CN110851524B - 基于自下而上的城市机动车排放清单编制技术方法及系统 - Google Patents
基于自下而上的城市机动车排放清单编制技术方法及系统 Download PDFInfo
- Publication number
- CN110851524B CN110851524B CN201911047900.0A CN201911047900A CN110851524B CN 110851524 B CN110851524 B CN 110851524B CN 201911047900 A CN201911047900 A CN 201911047900A CN 110851524 B CN110851524 B CN 110851524B
- Authority
- CN
- China
- Prior art keywords
- road
- emission
- data
- grid
- source
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供的一种基于自下而上的城市机动车排放清单编制技术方法,包括:获取城市道路数据和车辆数据;根据城市道路数据对城市道路进行空间网格划分与切割,得到每个网格下的每条道路长度数据;车流量的时空预测;根据车辆缺失情况对无车流量道路进行缺失值分配处理,得到所有道路的车流量数据并完成道路与车流量的匹配;将网格源排放量数据信息以netCDF‑I/O API格式文件输出排放清单。本发明还提供了应用所述方法的系统,结合了实时的道路网交通流量信息和自下而上的排放量算法对机动车污染排放量进行空间分配,大大提高了机动车排放源清单的精度,实时反映实际道路交通的排放情况,且输出的netCDF‑I/O API格式文件可用于空气质量模型的输入,以此提高了空气质量预测的精度。
Description
技术领域
本发明涉及机动车环保技术领域,更具体的,涉及一种基于自下而上的城市机动车排放清单编制技术方法,还涉及一种基于自下而上的城市机动车排放清单编制系统。
背景技术
当今时代,人们的生活水平不断提高,人对于空气质量的要求也越来越高。机动车尾气排放作为大气污染的来源之一,一直受到人们的重视。而之前在机动车排放清单的研究中,大多数学者都是采用了自上而下的排放清单编制技术方法,根据机动车保有量并结合车辆的年均行驶里程进行排放量计算,该方法需求数据少,数据容易获取,操作简便,虽然能估算出区域内的排放总量,但无法反映实际道路交通的排放情况。
发明内容
本发明为克服现有在机动车排放清单的研究中采用自上而下的排放清单编制技术方法,存在无法反映实际道路交通的排放情况的技术缺陷,提供一种基于自下而上的城市机动车排放清单编制技术方法。
本发明还提供一种基于自下而上的城市机动车排放清单编制系统。
为解决上述技术问题,本发明的技术方案如下:
一种基于自下而上的城市机动车排放清单编制技术方法,包括以下步骤:
S1:获取城市道路数据和车辆数据;
S2:根据城市道路数据对城市道路进行空间网格划分与切割,获取每个网格下的每条道路长度数据;
S3:车流量的时空预测;
S4:根据车辆缺失情况对无车流量道路进行缺失值处理,得到所有道路的车流量数据并完成道路与车流量的匹配;
S5:将网格源排放量数据信息以netCDF-I/O API格式文件输出排放清单。
上述方案中,若道路上的车流量并未缺失,则直接跳过步骤S3执行道路与车流量的匹配。
其中,在所述步骤S1中,所述城市道路数据包括GIS边界图数据、GIS路网图数据和道路属性数据;所述车辆数据包括车流量数据和排放因子数据。
上述方案中,所述GIS边界图数据、GIS路网图数据均体现为shp格式文件。
其中,在所述步骤S2中,结合GIS边界图数据、GIS路网图数据对城市道路进行空间网格划分与切割,并对切割得到的每个网格进行标记,获取每个网格下的每条道路长度数据。
其中,在所述步骤S3中,对车流量数据进行时间和空间上的预测操作,在时间维度上,对无车流量道路进行缺失值处理,在空间维度上,根据道路属性数据及车流量数据识别对无车流量的道路进行识别,构建BP神经网络并将已有车流量的道路特征作为输入项,输出对应道路的车流量数据,预测无车流量道路的车辆缺失情况。
其中,所述的道路特征包括道路类型、车道数和路面宽度。
其中,在所述步骤S4中,根据预处理后的城市道路数据和车辆数据,进行网格源、区域源及线源的排放量计算,其中:
网格源的计算公式具体为:
Qijw=Nji·Li·EFjw
其中,Qijw为移动面源分摊到第i个网络上,j类型车w中污染物的排放源强;Nji为j类型车在网格i内道路上的平均车流量;Li为网格i内道路长度;EFjw为j类型车w中污染物w中污染物排放因子;
区域源的计算原理为,根据计算得到的网格源排放量,判断每个区域的网格数,再将每个区域的网格数对应的排放量进行叠加,从而得到区域源的排放量;
线源的计算公式具体为:
Qijw=Nji·Li·EFjw
其中,Qijw为某条线源道路,第i段路上j类型车w种污染物排放源强;Qjw为某条线源道路,j类型车w种污染物排放源强;Nji为j类型车在第i段路上的车流量;Li为第i段路长;n为某条线源道路上划分的总段数;EFjw为j类型车w种污染物的排放因子。
其中,在所述步骤S4中,将得到的不同车型下的网格源、区域源及线源的排放量进行空间叠加,生成不同污染物下的总车型排放量。
其中,在所述步骤S5中,统计网格源排放量的物种、时间和空间信息,并将统计结果分配到netCDF-I/O API格式所要求的变量、维度和属性信息中,最后以netCDF-I/O API格式文件输出排放清单。
一种基于自下而上的城市机动车排放清单编制技术方法的系统,包括基础数据管理模块、网格划分模块、车流量匹配模块、排放量计算模块及结果展示模块;其中:
所述基础数据管理模块用于获取城市道路数据和车辆数据,并对相关数据进行管理;
所述网格划分模块用于对城市道路进行空间网格划分与切割,获取每个网格下的道路总长度;
所述车流量匹配模块用于确保在时空维度的每条道路上均有对应的车流量,在时间维度上,对无车流量道路进行缺失值处理,在空间维度上,构建BP神经网络模型,预测无车流量道路的车辆缺失情况,进而完成道路与车流量的匹配;
所述排放量计算模块用于网格源、区域源及线源的排放量计算;
所述结果展示模块将所述排放量计算模块得到的排放量结果进行展示。
上述方案中,所述车流量匹配模块在确保每条道路均有对应的车流量的同时,对车流量数据对应的道路和GIS路网图的道路进行检查,确保车流量数据与GIS路网图上的道路一一对应。
上述方案中,系统内部采用了嵌入式SQL数据库对输入文件进行数据管理,并严格控制输入数据的格式标准,以便后续程序的正常运行;系统内部对网格化的道路火速局采用了稀疏矩阵的存储方式,使计算速度加快,并且内存的占用率大大降低;系统内置netCDF可视化工具,可读取netCDF文件,并进行可视化操作。
一种计算机可读存储介质,所述计算机可读存储介质存储有基于自下而上的城市机动车排放清单编制系统,所述系统被处理器执行时可实现所述的基于自下而上的城市机动车排放清单编制技术方法。
与现有技术相比,本发明技术方案的有益效果是:
本发明提供的基于自下而上的城市机动车排放清单编制技术方法及系统,在时间维度上,采用最临近插值法进行数据缺失值的填补;在空间维度上,采用BP神经网络对无车流量的道路进行车流量预测,降低了自下而上建立机动车排放清单的难度。同时结合了实时的道路网交通流量信息和自下而上的排放量算法对机动车污染排放量进行空间分配,大大提高了机动车排放源清单的精度,实时反映实际道路交通的排放情况。本发明采用自下而上的方法建立高时空分辨率的机动车排放清单,并可以输出netCDF-I/O API格式文件用作一些空气质量模型的输入,以此提高了空气质量预测的精度。
附图说明
图1为本发明所述的方法流程图;
图2为广州市路网分布图;
图3为研究区域网格划分图;
图4为1X1km分辨率下机动车网格源排放量示意图;
图5为3X3km分辨率下机动车网格源排放量示意图;
图6为9X9km分辨率下机动车网格源排放量示意图;
图7为27X27km分辨率下机动车网格源排放量示意图;
图8为实施例得到的随时间变化的各污染物排放总量柱状图;
图9为实施例得到机动车区域源排放量示意图;
图10为实施例得到的区域排放量统计表。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,基于自下而上的城市机动车排放清单编制技术方法,包括以下步骤:
S1:获取城市道路数据和车辆数据;
S2:根据城市道路数据对城市道路进行空间网格划分与切割,获取每个网格下的每条道路长度数据;
S3:车流量的时空预测;
S4:根据车辆缺失情况对无车流量道路进行缺失值处理,得到所有道路的车流量数据并完成道路与车流量的匹配;
S5:将网格源排放量数据信息以netCDF-I/O API格式文件输出排放清单。
在具体实施过程中,若道路上的车流量并未缺失,则直接跳过步骤S3执行道路与车流量的匹配。
在具体实施过程中,若道路上的车流量并未缺失,则直接跳过步骤S3执行道路与车流量的匹配。
更具体的,在所述步骤S1中,所述城市道路数据包括GIS边界图数据、GIS路网图数据和道路属性数据;所述车辆数据包括车流量数据和排放因子数据。
在具体实施过程中,所述GIS边界图数据、GIS路网图数据均体现为shp格式文件。
更具体的,在所述步骤S2中,结合GIS边界图数据、GIS路网图数据对城市道路进行空间网格划分与切割,并对切割得到的每个网格进行标记,获取每个网格内的道路总长度。
更具体的,在所述步骤S3中,对车流量数据进行时间和空间上的预测操作,在时间维度上,对无车流量道路进行缺失值处理,在空间维度上,根据道路属性数据及车流量数据识别对无车流量的道路进行识别,构建BP神经网络并将已有车流量的道路特征作为输入项,输出对应道路的车流量数据,预测无车流量道路的车辆缺失情况。
更具体的,所述的道路特征包括道路类型、车道数和路面宽度。
更具体的,在所述步骤S4中,根据预处理后的城市道路数据和车辆数据,进行网格源、区域源及线源的排放量计算,其中:
网格源的计算公式具体为:
Qijw=Nji·Li·EFjw
其中,Qijw为移动面源分摊到第i个网络上,j类型车w中污染物的排放源强;Nji为j类型车在网格i内道路上的平均车流量;Li为网格i内道路长度;EFjw为j类型车w中污染物w中污染物排放因子;
区域源的计算原理为,根据计算得到的网格源排放量,判断每个区域的网格数,再将每个区域的网格数对应的排放量进行叠加,从而得到区域源的排放量;
线源的计算公式具体为:
Qijw=Nji·Li·EFjw
其中,Qijw为某条线源道路,第i段路上j类型车w种污染物排放源强;Qjw为某条线源道路,j类型车w种污染物排放源强;Nji为j类型车在第i段路上的车流量;Li为第i段路长;n为某条线源道路上划分的总段数;EFjw为j类型车w种污染物的排放因子。
更具体的,在所述步骤S5中,将得到的不同车型下的网格源、区域源及线源的排放量进行空间叠加,生成不同污染物下的总车型排放量。
更具体的,在所述步骤S5中,统计网格源排放量的物种、时间和空间信息,并将统计结果分配到netCDF-I/O API格式所要求的变量、维度和属性信息中,最后以netCDF-I/OAPI格式文件输出排放清单。
在具体实施过程中,本发明提供的基于自下而上的城市机动车排放清单编制技术方法,采用BP神经网络对无车流量的道路进行空间维度上的车流量预测,降低了自下而上建立机动车排放清单的难度;同时结合了实时的道路网交通流量信息和自下而上的排放量算法对机动车污染排放量进行空间分配,大大提高了机动车排放源清单的精度,实时反映实际道路交通的排放情况。
实施例2
更具体的,在实施例1的基础上,以广州市为例对本发明实施例提供的方法进行进一步说明。如图2、图3所示,收集广州市GIS边界图和路网图,坐标系采用兰伯特投影。其中广州市GIS边界图包含了11个区,分别为越秀区、荔湾区、海珠区、天河区、白云区、黄埔区、番禺区、花都区、南沙区、增城区、从化区。
在具体实施过程中,广州市路网图选择了高速路、快速路和国道三类道路,其中,假设广州的高速路和快速全部为双向六车道,国道为双向四车道。
在具体实施过程中,在车型的分类方面,本发明可接受使用者自行对车型进行分类,本实施例中将车型分为两种:重型柴油车(HDDV)和非重型柴油车(non-HDDV),其中,HDDV包括中型货车、重型货车、大型客车。non-HDDV包括出租车、公交车、微型货车、轻型货车、微小型客车、小面包车、大面包车、摩托车。最后,本实施例借鉴了相关文献的机动车排放因子进行排放量的计算。
本实施例选用CO为主要污染物的研究。
本实施例选用2013年8月11日0点-23点广州市珠江隧道24个小时平均车流量作为基础车流量数据。
本实施例借鉴了其他相关文献的排放因子进行排放量的计算,排放因子数据如下表所示:
车型 | CO |
Non-HDDV | 0.149g·(km·辆)-1 |
HDDV | 4.991g·(km·辆)-1 |
在具体实施过程中,设定四种研究区域道路网格分辨率,分别为1000m×1000m、3000m×3000m、9000m×9000m、27000m×27000m。网格区域最左下角坐标(835000m,2910000m)。道路网格化计算完成后可以输出*.grd格式文件,文件储存了网格道路长度。
在具体实施过程中,车流量数据与道路属性数据进行匹配,根据已有车流量的道路,将道路特征因素作为输入项,车流量数据作为输出项,然后采用BP神经网络算法对模型进行训练,训练好的模型用于预测无车流量的道路。
在具体实施过程中,将预处理后的数据进行网格源、区域源、线源三种形式的排放量计算以及可视化。
在具体实施过程中,通过计算得到如图4、5、6、7所示的网格源排放量展示,对应图8为随时间变化的总排放量柱状图,可以看出,在凌晨0-4点时,总排放量持续下降,在5点开始上升,总排放量在10-12点和16-18点时出现峰值。因此,本发明以自下而上的方法建立高时空分辨率的机动车排放清单,以小时车流量作为基础数据,提高了机动车排放清单的精度,并且可以实时的展示该城市机动车的排放量状况。
在具体实施过程中,图9和图10展示了广州市各区在2013年8月11日16点的排放总量情况,白云区占地面积相对较大,且路网面积占比也相对较大,所以白云区机动车的污染物排放总量在广州市排第一,其CO排放总量为6.86×105g。广州市CO排放总量达到了3.59×106g。
实施例3
更具体的,基于自下而上的城市机动车排放清单编制技术方法的系统,包括基础数据管理模块、网格划分模块、车流量匹配模块、排放量计算模块及结果展示模块;其中:
所述基础数据管理模块用于获取城市道路数据和车辆数据,并对相关数据进行管理;
所述网格划分模块用于对城市道路进行空间网格划分与切割,获取每个网格下的道路总长度;
所述车流量匹配模块用于确保在时空维度的每条道路上均有对应的车流量,在时间维度上,对无车流量道路进行缺失值处理,在空间维度上,构建BP神经网络模型,预测无车流量道路的车辆缺失情况,进而完成道路与车流量的匹配;
所述排放量计算模块用于网格源、区域源及线源的排放量计算;
所述结果展示模块将所述排放量计算模块得到的排放量结果进行展示。
在具体实施过程中,所述车流量匹配模块在确保每条道路均有对应的车流量的同时,对车流量数据对应的道路和GIS路网图的道路进行检查,确保车流量数据与GIS路网图上的道路一一对应。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。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。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.基于自下而上的城市机动车排放清单编制技术方法,其特征在于:包括以下步骤:
S1:获取城市道路数据和车辆数据;
S2:根据城市道路数据对城市道路进行空间网格划分与切割,获取每个网格下的每条道路长度数据;
S3:车流量的时空预测;
S4:对网格源、区域源、线源的排放量进行计算;
其中,网格源的计算公式具体为:
Qijw=Nji·Li·EFjw
其中,Qijw为移动面源分摊到第i个网络上,j类型车w中污染物的排放源强;Nji为j类型车在网格i内道路上的平均车流量;Li为网格i内道路长度;EFjw为j类型车w中污染物w中污染物排放因子;
区域源的计算原理为,根据计算得到的网格源排放量,判断每个区域的网格数,再将每个区域的网格数对应的排放量进行叠加,从而得到区域源的排放量;
线源的计算公式具体为:
Qijw=Nji·Li·EFjw
其中,Qijw为某条线源道路,第i段路上j类型车w种污染物排放源强;Qjw为某条线源道路,j类型车w种污染物排放源强;Nji为j类型车在第i段路上的车流量;Li为第i段路长;n为某条线源道路上划分的总段数;EFjw为j类型车w种污染物的排放因子;
S5:将网格源排放量数据信息以netCDF-I/O API格式文件输出排放清单。
2.根据权利要求1所述的基于自下而上的城市机动车排放清单编制技术方法,其特征在于:在所述步骤S1中,所述城市道路数据包括GIS边界图数据、GIS路网图数据和道路属性数据;所述车辆数据包括车流量数据和排放因子数据。
3.根据权利要求2所述的基于自下而上的城市机动车排放清单编制技术方法,其特征在于:在所述步骤S2中,结合GIS边界图数据、GIS路网图数据对城市道路进行空间网格划分与切割,并对切割得到的每个网格进行标记,获取每个网格下的每条道路长度数据。
4.根据权利要求3所述的基于自下而上的城市机动车排放清单编制技术方法,其特征在于:在所述步骤S3中,对车流量数据进行时间和空间上的预测操作,在时间维度上,进行无车流量道路进行缺失值补全处理,在空间维度上,对无车流量的道路进行识别,根据已有车流量的道路,将道路属性数据作为输入项,车流量数据作为输出项,然后采用BP神经网络算法对模型进行训练,训练好的模型可用于预测无车流量的道路。
5.根据权利要求4所述的基于自下而上的城市机动车排放清单编制技术方法,其特征在于:所述的道路属性数据包括道路类型、车道数和路面宽度。
6.根据权利要求5所述的基于自下而上的城市机动车排放清单编制技术方法,其特征在于:在所述步骤S5中,将得到的不同车型下的网格源排放量进行空间叠加,生成不同污染物下的总车型网格排放量。
7.根据权利要求6所述的基于自下而上的城市机动车排放清单编制技术方法,其特征在于:在所述步骤S5中,统计网格源排放量的物种、时间和空间信息,并将统计结果分配到netCDF-I/O API格式所要求的变量、维度和属性信息中,最后以netCDF-I/O API格式文件输出排放清单。
8.应用如权利要求1~7任一项所述的基于自下而上的城市机动车排放清单编制技术方法的系统,其特征在于:包括基础数据管理模块、网格划分模块、车流量匹配模块、排放量计算模块及结果展示模块;其中:
所述基础数据管理模块用于获取城市道路数据和车辆数据,并对相关数据进行管理;
所述网格划分模块用于对城市道路进行空间网格划分与切割,获取每个网格下的每条道路长度;
所述车流量匹配模块用于确保在时空维度的每条道路上均有对应的车流量,在时间维度上,对无车流量道路进行缺失值处理,在空间维度上,构建BP神经网络模型,预测无车流量道路的车辆缺失情况,进而完成道路与车流量的匹配;
所述排放量计算模块用于网格源、区域源及线源的排放量计算;
所述结果展示模块将所述排放量计算模块得到的排放量结果进行展示。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有如权利要求8所述的系统,所述系统被处理器执行时可实现如权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911047900.0A CN110851524B (zh) | 2019-10-30 | 2019-10-30 | 基于自下而上的城市机动车排放清单编制技术方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911047900.0A CN110851524B (zh) | 2019-10-30 | 2019-10-30 | 基于自下而上的城市机动车排放清单编制技术方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110851524A CN110851524A (zh) | 2020-02-28 |
CN110851524B true CN110851524B (zh) | 2023-05-26 |
Family
ID=69598913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911047900.0A Active CN110851524B (zh) | 2019-10-30 | 2019-10-30 | 基于自下而上的城市机动车排放清单编制技术方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110851524B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111522893B (zh) * | 2020-03-21 | 2021-02-19 | 河南大学 | 一种高时空分辨率道路扬尘源排放清单制备方法 |
CN111477012B (zh) * | 2020-06-24 | 2020-10-27 | 平安国际智慧城市科技股份有限公司 | 基于路况状态预测模型的溯源方法、装置和计算机设备 |
CN111860996B (zh) * | 2020-07-15 | 2021-09-03 | 中科三清科技有限公司 | 一种空气质量模型的排放源数据生成方法及装置、介质 |
CN111860360A (zh) * | 2020-07-23 | 2020-10-30 | 中科三清科技有限公司 | 过境车辆排放清单构建方法及装置 |
CN112288224A (zh) * | 2020-09-24 | 2021-01-29 | 武汉理工大学 | 一种基于远程监控数据的排放计算方法 |
CN113936260A (zh) * | 2021-11-22 | 2022-01-14 | 重庆广睿达科技有限公司 | 一种基于图像的道路扬尘动态监测方法及系统 |
CN115293585B (zh) * | 2022-08-09 | 2024-04-30 | 广东旭诚科技有限公司 | 一种基于gis-t搭建路网机动车动态排放清单的方法 |
CN117973679B (zh) * | 2024-01-19 | 2024-06-14 | 广州市环境保护科学研究院有限公司 | 一种道路移动源污染物排放量时空分配方法、装置及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425865A (zh) * | 2013-06-06 | 2013-12-04 | 中山大学 | 一种自动化的机动车排放网格化清单编制方法 |
CN106557869A (zh) * | 2016-10-20 | 2017-04-05 | 北京市劳动保护科学研究所 | 一种基于poi点的大气污染物排放清单空间分配方法及装置 |
CN107292073A (zh) * | 2016-04-05 | 2017-10-24 | 中国科学院城市环境研究所 | 一种基于城市功能区的道路机动车尾气排放清单研究方法 |
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 |
-
2019
- 2019-10-30 CN CN201911047900.0A patent/CN110851524B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425865A (zh) * | 2013-06-06 | 2013-12-04 | 中山大学 | 一种自动化的机动车排放网格化清单编制方法 |
CN107292073A (zh) * | 2016-04-05 | 2017-10-24 | 中国科学院城市环境研究所 | 一种基于城市功能区的道路机动车尾气排放清单研究方法 |
CN106557869A (zh) * | 2016-10-20 | 2017-04-05 | 北京市劳动保护科学研究所 | 一种基于poi点的大气污染物排放清单空间分配方法及装置 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110851524A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110851524B (zh) | 基于自下而上的城市机动车排放清单编制技术方法及系统 | |
Pan et al. | Estimation of real-driving emissions for buses fueled with liquefied natural gas based on gradient boosted regression trees | |
Kast et al. | Designing hydrogen fuel cell electric trucks in a diverse medium and heavy duty market | |
CN109086246B (zh) | 一种道路交通源的排放量计算方法及装置 | |
Cheng et al. | Urban transportation energy and carbon dioxide emission reduction strategies | |
CN110209990B (zh) | 一种基于车辆身份检测数据的单辆车排放轨迹计算方法 | |
Shu et al. | Spatial disaggregation of carbon dioxide emissions from road traffic based on multiple linear regression model | |
Selvakkumaran et al. | Low carbon society scenario analysis of transport sector of an emerging economy—The AIM/Enduse modelling approach | |
Du et al. | Pathways for energy conservation and emissions mitigation in road transport up to 2030: A case study of the Jing-Jin-Ji area, China | |
Valderrama et al. | Challenges in greenhouse gas mitigation in developing countries: A case study of the Colombian transport sector | |
Su | Induced motor vehicle travel from improved fuel efficiency and road expansion | |
CN107067781B (zh) | 一种用于先进驾驶辅助系统应用的gis道路黑点地图生成方法 | |
Gaduh et al. | Life in the slow lane: Unintended consequences of public transit in Jakarta | |
CN104199903A (zh) | 一种基于路径关联的车辆数据查询系统及方法 | |
Kanaroglou et al. | Estimating the contribution of commercial vehicle movement to mobile emissions in urban areas | |
Chen et al. | Quantifying on-road vehicle emissions during traffic congestion using updated emission factors of light-duty gasoline vehicles and real-world traffic monitoring big data | |
Stone et al. | Providing a foundation for road transport energy demand analysis: a vehicle pare model for South Africa | |
Cirillo et al. | Vehicle ownership modeling framework for the state of Maryland: Analysis and trends from 2001 and 2009 NHTS data | |
Winebrake et al. | Fuel price elasticities for single-unit truck operations in the United States | |
CN109145401A (zh) | 一种计算机动车排放清单的方法、系统及终端设备 | |
CN116433053B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN117893036A (zh) | 一种基于轨迹数据的车辆行驶全过程碳排放动态测算方法 | |
CN111026987A (zh) | 展示海量车辆位置分布信息的多层聚合方法及系统 | |
CN103063219B (zh) | 一种导航电子地图预处理及显示方法 | |
CN109767146A (zh) | 分析指定路线车辆行驶轨迹的方法、终端设备及存储介质 |
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 |