CN111612670A - 一种构建机动车排放清单的方法、装置和计算机设备 - Google Patents
一种构建机动车排放清单的方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN111612670A CN111612670A CN202010343058.1A CN202010343058A CN111612670A CN 111612670 A CN111612670 A CN 111612670A CN 202010343058 A CN202010343058 A CN 202010343058A CN 111612670 A CN111612670 A CN 111612670A
- Authority
- CN
- China
- Prior art keywords
- road
- traffic
- list
- motor vehicle
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000010276 construction Methods 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 32
- 239000003344 environmental pollutant Substances 0.000 claims description 35
- 231100000719 pollutant Toxicity 0.000 claims description 35
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 239000000809 air pollutant Substances 0.000 claims description 12
- 231100001243 air pollutant Toxicity 0.000 claims description 12
- 238000007667 floating Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000006698 induction Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 239000013618 particulate matter Substances 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 239000003738 black carbon Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241001148624 Areae Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000003949 liquefied natural gas Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/387—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Abstract
本申请实施例提供一种构建机动车排放清单的方法、装置和计算机设备，所述方法包括：获取清单构建区域内的路网信息和各类型机动车的基准排放因子；根据清单构建区域内的路网信息，使用预先训练的交通流时空分布预测模型进行交通流时空分布预测，得到清单构建区域内的各道路的交通信息，其中，每个道路的交通信息包括：交通流量、交通运行速度和车型分布信息，所述交通流时空分布预测模型根据多源交通数据以及地理信息进行训练得到；基于清单构建区域内的各道路的交通信息以及各类型机动车的基准排放因子，构建清单构建区域对应的机动车排放清单。如此，能够快速准确地构建高分辨率机动车排放清单。
Description
技术领域
本申请涉及计算机应用技术领域，尤其涉及一种构建机动车排放清单的方法、装置和计算机设备。
背景技术
随着社会经济的发展与城市化进程的深化，中国机动车保有量快速上升。机动车排放已成为城市空气污染的主要来源之一。
机动车排放清单，指机动车在一定的时间跨度和空间区域内向大气中排放的大气污染物的量的集合。机动车排放清单是获取区域和城市道路机动车污染时空分布特征和评估交通环境质量影响的核心工具，也是环境保护、大气污染防治、城市空气质量管理、机动车排放控制、交通监管等的决策基础。随着精细化排放监管需求的增大，全球对城市机动车排放清单的分辨率要求也不断提高。但是，目前的高分辨率机动车排放清单存在不确定性大、计算效率低、准确度较低的问题。
发明内容
有鉴于此，本申请实施例提供一种构建机动车排放清单的方法、装置和计算机设备，能够快速准确地构建高分辨率机动车排放清单。
本申请实施例主要提供如下技术方案：
第一方面，本申请实施例提供了一种构建机动车排放清单的方法，包括：获取清单构建区域内的路网信息和各类型机动车的基准排放因子；根据清单构建区域内的路网信息，使用预先训练的交通流时空分布预测模型进行交通流时空分布预测，得到清单构建区域内的各道路的交通信息，其中，每个道路的交通信息包括：交通流量、交通运行速度和车型分布信息，所述交通流时空分布预测模型根据多源交通数据以及地理信息进行训练得到；基于清单构建区域内的各道路的交通信息以及各类型机动车的基准排放因子，构建清单构建区域对应的机动车排放清单。
第二方面，本申请实施例提供了一种计算机设备，包括：至少一个处理器；以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述的构建机动车排放清单的方法的步骤。
第三方面，本申请实施例提供了一种计算机可读存储介质，包括：存储的程序，其中，在所述程序运行时控制所述存储介质所在计算机设备执行上述的构建机动车排放清单的方法的步骤。
第四方面，本申请实施例提供了一种构建机动车排放清单的装置，包括：获取单元，用于获取清单构建区域内的路网信息和各类型机动车的基准排放因子；预测单元，用于根据清单构建区域内的路网信息，使用预先训练的交通流时空分布预测模型进行交通流时空分布预测，得到清单构建区域内的各道路的交通信息，其中，每个道路的交通信息包括：交通流量、交通运行速度和车型分布信息，所述交通流时空分布预测模型根据多源交通数据以及地理信息进行训练得到；构建单元，用于基于清单构建区域内的各道路的交通信息以及各类型机动车的基准排放因子，构建清单构建区域对应的机动车排放清单。
本申请实施例提供的构建机动车排放清单的方法、装置和计算机设备，基于清单构建区域内的路网信息，使用根据多源交通数据以及地理信息进行训练得到的交通流时空分布预测模型，对清单构建区域进行交通流时空分布预测，预测得到清单构建区域内的各道路的交通信息，再根据清单构建区域内的各道路的交通信息以及各类型机动车的基准排放因子，构建清单构建区域对应的机动车排放清单。如此，能够快速准确地建立高分辨率机动车排放清单。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
图1为本申请实施例中的构建机动车排放清单的方法的流程示意图一；
图2A为本申请实施例中的机动车三级分类表；
图2B为本申请实施例中的汽油车平均速度修正因子表；
图3为本申请实施例中的构建机动车排放清单的方法的流程示意图二；
图4为本申请实施例中的构建机动车排放清单的装置的结构示意图；
图5为本申请实施例中的计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
本申请实施例提供一种构建机动车排放清单的方法。在实际应用中，该构建机动车排放清单的方法可应用于分析城市道路机动车污染时空分布、评估交通环境质量影响、环境保护、大气污染防治、城市空气质量管理、机动车排放控制、交通监管等各种需要建立高分辨率道路机动车排放清单，实现道路层面交通运行状况及排放强度的精确刻画的场合中。
图1为本申请实施例中的构建机动车排放清单的方法的流程示意图一，参见图1所示，该构建机动车排放清单的方法可以包括：
步骤101：获取清单构建区域内的路网信息和各类型机动车的基准排放因子；
在实际应用中，清单构建区域可以是指某国家的某片区域内的所有城市，也可以是指某个城市，当然，还可以为其它区域，如某城市的某个区域、某个国家的所有城市等，这里，本申请实施例不做具体限定。
在一种示例性实施例中，获取清单构建区域内的路网信息的方式可以为如从现有的地理信息系统(Geographic Information System，GIS)中清单构建区域内的路网信息等。
在一种示例性实施例中，路网信息，可以为如城市路网地图等。
在具体实施过程中，各类型机动车的基准排放因子反应各类型机动车单位活动水平的大气污染物排放量。例如，各类型机动车的基于里程的基准排放因子反应各类型机动车单位行驶里程的大气污染物排放量，各类型机动车的基于时间的基准排放因子反应各类型机动车单位行驶时间的大气污染物排放量，各类型机动车的基于燃料消耗的基准排放因子反应各类型机动车单位燃料消耗量的大气污染物排放量。
举例来说，根据道路机动车排放源分类分级方法，可以得到如图2A所示的机动车三级分类表，其中，第一级为车型规格，包括：客车、出租车、中型客车、公交车、货车、摩托车、三轮汽车等，第二级为燃料类型，包括：汽油、柴油、其它(如液化天然气等)，第三级为车辆排放标准，包括：国一前(国0)、国一(国1)、国二(国2)、国三(国3)等。
在一种示例性实施例中，获取各类型机动车的基准排放因子的方式可以为如基于现有的多化学成分谱机动车排放因子模型获取到各类型机动车的基准排放因子、预先对各类型机动车进行机动车排放测试获取到各类型机动车的基准排放因子等。
举例来说，以某类型机动车的参数包括：输入车型规格为小型客车、燃料类型为汽油以及车辆排放标准为国0～国6为例，那么，向机动车排放因子模型中的输入车型规格参数输入小型客车、给燃料类型参数输入汽油，给车辆排放标准参数输入为国0～国6，就可以得到如表1所示的汽油小型客车的基准排放因子。
表1 汽油小型客车的基准排放因子
步骤102：根据清单构建区域内的路网信息，使用预先训练的交通流时空分布预测模型进行交通流时空分布预测，得到清单构建区域内的各道路的交通信息；
步骤103：基于清单构建区域内的各道路的交通信息以及各类型机动车的基准排放因子，构建清单构建区域对应的机动车排放清单。
在实际应用中，交通流观测点位在清单构建区域的全路网层面是相当稀疏的，通常仅占清单构建区域的全路段的比例不足20％。本申请通过基于多源交通数据和地理信息所预先训练得到的交通流时空分布预测模型，进行清单构建区域的全路网层面的交通流时空分布的模拟预测，能够提升对没有观测数据路段交通流模拟的准确性。这样，能够获得预测得到准确的清单构建区域内的各道路的交通信息。从而，基于该准确的清单构建区域内的各道路的交通信息以及各类型机动车的基准排放因子，就能够构建出清单构建区域对应的高分辨率的机动车排放清单。
其中，每个道路的交通信息包括：交通流量、交通运行速度和车型分布信息，交通流时空分布预测模型根据多源交通数据以及地理信息进行训练得到。
这里，交通流是由交通体组成的一种粒子流体。每个道路的交通流量可以是指在单位时间内，通过该道路上的某一地点或者某一交通断面实际参与交通的机动车的数量。每个道路的交通运行速度(也可称为交通速度)可以是指该道路的区间平均速度(即在单位时间内通过该道路上的某一交通断面实际参与交通的机动车的平均速度)。每个道路的车型分布信息可以是指该道路上各种类型机动车的数量。
在实际应用中，训练交通流时空分布预测模型所使用的多源交通数据可以是指通过多种智能交通系统所获取到的交通数据。
在一种示例性实施例中，训练交通流时空分布预测模型所使用的地理信息可以为如地理经济信息、人口分布数据、土地利用信息、道路属性信息、周围点位交通信息等与交通流时空分布相关的信息。
在实际应用中，人口分布数据可以为如缓冲区内的人口密度、缓冲区内的人口数量等。
在实际应用中，土地利用信息可以为如下信息：监测站的经纬度信息、缓冲区内不同用地类型的面积、缓冲区内的道路中点与最近的关键交通枢纽之间的距离、缓冲区内的POI(Point of information，信息点(也称为兴趣点))的个数、缓冲区内的各种等级道路的长度等中的一种或多种。这里，用地类型可以分为：城镇、乡村、农业、草地、未开发地区等。关键交通枢纽可以为如CBD(Central Business District，中央商务区)、货物集疏运中心、港口、机场等。兴趣点是地理信息系统中的一个术语，泛指一切可以抽象为点的地理对象，如交通枢纽、饭店、商场等。
在实际应用中，道路属性信息可以为如下信息：道路等级信息、车道数、道路中点的经纬度信息、限速信息等中的一种或多种。这里，道路等级信息可以分为：城市道路等级信息(如快速路、主干路、次干路(也可称为次干道)、支路等)和公路等级信息(如高速公路、一级公路、二级公路、三级公路、四级公路等)；限速信息可以分为：公路限速和道路限速。
在实际应用中，某个道路对应的周围点位交通流量可以为如该道路上下游及缓冲区内包含其它道路的流量等。
在一种示例性实施例中，训练交通流时空分布预测模型所使用的训练方法可以为如土地利用回归模型(Land Use Regression，LUR)、贝叶斯最大熵模型(Bayesian MaximumEntropy，BME)、随机森林(RandomForest，RF)等机器学习的方法。
下面以具体实例对训练得到交通流时空分布预测模型的过程进行详细说明。
在一种示例性实施例中，在步骤101之前，上述方法还可以包括以下步骤104～步骤106：
步骤104：获取清单构建区域的多源交通数据和清单构建区域的地理信息；
其中，地理信息包括：道路属性信息、土地利用信息、人口分布信息、周围点位交通流量中的多种。
在一种示例性实施例中，步骤104可以包括：从清单构建区域内的智能交通系统中，获取多源交通数据，其中，智能交通系统包括：基于感应线圈的固定检测器、基于微波雷达的固定检测器、基于无线射频识别(Radio Frequency Identification，RFID)的车辆识别系统、基于浮动车的移动监测系统(如基于浮动车的GPS(Global Positioning System，全球定位系统)移动监测系统、基于浮动车的OBD(On Board Diagnostics，车载自动诊断)移动监测系统)、交通卡口系统、视频监控系统、电子警察系统、导航系统、收费站监测系统、车联网系统中的多种；从清单构建区域对应的地理信息系统中，获取地理信息。
步骤105：基于多源交通数据，获得样本交通信息；
其中，样本交通信息包括：交通流量、交通运行速度和车型分布信息。
在一种示例性实施例中，步骤105可以包括以下步骤1051～步骤1053：
步骤1051：对多源交通数据进行数据清洗，得到清洗后的多源交通数据；
步骤1052：对清洗后的多源交通数据进行预处理，得到预处理后的多源交通数据；
步骤1053：从预处理后的多源交通数据中，提取出样本交通信息。
在一种示例性实施例中，对多源交通数据所进行的数据清洗处理可以如删除多源交通数据中的异常数据(如智能交通系统中部分检测设备故障或者未设置检测设备所记录的空值、负值、智能交通系统中部分检测设备故障所记录的明显小于正常值的流量等明显错误的数据)、删除对构建排放清单无意义的数据(如详细的道路名称、加密的道路编码等)等。
在一种示例性实施例中，对清洗后的多源交通数据所进行的预处理可以为将清洗后的多源交通数据处理成构建清单所需数据格式，例如，按照小时分辨率提取交通流数据(清洗后的多源交通数据可能更高，如GPS数据分辨率为逐秒、拥堵指数分辨率为5分钟)、无线射频识别系统需与车辆信息数据库匹配以获得车辆信息、导航地图公司提供的开源交通拥堵指数需根据指数-速度关系推导得到道路车速数据等。
在实际应用中，不同数据来源可提供的数据种类及质量有别，不同城市可获取的数据来源也不同。例如，基于感应线圈的固定检测器、基于微波雷达的固定检测器、基于无线射频识别的车辆识别系统等可以提高车流量数据；基于浮动车的GPS移动监测系统、导航地图公司等提供的开源交通拥堵指数可以提供车速数据；基于无线射频识别的车辆识别系统、交通卡口系统、视频监控系统等可提供细分车型分布信息。
在一种示例性实施例中，可以针对不同清单构建区域可获取的智能交通数据来源，从中选取包含最全信息的交通流量、交通运行速及车型分布信息，那么，步骤1053可以包括：从预处理后的多源交通数据中的来自第一交通数据源的数据中，提取交通流量，其中，第一交通数据源可以如基于感应线圈的固定检测器、基于微波雷达的固定检测器、基于无线射频识别的车辆识别系统等；从预处理后的多源交通数据中的来自第二交通数据源的数据中，提取交通运行速度，其中，第二交通数据源可以如基于浮动车的GPS移动监测系统、导航地图等；从预处理后的多源交通数据中的来自第三数据源的数据中，提取车型分布信息，其中，第三交通数据源可以如基于无线射频识别的车辆识别系统、交通卡口系统、视频监控系统等；将提取出的交通流量、交通运行速度和车型分布信息作为样本交通信息。
步骤106：将样本交通信息作为因变量，并将地理信息作为自变量，利用机器学习模型训练得到交通流时空分布预测模型。
这里，交通流时空分布预测模型用于表征地理信息和交通流时空分布之间的关系。
在本申请实施例中，多源交通数据为高分辨率机动车排放清单的构建提供了重要数据来源，而由于该交通流时空分布预测模型是由地理信息以及根据多源交通数据所获得的样本交通信息利用机器学习模型训练得到的，那么，使用该交通流时空分布预测模型进行清单构建区域的全路网层面的交通流时空分布的模拟预测时，能够提升对没有观测数据路段交通流模拟的准确性，从而，能够提升清单构建区域在全路网层面的交通流时空分布的模拟准确率。
在一种示例性实施例中，步骤106中的机器学习模型可以如随机森林等。
下面以具体实例对步骤103进行详细说明。
在一种示例性实施例中，步骤103可以包括以下步骤1031～步骤1034：
步骤1031：从清单构建区域内的各道路的交通信息中，获取清单构建区域内的各道路的交通运行速度；
步骤1032：分别根据清单构建区域内的各道路的交通运行速度，确定各道路的各类型机动车的平均速度修正因子；
在实际应用中，各类型机动车的平均速度修正因子可以由本领域技术人员根据清单构建区域当地各类型机动车的平均行驶速度所处的速度区间来确定。
举例来说，以汽油车为例，本领域技术人员可以预先根据不同速度区间针对汽油车排放的不同大气污染物设定不同的平均速度修正因子，得到如图2B所示的汽油车平均速度修正因子表。那么，在获取到清单构建区域内的各道路的交通运行速度之后，根据清单构建区域内的各道路的交通运行速度中的汽油车的交通运行速度查表，就可以得到清单构建区域内的各道路的汽油车的平均速度修正因子。
步骤1033：分别将各类型机动车的基准排放因子与各道路的各类型机动车的平均速度修正因子对应相乘，得到各道路的各类型机动车的排放因子；
在具体实施过程中，在获得了清单构建区域内的各道路的交通运行速度以及各类型机动车的平均速度修正因子之后，可以根据如下公式(1)计算出各类型机动车的排放因子。
EFi,j＝BEFi×γj公式(1)；
在公式(1)中，BEFi表示i类机动车的基准排放因子，γj表示i类机动车在清单构建区域内的j道路的平均速度修正因子，EFi,j表示i类机动车在清单构建区域内的j道路的排放因子，i、j为正整数。
步骤1034：基于清单构建区域内的各道路的交通信息以及各道路的各类型机动车的排放因子，构建清单构建区域对应的机动车排放清单。
在一种示例性实施例中，步骤1034可以包括以下步骤1034a～步骤1034c：
步骤1034a：获取清单构建区域内的各道路的路段长度；
步骤1034b：基于清单构建区域内的各道路的交通信息、各道路的各类型机动车的排放因子以及清单构建区域内的各道路的路段长度，计算清单构建区域内的各道路的各类型机动车的大气污染物排放量；
步骤1034c：基于清单构建区域内的各道路的各类型机动车的大气污染物排放量，构建清单构建区域对应的机动车排放清单。
在一种示例性实施例中，上述步骤1034a可以包括：获取清单构建区域内的道路分布地图；从清单构建区域内的道路分布地图的各道路的道路属性信息中，获取清单构建区域内的各道路的路段长度。
在一种示例性实施例中，上述步骤1034b可以包括：
基于清单构建区域内的各道路的交通信息，得到清单构建区域内的各道路的各类型机动车的交通流量；
基于清单构建区域内的各道路的各类型机动车的交通流量、各道路的各类型机动车的排放因子以及清单构建区域内的各道路的路段长度，分别对清单构建区域内的每个道路进行以下操作：针对该道路中的每种类型的机动车，将该道路的路段长度、该道路的该类型机动车对应的交通流量以及该道路的该类型机动车的排放因子相乘，计算出该道路的该类型机动车的大气污染物排放量。
在第一种示例性实施例中，上述步骤1034c可以包括：将计算出的清单构建区域内的各道路的各类型机动车的大气污染物排放量进行汇总，得到清单构建区域对应的机动车排放清单。
在第二种示例性实施例中，上述步骤1034c可以包括：针对清单构建区域内的每个道路，将计算出的该道路的每种类型的机动车的大气污染物排放量相加，计算出该道路的总大气污染物排放量；将计算出的清单构建区域内的各道路的各类型机动车的大气污染物排放量以及清单构建区域内的各道路的总大气污染物排放量进行汇总，得到清单构建区域对应的机动车排放清单。
这里，机动车排放的大气污染物可以如机动车尾气排放的大气污染物等。其中，机动车尾气排放的大气污染物包括气态污染物和颗粒物，气态污染物包括：一氧化碳(CO)、碳氢化合物(HC)、氮氧化物(NOX，以二氧化氮(NO2)计)；颗粒物包括：可吸入颗粒物(PM10)、细颗粒物(PM2.5)、黑炭(BC)。
在具体实施过程中，在获得了清单构建区域内的各道路的各类型机动车的交通流量、各道路的各类型机动车的排放因子以及清单构建区域内的各道路的路段长度之后，可以通过以下公式(2)计算出清单构建区域内的各道路的各类型机动车的大气污染物排放量。
Ei,j＝Lj×TFi,j×EFi,j 公式(2)；
在公式(2)中，Lj表示清单构建区域内的j道路的路段长度，TFi,j表示在清单构建区域内的j道路的i类机动车对应的交通流量，EFi,j表示i类机动车在清单构建区域内的j道路的排放因子，Ei,j在清单构建区域内的j道路的i类机动车的大气污染物排放量，i、j为正整数。
接下来，在通过公式(2)计算出清单构建区域内的各道路的各类型机动车的大气污染物排放量之后，可以通过公式(3)计算出清单构建区域内的各道路的总大气污染物排放量。
在公式(3)中，Ei,j在清单构建区域内的j道路的i类机动车的大气污染物排放量，
表示清单构建区域内的j道路的各类型机动车的大气污染物排放量之和，Ej表示清单构建区域内的j道路的总大气污染物排放量，i、j为正整数。
在第三种示例性实施例中，上述步骤1034c可以包括：针对清单构建区域内的每个道路，将计算出的该道路的每种类型的机动车的大气污染物排放量相加，计算出该道路的总大气污染物排放量；将计算出的清单构建区域内的各道路的总大气污染物排放量相加，计算出清单构建区域的总大气污染物排放量；将计算出的清单构建区域内的各道路的各类型机动车的大气污染物排放量、清单构建区域内的各道路的总大气污染物排放量和清单构建区域的总大气污染物排放量进行汇总，得到清单构建区域对应的机动车排放清单。
在具体实施过程中，在计算出的清单构建区域内的各道路的各类型机动车的大气污染物排放量以及清单构建区域内的各道路的总大气污染物排放量之后，可以通过以下公式(4)计算出清单构建区域的总大气污染物排放量。
在公式(4)中，Ej表示清单构建区域内的j道路的总大气污染物排放量，
表示清单构建区域内的各道路的总大气污染物排放量之和，E表示清单构建区域的总大气污染物排放量。
至此，便完成了快速准确地构建高分辨率机动车排放清单的过程。
由上述内容可知，本申请实施例提供的构建机动车排放清单的方法，在获取清单构建区域内的路网信息和各类型机动车的基准排放因子之后，先根据清单构建区域内的路网信息，使用预先训练的交通流时空分布预测模型进行交通流时空分布预测，得到清单构建区域内的各道路的交通信息，其中，每个道路的交通信息包括：交通流量、交通运行速度和车型分布信息，交通流时空分布预测模型根据多源交通数据以及地理信息进行训练得到；再基于清单构建区域内的各道路的交通信息以及各类型机动车的基准排放因子，构建清单构建区域对应的机动车排放清单。如此，由于通过多源交通数据所训练得到的交通流时空分布预测模型能够快速准确地预测得到清单构建区域内的各道路的交通信息，那么，基于该准确的清单构建区域内的各道路的交通信息，就可以快速准确地构建高分辨率机动车排放清单。
基于前述实施例，下面以具体实例对上述机动车排放清单的构建过程进行详细说明。
参见图3所示，大数据驱动的城市高分辨率的机动车排放清单构建方案可以包括以下三个步骤：
步骤301：获取多源交通数据以及地理信息。
这里，多源交通数据来源可以包括但不限于：基于感应线圈和微波雷达等固定检测、无线射频识别系统、基于浮动车的GPS移动监测系统、导航地图系统等智能交通系统。
这里，地理信息可以包括但不限于：人口分布信息、土地利用信息、地理经济信息、道路属性信息、周围点位交通流量等可能影响交通流时空分布差异性的信息。其中，道路属性信息可以包括道路中点经纬度、道路等级信息、车道数、限速信息等，土地利用信息可以包括：不同缓冲区大小内各用地类型面积(如城镇、乡村、农业、草地、未开发地区等)、离最近关键交通枢纽距离、POI个数、各等级道路长度等，人口分布信息可以包括：缓冲区内人口数量、缓冲区内人口密度等人口。
在一种示例性实施例中，从地理信息数据库中，筛选出与交通流时空分布可能相关的地理信息。这样，就可以得到所需要的地理信息。
步骤302：基于多源交通数据以及地理信息，训练得到大数据驱动的交通流时空分布预测模型，其中，该交通流时空分布预测模型用于模拟清单构建区域的全路网交通流时空分布。
在一种示例性实施例中，先将多源交通数据经过数据清洗处理、预处理后，从处理后的多源交通数据中，提取出最佳的交通流量、交通运行速度、车型分布信息，将交通流量、交通运行速度、车型分布信息作为样本交通信息，然后，将样本交通信息和地理信息作为训练集(如将筛选出的样本交通信息(如道路车速或流量)作为因变量，将筛选出的地理信息作为自变量)，利用机器学习模型(如随机森林模型)训练得到地理信息和交通流时空分布之间的关系，即训练得到大数据驱动的交通流时空分布预测模型，可用来预测没有观测数据路段的交通信息。
这里，数据清洗主要包括：去除空值、负值等明显错误的数据；删除对构建清单无意义的字段(如详细的道路名称、加密的道路编码等)等。
这里，预处理主要包括：将原始数据处理成构建清单所需格式。如按照小时分辨率提取交通流数据(原始数据分辨率可能更高，如GPS数据分辨率为逐秒、拥堵指数分辨率为5分钟)；无线射频识别系统需与车辆信息数据库匹配，从而获得车辆信息；导航地图公司提供的开源交通拥堵指数需根据指数-速度关系推导得到道路车速数据。
进一步地，可以从样本交通信息和地理信息分别获取部分数据作为测试集，并利用该测试集对训练得到大数据驱动的交通流时空分布预测模型进行测试。
步骤303：构建排放清单。
在实施过程中，将训练得到大数据驱动的交通流时空分布预测模型耦合多化学成分谱机动车排放因子模型，在清单构建区域的全路网交通流数据库的基础上，基于道路计算各道路的污染物排放量，快速准确地建立高分辨率道路排放清单，实现道路层面交通运行状况及排放强度的精确刻画。
在本申请实施例中，一方面，在机动车排放研究和控制方面，来自于不同智能交通系统的多源交通数据为高分辨率机动车排放清单的构建提供了重要数据来源，为精细化机动排放管理提供了有力保障。另一方面，通过多源交通数据以及地理信息进行训练得到的大数据驱动的交通流时空分布预测模型，对清单构建区域的交通流时空分布进行模拟预测，兼具科学性和对大数据处理的适应性，计算速度快、灵活性高、模拟效果好，可以适应高分辨率清单技术对多源数据融合、全路网交通模拟准确率及效率的要求。如此，可以快速准确地构建出高分辨率机动车排放清单。
基于同一发明构思，本申请实施例提供了一种构建机动车排放清单的装置。图4为本申请实施例中的构建机动车排放清单的装置的结构示意图，参见图4所示，该装置40可以包括：获取单元401，用于获取清单构建区域内的路网信息和各类型机动车的基准排放因子；预测单元402，用于根据清单构建区域内的路网信息，使用预先训练的交通流时空分布预测模型进行交通流时空分布预测，得到清单构建区域内的各道路的交通信息，其中，每个道路的交通信息包括：交通流量、交通运行速度和车型分布信息，交通流时空分布预测模型根据多源交通数据以及地理信息进行训练得到；构建单元403，用于基于清单构建区域内的各道路的交通信息以及各类型机动车的基准排放因子，构建清单构建区域对应的机动车排放清单。
在本申请其它实施例中，上述装置还可以包括：训练单元，用于获取清单构建区域的多源交通数据和清单构建区域的地理信息，其中，地理信息包括：道路属性信息、土地利用信息、人口分布信息、周围点位交通流量中的多种；基于多源交通数据，获得样本交通信息，其中，样本交通信息包括：交通流量、交通运行速度和车型分布信息；将样本交通信息作为因变量，并将地理信息作为自变量，利用机器学习模型训练得到交通流时空分布预测模型。
在本申请实施例中，训练单元，用于获取清单构建区域的多源交通数据和清单构建区域的地理信息，可以包括：训练单元，用于从清单构建区域内的智能交通系统中，获取多源交通数据，其中，智能交通系统包括：基于感应线圈的固定检测器、基于微波雷达的固定检测器、基于无线射频识别的车辆识别系统、基于浮动车的移动监测系统、交通卡口系统、视频监控系统、电子警察系统、导航系统、收费站监测系统、车联网系统中的多种；从清单构建区域对应的地理信息系统中，获取地理信息。
在本申请实施例中，训练单元，用于基于多源交通数据，获得样本交通信息，可以包括：训练单元，用于对多源交通数据进行数据清洗，得到清洗后的多源交通数据；对清洗后的多源交通数据进行预处理，得到预处理后的多源交通数据；从预处理后的多源交通数据中，提取出样本交通信息。
在本申请实施例中，构建单元，用于基于清单构建区域内的各道路的交通信息以及各类型机动车的基准排放因子，构建清单构建区域对应的机动车排放清单，可以包括：构建单元，用于从清单构建区域内的各道路的交通信息中，获取各道路的交通运行速度；分别根据各道路的交通运行速度，确定各道路的各类型机动车的平均速度修正因子；分别将各类型机动车的基准排放因子与各道路的各类型机动车的平均速度修正因子对应相乘，得到各道路的各类型机动车的排放因子；基于清单构建区域内的各道路的交通信息以及各道路的各类型机动车的排放因子，构建清单构建区域对应的机动车排放清单。
在本申请实施例中，构建单元，用于基于清单构建区域内的各道路的交通信息以及各道路的各类型机动车的排放因子，构建清单构建区域对应的机动车排放清单，可以包括：构建单元，用于获取清单构建区域内的各道路的路段长度；基于清单构建区域内的各道路的交通信息、各道路的各类型机动车的排放因子以及清单构建区域内的各道路的路段长度，计算清单构建区域内的各道路的各类型机动车的大气污染物排放量；基于清单构建区域内的各道路的各类型机动车的大气污染物排放量，构建清单构建区域对应的机动车排放清单。
在本申请实施例中，构建单元，用于基于清单构建区域内的各道路的交通信息、各道路的各类型机动车的排放因子以及清单构建区域内的各道路的路段长度，计算清单构建区域内的各道路的各类型机动车的大气污染物排放量，可以包括：
构建单元，用于基于清单构建区域内的各道路的交通信息，得到清单构建区域内的各道路的各类型机动车的交通流量；基于清单构建区域内的各道路的各类型机动车的交通流量、各道路的各类型机动车的排放因子以及清单构建区域内的各道路的路段长度，分别对清单构建区域内的每个道路进行以下操作：针对该道路中的每种类型的机动车，将该道路的路段长度、该道路的该类型机动车对应的交通流量以及该道路的该类型机动车的排放因子相乘，计算出该道路的该类型机动车的大气污染物排放量。
基于同一发明构思，本申请实施例提供一种计算机设备。图5为本申请实施例中的计算机设备的结构示意图，参见图5所示，该计算机设备50包括：至少一个处理器501；以及与处理器501连接的至少一个存储器502、总线503；其中，处理器501、存储器502通过总线503完成相互间的通信；处理器501用于调用存储器502中的程序指令，以执行上述一个或多个实施例中的构建机动车排放清单的方法的步骤。
上述处理器可由中央处理器(Central Processing Unit，CPU)、微处理器(MicroProcessor Unit，MPU)、数字信号处理器(Digital Signal Processor，DSP)、或现场可编程门阵列(Field Programmable Gate Array，FPGA)等实现。存储器可能包括计算机可读介质中的非永久性存储器，随机存储器(Random Access Memory，RAM)和/或非易失性内存等形式，如只读存储器(Read Only Memory，ROM)或闪存(Flash RAM)，存储器包括至少一个存储芯片。
需要说明的是，在本申请实施例中，如果以软件功能模块的形式实现上述一个或多个实施例中的构建机动车排放清单的方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例方法的全部或部分。
相应地，基于同一发明构思，本申请实施例再提供一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在程序运行时控制存储介质所在计算机设备执行上述一个或多个实施例中的构建机动车排放清单的方法的步骤。
这里需要指出的是：以上装置、计算机设备或计算机可读存储介质实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置、计算机设备或计算机可读存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本申请实施例的精神和范围内。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
Claims (10)
1.一种构建机动车排放清单的方法，包括：
获取清单构建区域内的路网信息和各类型机动车的基准排放因子；
根据清单构建区域内的路网信息，使用预先训练的交通流时空分布预测模型进行交通流时空分布预测，得到清单构建区域内的各道路的交通信息，其中，每个道路的交通信息包括：交通流量、交通运行速度和车型分布信息，所述交通流时空分布预测模型根据多源交通数据以及地理信息进行训练得到；
基于清单构建区域内的各道路的交通信息以及各类型机动车的基准排放因子，构建清单构建区域对应的机动车排放清单。
2.根据权利要求1所述的方法，其特征在于，所述交通流时空分布预测模型根据多源交通数据以及地理信息进行训练的过程，包括：
获取清单构建区域的多源交通数据和清单构建区域的地理信息，其中，所述地理信息包括：道路属性信息、土地利用信息、人口分布信息、周围点位交通流量中的多种；
基于多源交通数据，获得样本交通信息，其中，所述样本交通信息包括：交通流量、交通运行速度和车型分布信息；
将所述样本交通信息作为因变量，并将地理信息作为自变量，利用机器学习模型训练得到所述交通流时空分布预测模型。
3.根据权利要求2所述的方法，其特征在于，所述获取清单构建区域的多源交通数据和清单构建区域的地理信息，包括：
从清单构建区域内的智能交通系统中，获取所述多源交通数据，其中，所述智能交通系统包括：基于感应线圈的固定检测器、基于微波雷达的固定检测器、基于无线射频识别的车辆识别系统、基于浮动车的移动监测系统、交通卡口系统、视频监控系统、电子警察系统、导航系统、收费站监测系统、车联网系统中的多种；
从清单构建区域对应的地理信息系统中，获取所述地理信息。
4.根据权利要求2所述的方法，其特征在于，所述基于多源交通数据，获得样本交通信息，包括：
对所述多源交通数据进行数据清洗，得到清洗后的多源交通数据；
对清洗后的多源交通数据进行预处理，得到预处理后的多源交通数据；
从预处理后的多源交通数据中，提取出所述样本交通信息。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述基于清单构建区域内的各道路的交通信息以及各类型机动车的基准排放因子，构建清单构建区域对应的机动车排放清单，包括：
从清单构建区域内的各道路的交通信息中，获取各道路的交通运行速度；
分别根据各道路的交通运行速度，确定各道路的各类型机动车的平均速度修正因子；
分别将各类型机动车的基准排放因子与各道路的各类型机动车的平均速度修正因子对应相乘，得到各道路的各类型机动车的排放因子；
基于清单构建区域内的各道路的交通信息以及各道路的各类型机动车的排放因子，构建清单构建区域对应的机动车排放清单。
6.根据权利要求5所述的方法，其特征在于，所述基于清单构建区域内的各道路的交通信息以及各道路的各类型机动车的排放因子，构建清单构建区域对应的机动车排放清单，包括：
获取清单构建区域内的各道路的路段长度；
基于清单构建区域内的各道路的交通信息、各道路的各类型机动车的排放因子以及清单构建区域内的各道路的路段长度，计算清单构建区域内的各道路的各类型机动车的大气污染物排放量；
基于清单构建区域内的各道路的各类型机动车的大气污染物排放量，构建清单构建区域对应的机动车排放清单。
7.根据权利要求6所述的方法，其特征在于，所述基于清单构建区域内的各道路的交通信息、各道路的各类型机动车的排放因子以及清单构建区域内的各道路的路段长度，计算清单构建区域内的各道路的各类型机动车的大气污染物排放量，包括：
基于清单构建区域内的各道路的交通信息，得到清单构建区域内的各道路的各类型机动车的交通流量；
基于清单构建区域内的各道路的各类型机动车的交通流量、各道路的各类型机动车的排放因子以及清单构建区域内的各道路的路段长度，分别对清单构建区域内的每个道路进行以下操作：针对该道路中的每种类型的机动车，将该道路的路段长度、该道路的该类型机动车对应的交通流量以及该道路的该类型机动车的排放因子相乘，计算出该道路的该类型机动车的大气污染物排放量。
8.一种计算机设备，包括：
至少一个处理器；
以及与所述处理器连接的至少一个存储器、总线；
其中，所述处理器、存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1至7任一项所述的构建机动车排放清单的方法的步骤。
9.一种计算机可读存储介质，包括存储的程序，其中，在所述程序运行时控制所述存储介质所在计算机设备执行如权利要求1至7任一项所述的构建机动车排放清单的方法的步骤。
10.一种构建机动车排放清单的装置，包括：
获取单元，用于获取清单构建区域内的路网信息和各类型机动车的基准排放因子；
预测单元，用于根据清单构建区域内的路网信息，使用预先训练的交通流时空分布预测模型进行交通流时空分布预测，得到清单构建区域内的各道路的交通信息，其中，每个道路的交通信息包括：交通流量、交通运行速度和车型分布信息，所述交通流时空分布预测模型根据多源交通数据以及地理信息进行训练得到；
构建单元，用于基于清单构建区域内的各道路的交通信息以及各类型机动车的基准排放因子，构建清单构建区域对应的机动车排放清单。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010343058.1A CN111612670B (zh) | 2020-04-27 | 2020-04-27 | 一种构建机动车排放清单的方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010343058.1A CN111612670B (zh) | 2020-04-27 | 2020-04-27 | 一种构建机动车排放清单的方法、装置和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111612670A true CN111612670A (zh) | 2020-09-01 |
| CN111612670B CN111612670B (zh) | 2024-03-15 |
Family
ID=72204418
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010343058.1A Active CN111612670B (zh) | 2020-04-27 | 2020-04-27 | 一种构建机动车排放清单的方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111612670B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113222442A (zh) * | 2021-05-25 | 2021-08-06 | 东莞理工学院 | 实时交通大气污染排放清单计算方法以及决策辅助方法 |
| CN113222387A (zh) * | 2021-04-30 | 2021-08-06 | 北京理工新源信息科技有限公司 | 面向氢燃料车辆的多目标调度与协同优化方法 |
| CN113407653A (zh) * | 2021-05-28 | 2021-09-17 | 中国环境科学研究院 | 一种排放清单构建方法、系统及可读存储介质 |
| CN113515722A (zh) * | 2021-09-15 | 2021-10-19 | 南昌云宜然科技有限公司 | 一种道路交通排放与扬尘排放的实时监测方法与系统 |
| CN114881472A (zh) * | 2022-05-07 | 2022-08-09 | 中科三清科技有限公司 | 机动车排放对空气质量影响的分析方法、装置及设备 |
| CN115035713A (zh) * | 2022-04-29 | 2022-09-09 | 银江技术股份有限公司 | 智慧交通碳排放监测系统和方法 |
| CN115063050A (zh) * | 2022-08-16 | 2022-09-16 | 武汉科技大学 | 一种基于大数据的重型柴油车NOx排放清单确定方法 |
| CN116910383A (zh) * | 2023-01-16 | 2023-10-20 | 广州大学 | 一种基于汽车轨迹大数据的交通能源消耗源汇识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120109506A1 (en) * | 2010-11-01 | 2012-05-03 | International Business Machines Corporation | Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models |
| CN110910659A (zh) * | 2019-11-29 | 2020-03-24 | 腾讯云计算（北京）有限责任公司 | 一种交通流量预测方法、装置、设备以及存储介质 |
-
2020
- 2020-04-27 CN CN202010343058.1A patent/CN111612670B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120109506A1 (en) * | 2010-11-01 | 2012-05-03 | International Business Machines Corporation | Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models |
| CN110910659A (zh) * | 2019-11-29 | 2020-03-24 | 腾讯云计算（北京）有限责任公司 | 一种交通流量预测方法、装置、设备以及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 朱洪;刘娟;程杰;刘登国;葛王琦;: "上海市机动车交通排放模型构建", 城市交通, vol. 14, no. 06, pages 17 - 22 * |
| 王虎;李孟良;乔维高;: "一种汽车源排放模型――IVE模型简介", 中国环境监测, vol. 23, no. 05, pages 78 - 81 * |
| 邱世崇;陆百川;马庆禄;邹巍;张勤;: "基于时空特性分析和数据融合的交通流预测", 武汉理工大学学报(信息与管理工程版), vol. 37, no. 02, pages 156 - 160 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113222387A (zh) * | 2021-04-30 | 2021-08-06 | 北京理工新源信息科技有限公司 | 面向氢燃料车辆的多目标调度与协同优化方法 |
| CN113222442A (zh) * | 2021-05-25 | 2021-08-06 | 东莞理工学院 | 实时交通大气污染排放清单计算方法以及决策辅助方法 |
| CN113222442B (zh) * | 2021-05-25 | 2023-05-23 | 东莞理工学院 | 实时交通大气污染排放清单计算方法以及决策辅助方法 |
| CN113407653A (zh) * | 2021-05-28 | 2021-09-17 | 中国环境科学研究院 | 一种排放清单构建方法、系统及可读存储介质 |
| CN113515722A (zh) * | 2021-09-15 | 2021-10-19 | 南昌云宜然科技有限公司 | 一种道路交通排放与扬尘排放的实时监测方法与系统 |
| CN115035713A (zh) * | 2022-04-29 | 2022-09-09 | 银江技术股份有限公司 | 智慧交通碳排放监测系统和方法 |
| CN115035713B (zh) * | 2022-04-29 | 2023-08-25 | 银江技术股份有限公司 | 智慧交通碳排放监测系统和方法 |
| CN114881472A (zh) * | 2022-05-07 | 2022-08-09 | 中科三清科技有限公司 | 机动车排放对空气质量影响的分析方法、装置及设备 |
| CN115063050A (zh) * | 2022-08-16 | 2022-09-16 | 武汉科技大学 | 一种基于大数据的重型柴油车NOx排放清单确定方法 |
| CN116910383A (zh) * | 2023-01-16 | 2023-10-20 | 广州大学 | 一种基于汽车轨迹大数据的交通能源消耗源汇识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111612670B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111612670B (zh) | 一种构建机动车排放清单的方法、装置和计算机设备 | |
| Sun et al. | Analyzing spatiotemporal traffic line source emissions based on massive didi online car-hailing service data | |
| Grote et al. | Including congestion effects in urban road traffic CO2 emissions modelling: Do Local Government Authorities have the right options? | |
| US10699564B1 (en) | Method for defining intersections using machine learning | |
| Lyu et al. | Review of the studies on emission evaluation approaches for operating vehicles | |
| 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 | |
| Anand et al. | Traffic density estimation under heterogeneous traffic conditions using data fusion | |
| CN108682156B (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 | |
| US11335191B2 (en) | Intelligent telematics system for defining road networks | |
| Grote et al. | A practical model for predicting road traffic carbon dioxide emissions using inductive loop detector data | |
| US11341846B2 (en) | Traffic analytics system for defining road networks | |
| Pan et al. | Exploring spatial variation of the bus stop influence zone with multi-source data: A case study in Zhenjiang, China | |
| US11335189B2 (en) | Method for defining road networks | |
| Meneguzzer et al. | Before-and-after field investigation of the effects on pollutant emissions of replacing a signal-controlled road intersection with a roundabout | |
| Wu et al. | High-resolution mapping of regional traffic emissions by using land-use machine learning models | |
| Allström et al. | Mobile Millennium Stockholm | |
| CN112767686B (zh) | 一种基于多源数据融合的公路网汽车排放估算方法 | |
| Hao et al. | Modal activity-based vehicle energy/emissions estimation using sparse mobile sensor data | |
| Tiedong et al. | Applying floating car data in traffic monitoring | |
| Yao et al. | Variation of truck emission by trip purposes: Cases by real-world trajectory data | |
| Li et al. | A simulation approach to detect arterial traffic congestion using cellular data | |
| CN114676988A (zh) | 一种道路移动源排放地图生成方法及装置 | |
| Li et al. | Impact of freeway weaving segment design on light-duty vehicle exhaust emissions | |
| Buroni et al. | Cluster Analysis of On-Board-Unit Truck Big Data from the Brussels Capital Region | |
| Ou et al. | Big-data-based analysis on the relationship between taxi travelling patterns and taxi drivers' incomes |
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 |