系数,与交通小区i的地理位置有关;εi表示误差。
6.根据权利要求1所述的一种评价道路交通特征对一氧化碳排放浓度影响的方法,其特征在于,步骤(9)中,通过计算出每个解释变量对应的弹性值反映不同解释变量对CO浓度的影响,解释变量弹性值计算公式为:其中,Ek表示第k个解释变量的弹性值,βk表示第k个解释变量的回归系数,xk表示第k个解释变量,Yk表示第k个解释变量对应的因变量值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710916400.0A CN107832910B (zh) | 2017-09-30 | 2017-09-30 | 一种评价道路交通特征对一氧化碳排放浓度影响的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710916400.0A CN107832910B (zh) | 2017-09-30 | 2017-09-30 | 一种评价道路交通特征对一氧化碳排放浓度影响的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107832910A true CN107832910A (zh) | 2018-03-23 |
CN107832910B CN107832910B (zh) | 2020-04-24 |
Family
ID=61647614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710916400.0A Active CN107832910B (zh) | 2017-09-30 | 2017-09-30 | 一种评价道路交通特征对一氧化碳排放浓度影响的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107832910B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178786A (zh) * | 2020-01-08 | 2020-05-19 | 中科宇图科技股份有限公司 | 一种保障区域空气质量的排放源位置确定方法及系统 |
CN113041836A (zh) * | 2019-12-27 | 2021-06-29 | 苏州五蕴明泰科技有限公司 | 处理一氧化碳方法、装置、电子设备和计算机可读介质 |
CN113158125A (zh) * | 2021-03-31 | 2021-07-23 | 中汽研汽车检验中心(天津)有限公司 | 一种基于车联网的柴油车NOx排放评测方法 |
CN114819305A (zh) * | 2022-04-13 | 2022-07-29 | 山东高速云南发展有限公司 | 一种基于碳排放度量尺度下的路径规划方法 |
CN116504327A (zh) * | 2022-09-26 | 2023-07-28 | 中国疾病预防控制中心环境与健康相关产品安全所 | 近地面o3人群暴露的时空精细化分析评估方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103531024A (zh) * | 2013-10-28 | 2014-01-22 | 武汉旭云科技有限公司 | 一种动态交通路网城市道路要素模型及其建模方法 |
JP5507713B2 (ja) * | 2008-07-18 | 2014-05-28 | みずほ情報総研株式会社 | 環境負荷評価支援システム、環境負荷評価支援方法及び環境負荷評価支援プログラム |
CN105678085A (zh) * | 2016-01-12 | 2016-06-15 | 环境保护部卫星环境应用中心 | 一种pm2.5浓度的估算方法及系统 |
-
2017
- 2017-09-30 CN CN201710916400.0A patent/CN107832910B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5507713B2 (ja) * | 2008-07-18 | 2014-05-28 | みずほ情報総研株式会社 | 環境負荷評価支援システム、環境負荷評価支援方法及び環境負荷評価支援プログラム |
CN103531024A (zh) * | 2013-10-28 | 2014-01-22 | 武汉旭云科技有限公司 | 一种动态交通路网城市道路要素模型及其建模方法 |
CN105678085A (zh) * | 2016-01-12 | 2016-06-15 | 环境保护部卫星环境应用中心 | 一种pm2.5浓度的估算方法及系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113041836A (zh) * | 2019-12-27 | 2021-06-29 | 苏州五蕴明泰科技有限公司 | 处理一氧化碳方法、装置、电子设备和计算机可读介质 |
CN111178786A (zh) * | 2020-01-08 | 2020-05-19 | 中科宇图科技股份有限公司 | 一种保障区域空气质量的排放源位置确定方法及系统 |
CN111178786B (zh) * | 2020-01-08 | 2023-04-25 | 中科宇图科技股份有限公司 | 一种保障区域空气质量的排放源位置确定方法及系统 |
CN113158125A (zh) * | 2021-03-31 | 2021-07-23 | 中汽研汽车检验中心(天津)有限公司 | 一种基于车联网的柴油车NOx排放评测方法 |
CN114819305A (zh) * | 2022-04-13 | 2022-07-29 | 山东高速云南发展有限公司 | 一种基于碳排放度量尺度下的路径规划方法 |
CN114819305B (zh) * | 2022-04-13 | 2023-03-14 | 山东高速云南发展有限公司 | 一种基于碳排放度量尺度下的路径规划方法 |
CN116504327A (zh) * | 2022-09-26 | 2023-07-28 | 中国疾病预防控制中心环境与健康相关产品安全所 | 近地面o3人群暴露的时空精细化分析评估方法及系统 |
CN116504327B (zh) * | 2022-09-26 | 2024-01-30 | 中国疾病预防控制中心环境与健康相关产品安全所 | 近地面o3人群暴露的时空精细化分析评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107832910B (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832910B (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 | |
Lyu et al. | Review of the studies on emission evaluation approaches for operating vehicles | |
CN106651100B (zh) | 基于车联网优选车载监测点的空气质量评估系统及方法 | |
CN111696369B (zh) | 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法 | |
López-Martínez et al. | Modelling the fuel consumption and pollutant emissions of the urban bus fleet of the city of Madrid | |
CN111815184B (zh) | 一种耕地土壤环境质量类别划分方法 | |
Fontes et al. | Are HOV/eco-lanes a sustainable option to reducing emissions in a medium-sized European city? | |
CN113360850B (zh) | 一种大气污染物线源溯源分析方法 | |
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 | |
Ghassoun et al. | Intra-urban variation of ultrafine particles as evaluated by process related land use and pollutant driven regression modelling | |
CN108682156A (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 | |
CN110346518B (zh) | 一种交通排放污染可视化预警方法及其系统 | |
CN106023592A (zh) | 一种基于gps数据的交通拥堵检测方法 | |
CN107886188A (zh) | 液化天然气公交尾气排放预测方法 | |
CN111582580A (zh) | 一种考虑人群污染物暴露的出行路径规划方法 | |
CN105957348A (zh) | 一种基于gis和pems的城市公交线路节点处排放估算方法 | |
CN114186491A (zh) | 基于改进lur模型的细颗粒物浓度时空特征分布方法 | |
CN111339638B (zh) | 一种基于现有数据的汽车行驶工况构建方法 | |
CN110889086B (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 | |
CN107766296B (zh) | 评价道路交通特征对可吸入颗粒物排放浓度影响的方法 | |
CN111126878B (zh) | 一种基于生态指数的城市交通运行评价方法 | |
CN112131523A (zh) | 一种基于有限监测点位的时空数据生成方法及系统 | |
CN111652522A (zh) | 一种关于自然保护地的生态风险评估方法 | |
Anjaneyulu et al. | Modeling ambient carbon monoxide pollutant due to road traffic | |
CN113344759B (zh) | 一种移动源污染排放的分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |