CN113222442B - 实时交通大气污染排放清单计算方法以及决策辅助方法 - Google Patents
实时交通大气污染排放清单计算方法以及决策辅助方法 Download PDFInfo
- Publication number
- CN113222442B CN113222442B CN202110571961.8A CN202110571961A CN113222442B CN 113222442 B CN113222442 B CN 113222442B CN 202110571961 A CN202110571961 A CN 202110571961A CN 113222442 B CN113222442 B CN 113222442B
- Authority
- CN
- China
- Prior art keywords
- emission
- road
- traffic
- real
- policy
- 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
- 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
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- 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
- 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
Abstract
本发明提供一种实时交通大气污染排放清单计算方法以及决策辅助方法。本发明通过获取满足清单计算与政策评估的数据信息,标准化处理后进行数据库存储;再依托有限车流量扩展数据,再利用车辆排放因子等信息计算交通实时排放清单。通过设定政策情景的措施实施力度,量化措施影响的排放关键参数,评估其减排效果;利用交通运行及排放数据建立实时交通拥堵及高排放密度路段排序,利用情景减排效果建立最优决策排序,给出辅助决策建议。本发明能够实现城市交通大气污染排放精准量化、交通减排措施优选和政策措施效果实时评估。
Description
技术领域
本发明涉及智慧城市与数字化决策辅助管理领域,具体而言,尤其涉及一种实时交通大气污染排放清单计算方法以及决策辅助系统。
背景技术
工业化与城市化带来的交通拥堵与城市大气环境污染现象已成为人们关注焦点,政府科学决策与快速响应手段是解决上述问题的关键手段之一。交通大气环境治理领域多局限于静态数据定量表征方法,较少考虑城市道路与车流量特征规律在实时排放计算中的应用,更没有将机动车排放与政府决策相关联。通过有限交通监测网的实时交通流数据构建辅助政府动态决策的方法或系统未见报道。
发明内容
根据上述提出的交通大气环境治理领域局限于静态数据定量表征的技术问题,而提供一种实时交通大气污染排放清单计算方法以及决策辅助系统。本发明可实现城市交通大气污染排放精准量化、交通减排措施优选和政策措施效果实时评估的目的。
本发明采用的技术手段如下:
一种实时交通大气污染排放清单计算方法,其特征在于,包括:
获取基础数据信息,并对所述基础数据信息进行标准化处理及存储;所述基础数据信息包括:实时交通流数据、车辆结构比例数据、气象数据以及道路交通拥堵数据;
建立车辆排放因子库,用于存储不同区域的排放因子,所述排放因子包括基准因子与综合修正因子;
对行车道路进行网格化处理,结合各路段车流量历史数据,对各路段的车流量进行预测;
基于网格内路段车流量、路长及对应的排放因子,计算区域内所有路段的车辆尾气排放量,从而生成交通大气污染排放清单。
进一步地,所述基准因子采用适合本地车辆特征的固定排放因子;所述综合修正因子基于基准因子结合区域的车速、车龄、油品质量及气象参数后获得。
进一步地,所述基准因子为《道路机动车排放清单编制技术指南(试行)》推荐值或者本地化实测结果值。
进一步地,对所述基础数据信息进行标准化处理,包括:获取清单计算的源分类与道路名称,确定计算所需的时间分辨率,统一所有数据的参数名称和单位,从而实现多元数据的评价标准统一。
本发明实施例的另一方面提供了一种基于上述述实时交通大气污染排放清单计算方法的辅助决策方法,包括:
根据上述方法计算排放清单;
获取政策措施,设定政策情景的措施实施力度,量化措施影响的排放关键参数,计算政策情景清单,进一步评估其减排效果;
基于交通流数据、排放清单及政策情景清单,建立实时交通拥堵及高排放密度路段排序,利用情景减排效果建立最优决策排序。
进一步地,获取政策措施,设定政策情景的措施实施力度,量化措施影响的排放关键参数,计算政策情景清单,进一步评估其减排效果,包括:
基于获取的政策措施,建立政策情景评估项目,结合项目定位,分析其中待评估措施所能影响的时段和路段,并将其分别赋值给所有措施,链接排放清单估算所对应路段编号;
基于政策情景评估项目对措施执行力度预期,量化该措施对大气污染排放估算关键参数的影响,评估该路段编号的车辆活动水平参数的历史活动规律,计算不同措施执行条件下对应活动水平参数的预测值;
基于措施情景评估项目中各措施影响路段对应的关键影响参数,利用趋势外推法,基于活动水平参数的预测值计算该情景下各措施的预测情景清单,实现政策情景评估项目的大气污染物减排效果预评估;
在政策情景评估项目执行后,选取执行期政策影响区域的排放清单计算结果,与执行前影响区域清单结果对比,评估政策执行的实际减排效果。
进一步地,基于交通流数据、排放清单及政策情景清单,建立实时交通拥堵及高排放密度路段排序,利用情景减排效果建立最优决策排序,包括:
基于实时交通运行及排放特征数据库建立实时交通运行系统,基于交通特征,结合交通流数据、道路拥堵信息、环境温湿度及道路工况信息进行决策模拟,得到实时交通拥堵路段排序、实时单位网格高排放密度路段信息排序;
基于减排情景案例评估数据库建立决策减排情景对比排序系统,依据情景减排效果评估结果,提取案例中的计算结果,对比编辑决策的减排量与减排期望值的差距,结合措施评级给予情景推荐用于辅助决策。
进一步地,还包括:
基于实时交通大气污染排放清单计算与决策辅助系统需求的构建数据库架构,基于决策辅助需求构建图表对比排序的可视化工具。
本发明实施例的另一方面还提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序运行时,执行如上述的实时交通大气污染排放清单计算方法,或者如上述的辅助决策方法。
较现有技术相比,本发明具有以下优点:
本发明利用目前公开可获取的实时交通数据和排放参数估算其大气污染物排放清单,评估不同政策情景的实施效果。估算过程中提出的有限车流量扩展方法普遍适用于车流量监测站点相对有限的城市,且随着监测网点布局加密以及时间延长,估算结果不确定性越小。同时,通过构建基于交通决策辅助需求的数据库,量化政策情景对大气污染排放估算参数的影响,耦合政策情景与排放清单预测政策情景效果,结合自定义决策编辑和措施库,实现交通减排措施效果预评估及排序。该技术解决了目前实时交通信息与政府决策脱钩的现状,增强了本发明的实用性。
基于上述理由,本发明可在智慧城市建设与数字化决策辅助管理领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实时交通大气污染排放清单计算方法基本流程图。
图2为实施例中基于有限实时交通流的大气污染物排放清单计算方法流程图。
图3为本发明辅助决策方法基本流程图。
图4为实施例中一种实时交通大气污染排放清单计算与可视化决策辅助系统的数据库架构。
图5为实施例中基于实时交通大气污染排放清单计算与可视化决策辅助系统的装置结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1-2所示,本发明一方面提供了一种实时交通大气污染排放清单计算方法,其中,排放清单表示某一地理区域在某一特定时间内基于污染源分类的,有各种污染源排放到大气中的一种或多种污染物的排放量列表。清单计算指源排放清单结果的计算,获取的排放因子数据与活动数据计算等。该方法主要包括:
S110、获取基础数据信息,并对所述基础数据信息进行标准化处理及存储;所述基础数据信息包括:实时交通流数据、车辆结构比例数据、气象数据以及道路交通拥堵数据。
具体来说,基于数据库与爬虫工具的实时数据获取与存储技术:依据排放清单计算和政策评估需求收集获取交通流实时交通流数据、排放因子、车辆构成、气象环境参数、政策措施等参数,依据数据使用需求,标准化处理数据后进行存储。主要包括:
S111、采用数据库同步工具,获取城市交通流检测口数据库的实时交通流,采集数据,包括不限于道路经纬度、车速、车辆类型、时间等;获取城市注册车辆信息与年检车辆信息,收集车辆燃油类型、车龄,以及排放标准等信息,并统计城市车型结构比例;获取城市典型气象实时参数,包括不限于温度、湿度、海拔等。
S112、利用数据爬虫工具,通过目标网页监控插件,对目标网页数据进行实时的监控,自动分析目标数据的构成,并与输出端数据存储模块相连接,调整采集时间与研究区域,进行数据的初步处理以及存储。基于此,获取高分辨率的道路交通拥堵数据,包括不限于采集时间、道路经纬度、车速、拥堵指数、道路等级、道路方向等信息。
S113、利用网络爬虫工具,通过设置网络爬虫的参数,也可根据目标网站的层级结构优化采集的任务计划,在互联网海量信息中实时监控和获取道路交通减排政策类信息。同时对于收集到的信息进行过滤、存储、检索和分析,提取有效政策信息。在采集到信息后,对目标信息进行统一编号,并根据关键词自动分类,提高系统的高效性与可用性。基于此,筛选有关交通尾气防治的有关政策,并依据政策类型和作用对象对检索政策进行归类并重命名,同时给重命名后的政策赋予相应分类属性。
S114、依据所得到的实时交通流数据、车辆结构比例数据、气象数据、道路交通拥堵数据等,明确清单计算的源分类与道路名称,确定计算所需的时间分辨率,统一所有数据的参数名称和单位,实现多元数据的统一评价标准,保证数据可靠性。
S120、建立车辆排放因子库,用于存储不同区域的排放因子,所述排放因子包括基准因子与综合修正因子。其中,排放因子是指排放标准中限定的某种具体污染物,比如废水中的COD、烟气中的二氧化硫等。但在这里指某污染物在特定工况下的单位排放。
具体来说,本发明排放因子分为基准因子与综合修正因子,可选的,基准因子是在典型城市工况下,综合大量本地化城市样本,根据不同的车辆类型、燃料、标准气象条件下的测试所得;可选的,基准因子为《道路机动车排放清单编制技术指南(试行)》推荐值或者本地化实测结果值,并保持连续更新。。综合修正因子是在原有的基准因子的基础上进一步考虑研究区域的车速、车龄、油品质量及气象参数等情况,进一步进行本地化修正输出,其计算公式为
CF=θv×θtemp×θHMD×θAsL×θfuel×θdeg×θload
式中,θv为平均速度修正因子;θtemp为温度修正因子;θHMD为湿度修正因子;θASL为海拔修正因子;θfuel为燃油修正因子,主要是考虑含硫量对排放的影响,本研究忽略了乙醇掺混度的影响;θdeg为劣化系数,其以2016年为综合基准,根据计算目标年选取各车型的劣化修正因子;θload为负载修正因子,主要是针对柴油车,为简化而假设其载重系数为50%,即取θload=l.
S130、对行车道路进行网格化处理,结合各路段车流量历史数据,对各路段的车流量进行预测。
具体来说,本发明中主要道路车速利用爬虫工具获取智慧交通网页中的主要道路平均车速的历史分布特征,用于道路的平均车速修正,也可以通过匹配计算路段的编号与车速监测路段编号,实现平均车速实时更新。温度、湿度等参数可通过城市气象预报网格的数据源,实现温度和湿度参数的实时更新。当道路车流量数据难以覆盖所有路段时,采用基于网格化路网及典型路段车流量历史规律分析,实现道路车流量预测与扩展。具体步骤包括:
S132、针对无车流量监控路段,依据所在网格的土地利用类型和道路等级匹配对应历史车流量信息,并利用实际监测车流量Fij进行调整,调整系数为
S133、依据基于聚类分析的交通小区划分,实现道路车流量预测与扩展,具体地:将路网相交节点处打断,所有路段匹配对应土地利用类型,结合人口分布、道路平均车速信息,利用聚类分析将交通网络覆盖区域进行划分,划分成交通规律类似、具有高关联度的交通小区,使得交通小区内车辆活动水平和交通状况尽可能相似。基于此,将每个小区各道路等级下的交通流监测点编号,用以代表该交通小区各道路等级下所有路段的实时交通流。
S140、基于网格内路段车流量、路长及对应的排放因子,计算区域内所有路段的车辆尾气排放量,从而生成交通大气污染排放清单。具体来说,主要包括:
S141、根据实际交通运行过程中r路段上在t时段下通行的车流量、平均车速等交通信息和该时段下的天气情况,并结合排放因子来估算线源道路上机动车尾气污染物排放量。故基于交通流的机动车污染物路段排放强度的计算公式为:
EIr,t,w=∑VFt,j,k×BEFj,k×CF
式中,EIr,t,w表示r路段上在t时段内w污染物的排放强度,g/km;VFt,j,k表示在t时段内该路段某截断面通过的J车型中k排放标准的车辆数,辆/h;BEFj,K表示j车型k排放标准车辆的基准排放因子,g/km;CF代表综合修正因子,其根据环境、车速等参数对基础排放因子进行本地化修正。
S142、线源道路上污染物排放量的计算公式为
Er,t,w=EIr,t,w×Lr
式中,Er,t,w表示r路段在t时段内w污染物的排放量,g;Lr表示路段的长度,km。
S143、研究区域内路段一天内w污染物排放的总量Ew为:
路线源机动车排放清单的估算重点在于交通流数据和机动车排放因子。
本发明的另一方面还提供了一种基于上述实时交通大气污染排放清单计算方法的辅助决策方法,如图3所示,包括:
S210、根据上述方法计算排放清单;
S220、获取政策措施,设定政策情景的措施实施力度,量化措施影响的排放关键参数,计算政策情景清单,进一步评估其减排效果。具体包括:
S221、基于获取的政策措施,建立政策情景评估项目,结合政策执行者的需求与项目定位,分析其中待评估措施所能影响的时段和路段,并将其分别赋值给所有措施,链接排放清单估算所对应的路段编号。
S222、基于政策情景评估项目对措施执行力度预期,量化该措施对大气污染排放估算关键参数的影响,评估该路段编号的车辆活动水平参数的历史活动规律,计算不同措施执行条件下对应活动水平参数的预测值。
S223、基于措施情景评估项目中各措施影响的路段清单对应的关键影响参数,结合该路段的历史排放清单,利用趋势外推法,在活动水平预测值条件下计算该情景下各措施的预测情景清单,实现政策情景评估项目的大气污染物减排效果预评估。
S224、在政策情景评估项目执行后,选取执行期政策影响区域的排放清单计算结果,与执行前影响区域清单结果对比,评估政策执行的实际减排效果。
S230、基于交通流数据、排放清单及政策情景清单,建立实时交通拥堵及高排放密度路段排序,利用情景减排效果建立最优决策排序。具体来说,包括:
S231、基于实时交通运行及排放特征数据库建立实时交通运行系统,包括中央控制模块,实时交通特征采集单元,交通排放统计单元。输入变量参数,系统自动匹配现有交通特征,结合车流特征、道路拥堵信息、环境因子、道路工况等信息进行决策模拟,输出实时交通拥堵路段排序、实时单位网格高排放密度路段排序,用以可视化系统直观展示,达到辅助决策的效果。
S232、基于减排情景案例评估数据库建立决策减排情景对比排序系统,主要是包括自定义决策编辑单元,措施优选推荐单元和决策辅助单元。自定义决策编辑单元链接上述的措施库;措施优选推荐单元是通过调用历史情景案例库,选取减排效果优秀的措施从操作难易程度、人力投入、财政投入、减排效果方面给予评级,再依据评级推荐优秀的措施供编辑单元选择;编辑好决策后,依据上述情景减排效果评估结果,对比编辑决策的减排量与减排期望值的差距,结合措施评级给予情景推荐用于辅助决策。
作为本发明较佳的实施方式,上述辅助决策方法还包括:
S240、基于实时交通大气污染排放清单计算与决策辅助系统需求的构建数据库架构,如图4所示,基于决策辅助需求构建图表对比排序的可视化工具。
具体来说,本发明中数据库架构主要以数据库管理主程序与可视化为主,包括外接数据库、实时数据处理与标准化存储、数据计算与分析。外接数据库包括车流量监测网、车辆注册系统、车辆年检系统等;实时数据处理与标准化存储包括在线数据同步与应用,爬虫数据标准化处理、时空与时序数据的海量数据存储;数据计算与分析主要包括清单计算模块、情景效果评估模块和决策辅助分析模块。三部分均通过数据库管理主程序控制,实现可视化界面操作。
可视化技术以多维信息以及辅助决策为目的,调用数据库中信息输出模块数据,以图形、表格排序方式实现数据具象化,以直观方式辅助决策方案制定,具体包括空间分布、排放统计、情景案例减排、情景方案优选与推荐等信息展示功能。空间分布展示模块是选取历史时间段和污染物后,利用作图工具实现所有路段某个污染物的实时排放空间分布特征展示;排放统计模块是指选取历史时间段和污染物后,确定统计所需源分类,即可输出该分类下污染物排放的统计结果;情景案例减排模块是指新建情景项目后,选定待评估措施,调用数据库中信息输出模块有关情景减排清单计算结果,以不同措施各污染物减排量排序,实现不同减排情景间污染物减排对比、同一情景中不同措施减排量排序与占比。
可视化技术表现效果直接影响到数据背后隐含重要信息的有效展示以及决策专家对数据的理解。城市交通尾气排放量数据通过编程实现交通信息在二维地图上直观显示,同时展示形式还包括直方图、折线图、雷达图、箱型图以及组合图等进行展示,还可利用后台数据自动生成统计表,经进一部加工后可输出为统计报告。考虑到后期方便对决策信息的进一步利用,此系统提供了与决策相关的数据信息和图片信息的导出与保存功能。
本发明的第三方面还提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序运行时,执行上述实时交通大气污染排放清单计算方法或者上述辅助决策方法。
其中,如图5所示,程序产品主要包括中央控制模块,数据采集与传输模块,清单计算模块,情景评估模块,决策辅助模块以及数据库与可视化模块。所述皆与中央处理控制模块相连接,包括供电模块、通信网络模块、存储单元、处理单元以及显示单元等。清单计算模块为道路信息、环境信息、车流量数据、车型构成数据、排放因子数据、路段逐时排放清单、排放清单统计结果等数据表,所述数据表皆采用清单计算公式关联。情景评估模块为措施集、历史活动水平和清单统计、活动水平预测、情景清单预测等数据表,所述数据表均依据措施名称和编号关联存储。决策辅助模块包括情景案例库单元和控制措施优选单元,情景案例库单元包括所有情景案例估算结果存储、不同情景案例间对比分析,所述数据表均依据案例名称和编号关联存储,控制措施优选单元通过改变车流、道路、环境等自变量,引起因变量的改变,可研究在新型减排措施下机动车排放规律的变化,预测政策实施后的环境和社会效应,从而对新政策进行模拟优选,改进减排控制措施。数据库与可视化模块则直接对应可视化技术所需的数据格式调用与存储。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (2)
1.一种实时交通大气污染排放清单计算方法,其特征在于,包括:
获取基础数据信息,并对所述基础数据信息进行标准化处理及存储;所述基础数据信息包括:实时交通流数据、车辆结构比例数据、气象数据以及道路交通拥堵数据;
建立车辆排放因子库,用于存储不同区域的排放因子,所述排放因子包括基准因子与综合修正因子,所述基准因子是在典型城市工况下,综合大量本地化城市样本,根据不同的车辆类型、燃料、标准气象条件下的测试所得,所述综合修正因子是在所述基准因子的基础上考虑研究区域的车速、车龄、油品质量及气象参数,进行本地化修正输出,其计算公式为:
CF=θv×θtemp×θHMD×θASL×θfuel×θdeg×θload
式中,θv为平均速度修正因子,θtemp为温度修正因子,θHMD为湿度修正因子,θASL为海拔修正因子,θfuel为燃油修正因子,θdeg为劣化因子,θload为负载修正因子;
对行车道路进行网格化处理,结合各路段车流量历史数据,对各路段的车流量进行预测,包括:
针对无车流量监控路段,依据所在网格的土地利用类型和道路等级匹配对应历史车流量信息,并利用实际监测车流量Fij进行调整,调整系数为
依据基于聚类分析的交通小区划分,实现道路车流量预测;
基于网格内路段车流量、路长及对应的排放因子,计算区域内所有路段的车辆尾气排放量,从而生成交通大气污染排放清单,包括:
根据实际交通运行过程中r路段上在t时段下通行的车流量、平均车速和该时段下的天气情况,并结合排放因子来估算线源道路上机动车尾气污染物排放量,基于交通流的机动车污染物路段排放强度的计算公式为:
EIr,t,w=ΣVFt,J,k×BEFJ,k×CF
式中,EIr,t,w表示r路段上在t时段内w污染物的排放强度,g/km;VFt,J,k表示在t时段内该路段某截断面通过的J车型中k排放标准的车辆数,辆/h;BEFJ,K表示J车型k排放标准车辆的基准排放因子,g/km;CF代表综合修正因子,
线源道路上污染物排放量的计算公式为
Er,t,w=EIr,t,w×Lr
式中,Er,t,w表示r路段在t时段内w污染物的排放量,g;Lr表示路段的长度,km,
研究区域内路段一天内w污染物排放的总量Ew为:
2.一种基于权利要求1所述实时交通大气污染排放清单计算方法的辅助决策方法,其特征在于,包括:
根据权利要求1所述方法计算排放清单;
获取政策措施,设定政策情景的措施实施力度,量化措施影响的排放关键参数,计算政策情景清单,评估其减排效果,包括:
基于获取的政策措施,建立政策情景评估项目,结合项目定位,分析其中待评估措施所能影响的时段和路段,并将其分别赋值给所有措施,链接排放清单估算所对应路段编号,
基于政策情景评估项目对措施执行力度预期,量化该措施对大气污染排放估算关键参数的影响,评估该路段编号的车辆活动水平参数的历史活动规律,计算不同措施执行条件下对应活动水平参数的预测值,
基于措施情景评估项目中各措施影响路段对应的关键影响参数,利用趋势外推法,基于活动水平参数的预测值计算该情景下各措施的预测情景清单,实现政策情景评估项目的大气污染物减排效果预评估,
在政策情景评估项目执行后,选取执行期政策影响区域的排放清单计算结果,与执行前影响区域清单结果对比,评估政策执行的实际减排效果;
基于交通流数据、排放清单及政策情景清单,建立实时交通拥堵及高排放密度路段排序,利用情景减排效果建立最优决策排序,包括:
基于实时交通运行及排放特征数据库建立实时交通运行系统,基于交通特征,结合交通流数据、道路拥堵信息、环境温湿度及道路工况信息进行决策模拟,得到实时交通拥堵路段排序、实时单位网格高排放密度路段信息排序,
基于减排情景案例评估数据库建立决策减排情景对比排序系统,依据情景减排效果评估结果,提取案例中的计算结果,对比编辑决策的减排量与减排期望值的差距,结合措施评级给予情景推荐用于辅助决策;
基于实时交通大气污染排放清单计算与决策辅助系统需求构建数据库架构,基于决策辅助需求构建图表对比排序的可视化工具。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110571961.8A CN113222442B (zh) | 2021-05-25 | 2021-05-25 | 实时交通大气污染排放清单计算方法以及决策辅助方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110571961.8A CN113222442B (zh) | 2021-05-25 | 2021-05-25 | 实时交通大气污染排放清单计算方法以及决策辅助方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113222442A CN113222442A (zh) | 2021-08-06 |
CN113222442B true CN113222442B (zh) | 2023-05-23 |
Family
ID=77098302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110571961.8A Active CN113222442B (zh) | 2021-05-25 | 2021-05-25 | 实时交通大气污染排放清单计算方法以及决策辅助方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222442B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113781771B (zh) * | 2021-08-17 | 2022-10-28 | 四川省生态环境科学研究院 | 一种ive模型的在线运行方法 |
CN115376311A (zh) * | 2022-07-08 | 2022-11-22 | 济南瑞源智能城市开发有限公司 | 一种针对隧道的车辆态势分析方法及设备 |
CN115829083A (zh) * | 2022-11-02 | 2023-03-21 | 西南交通大学 | 区域车辆受交通政策影响的排放评估与优化方法和系统 |
CN115936242B (zh) * | 2022-12-26 | 2023-11-17 | 中科三清科技有限公司 | 空气质量与交通状况的溯源关系数据获取方法及装置 |
CN116797054A (zh) * | 2023-08-28 | 2023-09-22 | 安徽中科蓝壹信息科技有限公司 | 基于双模型的机动车排放对环境影响的评估方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN111612670A (zh) * | 2020-04-27 | 2020-09-01 | 清华大学 | 一种构建机动车排放清单的方法、装置和计算机设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111967792A (zh) * | 2020-08-28 | 2020-11-20 | 中国科学院大气物理研究所 | 一种大气污染防治方案快速量化评估方法及系统 |
-
2021
- 2021-05-25 CN CN202110571961.8A patent/CN113222442B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN111612670A (zh) * | 2020-04-27 | 2020-09-01 | 清华大学 | 一种构建机动车排放清单的方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113222442A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113222442B (zh) | 实时交通大气污染排放清单计算方法以及决策辅助方法 | |
Ali et al. | Review of urban building energy modeling (UBEM) approaches, methods and tools using qualitative and quantitative analysis | |
Ali et al. | A data-driven approach for multi-scale GIS-based building energy modeling for analysis, planning and support decision making | |
Ullah et al. | Electric vehicle energy consumption prediction using stacked generalization: An ensemble learning approach | |
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 | |
CN115545450B (zh) | 一种基于数字孪生的碳排放协同预测方法 | |
Pope et al. | A multi-objective assessment of an air quality monitoring network using environmental, economic, and social indicators and GIS-based models | |
Kolosz et al. | Modelling uncertainty in the sustainability of Intelligent Transport Systems for highways using probabilistic data fusion | |
CN101673369A (zh) | 基于投影寻踪的排水管网洪涝风险评价方法 | |
Jain et al. | Adaptive neuro-fuzzy modeling for prediction of ambient CO concentration at urban intersections and roadways | |
CN111949749A (zh) | 基于高阶图卷积网络的空气质量监测站点位置推荐方法 | |
Kazemi-Beydokhti et al. | Determination of the physical domain for air quality monitoring stations using the ANP-OWA method in GIS | |
Caceres et al. | Estimating traffic flow profiles according to a relative attractiveness factor | |
CN115759488A (zh) | 一种基于边缘计算的碳排放监测预警分析系统及其方法 | |
CN114997499A (zh) | 一种半监督学习下的城市颗粒物浓度时空预测方法 | |
Motieyan et al. | A novel spatial index using spatial analyses and hierarchical fuzzy expert system for obtaining green TOD: a case study in Tehran city | |
Chen et al. | A personalized navigation route recommendation strategy based on differential perceptron tracking user’s driving preference | |
Giordano et al. | Fuzzy evaluation of heterogeneous quantities: measuring urban ecological efficiency | |
de Medrano et al. | A new Spatio-temporal neural network approach for traffic accident forecasting | |
Al-Ahmadi et al. | A fuzzy cellular automata urban growth model (FCAUGM) for the city of Riyadh, Saudi Arabia. Part 1: Model structure and validation | |
Manvitha et al. | A Predictive Analysis on CO 2 Emissions in Automobiles using Machine Learning Techniques | |
Miconi et al. | A machine learning approach to analyse and predict the electric cars scenario: The Italian case | |
Lyashchenko et al. | Assessment and management of urban environmental quality in the context of Inspire requirements | |
CN113688506A (zh) | 基于微站等多维数据的潜在大气污染源识别方法 | |
Rassafi et al. | Predicting urban trip generation using a fuzzy expert system |
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 |