CN113111860B - 道路移动源排放计算方法、装置、设备及介质 - Google Patents

道路移动源排放计算方法、装置、设备及介质 Download PDF

Info

Publication number
CN113111860B
CN113111860B CN202110519291.5A CN202110519291A CN113111860B CN 113111860 B CN113111860 B CN 113111860B CN 202110519291 A CN202110519291 A CN 202110519291A CN 113111860 B CN113111860 B CN 113111860B
Authority
CN
China
Prior art keywords
vehicle
target area
road
emission
data
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
Application number
CN202110519291.5A
Other languages
English (en)
Other versions
CN113111860A (zh
Inventor
孟祥瑞
刘洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhicheng Jiaojian Technology Co ltd
Original Assignee
Beijing Zhicheng Jiaojian Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Zhicheng Jiaojian Technology Co ltd filed Critical Beijing Zhicheng Jiaojian Technology Co ltd
Priority to CN202110519291.5A priority Critical patent/CN113111860B/zh
Publication of CN113111860A publication Critical patent/CN113111860A/zh
Application granted granted Critical
Publication of CN113111860B publication Critical patent/CN113111860B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开实施例中提供了一种道路移动源排放计算方法、装置、设备及介质，测量技术领域，具体包括：在预设周期内获取目标区域的交通数据；计算所述目标区域内车辆的行驶数据；检测所述预设周期内所述目标区域内的车队信息；根据所述交通数据、所述行驶数据和所述车队信息得到道路移动源排放强度值。通过本公开的方案，在预设周期内获取目标区域内的交通数据、行驶数据和车队信息，并据此得出该预设周期内目标区域对应的道路移动源排放强度，提高了排放清单估算效率、精准度和适应性。

Description

道路移动源排放计算方法、装置、设备及介质
技术领域
本公开实施例涉及测量技术领域，尤其涉及一种道路移动源排放计算方法、装置、设备及介质。
背景技术
目前，近几十年来，我国的机动车保有量增长迅速，如此庞大的机动车数量给环境带来了沉重的压力，使机动车尾气成为中国大中型城市空气污染的重要来源，由于城市范围内机动车保有量大，交通情况变化复杂，因此准确的交通数据获取十分困难，因此要在城市一级研究范围内制定较小尺度的机动车排放清单相对困难。目前常用的交通数据获取方法是通过选定有代表性的路段进行交通规律统计，并将统计规律用于全部路网的排放计算。但是现有的方法对城市路网实际交通条件的反映精度十分有限，影响了小尺度道路移动源排放清单编制的精度。
可见，亟需一种高效精准且适应性强的道路移动源排放计算方法。
发明内容
有鉴于此，本公开实施例提供一种道路移动源排放计算方法、装置、设备及介质，至少部分解决现有技术中存在的检测效率、检测精度和适应性较差的问题。
第一方面，本公开实施例提供了一种道路移动源排放计算方法，包括：
在预设周期内获取目标区域的交通数据；
计算所述目标区域内车辆的行驶数据；
检测所述预设周期内所述目标区域内的车队信息；
根据所述交通数据、所述行驶数据和所述车队信息得到道路移动源排放强度值。
根据本公开实施例的一种具体实现方式，所述检测所述预设周期内所述目标区域内的车队信息的步骤之前，所述方法还包括：
利用预设数量的样本车辆数据训练卷积神经网络，得到车辆识别模型，其中，所述样本车辆数据包括不同类型车辆的图像数据。
根据本公开实施例的一种具体实现方式，所述检测所述预设周期内所述目标区域内的车队信息的步骤，包括：
在所述预设周期内，采集所述目标区域内包含车辆的图像数据；
将所述图像数据输入所述车辆识别模型，得到所述图像数据内包含的车辆对应的车辆类型；
将全部所述车辆对应的车辆类型形成所述车队信息。
根据本公开实施例的一种具体实现方式，所述根据所述交通数据、所述行驶数据和所述车队信息得到道路移动源排放强度值的步骤，包括：
根据所述交通数据得到所述目标区域的交通态势、平均车速和道路类型；
根据所述行驶数据得到所述目标区域内车辆对应的行驶模式；
将所述交通态势、所述平均车速、所述道路类型、所述行驶模式和所述车队信息得到输入第一排放公式，得到综合排放因子值；
将所述排放因子值输入所述第二排放公式，得到所述道路移动源排放强度值。
根据本公开实施例的一种具体实现方式，所述第一排放公式为，其中，TFRT,TC,TD为所述道路类型RT、所述交通态势TC和时段TD下单车道每分钟车流量，VT为所述车辆类型，DM为所述行驶模式，VCRT,TC,TD,VT为车辆类型VT在给定所述道路类型RT、所述交通态势TC和所述时段TD下的车队组成，TPRT,TC,TD,DM为所述行驶模式DM在给定所述道路类型RT、所述交通态势TC和所述时段TD下的时间占比，EFVT,DM为车辆类型VT在行驶模式DM下的实测排放因子，VRT,TC,TD为车辆在给定所述道路类型RT、所述交通态势TC和所述时段TD下的均速。
根据本公开实施例的一种具体实现方式，所述第二排放公式为TEMi，TC，TD＝Li×NRT×CEDi，TC，TD，其中，Li为所述目标区域i的路段长度，NTRT为所述道路类型RT的单向车道数量。
第二方面，本公开实施例提供了一种道路移动源排放计算装置，包括：
获取模块，用于在预设周期内获取目标区域的交通数据；
第一计算模块，计算所述目标区域内车辆的行驶数据；
检测模块，用于检测所述预设周期内所述目标区域内的车队信息；
第二计算模块，用于根据所述交通数据、所述行驶数据和所述车队信息得到道路移动源排放强度值。
根据本公开实施例的一种具体实现方式，所述检测模块还用于：
在所述预设周期内，采集所述目标区域内包含车辆的图像数据；
将所述图像数据输入所述车辆识别模型，得到所述图像数据内包含的车辆对应的车辆类型；
将全部所述车辆对应的车辆类型形成所述车队信息。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的道路移动源排放计算方法。
第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的道路移动源排放计算方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的道路移动源排放计算方法。
本公开实施例中的道路移动源排放计算方案，包括：在预设周期内获取目标区域的交通数据；计算所述目标区域内车辆的行驶数据；检测所述预设周期内所述目标区域内的车队信息；根据所述交通数据、所述行驶数据和所述车队信息得到道路移动源排放强度值。通过本公开的方案，在预设周期内获取目标区域内的交通数据、行驶数据和车队信息，并据此得出该预设周期内目标区域对应的排放强度，提高了排放清单估算效率、检测精准度和适应性。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种道路移动源排放计算方法的流程示意图；
图2为本公开实施例提供的一种道路移动源排放计算方法的部分流程示意图；
图3为本公开实施例提供的一种道路移动源排放计算方法涉及的一种具体实施方式中的交通态势和排放强度的示意图；
图4本公开实施例提供的一种道路移动源排放计算方法涉及的一种具体实施方式中不同时段排放强度示意图；
图5为本公开实施例提供的一种道路移动源排放计算装置的结构示意图；
图6为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
近几十年来，我国的机动车保有量增长迅速。根据《中国车辆环境管理年度报告》，截至2017年底，中国机动车数量已达3亿1000万辆。据估计，中国将在未来五年新增1亿辆新车。如此庞大的机动车数量给环境带来了沉重的压力，使机动车尾气成为中国大中型城市空气污染的重要来源。
机动车尾气排放清单的编制是对机动车污染进行管控的重要前提。机动车尾气排放清单编制需要基于机动车尾气排放模型。尾气排放模型参数的时间和空间分辨率决定了计算结果的时空分辨率水平。由于机动车尾气排放特征变化是瞬态的，因此，较小尺度的尾气排放模型越来越受到人们的重视，以用于道路暴露评价和提高排放清单编制精度。尾气排放模型所依赖的数据主要包括机动车尾气排放因子及路网交通数据，其中排放因子数据可以通过实测获得。由于城市范围内机动车保有量大，交通情况变化复杂，因此准确的交通数据获取十分困难，因此要在城市一级研究范围内制定较小尺度的机动车排放清单相对困难。目前常用的交通数据获取方法是通过选定有代表性的路段进行交通规律统计，并将统计规律用于全部路网的排放计算。但是现有的方法对城市路网实际交通条件的反映精度十分有限，影响了小尺度道路移动源排放清单编制的精度。
本公开实施例提供一种道路移动源排放计算方法，所述方法可以应用于城市交通场景的车辆排放量计算过程。
参见图1，为本公开实施例提供的一种道路移动源排放计算方法的流程示意图。如图1所示，所述方法主要包括以下步骤：
S101，在预设周期内获取目标区域的交通数据；
具体的，可以在基于地图运营商的API接口，按一定时间间隔收集感兴趣区域内实时的交通数据。
例如，通过使用高德地图Web-API接口，以1分钟为所述预设周期获取了成都市境内2018年5月期间的实时交通数据。
S102，计算所述目标区域内车辆的行驶数据；
在获取到所述目标区域的交通数据后，可以结合道路机动车浮动车数据，例如，可以收集自运营车辆GPS监测数据或设计GPS实测实验对代表性路段进行测量获取，然后进一步计算所述目标区域内车辆的行驶特征数据例如车辆在所述目标区域内的不同道路类型、不同交通态势下的的行驶模式情况。
S103，检测所述预设周期内所述目标区域内的车队信息；
然后再检测所述预设周期内所述目标区域内的车队信息，所述车队信息可以包括代表性路段的车流量及不同车辆类型的数量占比，分析计算在所述目标区域的不同带路类型、不同交通态势下的路段上的车流量及组成，形成所述车队信息。
S104，根据所述交通数据、所述行驶数据和所述车队信息得到道路移动源排放强度值。
在得到所述交通数据、所述行驶数据和所述车队信息后，则可以根据所述交通数据、所述行驶数据和所述车队信息综合计算，得到所述目标区域不同时段的道路移动源排放强度值。
本公开实施例提供的道路移动源排放计算方法，通过在预设周期内获取目标区域内的交通数据、行驶数据和车队信息，并据此得出该预设周期内目标区域对应的排放强度，提高了检测效率、检测精准度和适应性。
在上述实施例的基础上，步骤S103所述的，检测所述预设周期内所述目标区域内的车队信息之前，所述方法还包括：
利用预设数量的样本车辆数据训练卷积神经网络，得到车辆识别模型，其中，所述样本车辆数据包括不同类型车辆的图像数据。
具体实施时，车辆的类型不同导致车辆的污染物排放量也不同，可以将排放量近似的车辆定义为同一类型，可以先利用预设数量的样本车辆数据训练所述卷积神经网络，得到所述车辆识别模型，在后续的处理过程中能通过图像采集装置采集所述目标区域内的车辆图像，然后通过所述车辆识别模型自动识别车辆对应的类型，省去了人工识别审核的步骤，提高了排放清单估算效率和精确度。
进一步的，如图2所示，步骤S103所述的，检测所述预设周期内所述目标区域内的车队信息，包括：
S201，在所述预设周期内，采集所述目标区域内包含车辆的图像数据；
例如，所述预设周期为1分钟，则电子设备可以在一分钟内通过图像采集模块或者外接的图像采集装置采集所述目标区域内包含车辆的图像数据，然后可以将所述图像数据传输至处理器进行分析处理，或者将所述图像数据上传至预设的存储空间，在需要对所述图像数据进行分析处理时从所述预设的存储空间内提取。
S202，将所述图像数据输入所述车辆识别模型，得到所述图像数据内包含的车辆对应的车辆类型；
在采集到所述图像数据后，可以将所述图像数据输入所述车辆识别模型，由所述车辆识别模型识别所述图像数据内包含的车辆对应的车辆类型，同时，还可以将所述图像数据进一步训练所述车辆识别模型，以使得所述车辆识别模型的识别精度不断提高。
S203，将全部所述车辆对应的车辆类型形成所述车队信息。
例如，识别1分钟内通过所述目标区域的车辆数有100台，则将100台所述车辆识别分类，然后将将全部所述车辆对应的车辆类型形成所述车队信息。
在上述实施例的基础上，步骤S104所述的，根据所述交通数据、所述行驶数据和所述车队信息得到道路移动源排放强度值，包括：
根据所述交通数据得到所述目标区域的交通态势、平均速度和道路类型；
具体实施时，可以根据所述交通数据得到所述目标区域的交通态势、车流量和道路类型，当然，还可以根据实际需求获取更多的数据信息。
根据所述行驶数据得到所述目标区域内车辆对应的行驶模式；
例如，所述行驶数据表示所述目标区域内车辆的车速或加速度等，可以根据所述目标区域的行驶数据，例如，可以收集自运营车辆GPS监测数据或设计GPS实测实验对代表性路段进行测量获取，然后得到所述目标区域内不同道路类型、不同交通态势下对应的行驶模式组成情况，例如均速、怠速、加速或减速等行驶模式的时间占比。
将所述交通态势、所述平均速度、所述道路类型、所述行驶模式和所述车队信息得到输入第一排放公式，得到综合排放因子值；
可选的，所述第一排放公式为
，
其中，TFRT,TC,TD为所述道路类型RT、所述交通态势TC和时段TD下单车道每分钟车流量，VT为所述车辆类型，DM为所述行驶模式，VCRT,TC,TD,VT为车辆类型VT在给定所述道路类型RT、所述交通态势TC和所述时段TD下的车队组成，TPRT,TC,TD,DM为所述行驶模式DM在给定所述道路类型RT、所述交通态势TC和所述时段TD下的时间占比，EFVT,DM为车辆类型VT在行驶模式DM下的实测排放因子，VRT,TC,TD为车辆在给定所述道路类型RT、所述交通态势TC和所述时段TD下的均速。
具体实施时，在获取到所述交通态势、所述平均速度、所述道路类型、所述行驶模式和所述车队信息后，将所述交通态势、所述车流量、所述道路类型、所述行驶模式和所述车队信息代入所述第一排放公式，就能得到综合排放因子值，所述排放因子值代表所述目标区域在所述预设周期内污染物的排放量
将所述排放因子值输入所述第二排放公式，得到所述道路移动源排放强度值。
可选的，所述第二排放公式为
TEMi，TC，TD＝Li×NRT×CEDi，TC，TD，其中，Li为所述目标区域i的路段长度，NTRT为所述道路类型RT的单向车道数量。
具体的，在计算得到所述排放因子值后，可以将所述排放因子值输入所述第二排放公式，得到所述目标区域对应的路段的道路移动源排放强度值。
下面将结合一种具体实施例来对本公开进行具体说明，通过使用高德地图Web-API接口，以1分钟为时间间隔获取了成都市境内2018.5期间的实时交通数据，所得交通数据属性示例如表1所示：
表1
在获取数据的同时，研究设计了GPS实验和交通断面摄影实验，选取有代表性的路段实测机动车GPS路径及断面车流量及组成，通过与实时交通数据结合，建立了不同交通态势、道路类型、时段与机动车行驶模式占比、车流量、车队组成信息的统计学关系，建立了实时交通数据同实际交通参数的映射关系如表2和表4；本示例中，行驶模式的划分标准和车辆类型的划分标准分别如表3和表5：
表2
表3
表4
表5
在此基础上，结合不同机动车类型在不同交通态势下的实测排放因子如表6所示，即可以前述公式计算得到研究范围内道路移动源排放的时空分布。
表6
本示例中不同机动车类型在不同交通态势下的实测排放因子收集自中国境内对各类型机动车尾气的实测研究成果，有本地化测量结果的可以进行相应替换以提高最终结果的估算精度。
在获取某一时刻研究区范围内的实时交通数据后，即可计算得到同一时刻各类主要污染物的道路排放强度，以2018年4月9日9点为例，成都城区实施交通态势及相对应同一时刻的HC、NOx、CO排放强度分别如图3a～d所示。在该时刻，可以通过图3a在市区的西部和南部观察到大量的交通拥堵路段的分布，连接市区和郊区的主干道也较易出现拥堵交通态势，与当地的交通通勤需求一致，这是因为成都的许多居民居住在郊区，而工商业大多位于市中心、城市的南部和西部。因此，连接这些地区的道路通常有更大的交通量。几种污染物的排放强度计算结果与实时交通态势一致，交通态势较差的路段同时也是污染物排放速率较高的路段。由于基于互联网的实时交通数据具有较高的时空分辨率，因此利用这些数据开发的机动车排放清单也具有较高的时空分辨率，这将有助于提高空气质量建模的精度。
当需要对某一特定污染物的排放量进行计算时，也可以通过实时检测然后根据不同机动车类型在不同交通态势下该污染物的实测排放因子。例如，计算2018.5期间研究区NOx的日间排放速率变化，结果如图4所示。从图中可以看出，一天之中道路移动源NOx的排放强度有明显的变化。研究所划分的三种道路类型(快速路、主干道、社区道路)的排放有相同的变化趋势，在午夜时分排放相对较低，在凌晨6点左右排放达到最低，之后随着早高峰的到来，各类道路的排放强度明显增加，在8时到10时之间，道路移动源排放量达到第一个峰值；之后，随着早高峰的结束，车流量下降，交通条件有所改善，在中午12时到13时前后，排放达到一个小的波谷。午后，随着车流量的回升和交通再次繁忙，道路移动源排放强度进一步开始增加，并在18时前后即晚高峰时达到一天中的第二个高峰值，之后开始下降。
与上面的方法实施例相对应，参见图5，本公开实施例还提供了一种道路移动源排放计算装置50，包括：
获取模块501，用于在预设周期内获取目标区域的交通数据；
第一计算模块502，用于计算所述目标区域内车辆的行驶数据；
检测模块503，用于检测所述预设周期内所述目标区域内的车队信息；
第二计算模块504，用于根据所述交通数据、所述行驶数据和所述车队信息得到道路移动源排放强度值。
可选的，所述检测模块503还用于：
在所述预设周期内，采集所述目标区域内包含车辆的图像数据；
将所述图像数据输入所述车辆识别模型，得到所述图像数据内包含的车辆对应的车辆类型；
将全部所述车辆对应的车辆类型形成所述车队信息。
图5所示装置可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的道路移动源排放计算方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的道路移动源排放计算方法。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的道路移动源排放计算方法。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种道路移动源排放计算方法，其特征在于，包括：
在预设周期内获取目标区域的交通数据；
计算所述目标区域内车辆的行驶数据；
检测所述预设周期内所述目标区域内的车队信息；
根据所述交通数据、所述行驶数据和所述车队信息得到道路移动源排放强度值，具体包括：根据所述交通数据得到所述目标区域的交通态势、平均车速和道路类型；根据所述行驶数据得到所述目标区域内车辆对应的行驶模式；将所述交通态势、所述平均车速、所述道路类型、所述行驶模式和所述车队信息输入第一排放公式，得到综合排放因子值；将所述排放因子值输入第二排放公式，得到道路移动源排放强度值。
2.根据权利要求1所述的方法，其特征在于，所述检测所述预设周期内所述目标区域内的车队信息的步骤之前，所述方法还包括：
利用预设数量的样本车辆数据训练卷积神经网络，得到车辆识别模型，其中，所述样本车辆数据包括不同类型车辆的图像数据。
3.根据权利要求2所述的方法，其特征在于，所述检测所述预设周期内所述目标区域内的车队信息的步骤，包括：
在所述预设周期内，采集所述目标区域内包含车辆的图像数据；
将所述图像数据输入所述车辆识别模型，得到所述图像数据内包含的车辆对应的车辆类型；
将全部所述车辆对应的车辆类型形成所述车队信息。
4.根据权利要求3所述的方法，其特征在于，所述第一排放公式为
，
其中，TFRT,TC,TD为所述道路类型RT、所述交通态势TC和时段TD下单车道每分钟车流量，VT为所述车辆类型，DM为所述行驶模式，VCRT,TC,TD,VT为车辆类型VT在给定所述道路类型RT、所述交通态势TC和所述时段TD下的车队组成，TPRT,TC,TD,DM为所述行驶模式DM在给定所述道路类型RT、所述交通态势TC和所述时段TD下的时间占比，EFVT,DM为车辆类型VT在行驶模式DM下的实测排放因子，VRT,TC,TD为车辆在给定所述道路类型RT、所述交通态势TC和所述时段TD下的均速。
5.根据权利要求4所述的方法，其特征在于，所述第二排放公式为TEMi，TC，TD＝Li×NRT×CEDi，TC，TD，其中，Li为所述目标区域i的路段长度，NTRT为所述道路类型RT的单向车道数量。
6.一种道路移动源排放计算装置，其特征在于，包括：
获取模块，用于在预设周期内获取目标区域的交通数据；
第一计算模块，计算所述目标区域内车辆的行驶数据；
检测模块，用于检测所述预设周期内所述目标区域内的车队信息；
第二计算模块，用于根据所述交通数据、所述行驶数据和所述车队信息得到道路移动源排放强度值，具体包括：根据所述交通数据得到所述目标区域的交通态势、平均车速和道路类型；根据所述行驶数据得到所述目标区域内车辆对应的行驶模式；将所述交通态势、所述平均车速、所述道路类型、所述行驶模式和所述车队信息输入第一排放公式，得到综合排放因子值；将所述排放因子值输入第二排放公式，得到道路移动源排放强度值。
7.根据权利要求6所述的装置，其特征在于，所述检测模块还用于：
在所述预设周期内，采集所述目标区域内包含车辆的图像数据；
将所述图像数据输入所述车辆识别模型，得到所述图像数据内包含的车辆对应的车辆类型；
将全部所述车辆对应的车辆类型形成所述车队信息。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-5中任一项所述的道路移动源排放计算方法。
9.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述权利要求1-5中任一项所述的道路移动源排放计算方法。
CN202110519291.5A 2021-05-12 2021-05-12 道路移动源排放计算方法、装置、设备及介质 Active CN113111860B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110519291.5A CN113111860B (zh) 2021-05-12 2021-05-12 道路移动源排放计算方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110519291.5A CN113111860B (zh) 2021-05-12 2021-05-12 道路移动源排放计算方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113111860A CN113111860A (zh) 2021-07-13
CN113111860B true CN113111860B (zh) 2024-04-09

Family

ID=76722019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110519291.5A Active CN113111860B (zh) 2021-05-12 2021-05-12 道路移动源排放计算方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113111860B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792085A (zh) * 2021-08-16 2021-12-14 天津布尔科技有限公司 一种高污染车辆经常行驶路段监控方法、装置及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567811A (zh) * 2011-12-31 2012-07-11 中山大学 基于实时道路交通特征的机动车排放测算方法
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
CN103810398A (zh) * 2014-03-06 2014-05-21 北京市环境保护科学研究院 道路移动源非尾气管颗粒物排放清单建立方法
CN106845371A (zh) * 2016-12-31 2017-06-13 中国科学技术大学 一种城市路网机动车尾气排放遥感监控系统
CN106948912A (zh) * 2017-03-30 2017-07-14 无锡威孚力达催化净化器有限责任公司 柴油机后处理排气热管理方法及装置
CN109086246A (zh) * 2018-07-04 2018-12-25 北京市劳动保护科学研究所 一种道路交通源的排放量计算方法及装置
CN110232816A (zh) * 2018-11-26 2019-09-13 深圳市城市交通规划设计研究中心有限公司 交通排放的计算方法、计算装置及终端
CN110514254A (zh) * 2019-09-06 2019-11-29 重庆市城投金卡信息产业(集团)股份有限公司 单车排放量检测方法及其检测系统
CN111489060A (zh) * 2020-03-21 2020-08-04 河南大学 一种高时空分辨率交通源排放清单制备方法
CN112561410A (zh) * 2021-02-26 2021-03-26 北京英视睿达科技有限公司 道路车辆的排放量确定方法、装置及电子设备
CN112767686A (zh) * 2020-12-23 2021-05-07 华南理工大学 一种基于多源数据融合的公路网汽车排放估算方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007045991A1 (de) * 2007-09-26 2009-04-02 Siemens Ag Verfahren zur Ermittlung von Verbrauchs- und/oder Emissionswerten
FR3095837B1 (fr) * 2019-05-10 2021-04-30 Ifp Energies Now Procédé de détermination des émissions polluantes d’un véhicule au moyen d’un système embarqué

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567811A (zh) * 2011-12-31 2012-07-11 中山大学 基于实时道路交通特征的机动车排放测算方法
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
CN103810398A (zh) * 2014-03-06 2014-05-21 北京市环境保护科学研究院 道路移动源非尾气管颗粒物排放清单建立方法
CN106845371A (zh) * 2016-12-31 2017-06-13 中国科学技术大学 一种城市路网机动车尾气排放遥感监控系统
CN106948912A (zh) * 2017-03-30 2017-07-14 无锡威孚力达催化净化器有限责任公司 柴油机后处理排气热管理方法及装置
CN109086246A (zh) * 2018-07-04 2018-12-25 北京市劳动保护科学研究所 一种道路交通源的排放量计算方法及装置
CN110232816A (zh) * 2018-11-26 2019-09-13 深圳市城市交通规划设计研究中心有限公司 交通排放的计算方法、计算装置及终端
CN110514254A (zh) * 2019-09-06 2019-11-29 重庆市城投金卡信息产业(集团)股份有限公司 单车排放量检测方法及其检测系统
CN111489060A (zh) * 2020-03-21 2020-08-04 河南大学 一种高时空分辨率交通源排放清单制备方法
CN112767686A (zh) * 2020-12-23 2021-05-07 华南理工大学 一种基于多源数据融合的公路网汽车排放估算方法
CN112561410A (zh) * 2021-02-26 2021-03-26 北京英视睿达科技有限公司 道路车辆的排放量确定方法、装置及电子设备

Also Published As

Publication number Publication date
CN113111860A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
Deng et al. A big data approach to improving the vehicle emission inventory in China
US10352718B2 (en) Discovering points of entry to a location
CN111386559B (zh) 一种路口是否存在目标道路设施的判断方法及系统
Abou-Senna et al. Using a traffic simulation model (VISSIM) with an emissions model (MOVES) to predict emissions from vehicles on a limited-access highway
US20190189001A1 (en) Method and apparatus for providing a localized link-centric metric for directional traffic propagation
US8930123B2 (en) Systems and methods for determining traffic intensity using information obtained through crowdsourcing
CN112561410B (zh) 道路车辆的排放量确定方法、装置及电子设备
Kan et al. Fine-grained analysis on fuel-consumption and emission from vehicles trace
US9301099B2 (en) Method of analyzing points of interest with probe data
US8989999B2 (en) Vehicle range analysis using driving environment information with optional continuous averaging
Zhang et al. Moving towards sustainability: Road grades and on-road emissions of heavy-duty vehicles—A case study
Samaranayake et al. Real‐time estimation of pollution emissions and dispersion from highway traffic
Milenković et al. Methodology for determining ecological benefits of advanced tolling systems
CN108182240B (zh) 兴趣点新增率预测模型训练及预测方法、装置及存储介质
Song et al. Development of speed correction factors based on speed-specific distributions of vehicle specific power for urban restricted-access roadways
CN111383444B (zh) 预测路况状态的方法、装置、服务器及存储介质
CN111583641A (zh) 道路拥堵分析方法、装置、设备和存储介质
Pratt et al. Quantifying traffic exposure
Wang et al. Traffic light optimization with low penetration rate vehicle trajectory data
CN116046008A (zh) 基于态势感知的路线规划方法、系统及效能评估装置
CN113111860B (zh) 道路移动源排放计算方法、装置、设备及介质
Zhai et al. Characteristics of operating mode distributions of light duty vehicles by road type, average speed, and driver type for estimating on-road emissions: Case study of Beijing
CN112487115A (zh) 污染源的确定方法、装置、设备及存储介质
CN115774766A (zh) 差分算法模型的评测、确定更新地图数据的方法及装置
Kalila et al. Big data fusion to estimate urban fuel consumption: a case study of riyadh

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