CN109524116A - 公汽出行个体可吸入细颗粒物暴露风险评估方法 - Google Patents
公汽出行个体可吸入细颗粒物暴露风险评估方法 Download PDFInfo
- Publication number
- CN109524116A CN109524116A CN201811451708.3A CN201811451708A CN109524116A CN 109524116 A CN109524116 A CN 109524116A CN 201811451708 A CN201811451708 A CN 201811451708A CN 109524116 A CN109524116 A CN 109524116A
- Authority
- CN
- China
- Prior art keywords
- bus
- website
- passenger
- getting
- card
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了公汽出行个体可吸入细颗粒物暴露风险评估方法,包括以下步骤:S1公汽刷卡系统自动存储上车站点;S2公汽乘客的下车刷卡站点匹配;S3乘客公汽出行OD统计;S4公汽车厢内面向细颗粒物污染的个体暴露风险评估方法。本发明操作方便,全面且准确地揭示了乘客在搭乘公汽乘车过程中面向细颗粒物污染的个体暴露风险,进行个体暴露风险计算,并实时展示车厢内空气污染指数,对个体乘客在搭乘公汽乘车整个过程中的环境质量评估有重要意义,有很好的市场应用价值。
Description
技术领域
本发明涉及公共交通技术领域,特别是公汽出行个体可吸入细颗粒物暴露风险评估方法。
背景技术
现有的公汽OD数据均是将AVL数据和IC刷卡数据匹配,通过时间修正、聚类处理估测得到,由于系统时差等原因IC刷卡数据和AVL数据的融合不可避免地存在误差,使站点识别率降低。
发明专利201810207295.8,提出了一种公众空气污染暴露风险测量指数计算方法,以个体实际活动地点污染物浓度、个体体重、活动时间以及活动期间呼吸速率计算面向实时空气污染的个体暴露剂量,需要有人实时佩戴所述可穿戴设备,极为不便;且主要面向开放的外部环境,无法对交通出行微环境的细颗粒物暴露风险进行评估。但是道路交通颗粒物污染作为大中城市的主要空气污染源,道路交通微环境颗粒物浓度一般高于城市环境平均水平,是颗粒物暴露的典型环境,且已有研究指出人们在交通出行微环境中面向细颗粒物污染的暴露风险是其日均暴露风险的主要来源。
公共交通作为城市交通的重要组成部分,是城市绝大多数居民的主要出行方式,公汽车厢作为公共交通出行中特殊的封闭环境,自然通风不足,不利于可吸入细颗粒物的排出;人员密度大,流动性大,很容易引起污染物传播,因此亟需关注乘客在公共交通出行微环境中面向可吸入颗粒物污染的暴露风险。
胡元杰等在室内外大气颗粒物和典型有机污染物的环境行为及人体呼吸暴露风险的研究中发现,即使在门窗紧闭的情况下,室内环境的健康风险值明显高于室外环境;经过对深圳市公共交通车厢内颗粒物浓度检测发现,公共交通车厢内颗粒物的浓度值与车厢外或地铁车站外开放空间的颗粒物浓度值明显不同。因此在倡导低碳出行、健康出行的城市可持续发展背景下,乘客出行过程中公汽车厢内面向可吸入细颗粒物的个体暴露风险亟需评估。
现有技术存在缺陷需要改进。
发明内容
为了解决现有技术中存在的缺陷,本发明提出一种操作方便,考虑全面且准确度高,更接近实际情况的公汽出行个体可吸入细颗粒物暴露风险评估方法。
本发明提供的技术方案为,公汽出行个体可吸入细颗粒物暴露风险评估方法,包括以下步骤:
S1公汽刷卡系统自动存储上车站点;
S2公汽乘客的下车刷卡站点匹配;
S3乘客公汽出行OD统计;
S4公汽车厢内面向细颗粒物污染的个体暴露风险评估方法。
优选地,其特征在于,S1公汽刷卡系统自动存储上车站点包括以下步骤:S11存储器预存储车辆运行线路信息;S12车辆定位模块确认实时站点;S13刷卡系统存储刷卡站点。
优选地,S2公汽乘客的下车刷卡站点匹配包括:S21下车后在站台刷卡乘客的下车站点匹配和S22下车后未在站台刷卡乘客的下车站点判断。
优选地,S22下车后未在站台刷卡乘客的下车站点判断包括:
S221:若该乘客当日仅有一次乘车,或此次乘车为当日最后一次乘车,则根据该乘客历史出行规律以及该线路站点吸引权匹配下车站点;
S222:若该乘客当日有多次乘车,且此次乘车并非当日最后一次乘车,则读取该乘客下次乘车的刷卡记录,计算下次乘车刷卡记录的上车站点与此次乘车刷卡记录对应公汽行驶方向上各站点的步行距离Δd,判断是否存在Δd<500m的站点;若不存在满足条件的站点,则根据该乘客历史出行规律以及站点吸引权匹配下车站点;
S223:若仅有一个满足条件的站点,则该站点为该乘客此次乘车的下车站点;若有多个满足条件的站点,则根据这两次相邻乘车的上车刷卡时间间隔判断这两次出行是否为连乘;这两次相邻乘车的上车刷卡时间间隔小于当地公交换乘刷卡优惠时间,则属于连乘,这两次相邻乘车的上车刷卡时间间隔大于当地公交换乘刷卡优惠时间,则不属于连乘;
S224:若这两次出行属于连乘,则Δd=dmin对应的站点为该乘客此次乘车的下车站点;
S225:若这两次出行不属于连乘,则根据该乘客历史出行规律以及站点吸引权推断该乘客此次乘车的下车站点。
优选地,站点吸引权:
归一化:
一条公汽线路沿运行方向的所有站点从首至尾依次编号为1,2,3……m,m表示公汽线路单向的站点总数;i表示乘客上车站点编号,j表示乘客下车站点编号(i<m,j≤m),以下简称站点i,站点j;
Pij表示综合考虑途径站点数目、站点产生吸引系数、换乘便利程度的情况下,乘客在站点i上车,站点j下车的概率;
Pi表示从乘客在站点i上车,到其余各站下车的概率;
Pij *表示乘客在站点i上车,站点j下车概率的归一化后的值;
λ表示乘客出行平均站点数目,按已有数据统计乘客出行平均站点数目;
k表示从站点i到站点j的公汽站点数目;
yi表示在站点i的上车人数,即根据已有刷卡数据统计该站点平均每日上车人数;
uj表示在站点j的下车人数,即根据已有刷卡数据统计该站点平均每日下车人数;
Kj表示站点j的换乘便利程度。
优选地,站点j的换乘便利程度:
一条公汽线路沿运行方向的所有站点从首至尾依次编号为1,2,3……m,i表示乘客上车站点编号,j表示乘客下车站点编号(i<m,j≤m);以下分别简称站点i和站点j;
dp表示此次下车站点与第p条换乘线路上车站点的距离;
jz表示站点j服务半径500m内可换乘的公汽和地铁线路总数。
优选地,站点j的换乘便利程度为:
α表示公汽线路乘车系数;
β表示地铁线路乘车系数;
M表示当地公汽车辆的平均客位数;
N表示当地地铁的平均客位数;
jb表示站点j服务半径500m内可换乘的公汽线路总数;
js表示站点j服务半径500m内可换乘的地铁线路总数;
分别表示下车站点与可换乘的公汽线路、地铁线路上车站点的最短换乘距离。
优选地,所述S3乘客公汽出行OD统计包括:
S31根据S1、S2得到的上下车站点数据,统计个体乘客每次出行的起讫地点信息OiDj,OiDj表示该乘客在站点i上车,在站点j下车的公汽出行;i表示上车站点编号,j表示下车站点编号(i<m,j≤m);
S32根据乘客的公汽出行OiDj信息,提取乘客上车时间信息ti、下车时间信息tj。
优选地,S4公汽车厢内面向细颗粒物污染的个体暴露风险评估方法包括:
个体暴露风险评估模型:
Riski,j:个体乘客从站点i上车至站点j下车的整个乘车过程中,面向车厢内细颗粒物污染的个体暴露风险;
Ca(t):t时刻车厢内a位置监测的细颗粒物浓度(μg/m3);
ti、tj:分别表示乘客在站点i的上车时间和站点j的下车时间;
BW:个体乘客的体重(kg);
Ti,j:个体乘客从站点i上车至站点j下车的整个出行时间(min)。
I:为致癌强度系数((kg·d)/mg);
IR:个体乘客的呼吸速率(m3/min)。
相对于现有技术的有益效果:
(1)本发明通过内嵌定位的公汽车载前门上车刷卡机和公汽站台下车刷卡机得到乘客的准确上车站点和下车站点,避免了现有技术在数据匹配和时间融合方面的误差,得到更加准确的和动态的公汽出行OD数据;简单实用,提高了公汽收费的便利性,改善了公汽的运行效率。
(2)公汽站点吸引权判断下车站点综合考虑了途径公汽站点数目,站点之间的产生吸引相关系数和站点换乘能力;对于站点换乘能力,考虑了换乘公汽与换乘轨道吸引力的差异,以及换乘距离对换乘能力的影响,得到的结果更加准确合理;
(3)公汽车厢作为公共交通出行中特殊的封闭环境,本发明全面且准确地揭示了乘客在搭乘公汽乘车过程中面向车厢内细颗粒物污染的个体暴露风险,进行暴露风险程度计算,对个体乘客在搭乘公汽乘车整个过程中的环境质量评估有重要意义;数据显示器可以检测车内可吸入细颗粒物的实时浓度情况,显示空气污染程度指数,具有很好的市场应用价值。
附图说明
下面结合附图对本发明做进一步的解释说明;
图1为本发明评估方法整体流程示意图;
图2为公汽刷卡系统自动存储上车站点流程示意图;
图3为本发明的公汽乘客的下车刷卡站点匹配技术路线图;
图4为本发明的公汽乘客的下车刷卡站点匹配示意图;
图5为本发明的公汽运行情况示意图;
图6为本发明的粉尘检测仪设置位置示意图;
具体实施方式
为了便于理解本发明,下面结合附图和具体实施例,对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是,本发明可以通过多种不同的形式来实现,并不限于本说明书所描述的实施例。提供这些实施例的目的是便于更加全面透彻地理解本发明的公开内容。
除非另有定义,本说明书所使用的所有技术和科学术语与本发明所属技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是用于限制本发明。
下面结合附图对本发明公汽出行个体可吸入细颗粒物暴露风险评估方法作详细说明。
本发明的一个实施例为,一种公汽刷卡系统,包括公汽中心IC卡管理系统和公汽车载前门上车刷卡机,还包括公汽站台下车刷卡机;公汽车载前门上车刷卡机、公汽站台下车刷卡机分别用于乘客上车刷卡、下车刷卡;公汽站台下车刷卡机设置在公汽站台处,根据各站点的客流量至少设置一台;公汽站台下车刷卡机和公汽车载前门上车刷卡机均与公汽中心IC卡管理系统无线连接;公汽站台下车刷卡机包括IC感应器、电源设备、无线单元一、定位单元及应用处理器一,IC感应器、电源设备、定位单元及无线单元一均与应用处理器一连接,无线单元一与公汽中心IC卡管理系统无线连接,IC卡与公汽站台下车刷卡机非接触式感应连接;乘客上车时在公汽车载前门上车刷卡机刷卡,下车后在公汽站台下车刷卡机刷卡,刷卡系统在乘客刷卡时自动存储上车、下车刷卡记录,识别出上车、下车站点并扣取相应票款。这样,此刷卡系统可以根据出行距离自动计算并扣取相应费用,取代了现有系统人工计算扣费的工作,不仅减少了人工耗费和运营成本,而且提高了公汽运行效率和乘客乘车效率,也避免了乘客越站乘车的情况。
优选地,公汽车载前门上车刷卡机包括刷卡模块、电源、车辆定位模块、应用处理器二、存储器和无线单元二,电源、刷卡模块、车辆定位模块、无线单元二、存储器均与应用处理器二电性连接,无线单元二与公汽中心IC卡管理系统无线连接,IC卡与公汽车载前门上车刷卡机非接触式感应连接。
优选地,还包括颗粒物浓度监测系统,所述颗粒物浓度监测系统包括粉尘检测仪和数据显示器,数据显示器、粉尘检测仪均与存储器电性连接,粉尘检测仪包括前粉尘检测仪和后粉尘检测仪;如图6所示,在车厢内侧面前部固定前粉尘检测仪3,在车厢内侧面后部固定后粉尘检测仪4;前粉尘检测仪3、后粉尘检测仪4在车厢内侧设置的高度与座椅靠背顶部等高,即与乘客正常坐姿状态下口鼻处等高;数据显示器固定于车厢内前挡玻璃上方,进一步地,所述颗粒物浓度监测系统还包括温湿度传感器,所述温湿度传感器用于检测车厢内外温湿度,所述温湿度传感器与数据显示器电性连接,数据显示器实时显示前粉尘检测仪3、后粉尘检测仪4的可吸入细颗粒物检测数据及车厢内外温湿度。世界卫生组织(WHO)认为,PM2.5标准值为小于每立方米10微克,年均浓度达到每立方米35微克时,人患病并致死的几率将大大增加。因此,当前粉尘检测仪3、后粉尘检测仪4中的PM2.5检测值超过35μg/m3时,该值红色显示,低于35μg/m3时,与温湿度同色显示。乘客趋向于乘坐公汽车厢内后部,但是,由于汽车运行及后部通风不畅、座位密集、乘客密度大等原因,公汽车厢内后部的可吸入细颗粒物浓度可能大于前部,空气质量较差;该数据显示器既可以检测车内不同空间可吸入细颗粒物的实时浓度情况,显示空气污染程度指数,也可以为乘客乘车位置提供客观参考。
公汽站台下车刷卡机记录乘客的下车刷卡站点、时间;当乘客在此站下车后,在该站或其他站点再次乘车时,计算乘客此次下车刷卡时间和再次乘车的上车刷卡时间的间隔,若间隔小于30min,则再次乘车的上车刷卡记录被自动标记为优惠乘车,在下车站点刷卡后,刷卡系统按照优惠乘车进行扣费;该系统不仅弥补了现有刷卡系统基于上车刷卡时间间隔识别换乘优惠的弊端(即由于乘车时间过长,导致连续乘车的上车刷卡时间间隔超过换乘优惠的时间阈值),可以准确识别出换乘行为,实现换乘优惠也有利于提升乘客出行的积极性和公汽出行比例,特别是公汽+公汽的模式。
优选地,公汽站台下车刷卡机的电源设备包括发电模块和蓄电模块,发电模块与蓄电模块电性连接,蓄电模块还通过充电管理单元与市电连接,发电模块为太阳能发电单元或风能发电单元。
如图1所示,公汽出行个体可吸入细颗粒物暴露风险评估方法,包括以下步骤:
S1公汽刷卡系统自动存储上车站点;
S2公汽乘客的下车刷卡站点匹配;
S3乘客公汽出行OD统计;
S4公汽车厢内面向细颗粒物污染的个体暴露风险评估方法;
如图2所示,S1公汽刷卡系统自动存储上车站点包括以下步骤:
S11:存储器预存储车辆运行线路信息。根据调度中心的公交运营信息自动预存储车辆运行线路信息,或司机手动选取车辆运行线路信息。车辆运行线路信息包括对应行驶方向的公汽线路、站点及对应公汽线路和站点的位置坐标。例如:当调度中心分配某条线路此次运行任务(如113路由蛇口总站开往长岭东公交场站)由车牌号为粤B45761D的车辆承担时,存储器预存储对应行驶方向上的公汽线路、站点及对应公汽线路和站点的位置坐标信息。
S12:车辆定位模块确认实时站点。车辆定位模块不间断保存实时定位数据与车辆运行线路信息自动关联匹配,确认实时站点。若匹配后的数据显示该车辆在公汽线路两个站点之间路段行驶时,存储先到达的站点为实时站点。
S13:刷卡系统存储刷卡站点。当乘客刷卡时,刷卡记录导入实时站点数据作为刷卡站点并存储至刷卡模块;公汽车载前门上车刷卡机记录乘客卡号、上车刷卡时间、刷卡站点、车牌号、乘车线路信息;
这样,通过内嵌定位的公汽车载前门上车刷卡机,避免了现有技术在IC卡数据、公交GPS数据、公交线路站点信息、公交调度信息数据匹配和时间融合方面的误差,得到更加准确的乘客上车站点;
优选地,车辆定位模块采用GNSS+INS组合定位滤波器设计进行空间定位。例如,目前广东省已建立了CORS系统,能够实时提供高精度GNSS定位差分数据,基于此数据可以实现无遮挡环境下实时厘米级的高精度定位。通过组合GNSS+INS,从而在没有GNSS定位结果时,通过INS积分外推实现高精度定位,提高GNSS在遮挡环境下定位的连续性和可靠性。最重要的是对其Kalman滤波器的设计,假设组合系统中的状态向量为:
其中,为失准角,r为位置参数,v为速度参数,ω为陀螺漂移,f为加速度计零偏,tu为接收机钟差,tru为接收机钟漂。中高精度的陀螺加速度计的器件误差和接收机钟差、钟差漂移,近似随机过程。所以应用一介高斯马尔可夫过程建立误差方程。将系统误差方程表述成矩阵形式为:
其中X(t)是t时刻的系统状态,F(t)表示系统状态转移矩阵,G表示系统噪声系数矩阵,W(t)表示系统噪声。
对于第i颗卫星而言,利用INS估计得到的伪距减去GPS测量得到的伪距,并且线性化可得到伪距的观测方程,同理可以得到相位的观测方程,写成矩阵形式如下:
Yi(t)=Hi(t)X(t)+ηi (公式1-2)
其中,Yi(t)为伪距和相位观测值误差,ηi为观测噪声,系数矩阵为:
[ei1 ei2 ei3]为第i颗卫星的方向余弦。联立所有观测卫星的观测方程,即可得到Kalman滤波的观测方程,将系统误差方程与观测方程离散化,得到离散化的状态空间模型,应用卡尔曼滤波算法进行导航误差的最优估计。
如图3所示,S2公汽乘客的下车刷卡站点匹配包括:S21下车后在站台刷卡乘客的下车站点匹配和S22下车后未在站台刷卡乘客的下车站点判断;
S21下车后在站台刷卡乘客的下车站点匹配包括:
S211:读取某位乘客某日的第n条刷卡记录,及记录的上车站点i及上车刷卡时间ti;
S212:读取该乘客本次出行的下车刷卡站点j和下车刷卡时间tj;
S213:基于该乘客搭乘的公汽车辆到达该乘客下车站点的时间数据,判断下车刷卡时间tj是否在正常刷卡时间内。若下车刷卡时间tj在该公汽车辆到达该站点的5分钟内,则判断为正常刷卡时间;
S214:若在正常刷卡时间内,则公汽下车刷卡系统记录的站点j为正确的下车站点,得到下车后在站台刷卡乘客的公汽出行OD信息;若不在正常刷卡时间内则进入下一步S22。
S22下车后未在站台刷卡乘客的下车站点判断包括:
S221:若该乘客当日仅有一次乘车,或此次乘车为当日最后一次乘车,则根据该乘客历史出行规律以及该线路站点吸引权匹配下车站点;
S222:若该乘客当日有多次乘车,且此次乘车并非当日最后一次乘车,则读取该乘客下次乘车的刷卡记录,计算下次乘车刷卡记录的上车站点与此次乘车刷卡记录对应公汽行驶方向上各站点的步行距离Δd,判断是否存在Δd<500m的站点,若不存在满足条件的站点,则根据该乘客历史出行规律以及站点吸引权匹配下车站点;
S223:若仅有一个满足条件的站点,则该站点为该乘客此次乘车的下车站点;若有多个满足条件的站点,则根据这两次相邻乘车的上车刷卡时间间隔判断这两次出行是否为连乘;这两次相邻乘车的上车刷卡时间间隔小于当地公交换乘刷卡优惠时间,则属于连乘;这两次相邻乘车的上车刷卡时间间隔大于当地公交换乘刷卡优惠时间,则不属于连乘;
S224:若这两次出行属于连乘,则Δd=dmin对应的站点为该乘客此次乘车的下车站点;
S225:若这两次出行不属于连乘,则根据该乘客历史出行规律以及站点吸引权推断该乘客此次乘车的下车站点。这样综合考虑了乘客历史出行规律和站点吸引权,就避免了仅基于最短距离换乘假设判断下车站点造成的匹配失误。
乘客相邻两次出行存在两种情况:相邻两次出行为同一公汽线路、相邻两次出行为不同公汽线路。为了便于理解,针对第二种情况,如图4所示,假设某乘客出行过程中有换乘情况,例如从线路A换乘到线路B,根据最短距离换乘假设,判断出该乘客在线路A的下车站点为站点j-1。但是若线路A的站点j吸引力更强,则该乘客有可能在该站点下车。因此,若该乘客相邻两次出行的上车刷卡时间间隔大于当地公交刷卡优惠时间,又无相关历史出行记录,则需要根据站点吸引权(公式1-3)来合理判断该乘客的下车站点。
站点吸引权:
归一化:
一条公汽线路沿运行方向的所有站点从首至尾依次编号为1,2,3……m,m表示公汽线路单向的站点总数;i表示乘客上车站点编号,j表示乘客下车站点编号(i<m,j≤m),以下简称站点i,站点j;
Pij表示综合考虑途径站点数目、站点产生吸引系数、换乘便利程度的情况下,乘客在站点i上车,站点j下车的概率;
Pi表示从乘客在站点i上车,到其余各站下车的概率;
Pij *表示乘客在站点i上车,站点j下车的概率归一化后的值;
λ表示乘客出行平均站点数目,按已有数据统计乘客出行平均站点数目;
k表示从站点i到站点j的公汽站点数目;
yi表示在站点i的上车人数,即根据已有刷卡数据统计该站点平均每日上车人数;
uj表示在站点j的下车人数,即根据已有刷卡数据统计该站点平均每日下车人数;
Kj表示站点j的换乘便利程度;
实施例一:考虑换乘距离的情况下,站点j的换乘便利程度为:
jz表示站点j服务半径500m内可换乘的公汽和地铁线路总数;
dp表示此次下车站点距离第p条换乘线路上车站点的距离;
这样,考虑了换乘距离对换乘便利程度的影响,即换乘距离越远,乘客的换乘意愿越小,换乘便利程度与换乘距离呈负相关的关系,更符合乘客出行特征。
实施例二:综合考虑不同换乘方式和换乘距离的情况下,站点j的换乘便利程度为:
α表示公汽线路乘车系数;
β表示地铁线路乘车系数;
M表示当地公汽车辆的平均客位数;
N表示当地地铁的平均客位数;
jb表示站点j服务半径500m内可换乘的公汽线路总数;
js表示站点j服务半径500m内可换乘的地铁线路总数;
分别表示下车站点与可换乘的公汽线路、地铁线路上车站点的最短换乘距离;
这样,综合考虑了公交和地铁不同换乘方式和换乘距离对换乘便利程度的影响,反映了地铁和公汽不同载客能力以及换乘条件对乘客换乘的的影响,更加符合实际情况。
实施例三:假设在站点j服务半径500m内,可换乘公汽站点分别标记为a、b……y,各换乘公汽站点对应的公汽线路条数标记为Na、Nb、……Ny,下车站点与各换乘公汽站点的换乘距离分别为da、db、……dy;可换乘地铁站点分别标记为A、B……Y,各换乘地铁站点对应的地铁线路条数标记为MA、MB……MY,下车站点与各换乘地铁站点的换乘距离分别为dA、dB、……dY,得到站点j的换乘便利程度为:
S3所述乘客公汽出行OD统计包括:
S31根据S1、S2得到的上下车站点数据,统计个体乘客每次出行的起讫地点信息OiDj,OiDj表示该乘客在站点i上车,在站点j下车的公汽出行;i表示上车站点编号,j表示下车站点编号(i<m,j≤m);
S32根据乘客的公汽出行OiDj信息,提取乘客上车时间信息tj、下车时间信息tj。
S4公汽车厢内面向细颗粒物污染的个体暴露风险评估方法;
如图5所示,群体暴露风险描述了公汽运行过程中,公汽车门处于关闭状态时,在相邻站点间公汽线路段Si、Si+1上运行时,乘客面向车厢内可吸入细颗粒物的群体暴露风险程度,考虑了公汽车厢内乘客密度对群体暴露风险等级的影响,从公汽运行宏观角度,反映了公汽运行不同线路段的群体暴露风险。根据对深圳市公共交通323路、101路、324路、113路、轨道交通1号线、轨道交通4号线各车次车厢内不同位置、不同乘坐状态下的细颗粒物进行连续检测数据的研究发现,由于在公汽停靠过程中Δti+1阶段,公汽车门处于打开状态,乘客上下车运动对公汽车厢内颗粒物浓度值有影响,未下车乘客面向可吸入细颗粒物的暴露风险等级会发生实时变化,公汽车厢内不同位置的可吸入细颗粒物的浓度不尽相同,因此个体乘客出行过程中面向车厢内可吸入细颗粒物的暴露风险也不相同。
个体暴露风险评估模型:
式中:
Riski,j:个体乘客从站点i上车至站点j下车的整个乘车过程中,面向车厢内细颗粒物污染的个体暴露风险;
Ca(t):车厢内a位置监测的细颗粒物浓度(μg/m3),a为乘客个体在车厢内所处的位置(a=1,2)。车厢内的位置如图6所示,即前部范围1和后部范围2,前部范围1(a=1)表示车厢内前部,后部范围2(a=2)表示车厢内后部。前粉尘检测仪3的测量值代表身处车厢内的前部范围1内乘客周边空气中的可吸入细颗粒物浓度C1(t),后粉尘检测仪4的测量值代表身处车厢内的后部范围2内乘客周边空气中的可吸入细颗粒物浓度C2(t);
ti、tj:分别表示乘客在站点i的上车时间和站点j的下车时间;
BW:个体乘客的体重(kg);
Ti,j:个体乘客从站点i上车至站点j下车的整个出行时间(min)。
I:为细颗粒物的致癌强度系数((kg·d)/mg),参照相关研究推荐的各城市颗粒物的致癌强度系数数值;
IR:个体乘客的呼吸速率(m3/min),参数值参考《中国人群暴露参数手册》提供的我国居民在不同性别、年龄、地区、活动强度下的呼吸速率;
需要说明的是,上述各技术特征继续相互组合,形成未在上面列举的各种实施例,均视为本发明说明书记载的范围;并且,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (9)
1.公汽出行个体可吸入细颗粒物暴露风险评估方法,其特征在于,包括以下步骤:
S1公汽刷卡系统自动存储上车站点;
S2公汽乘客的下车刷卡站点匹配;
S3乘客公汽出行OD统计;
S4公汽车厢内面向细颗粒物污染的个体暴露风险评估方法。
2.根据权利要求1所述公汽出行个体可吸入细颗粒物暴露风险评估方法,其特征在于,S1公汽刷卡系统自动存储上车站点包括以下步骤:S11存储器预存储车辆运行线路信息;S12车辆定位模块确认实时站点;S13刷卡系统存储刷卡站点。
3.根据权利要求1所述公汽出行个体可吸入细颗粒物暴露风险评估方法,其特征在于,S2公汽乘客的下车刷卡站点匹配包括:S21下车后在站台刷卡乘客的下车站点匹配和S22下车后未在站台刷卡乘客的下车站点判断。
4.根据权利要求3所述公汽出行个体可吸入细颗粒物暴露风险评估方法,其特征在于,S22下车后未在站台刷卡乘客的下车站点判断包括:
S221:若该乘客当日仅有一次乘车,或此次乘车为当日最后一次乘车,则根据该乘客历史出行规律以及该线路站点吸引权匹配下车站点;
S222:若该乘客当日有多次乘车,且此次乘车并非当日最后一次乘车,则读取该乘客下次乘车的刷卡记录,计算下次乘车刷卡记录的上车站点与此次乘车刷卡记录对应公汽行驶方向上各站点的步行距离Δd,判断是否存在Δd<500m的站点;若不存在满足条件的站点,则根据该乘客历史出行规律以及站点吸引权匹配下车站点;
S223:若仅有一个满足条件的站点,则该站点为该乘客此次乘车的下车站点;若有多个满足条件的站点,则根据这两次相邻乘车的上车刷卡时间间隔判断这两次出行是否为连乘;这两次相邻乘车的上车刷卡时间间隔小于当地公交换乘刷卡优惠时间,则属于连乘,这两次相邻乘车的上车刷卡时间间隔大于当地公交换乘刷卡优惠时间,则不属于连乘;
S224:若这两次出行属于连乘,则Δd=dmin对应的站点为该乘客此次乘车的下车站点;
S225:若这两次出行不属于连乘,则根据该乘客历史出行规律以及站点吸引权推断该乘客此次乘车的下车站点。
5.根据权利要求4所述公汽出行个体可吸入细颗粒物暴露风险评估方法,其特征在于,站点吸引权:
归一化:
一条公汽线路沿运行方向的所有站点从首至尾依次编号为1,2,3……m,m表示公汽线路单向的站点总数;i表示乘客上车站点编号,j表示乘客下车站点编号(i<m,j≤m),以下简称站点i,站点j;
Pij表示综合考虑途径站点数目、站点产生吸引系数、换乘便利程度的情况下,乘客在站点i上车,站点j下车的概率;
Pi表示从乘客在站点i上车,到其余各站下车的概率;
Pij *表示乘客在站点i上车,站点j下车概率的归一化后的值;
λ表示乘客出行平均站点数目,按已有数据统计乘客出行平均站点数目;
k表示从站点i到站点j的公汽站点数目;
yi表示在站点i的上车人数,即根据已有刷卡数据统计该站点平均每日上车人数;
uj表示在站点j的下车人数,即根据已有刷卡数据统计该站点平均每日下车人数;
Kj表示站点j的换乘便利程度。
6.根据权利要求5所述公汽出行个体可吸入细颗粒物暴露风险评估方法,其特征在于,站点j的换乘便利程度:
dp表示此次下车站点与第p条换乘线路上车站点的距离;
jz表示站点j服务半径500m内可换乘的公汽和地铁线路总数。
7.根据权利要求5所述公汽出行个体可吸入细颗粒物暴露风险评估方法,其特征在于,站点j的换乘便利程度为:
α表示公汽线路乘车系数;
β表示地铁线路乘车系数;
M表示当地公汽车辆的平均客位数;
N表示当地地铁的平均客位数;
jb表示站点j服务半径500m内可换乘的公汽线路总数;
js表示站点j服务半径500m内可换乘的地铁线路总数;
分别表示下车站点与可换乘的公汽线路、地铁线路上车站点的最短换乘距离。
8.根据权利要求1所述公汽出行个体可吸入细颗粒物暴露风险评估方法,其特征在于,所述S3乘客公汽出行OD统计包括:
S31根据S1、S2得到的上下车站点数据,统计个体乘客每次出行的起讫地点信息OiDj,OiDj表示该乘客在站点i上车,在站点j下车的公汽出行;i表示上车站点编号,j表示下车站点编号(i<m,j≤m);
S32根据乘客的公汽出行OiDj信息,提取乘客上车时间信息ti、下车时间信息tj。
9.根据权利要求1所述公汽出行个体可吸入细颗粒物暴露风险评估方法,其特征在于,S4公汽车厢内面向细颗粒物污染的个体暴露风险评估方法包括:
个体暴露风险评估模型:
Riski,j:个体乘客从站点i上车至站点j下车的整个乘车过程中,面向车厢内细颗粒物污染的个体暴露风险;
Ca(t):t时刻车厢内a位置监测的细颗粒物浓度(μg/m3);
ti、tj:分别表示乘客在站点i的上车时间和站点j的下车时间;
BW:个体乘客的体重(kg);
Ti,j:个体乘客从站点i上车至站点j下车的整个出行时间(min)。
I:为致癌强度系数((kg·d)/mg);
IR:个体乘客的呼吸速率(m3/min)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811451708.3A CN109524116A (zh) | 2018-11-30 | 2018-11-30 | 公汽出行个体可吸入细颗粒物暴露风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811451708.3A CN109524116A (zh) | 2018-11-30 | 2018-11-30 | 公汽出行个体可吸入细颗粒物暴露风险评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109524116A true CN109524116A (zh) | 2019-03-26 |
Family
ID=65794536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811451708.3A Pending CN109524116A (zh) | 2018-11-30 | 2018-11-30 | 公汽出行个体可吸入细颗粒物暴露风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109524116A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102097002A (zh) * | 2010-11-22 | 2011-06-15 | 东南大学 | 一种基于ic卡数据获取公交站点od的方法及系统 |
CN102788718A (zh) * | 2012-09-04 | 2012-11-21 | 南京大学 | 一种用于室内空气中多环芳烃的被动采样器及其采样测定方法 |
CN103198104A (zh) * | 2013-03-25 | 2013-07-10 | 东南大学 | 一种基于城市智能公交系统的公交站点od获取方法 |
CN104517040A (zh) * | 2014-12-31 | 2015-04-15 | 青岛海信网络科技股份有限公司 | 一种基于ic卡数据公交车辆车内拥挤程度计算方法 |
CN104809344A (zh) * | 2015-04-23 | 2015-07-29 | 中山大学 | 一种基于ic卡数据的公交站点区间客流估计方法 |
CN105427015A (zh) * | 2015-10-27 | 2016-03-23 | 中国疾病预防控制中心环境与健康相关产品安全所 | 一种快速评估pm2.5污染相关人群健康风险的方法 |
CN105788260A (zh) * | 2016-04-13 | 2016-07-20 | 西南交通大学 | 一种基于智能公交系统数据的公交乘客od推算方法 |
CN105809292A (zh) * | 2016-03-21 | 2016-07-27 | 广州地理研究所 | 公交ic卡乘客下车站点推算方法 |
WO2017023556A1 (en) * | 2015-08-06 | 2017-02-09 | Microsoft Technology Licensing, Llc | Computing system for identifying health risk regions |
CN106897955A (zh) * | 2017-01-24 | 2017-06-27 | 华南理工大学 | 一种基于公交od数据的公交换乘识别方法 |
CN108320805A (zh) * | 2018-03-14 | 2018-07-24 | 中南大学 | 一种公众空气污染暴露风险测量指数计算方法 |
-
2018
- 2018-11-30 CN CN201811451708.3A patent/CN109524116A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102097002A (zh) * | 2010-11-22 | 2011-06-15 | 东南大学 | 一种基于ic卡数据获取公交站点od的方法及系统 |
CN102788718A (zh) * | 2012-09-04 | 2012-11-21 | 南京大学 | 一种用于室内空气中多环芳烃的被动采样器及其采样测定方法 |
CN103198104A (zh) * | 2013-03-25 | 2013-07-10 | 东南大学 | 一种基于城市智能公交系统的公交站点od获取方法 |
CN104517040A (zh) * | 2014-12-31 | 2015-04-15 | 青岛海信网络科技股份有限公司 | 一种基于ic卡数据公交车辆车内拥挤程度计算方法 |
CN104809344A (zh) * | 2015-04-23 | 2015-07-29 | 中山大学 | 一种基于ic卡数据的公交站点区间客流估计方法 |
WO2017023556A1 (en) * | 2015-08-06 | 2017-02-09 | Microsoft Technology Licensing, Llc | Computing system for identifying health risk regions |
CN105427015A (zh) * | 2015-10-27 | 2016-03-23 | 中国疾病预防控制中心环境与健康相关产品安全所 | 一种快速评估pm2.5污染相关人群健康风险的方法 |
CN105809292A (zh) * | 2016-03-21 | 2016-07-27 | 广州地理研究所 | 公交ic卡乘客下车站点推算方法 |
CN105788260A (zh) * | 2016-04-13 | 2016-07-20 | 西南交通大学 | 一种基于智能公交系统数据的公交乘客od推算方法 |
CN106897955A (zh) * | 2017-01-24 | 2017-06-27 | 华南理工大学 | 一种基于公交od数据的公交换乘识别方法 |
CN108320805A (zh) * | 2018-03-14 | 2018-07-24 | 中南大学 | 一种公众空气污染暴露风险测量指数计算方法 |
Non-Patent Citations (2)
Title |
---|
王雪晴: ""典型交通微环境空气中15种邻苯二甲酸酯的污染特征级健康风险"", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
赵鹏: ""基于成都公交IC卡数据的乘客上车站点推算法研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Knibbs et al. | Exposure to ultrafine particles and PM2. 5 in four Sydney transport modes | |
Chen et al. | Evaluating the feasibility of a passive travel survey collection in a complex urban environment: Lessons learned from the New York City case study | |
Litman | Social inclusion as a transport planning issue in Canada | |
Morabia et al. | Air pollution and activity during transportation by car, subway, and walking | |
Joodatnia et al. | The behaviour of traffic produced nanoparticles in a car cabin and resulting exposure rates | |
Chaix et al. | Combining sensor tracking with a GPS-based mobility survey to better measure physical activity in trips: public transport generates walking | |
CN109615036B (zh) | 一种基于公汽ic刷卡系统的细颗粒物暴露风险评估方法 | |
CN109637134A (zh) | 一种公交设备匹配方法 | |
Houston et al. | Traffic exposure near the Los Angeles–Long Beach port complex: using GPS-enhanced tracking to assess the implications of unreported travel and locations | |
Houston et al. | Particle-bound polycyclic aromatic hydrocarbon concentrations in transportation microenvironments | |
CN109493601B (zh) | 一种公交支线设置方法 | |
CN110400461A (zh) | 一种路网变更检测方法 | |
Almujibah et al. | The total social costs of constructing and operating a high-speed rail line using a case study of the riyadh-dammam corridor, Saudi Arabia | |
CN109887275A (zh) | 一种多源轨迹数据居民通勤分析系统及方法 | |
CN109524116A (zh) | 公汽出行个体可吸入细颗粒物暴露风险评估方法 | |
Zhang et al. | Spatiotemporal variations of in-cabin particle concentrations along public transit routes, a case study in Shenzhen, China | |
SE1230003A1 (sv) | ShowPark, system och metod för parkeringsassistans i öppen stadsmiljö | |
CN113079463A (zh) | 一种基于手机信令数据的旅游景点游客出行活动识别方法 | |
Tay | Cycling infrastructure as a first mile solution for mass transit access in Singapore: A study of MRT ridership in Singapore towns | |
Shitan et al. | TIME SERIES MODELING AND FORECASTING OF AMPANG LINE PASSENGER RIDERSHIP IN MALAYSIA. | |
Lestina et al. | Sampling procedures and survey methodologies for the 1996 survey with comparisons to earlier National Roadside Surveys | |
Zheng et al. | A generalized comfort function of subway systems based on a nested logit model | |
Özkan et al. | Bicycle route infrastructure planning using GIS in an urban area: the case of Izmir | |
Yildirim et al. | Station facilities and noise assessment: A multilevel analysis on light rail train stations | |
Komalasari | Light Rapid Transit (LRT) Transport Integration Performance (Case Study on LRT South Sumatra in 2019-2021) |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190326 |