CN111241720A

CN111241720A - 一种道路扬尘模型的建模方法和装置

Info

Publication number: CN111241720A
Application number: CN202010341184.3A
Authority: CN
Inventors: 田启明; 郭东宸; 卢红阳
Original assignee: Beijing Insights Value Technology Co ltd
Current assignee: Beijing Yingshi Ruida Technology Co.,Ltd.
Priority date: 2020-04-27
Filing date: 2020-04-27
Publication date: 2020-06-05
Anticipated expiration: 2040-04-27
Also published as: CN111241720B

Abstract

一种道路扬尘模型的建模方法和装置、预测道路扬尘的方法和装置、电子设备以及计算机可读存储介质，能够更加准确地预测道路扬尘。按照道路类型聚类得到道路类别分类模型，对于每一种道路类别，利用路测设备获得仅有道路扬尘因素引起的道路扬尘污染数据，分别训练道路扬尘模型，在预测时，将道路属性数据输入道路类别分类模型，得到道路类别，进而利用对应的道路扬尘模型，进行道路扬尘数据的预测。

Description

一种道路扬尘模型的建模方法和装置

技术领域

本发明涉及道路扬尘模型的建模方法以及利用扬尘模型来预测污染的方法和装置。

背景技术

大气污染按污染物质的来源可分为天然污染源和人为污染源，通过对主要大气污染物的分类统计分析，人为污染源又可以划分为三大来源：①燃料燃烧；②工业生产过程；③交通运输。前两类污染源统称为固定源，交通+运输工具（机动车、火车、飞机等）则称为移动源。其中，交通运输源中的一个主要来源之一是机动车，这一类污染实际上是可以被细分为机动车尾气排放与机动车行驶中导致的道路扬尘两大污染来源的。

目前对交通源进行的分析中，主要使用不同的道路扩散模型如ADAMS，CALINE等模型进行分析。

基于这些模型的对交通源或宏观或微观的分析，不是未曾考虑道路本身造成的影响，就是简单的使用道路等级衡量道路影响，然而无论是基于国道，省道等的道路等级，还是基于干路，支路的道路等级，都无法良好的体现道路作为污染源的确切影响。模型对于道路扬尘的预测精确度较低。

发明内容

提供了一种道路扬尘模型的建模方法，能够更加准确地预测道路扬尘。按照道路类型聚类得到道路类别分类模型，对于每一种道路类别，利用路测设备获得仅有道路扬尘因素引起的道路扬尘污染数据，分别训练道路扬尘模型，在预测时，将道路属性数据输入道路类别分类模型，得到道路类别，进而利用对应的道路扬尘模型，进行道路扬尘数据的预测。

道路扬尘模型的建模方法包括：

步骤S11，选择道路样本，获取所述道路样本的道路属性数据；

步骤S12，在所述道路样本中设置监测设备以采集车辆排放数据、空气质量监测数据、交通状况数据，以及气象数据，从而得到原始训练数据；

其中，所述车辆排放数据表征汽车尾气排放数据，空气质量监测数据表征汽车尾气排放数据以及道路扬尘数据的总和，交通状况数据表征车流量、车辆类型以及车速；

所述原始训练数据包括所述道路属性数据、车辆排放数据、汽车尾气排放数据、空气质量监测数据、交通状况数据，以及气象数据；

步骤S21，利用所述交通状况数据中的车流量对所述空气质量监测数据进行归一化，并按照车辆类型以及车速对所述交通状况数据进行分类，从而获得分类后的归一化空气质量监测数据，将所述道路属性数据以及分类后的归一化空气质量监测数据作为道路类别分类模型的训练数据；

步骤S22，对该道路类别分类模型的训练数据进行聚类，并经过处理得到道路类别分类模型，该道路类别分类模型用于将道路属性与多个道路类别相关联；

步骤S23，为该多个道路类别中的每一个道路类别建立一个道路扬尘模型，具体地，首先选取从对应于所述一个道路类别的所述原始训练数据，从该原始训练数据中的空气质量检测数据中减去车辆排放数据，得到对应于所述一个道路类别的单纯由道路扬尘所引起的污染排放数据，将所述单纯由道路扬尘所引起的污染排放数据作为所述一个道路扬尘模型的输出，将对应于所述一个道路类别的所述交通状况数据作为所述道路扬尘模型的输入，训练并建立所述道路扬尘模型。

还包括步骤S13，对步骤S11和步骤S12中收集的道路属性数据、车辆排放数据、空气质量监测数据、交通状况数据，以及气象数据进行筛选，剔除其中发生在极端天气条件下的数据，从而得到所述原始训练数据。

其中，车流量表示一定时间内通过的车辆数量，车辆类型指的是该一定时间内通过的车辆中大型车所占的数量比例，

其中，所述车辆排放数据、空气质量监测数据、以及所述单纯由于道路扬尘所引起的污染排放数据，均包括PM2.5和NOX浓度数据，其中NOX浓度数据表示氮氧化物的排放物浓度。

其中，所述道路属性数据包括道路的路宽、路质、道路所在区域、道路等级、车道数、有无绿化的信息。

其中，所述气象数据包括风速、风向、温度、湿度的信息。

还提供一种预测道路扬尘的方法，包括

选定要预测道路扬尘的道路，获取该道路的道路属性数据，将该道路的道路属性数据输入到所述道路类别分类模型中，获取该道路的道路类别，从而获得该道路所对应的所述道路扬尘模型，将该道路的交通状况数据输入该道路所对应的所述道路扬尘模型中，从而获得对该道路的道路扬尘的预测值。

该道路扬尘模型中还包括车辆尾气预测模型，从而该道路扬尘模型还可以预测该道路的总污染排放数据，该总污染排放数据为车辆尾气数据以及道路扬尘数据的综合；另外，该道路扬尘模型还可以预测来源于车辆尾气与道路扬尘的污染占比。

还提供了一种道路扬尘模型的建模装置，其包括：

道路样本选择及道路属性获取装置，被配置为选择道路样本，并获取所述道路样本的道路属性数据；

原始训练数据获取装置，被配置为将所述道路属性数据以及由设置在所述道路样本中的监测设备所获取的车辆排放数据、汽车尾气排放数据、空气质量监测数据、交通状况数据，以及气象数据作为原始训练数据；其中，所述车辆排放数据表征汽车尾气排放数据，空气质量监测数据表征汽车尾气排放数据以及道路扬尘数据的总和，交通状况数据表征车流量、车辆类型以及车速；

训练数据归一化分类装置，被配置为利用所述交通状况数据中的车流量对所述空气质量监测数据进行归一化，并按照车辆类型以及车速对所述交通状况数据进行分类，从而获得分类后的归一化空气质量监测数据，将所述道路属性数据以及分类后的归一化空气质量监测数据作为道路类别分类模型的训练数据；

训练数据聚类装置，被配置为对该道路类别分类模型的训练数据进行聚类，并经过处理得到道路类别分类模型，该道路类别分类模型用于将道路属性与多个道路类别相关联；

道路扬尘模型建模装置，被配置为为该多个道路类别中的每一个道路类别建立一个道路扬尘模型，具体地，首先选取从对应于所述一个道路类别的所述原始训练数据，从该原始训练数据中的空气质量检测数据中减去车辆排放数据，得到对应于所述一个道路类别的单纯由道路扬尘所引起的污染排放数据，将所述单纯由道路扬尘所引起的污染排放数据作为所述一个道路扬尘模型的输出，将对应于所述一个道路类别的所述交通状况数据作为所述道路扬尘模型的输入，训练并建立所述道路扬尘模型。

还提供了一种道路扬尘预测装置，其包括上述道路扬尘模型的建模装置，还包括利用该建模装置所建立的道路扬尘模型对道路扬尘进行预测的装置，其被配置为选定要预测道路扬尘的道路，获取该道路的道路属性数据，将该道路的道路属性数据输入到所述道路类别分类模型中，获取该道路的道路类别，从而获得该道路所对应的所述道路扬尘模型，将该道路的交通状况数据输入该道路所对应的所述道路扬尘模型中，从而获得对该道路的道路扬尘的预测值。

还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，当所述程序被所述处理器执行时，使得所述处理器执行上述道路扬尘模型的建模方法。

还提供了一种计算机可读存储介质，其上存储有计算机程序, 其中，当所述计算机程序被处理器执行时，使得所述处理器执行上述道路扬尘模型的建模方法。

本发明通过训练道路类别分类模型，将多种道路属性分类为较少的道路类别，并为每类道路类别建立道路扬尘模型，从而针对不同类别的道路采用不同的道路扬尘模型进行扬尘预测，道路扬尘模型能够因路而异，避免了简单使用道路等级来预测道路扬尘造成的不精确，使得道路扬尘模型能够精准预测道路扬尘；通过分类模型，将无数中道路属性的道路进行归类，减小道路扬尘模型的种类，降低了计算复杂度。另外，通过路测设备检测到的总污染数据，减去汽车排放数据，得到仅由道路扬尘引起的排放数据，利用该排放数据来训练道路类别分类模型、以及道路扬尘模型，能够使得道路分类模型能够对道路进行准确地归类、另外使得道路扬尘模型能够精确地预测道路扬尘。

附图说明

图1为本发明的两类训练模型的示意图。

图2为本发明中道路类别分类模型和道路扬尘模型的训练流程图。

图3为尾气排放中氮氧化物浓度与车辆类型、车速的关系图。

图4为将数据聚类为道路类别分类模型的原理图。

具体实施方式

[训练数据的采集]

本发明中，模型的训练建立需要收集五类数据，分别为：1、车辆排放数据（尾气排放成分），2、道路属性数据（路宽，路质，区域，类型等），3、交通状况数据（车速，车类型，车流量等），4、空气质量监测数据（NOX，PM2.5，PM10）以及5、气象数据（风速，风向等）。

1、车辆排放数据

车辆排放数据包括车辆的尾气排放数据。其中，车辆的尾气排放数据包括氮氧化物（NOX）的排放量，以及细颗粒物（PM2.5）的排放量。

车辆排放数据可以通过车载OBD设备或相关领域成熟的排放因子模型（MOBLE等）手段获取的车辆尾气排放，并通过V2X技术传输到路侧的监控设备。

2、空气质量监测数据

空气质量监测数据，指的是交通源的总污染数据，包括机动车尾气排放污染数据与道路扬尘数据的总和。从污染物种类上来看，包括颗粒物以及氮氧化物。

空气质量监测数据，可以由布设在道路侧的监测设备获取，通过对PM2.5浓度、以及氮氧化物浓度进行监测，得到观测的PM2.5浓度数据，以及观测的NOX浓度数据。

3、交通状况数据

交通状况数据包括车流量（单位时间内的车辆数）、车辆类型（大型车、小型车占比）、平均车速这三类数据。

车流量指的是某一路段单位时间内通过的车辆数量数据，车辆类型指的是一定时间内大型车所占比例、或者小型车所占比例。

交通状况数据可以由交通地图软件提供的API接口（例如高德API）获取或通过市政部门在道路路口设置的监控摄像头获取。

4、气象数据

气象数据包括风速、风向、温度、湿度等数据。

气象数据可在获取空气质量监测数据的同时由由布设在道路侧的监测设备进行测量，也可以由大范围的气象模式模型获得，或者通过气象部门的数据来获得。

5、道路属性数据

道路属性数据包括道路的路宽、路质、道路所在区域、道路等级、车道数、有无绿化等信息，或者以这些信息的一个子集作为道路属性。

道路数据可以通过市政部门获取，或者通过采集车、交通APP、或卫星遥感来获取。一种示例性的道路属性数据如表1所示。

表1 道路属性数据示例

训练数据的采集包括以下选择道路样本，采集车辆排放数据、空气质量监测数据、交通状况数据以及气象数据，筛选训练数据三个步骤。

步骤S11：选择道路样本

首先通过市政部门、采集车、卫星遥感、或者交通APP来获取各条道路的道路属性数据。在获取道路属性数据之后，按照道路的车道数量，道路等级类型（高速，国道，省道，城市道路，县道，乡村道路），路面的路质类型（柏油，水泥，土质）这几类参数，选择足够多的道路样本（例如汽车博物馆东路、北三环中路特定路段、京良路辅路等），以覆盖各种类型的道路。

具体地，可以通过对几种参数进行排列组合的方式来得到所有可能的道路类型，然后在每种道路类型下，选取一定数量的道路样本，从而使得道路样本数据覆盖尽量全面的道路类型，避免由于样本数量小、种类少而导致模型的适应性差的问题。

步骤S12：采集车辆排放数据、空气质量监测数据、交通状况数据，以及气象数据

在选定道路样本之后，对所选的道路样本进行长时间监测以获取这些道路中的车辆排放数据、空气质量监测数据、交通状况数据，以及气象数据。

车辆排放数据指的是车辆的尾气排放数据。其中，车辆的尾气排放数据包括氮氧化物（NOX）排放量，以及细颗粒物（PM2.5）排放量。车辆排放数据可以通过车载OBD设备或相关领域成熟的排放因子模型（MOBLE等）手段获取的车辆尾气排放，并通过V2X技术传输到监控设备。

空气质量监测数据，指的是交通源的总污染数据，包括机动车尾气排放污染数据与道路扬尘数据的总和。从污染物种类上来看，包括颗粒物以及氮氧化物。空气质量监测数据，可以由布设在道路侧的监测设备获取，通过对PM2.5浓度、以及氮氧化物浓度进行监测，得到观测的PM2.5浓度数据，以及观测的NOX浓度数据。

交通状况数据，包括某一路段单位时间内通过的车辆数量数据（也称车流量数据）、大型车/小型车占比情况数据（也称车类型数据）、以及该路段的平均车速数据。车流量、车类型以及平均车速这三类交通状况数据可以由交通地图软件提供的API接口（例如高德API）获取，以及通过市政部门在道路路口设置的监控摄像头拍摄并通过识别算法来获取，还可以通过5G技术中的V2X车辆通信技术来从车辆端的OBD设备获取车类型、车速等数据。

气象数据包括风速、风向、温度、湿度等数据。气象数据可在获取空气质量监测数据的同时由由布设在道路侧的监测设备进行测量，此时，检测设备中应当配备风速、风向、温度、湿度等数据的监测部件。也可以由大范围的气象模式模型获得，或者通过气象部门的数据来获得。

步骤S13：筛选训练数据

由于极端天气条件下的数据具有非通用性和特殊性，因此这些数据应当被剔除，以免影响模型的普适性。步骤S13中，需要对步骤S12中收集的数据进行筛选，剔除其中发生在极端天气条件下的数据，从而得到原始训练数据。

在一个实施例中，根据气象数据，以风速与湿度为条件筛选出静稳天气下的时间段数据，作为后续模型训练所需的数据总集。筛选后的原始训练数据示例如表2。

表2 原始训练数据示例

[模型训练]

如图1所示，在本发明中，为了对某个道路的扬尘量进行预测，需要建立两类模型。一类是道路类别分类模型1，一类是对应于某一类道路模型所建立的道路扬尘模型2。

道路扬尘模型2具有多个，每个道路扬尘模型2对应一类道路类别。在实际的道路扬尘预测时，首先将道路属性数据输入道路类别分类模型1，得到该种道路属性所对应的道路扬尘模型，进而将交通状况数据输入道路扬尘模型，以预测道路扬尘量等数据。

通常来说，道路扬尘与道路属性、交通状况相关，不同属性的道路，其道路扬尘的机理是不同的。因此，为每一属性的道路单独建立扬尘模型2，能够更加准确地预测道路扬尘，是更为合理的建模方式。

然而，如前所述，为了丰富训练样本所覆盖的道路属性类别，需要收集尽可能多的道路属性类别的训练数据。也就是说，本发明中训练数据所涉及的道路属性的类别数量是非常多的，如果为如此多种道路属性的道路，分别建立扬尘模型，那么势必将增加模型的复杂程度。

因此，为了降低复杂度，本发明首先对道路属性进行聚类，建立道路类别分类模型1，将性质类似的道路属性划分为一类。从而将道路类别从多种道路数据简化为少数道路类别，从而利用每类道路类别的训练数据单独训练、并建立对应于该种道路类别的道路扬尘模型2，从而降低建模的复杂度。

本发明中模型训练的步骤包括三步，如图2所示，训练数据预处理、道路类别分类模型的训练、以及道路扬尘模型的训练。具体如下：

步骤S21、训练数据的预处理

道路类别分类模型1是能够将某一道路属性与某一类道路扬尘模型2相关联的分类模型，因此，道路类别模型1应当仅与道路属性相关。

然而，由于训练数据中的道路扬尘数据既与道路属性因素相关、又与交通状况因素相关，因此，为了建立准确的道路扬尘模型，需要去除交通状况因素对于训练数据的影响，以使得训练数据仅与道路属性因素具有因果关系。为了去除交通流量因素的影响，本发明采取了训练数据预处理的手段。交通状况因素包括车流量（单位时间内的车辆数）、车辆类型（大型车、小型车占比）、平均车速三类因素。需要分别去除这三类因素对训练数据的影响。

步骤S211、利用车流量对排放量进行归一化，排除车流量因素的影响。

可以通过归一化处理的方式，排除车流量因素的影响。

车流量指的是单位时间内通过的车辆数量，车流量显然对污染排放量有重要影响，车多则排放大，车流量与污染排放量呈线性正相关的关系。因此，通过将污染排放数据（氮氧化物、PM2.5）除以车流量，以进行归一化，从而排除车流量因素的影响。

步骤S212、按照车辆类型和车速分类，以排除车辆类型因素和车速因素的影响。

车辆类型对于排放有重要影响。车辆类型主要用于区分大型车与小型车，车辆类型指的是大型车所占比例。大型车主要指使用柴油的大型货车，如表3所示，此类车辆尾气排放特征与使用汽油的小型车有显著不同（参见A Comparison of Engine Emissionsfrom Heavy, Medium, and Light Vehicles for CNG, Diesel, and Gasoline Fuels,Abdullah Yasar）。

表3 道路属性数据示例

另一方面，如图3所示，车速因素与尾气排放有显著关系，特别是汽油车的车速对氮氧化物的排放量的影响很大（参见《机动车行驶速度对排放污染物的影响》，张建民），由图3可以看出，机动车排放污染物与车速之间的条件规律为：

（1）随平均车速的增加，各类型机动车HC排放量逐渐减小。平均车速低于30km·h^-1时，汽油轿车和重型柴油车HC排放的的浓度相近。平均车速大于40km·h^-1时，汽油轿车、重型汽油车、重型柴油车HC排放量和变化规律相近。

（2）随平均车速的增加，各类型机动车CO排放量逐渐减小。其中重型汽油车CO排放量在70~80km·h^-1后略升，重型汽油车CO排放量远大于其他车型。

（3）随平均车速的增加，重型柴油车NOX排放量逐渐减小，50~60km·h^-1时排放量最小，后又逐渐增大。重型柴油车NOX排放量远远大于其他类型机动车。

然而，如上可知，车辆类型因素和车速因素对于排放量的影响并非呈现线性关系，也无法量化，无法通过归一化的方式来排除影响。

本发明中，用大型车占比0-10%，10-30%，30%+三个类别来将车辆类型信息分为三类，用车速0-45km/h，45-65，65+三个类别将车速因素分为三类，从而总共组合得到九个类别。按照这九个类别对数据进行归类，使得每个类别中的数据不存在车辆类型（大型车占比）和车速的差别，从而消除了车辆类型和车速因素的影响。

最终得到如表4中的预处理之后的训练数据，作为道路类别分类模型的训练数据，该数据用于训练道路类别分类模型1。

表4 预处理之后的训练数据示例

步骤S22、道路类别分类模型的训练

表3所示的预处理后的数据，可以认为每种交通状况（大型车占比、车速一定的情况下）下，每条车道上由单辆汽车造成的平均尾气污染排放是大致相等的，进而可以认为此时的单车总污染排放（道路总污染排放/车流量）变化仅受道路属性因素（车辆行驶引起的扬尘）影响，此时依据观察浓度与道路属性对数据集进行据类（采用K-MEAN聚类等机器学习常用方法）可以在每种交通状况下获得与道路扬尘等因素有很高关联性的聚类后的少数道路类别结果。

而后对所有交通状况类别下的分类结果进行汇总，得到一个最终的聚类结果，聚类结果将每一个道路属性与某一个道路类别相关联，每一个道路类别训练一个道路扬尘模型联，使得对于排放污染的影响类似的道路属性类别，归于同一个道路类别分类模型。

步骤S23、道路扬尘模型的训练

在得到道路分类模型之后，将训练数据按照道路分类模型进行归类，各类别的数据用于训练该类别的道路扬尘模型。训练得到的道路扬尘模型能够精确地预测道路扬尘情况。

在本发明中，由于空气质量监测数据中包含了道路扬尘以及尾气排放两部分内容，因此，为了建立道路扬尘模型，为了预测道路扬尘数据，需要获得训练数据中的道路扬尘排放数据，需要从空气质量监测数据中剔除尾气排放数据部分，仅利用道路扬尘的排放数据来训练道路烟尘模型。

可以利用车载OBD设备或相关领域成熟的排放因子模型（MOBLE等）手段来获取车辆尾气排放，从空气质量监测数据中减去尾气排放数据即得到道路因素造成的污染排放。以交通状况数据为模型输入、道路因素造成的污染排放为输出建立机器学习模型，成为道路扬尘模型，本示例中简单采用回归树模型建立3个模型MODEL1， MODEL2， MODEL3。

[实施例]

以北京的多条道路为例构建道路类别分类模型。

原始数据的获取

选择北四环东路某路段、G109京拉线雁翅段某路段、角门北路，育慧南路等道路，分别命名为道路A、道路B、道路C、道路D……，并获得道路属性数据，例如：

道路A（北四环东路某路段）：城市快速路，双向，八车道，城市，柏油，无绿化带；

道路B（G109京拉线雁翅段某路段）：国道，双向，六车道，郊区，柏油，无绿化带；

道路C（角门北路）：城市道路，双向，四车道，城市，柏油，无绿化带；

道路D（育慧南路）：城市道路，双向，四车道，城市，柏油，有绿化带；

……。

并在这些道路侧安装监测设备结合地图API，来获取和采集车辆排放数据、空气质量监测数据、气象数据、交通状况数据。

步骤31、基于高德APP、路口布设的摄像头与OBD数据，以1小时为频次，获取四条道路2019年5月10日-24日的期间的车流量、平均车速，车辆类型数据。

步骤32、基于布设在这些道路附近的空气质量监测设备，以1小时为频次，获取同时期观测到的PM2.5与NOX浓度数据。

步骤33、基于部分能够测量气象参数的空气质量监测设备与气象模式模型，以1小时为频次，获取同时期风速与湿度数据。数据示例如下：

表5 原始训练数据示例

数据筛选及归一化

去除所有风速大于2m/s，湿度大于30%时刻的数据，去除后数据集共计约800条数据。

并利用车流量对排放量进行归一化，得到归一化后的训练数据。如表6：

表6 实施例中归一化后的训练数据

对归一化后的训练数据，按照车辆类型、车速的九个组合范围来分类上述归一化后的训练数据。如表7：

表7 分类后的归一化训练数据

对每类交通状况下的NOX测量值/车流量、 PM2.5观测值/车流量的二维数据进行K-MEAN聚类，如图4所示为大型车占比0-10%，车速0-45km/h类别下的聚类情况，从图4可以看出，道路属性为A的训练数据基本上均聚类为一类、道路属性为C和D的训练数据基本上聚类为一类、道路属性为B的训练数据基本上聚类为一类。对各类的交通状况均如图4所示进行聚类并进行统计之后，可以得到如表8所示为最终聚类结果：

表8 聚类结果

对九类交通状况进行汇总，得到最终的聚类模型：[A]，[C，D]，[B] ……。具体地，由上表进行统计可得出，道路属性A在九个车辆类别和车速的组合中的5个组合中都聚类为一个类别[A]、在2个组合中聚类为[A，C，D]、在剩余2个组合中聚类为[A，B、C、D]。可见，为道路属性A单独聚类为一类[A]是较为合理的聚类方式，同理可以得到道路属性C和D聚类为一类[C，D]，道路属性B聚类为一类[B] ……

从而可以建立反映道路属性与扬尘模型关联关系的分类模型，例如可以建立如下的查找表来表示这种分类模型，该道路分类模型能够将不同道路属性归类于不同的道路扬尘模型：

表9 道路属性与道路扬尘模型的查找表

当然，除了查找表以外，道路分类模型也可以采用其他分类模型（如：神经网络分类模型、贝叶斯分类模型等）。

接下来，根据聚类结果，对应于道路属性[A]，[C，D]，[B] ……分别建立道路扬尘模型MODEL1， MODEL2， MODEL3……

从而，在对道路的扬尘进行预测时，可以利用查找表，找到道路属性所对应的道路扬尘模型MODEL N，然而将道路属性、以及交通状况数据输入扬尘模型，从而获得预测的道路扬尘数据。

道路扬尘模型的建立

在本实施例第一部分中获得的原始数据的基础之上，进一步还获取尾气排放数据，如下面步骤34：

步骤34，尾气排放数据的获取

基于车载OBD设备或相关领域成熟的排放因子模型（MOBLE等）手段获取的车辆尾气排放的PM2.5和NOX浓度数据。

另外，获取由道路因素造成的污染排放数据，如步骤35：

步骤35，道路因素造成的污染排放数据的获取

将步骤2中空气质量监测设备获得的PM2.5与NOX浓度数据与步骤4中获得的车辆尾气排放的PM2.5和NOX浓度数据进行相减，以获得仅由于道路因素造成的污染排放PM2.5和NOX浓度数据。

步骤36，道路扬尘模型的训练

将步骤35中由各个道路扬尘模型所对应的道路的道路因素造成的污染排放PM2.5和NOX浓度数据，以及步骤31中获得的车流量、平均车速，车辆类型数据，输入各个道路扬尘模型中，以训练得到多个道路扬尘模型MODEL1、MODEL2、MODEL3……

本示例中简单采用回归树模型建立3个模型MODEL1， MODEL2， MODEL3。

道路扬尘预测

现有道路E：惠新西街某段（城市道路，双向，四车道，城市，柏油，有绿化带），及其在2019年7月1日-2日的车流量，车辆组成与平均车速数据。

根据其道路属性信息（城市道路，双向，四车道，城市，柏油，有绿化带），根据查找表可知，其对应的道路扬尘模型为MODEL3，使用MODEL3可计算求得其在2019年7月1日-2日期间由于道路因素所产生的PM2.5与NOX。

另外，MODEL中也可以额外提供总的PM2.5与NOX的预测，只要基于车载OBD设备或相关领域成熟的排放因子模型（MOBLE等）手段获取的车辆尾气排放的PM2.5和NOX浓度数据，计算出为其排放。在将道路扬尘模型所计算出的PM2.5与NOX加入其中，即可计算总的PM2.5与NOX的预测，另外进一步还可以计算其中来源于车辆尾气与道路扬尘的具体污染占比。

以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明的专利范围的限制。应当指出，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims

1.一种道路扬尘模型的建模方法，其特征在于：

2.如权利要求1所述的方法，其特征在于，还包括步骤S13，对所述步骤S11和所述步骤S12中收集的道路属性数据、车辆排放数据、空气质量监测数据、交通状况数据，以及气象数据进行筛选，剔除其中发生在极端天气条件下的数据，从而得到所述原始训练数据。

3.如权利要求1所述的方法，其特征在于，所述车流量表示一定时间内通过的车辆数量，车辆类型指的是该一定时间内通过的车辆中大型车所占的数量比例。

4.如权利要求1所述的方法，其特征在于，所述车辆排放数据、空气质量监测数据、以及所述单纯由于道路扬尘所引起的污染排放数据，均包括PM2.5和NOX浓度数据，其中NOX浓度数据表示氮氧化物的排放物浓度。

5.如权利要求1所述的方法，其特征在于，所述道路属性数据包括道路的路宽、路质、道路所在区域、道路等级、车道数、有无绿化的信息。

6.如权利要求1所述的方法，其特征在于，所述气象数据包括风速、风向、温度、湿度的信息。

7.一种利用权利要求1-6任意一项所述的道路扬尘模型的建模方法所建立的道路类别分类模型来预测道路扬尘的方法，其特征在于：

8.如权利要求7所述的方法，其特征在于，该道路扬尘模型中还包括车辆尾气预测模型，从而该道路扬尘模型还可以预测该道路的总污染排放数据，该总污染排放数据为车辆尾气数据以及道路扬尘数据的综合；另外，该道路扬尘模型还可以预测来源于车辆尾气与道路扬尘的污染占比。

9.一种道路扬尘模型的建模装置，其特征在于，包括：

10.一种道路扬尘预测装置，其特征在于，其包括：

如权利要求9所述的道路扬尘模型的建模装置，

还包括利用该建模装置所建立的道路扬尘模型对道路扬尘进行预测的装置，其被配置为选定要预测道路扬尘的道路，获取该道路的道路属性数据，将该道路的道路属性数据输入到所述道路类别分类模型中，获取该道路的道路类别，从而获得该道路所对应的所述道路扬尘模型，将该道路的交通状况数据输入该道路所对应的所述道路扬尘模型中，从而获得对该道路的道路扬尘的预测值。

11.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，当所述程序被所述处理器执行时，使得所述处理器执行如权利要求1至权利要求8之任一项所述的方法。

12.一种计算机可读存储介质，其上存储有计算机程序, 其中，当所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至权利要求8之任一项所述的方法。