CN107976514B - 一种基于机动车尾气浓度分布预测的遥测设备布点方法 - Google Patents
一种基于机动车尾气浓度分布预测的遥测设备布点方法 Download PDFInfo
- Publication number
- CN107976514B CN107976514B CN201711153763.XA CN201711153763A CN107976514B CN 107976514 B CN107976514 B CN 107976514B CN 201711153763 A CN201711153763 A CN 201711153763A CN 107976514 B CN107976514 B CN 107976514B
- Authority
- CN
- China
- Prior art keywords
- motor
- gas concentration
- node
- remote
- measuring equipment
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000010586 diagram Methods 0.000 claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 72
- 239000003344 environmental pollutant Substances 0.000 description 5
- 231100000719 pollutant Toxicity 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Combustion & Propulsion (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Traffic Control Systems (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明涉及一种基于机动车尾气浓度分布预测的遥测设备布点方法,首先收集待测区域的相关信息,构建机动车尾气浓度关联图,确定机动车尾气浓度关联图的边的权重,然后计算机动车尾气浓度关联图中未知节点的机动车尾气浓度分布及其不确定度,以及所有未知节点的平均不确定度,并最小化平均不确定度,最后将不确定度最小的未知节点标记为已知节点,更新机动车尾气浓度关联图,得出需要布设遥测设备的基本路段。本发明很好地解决了如何预测任意位置的机动车尾气浓度分布和确定遥测设备的最佳位置以提高预测可靠性等问题,可为监管部门进行机动车尾气浓度分布预测以及部署遥测设备提供有效帮助。
Description
技术领域
本发明涉及一种基于机动车尾气浓度分布预测的遥测设备布点方法,属于环境监测技术领域。
背景领域
根据环境保护部发布的《中国机动车环境管理年报(2017)》,到2016年我国已经连续8年成为世界机动车产销第一大国。机动车尾气是城市空气污染物的主要来源,其排放的一氧化碳和碳氢化合物超过80%,氮氧化物和颗粒物超过90%,此外,机动车尾气排放造成的城市光化学烟雾污染问题日益突出,机动车尾气污染防治的紧迫性日益凸显。机动车尾气遥测设备采取非接触方法检测在路车辆排放的污染物浓度,可以提高机动车尾气污染监督管理的工作效率。机动车尾气遥测设备可以在不妨碍正常交通的情况下较为真实地反映机动车的实际排放状况,并且可以实时监测机动车尾气浓度分布。由于机动车尾气遥测设备成本昂贵,因此需要一些布点选址方法来指导机动车尾气遥测设备的部署。
对于这一问题,申请号为201510214145.6和201611267877.2的发明专利提出了用于检测不同类别车辆和估计道路污染物浓度的遥感监测设备选址方法,申请号为201710449337.4和201710461305.6的发明专利提出了用于识别高排放车辆和截获交通流量的尾气检测设备布点方法。但是对于如何利用机动车尾气遥测设备预测城市机动车尾气浓度分布,以及在已有部分设备点位基础上在何处增加点位这类问题,未见相关研究。
发明内容
本发明技术解决问题:由于我国大多数城市只有少量的空气自动监测站,并且监测站布点不尽合理,覆盖面和代表性不足,难于获得足够的机动车尾气浓度数据,本发明提供一种基于机动车尾气浓度分布预测的遥测设备布点方法,利用少量的机动车尾气遥测设备检测数据预测城市任意位置的机动车尾气浓度分布,并提出如何增加点位的策略。
本发明技术解决方案:一种基于机动车尾气浓度分布预测的遥测设备布点方法,其特征在于包括以下步骤:
步骤一:收集欲布设尾气遥测设备区域的信息,所述信息包括交通路网路段、车流量、天气特征信息,以及已经布设的尾气遥测设备获得的设备所处路段的机动车尾气浓度分布信息。
步骤二:根据步骤一获取的所述信息,构建机动车尾气浓度关联图,根据机动车尾气浓度关联图节点之间的相关性确定机动车尾气浓度关联图的边的权重ωi,j,其中i,j表示机动车尾气浓度关联图中两个相连的节点。
步骤三:计算机动车尾气浓度关联图中未知节点u的机动车尾气浓度分布Pu,计算Pu的不确定度χu和所有未知节点的平均不确定度调整ωi,j使最小,计算调整后χu的值。
步骤四:选取步骤三中调整后χu最小的未知节点,将最小的未知节点标记为已知节点,加入到已知节点的集合,同时将最小的未知节点从未知节点的集合中剔除,更新机动车尾气浓度关联图。
步骤五:重复步骤三、步骤四直到标记了k个未知节点,即得出需要布设遥测设备的基本路段。
所述步骤二中,机动车尾气浓度关联图的构建方法如下:
以欲布设尾气遥测设备区域中的每个基本路段作为基本单位建立机动车尾气浓度关联图G=(v,E),其中v表示G中的节点集,每个节点对应一个基本路段,E表示G中的边集,v=V+U,其中V表示包含尾气遥测设备的基本路段称为已知节点的集合,U表示不包含尾气遥测设备的基本路段称为未知节点的集合,E包含未知节点和已知节点的连线、相近的未知节点的连线,假设已知节点的机动车尾气浓度分布信息可用。
所述步骤二中,机动车尾气浓度关联图的边的权重ωi,j的计算方法为:
其中i,j表示机动车尾气浓度关联图G中两个相连的节点,xi,xj为步骤一收集的节点i,j的特征信息归一化后的特征信息向量,σ>0为特征参数,是一个变化的值,初始值优选为1。
所述步骤三中,机动车尾气浓度关联图中未知节点u的机动车尾气浓度分布Pu的计算方法为:
其中,这里d(u)表示未知节点u(u∈U)的度,ωu,v表示连接未知节点u和已知节点v的边的权重,Pv表示已知节点v的机动车尾气浓度分布,X为随机变量,qm∈N*为所有节点机动车尾气浓度的最大值。
所述步骤三中,Pu的不确定度χu和所有未知节点的平均不确定度的计算方法为:
其中,|U|表示集合U中元素的个数。
所述步骤三中,调整ωi,j使最小,可根据前述ωi,j的计算方法,通过调整σ的值改变ωi,j进而使最小,具体算法步骤为:
步骤1:令σ=1,设置循环次数t=1,计算ωu,v,Pu和的值并记为令
步骤2:令其中γ为步长可人工设定,重新计算的值记为令t增加1。
步骤3:重复步骤2直到δ小于δ0,其中δ0为精确度由人工设定。
本发明与现有技术相比的优点在于:
(1)本发明提出的一种基于机动车尾气浓度分布预测的遥测设备布点方法,通过构建机动车尾气浓度关联图来表征交通路网基本路段之间的相关性,引入机动车尾气浓度分布不确定度这一参数来衡量所提出方法预测未知路段机动车尾气浓度的准确率,并通过调整边的权值的方法提高预测的准确率,进而通过最大限度减少机动车尾气浓度分布预测的不确定性给出机动车尾气遥测设备的建议部署位置,最终达到优化布设机动车尾气遥测设备并预测机动车尾气浓度分布的目标。
(2)本发明很好地解决了如何预测任意位置的机动车尾气浓度分布和确定机动车尾气遥测设备的最佳位置以提高预测可靠性等问题,可为监管部门进行机动车尾气浓度分布预测以及部署遥测设备提供有效帮助。
附图说明
图1为本发明方法流程图;
图2为城市道路网络示意图;
图3为机动车尾气浓度关联图。
具体实施方式
下面结合实例对本发明作进一步描述,但本发明的保护范围并不限于此。
如图1所示,本发明具体实现如下:
步骤一:收集欲布设尾气遥测设备区域的交通路网路段、车流量、天气特征信息,以及已经布设的尾气遥测设备获得的设备所处路段的机动车尾气浓度分布信息。
步骤二:根据步骤一获取的信息,构建机动车尾气浓度关联图。具体的构建方法为:
以欲布设尾气遥测设备区域中的每个基本路段作为基本单位建立机动车尾气浓度关联图G=(v,E),其中v表示G中的节点集,每个节点对应一个基本路段,E表示G中的边集。集合v=V+U,其中V表示包含尾气遥测设备的基本路段称为已知节点的集合,U表示不包含尾气遥测设备的基本路段称为未知节点的集合。集合E包含未知节点和已知节点的连线、相近的未知节点的连线。假设已知节点的机动车尾气浓度分布信息可用。机动车尾气浓度关联图是一个动态的图,已知节点与未知节点的集合会在每一次迭代中发生变化,进而导致边集也发生变化。通过不断地更新机动车尾气浓度关联图,寻找最佳的边的权重与未知节点,从而达到预期的目标。
然后根据机动车尾气浓度关联图节点之间的相关性确定机动车尾气浓度关联图的边的权重ωi,j,其中i,j表示机动车尾气浓度关联图中两个相连的节点,计算方法为:
其中i,j表示机动车尾气浓度关联图G中两个相连的节点,xi,xj为步骤一收集的节点i,j的特征信息归一化后的特征信息向量,σ>0为特征参数,是一个变化的值,初始值优选为1。
步骤三:计算机动车尾气浓度关联图中未知节点u的机动车尾气浓度分布Pu,如下:
其中,这里d(u)表示未知节点u(u∈U)的度,ωu,v表示连接未知节点u和已知节点v的边的权重,Pv表示已知节点v的机动车尾气浓度分布,X为随机变量,qm∈N*为所有节点机动车尾气浓度的最大值。本发明专利中,假设所有节点的尾气污染物浓度值均取1到qm之间的整数。
计算Pu的不确定度χu和所有未知节点的平均不确定度如下:
其中,|U|表示集合U中元素的个数。
调整ωi,j使最小,计算调整后χu的值。根据前述ωi,j的计算方法,可以通过调整σ的值改变ωi,j进而使最小,具体算法步骤为:
步骤1:令σ=1,设置循环次数t=1,根据上述公式计算ωu,v,Pu和的值并记为令
步骤2:令其中γ为步长可人工设定,一般建议取值0.1到10之间。步长较小可以保证每次迭代都在减小,但收敛速度可能较慢;反之步长较大,收敛速度可能较快,但也可能出现不收敛或者不减小的现象,因此γ的取值应试具体情况而定。重新计算的值记为令t增加1。
步骤3:重复步骤2直到δ小于δ0,得出最小的以及相应的ωu,v,Pu。其中δ0为精确度由人工设定,本发明取值10-4到10-6之间。精确度理论上越小越好,但过小可能导致迭代次数过多,计算时间过长。
步骤四:选取步骤三中调整后χu最小的未知节点,将其标记为已知节点,加入到已知节点的集合,同时将其从未知节点的集合中剔除,更新机动车尾气浓度关联图。
步骤五:重复步骤三、步骤四直到标记了k个未知节点,即得出需要布设遥测设备的基本路段。这里的k个未知节点也就是预期的机动车尾气遥测设备布点数目。
为方便说明,这里选取一个简单的例子介绍本发明的具体过程。图2为一个城市道路网络示意图,共有17条边,其中路段4、9和12已经布设遥测设备。构建该道路网络的机动车尾气浓度关联图如图3所示(由于连线过多影响观察,图中未画出已知节点和未知节点之间的连线),其中节点4、9、12为已知节点,期望在路网中增加2个尾气遥测设备。假定只利用节点的两组特征信息x1,x2,所有节点的尾气浓度值均取1到9之间的整数,特征信息向量与已知节点的尾气浓度分布如下表所示(表格中的空白表示未知节点的尾气浓度分布是不知道的):
则 于是机动车尾气污染物浓度关联图中未知节点u(u∈U={1,2,3,5,6,7,8,10,11,13,14,15,16,17})的机动车尾气污染物浓度分布:Pu(X=s)=P′u(X=s)/∑u∈UP′u(X=s),s=1,2,…,9.则Pu的不确定度χu=-Pu(X=s)log2(Pu(X=s)),所有未知节点的平均不确定度
调整σ使最小,首先令σ=1,循环次数t=1,计算上述ωu,v,Pu和的值并记为令然后取步长γ=1,令重新计算ωu,v,Pu,的值记为令t增加1。取精确度δ0=10-4,重复上述过程直到δ小于δ0,计算调整后χu的值:χ1=3.0265,χ2=2.9376,χ3=3.0313,χ5=3.0084,χ6=3.0085,χ7=2.9515,χ8=3.0868,χ10=2.9219,χ11=3.0452,χ13=3.0143,χ14=3.0462,χ15=3.0143,χ16=3.0821,χ17=2.9254。
选取χu最小的未知节点,即节点10作为欲布设遥测设备的基本路段,节点10的尾气浓度预测分布为:P10(X=1)=0.108,P10(X=2)=0.168,P10(X=3)=0.242,P10(X=4)=0.173,P10(X=5)=0.104,P10(X=6)=0.076,P10(X=7)=0.046,P10(X=8)=0.041,P10(X=9)=0.043。将节点10标记为已知节点,加入到已知节点的集合,同时将其从未知节点的集合中剔除,更新机动车尾气浓度关联图。重复上述步骤,得到更新后Pu的不确定度χu:χ1=3.0203,χ2=2.9376,χ3=29724,χ5=3.0075,χ6=3.0098,χ7=2.9517,χ8=3.0869,χ11=3.0461,χ13=3.0143,χ14=3.0461,χ15=3.0143,χ16=3.0883,χ17=2.9254。选取节点17作为下一个欲布设遥测设备的基本路段。于是,需要布设遥测设备的基本路段为10,17。
本发明未详细描述的部分属于本领域公知技术。
以上所述,仅为本发明部分具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本领域的人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于机动车尾气浓度分布预测的遥测设备布点方法,其特征在于:包括以下步骤:
步骤一:收集欲布设尾气遥测设备区域的信息,所述信息包括交通路网路段、车流量、天气特征信息,以及已经布设的尾气遥测设备获得的设备所处路段的机动车尾气浓度分布信息;
步骤二:根据步骤一获取的所述信息,构建机动车尾气浓度关联图,根据机动车尾气浓度关联图中节点之间的相关性确定机动车尾气浓度关联图的边的权重ωi,j,其中i,j表示机动车尾气浓度关联图中两个相连的节点;
步骤三:计算机动车尾气浓度关联图中未知节点u的机动车尾气浓度分布Pu,计算Pu的不确定度和所有未知节点的平均不确定度调整ωi,j使最小,计算调整后的值;
步骤四:选取步骤三中调整后最小的未知节点,将最小的未知节点标记为已知节点,加入到已知节点的集合,同时将最小的未知节点从未知节点的集合中剔除,更新机动车尾气浓度关联图;
步骤五:重复步骤三、步骤四直到标记了k个未知节点,即得出需要布设遥测设备的基本路段;
所述步骤二中,机动车尾气浓度关联图的构建方法如下:
以欲布设尾气遥测设备区域中的每个基本路段作为基本单位建立机动车尾气浓度关联图其中表示G中的节点集,每个节点对应一个基本路段,E表示G中的边集,其中V表示包含尾气遥测设备的基本路段称为已知节点的集合,U表示不包含尾气遥测设备的基本路段称为未知节点的集合,E包含未知节点和已知节点的连线、相近的未知节点的连线,假设已知节点的机动车尾气浓度分布信息可用。
2.根据权利要求1所述的一种基于机动车尾气浓度分布预测的遥测设备布点方法,其特征在于:所述步骤二中,机动车尾气浓度关联图的边的权重ωi,j的计算方法为:
其中i,j表示机动车尾气浓度关联图G中两个相连的节点,xi,xj为步骤一收集的节点i,j的特征信息归一化后的特征信息向量,σ>0为特征参数,是一个变化的值,初始值优选为1。
3.根据权利要求1所述的一种基于机动车尾气浓度分布预测的遥测设备布点方法,其特征在于:所述步骤三中,机动车尾气浓度关联图中未知节点u的机动车尾气浓度分布Pu的计算方法为:
其中,d(u)表示未知节点u(u∈U)的度,ωu,v表示连接未知节点u和已知节点v的边的权重,Pv表示已知节点v的机动车尾气浓度分布,X为随机变量,qm∈N*为所有节点机动车尾气浓度的最大值。
4.根据权利要求3所述的一种基于机动车尾气浓度分布预测的遥测设备布点方法,其特征在于:所述步骤三中,Pu的不确定度和所有未知节点的平均不确定度的计算方法为:
其中,|U|表示集合U中元素的个数。
5.根据权利要求4所述的一种基于机动车尾气浓度分布预测的遥测设备布点方法,其特征在于:所述步骤三中,调整ωi,j使最小时,根据ωi,j的计算方法,通过调整σ的值改变ωi,j进而使最小,具体步骤为:
步骤1:令σ湨1,设置循环次数t湨1,计算ωu,v,Pu和的值并记为令
步骤2:令其中γ为步长,可人工设定,重新计算ωu,v,Pu,的值记为令t增加1;
步骤3:重复步骤2直到δ小于δ0,其中δ0为精确度由人工设定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711153763.XA CN107976514B (zh) | 2017-11-20 | 2017-11-20 | 一种基于机动车尾气浓度分布预测的遥测设备布点方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711153763.XA CN107976514B (zh) | 2017-11-20 | 2017-11-20 | 一种基于机动车尾气浓度分布预测的遥测设备布点方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107976514A CN107976514A (zh) | 2018-05-01 |
CN107976514B true CN107976514B (zh) | 2019-06-21 |
Family
ID=62010255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711153763.XA Active CN107976514B (zh) | 2017-11-20 | 2017-11-20 | 一种基于机动车尾气浓度分布预测的遥测设备布点方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107976514B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738367B (zh) * | 2019-10-12 | 2022-06-28 | 东北大学秦皇岛分校 | 一种基于深度残差网络的交通尾气排放量预测方法 |
CN114509373B (zh) * | 2022-04-20 | 2022-08-05 | 淄博众擎大数据科技合伙企业(有限合伙) | 一种汽车排气颗粒物检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MX2011008148A (es) * | 2009-02-02 | 2012-01-25 | Planetary Emissions Man | Sistema de sistemas para monitorear flujos de gas de invernadero. |
CN107066501B (zh) * | 2016-12-31 | 2020-01-31 | 中国科学技术大学 | 一种基于道路相似性的机动车尾气遥测设备布点方法 |
CN106529608B (zh) * | 2016-12-31 | 2019-06-11 | 中国科学技术大学 | 一种机动车尾气遥测设备综合布点系统 |
CN208060384U (zh) * | 2018-04-08 | 2018-11-06 | 华电智控(北京)技术有限公司 | 一种多光程机动车尾气遥测系统和装置 |
-
2017
- 2017-11-20 CN CN201711153763.XA patent/CN107976514B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107976514A (zh) | 2018-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alavi et al. | An overview of smartphone technology for citizen-centered, real-time and scalable civil infrastructure monitoring | |
CN106205114B (zh) | 一种基于数据融合的高速公路路况信息实时获取方法 | |
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 | |
CN102682605B (zh) | 基于汽车排放的高速公路环境交通容量确定方法 | |
CN106529608B (zh) | 一种机动车尾气遥测设备综合布点系统 | |
KR102250795B1 (ko) | 환경 통합 모니터링 모듈을 이용한 환경 통합 모니터링 장치 및 그 방법 | |
Gao et al. | Estimating freeway traffic measures from mobile phone location data | |
CN102682495A (zh) | 计算机执行的收集数据的方法 | |
CN106600981B (zh) | 基于分布式传感信息的道路断面双向车辆速度估计方法 | |
CN108571978A (zh) | 基于拓扑和权重的超标排放车辆最短路径跟踪匹配方法 | |
CN105809962A (zh) | 一种基于手机数据的交通出行方式划分的方法 | |
CN104346925B (zh) | 预测行车时间的方法和系统 | |
CN101957208B (zh) | 一种基于浮动车技术的新增道路发现方法 | |
CN107976514B (zh) | 一种基于机动车尾气浓度分布预测的遥测设备布点方法 | |
Zhi-Peng et al. | An improved adaptive exponential smoothing model for short-term travel time forecasting of urban arterial street | |
CN104794895A (zh) | 一种面向高速公路的多源交通信息融合方法 | |
CN107886188A (zh) | 液化天然气公交尾气排放预测方法 | |
CN105547310A (zh) | 一种基于pm2.5健康出行的路径规划装置及方法 | |
CN106709196A (zh) | 一种基于图论的机动车尾气遥测设备布点方法 | |
CN103731860A (zh) | 一种基于车载终端数据计算移动网络信号覆盖强度的方法 | |
CN114677854B (zh) | 公共交通可达性评估方法及装置 | |
Boudabous et al. | Traffic analysis based on bluetooth passive scanning | |
Habtie et al. | Cellular network based real-time urban road traffic state estimation framework using neural network model estimation | |
Struţu et al. | Accelerometer based road defects identification system | |
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 |