CN114118509B - 一种道路交通二氧化碳排放的预测方法及预测系统 - Google Patents

Abstract

本发明属于交通运输行业二氧化碳排放量(碳排放)核算和二氧化碳排放空间格局预测技术领域，具体地说，涉及一种道路交通二氧化碳排放的预测方法，该方法包括：针对未来目标年份的待测区域，获取未来目标年份的加权路网密度空间分布密度数据集；得到新能源车中的乘用车的存活概率和新能源车中的商用车的存活概率；计算未来目标年份的机动车的保有量，同时，得到未来目标年份的机动车的燃油车保有量；将来目标年份的机动车的燃油车保有量分配至每个基准网格，基于每一个基准网格的加权路网空间分布密度数据和每个基准网格的燃油车保有量，以及燃油车数量与二氧化碳排放的函数关系，预测目标年份的道路交通二氧化碳排放空间网格数据。

Description

一种道路交通二氧化碳排放的预测方法及预测系统

技术领域

本发明属于交通运输行业二氧化碳排放量(碳排放)核算和二氧化碳排放空间格局预测技术领域，具体地说，涉及一种道路交通二氧化碳排放的预测方法及预测系 统。

背景技术

全球二氧化碳排放量约有25％来自交通运输，我国道路交通的碳排放在交通运输中的比重超过90％，随着交通快速机动化发展阶的到来，道路交通对区域碳排放 的贡献将进一步增加。目前，道路交通二氧化碳排放预测主要以指数分解等自上而下 的分析方法为主，通过研究社会、经济、能源、排放等宏观总体因子之间的关系，来 预测未来道路交通二氧化碳排放量的变化趋势，缺乏自下而上基于演化思维的排放 路径建立方法。因此，如何将自上而下的宏观思维和自下而上的微观自主性思维相结 合，对适用于道路交通二氧化碳进行路径分析，有利于精确化制定区域减排政策，助 力城市治理体系和治理能力现代化。

道路交通二氧化碳排放路径建立方法具有重要意义：

(1)路径建立方法可以最大可能分析不同社会经济发展、政策设置情景下的减 排潜力，识别中长期深度减排的关键驱动技术与政策方案，有利于加快推广成熟减排 技术促进高质量达峰实现，并提前部署深度减排需要的各项技术和政策工具；

(2)路径分析不仅能够大幅减少温室气体排放，还能有效分析减排行为的效益，评估减排措施及其效益，保证稳定性，助力气候与经济发展的共赢；

(3)融合自上而下的宏观思维和自下而上的微观自主性思维路径分析可以有效建立一个全区域的宏观-中观-微观的减排分析机制，能实现多尺度、跨区域的减排潜 力分析，有利于多尺度减排目标的合理、公平、高效设置。

为通过节能减排，传统汽油车向新能源汽车的转型是一项重要的举措，其中，电动汽车因其节能减排的优势将在这次转型中发挥重要作用。电动汽车的能源利用效 率比传统燃油汽车高出46％以上，并具有13％至68％的二氧化碳减排潜力。尽管 交通电气化被认为是交通部门的重要组成部分，但仍然缺乏详细的中期和长期目标， 特别是缺少电动汽车推广战略及其减排作用方式。因此，需要对道路交通碳排放未来 碳排放的空间格局的进行更高精度的研究，以此实现区域道路交通二氧化碳排放达 峰目标的合理制定。

对于道路交通二氧化碳排放预测，通常是通过构架不同社会发展情景下的机动车数量变化，使用相关统计模型，进行碳排放在时间序列上的预测；但是，现有的预 测方法存在如下问题：

(1)未充分考虑机动车存活率和新能源车销售渗透率的发展趋势和特点差异， 无法反应传统燃油车逐步报废和道路交通电气化推广下的道路交通二氧化碳排放的 时空差异；

(2)不能同时识别道路交通二氧化碳排放在时间上和空间上的异质性，无法准 确判断不同区域的达峰时间，无法针对预测结果，提出更具针对性的减排目标。

发明内容

为解决现有技术存在的上述缺陷，本发明提出了一种道路交通二氧化碳排放的预测方法，具体地，涉及一种耦合自上而下和自下而上相结合，基于空间演化理论的 道路交通二氧化碳排放预测方法，通过城市建设用地扩张和人口变化，预测加权路网 空间变化，根据车辆存活曲线和新能源车销售渗透率预测道路交通电气化率，根据加 权路网密度，分配燃油车数量至空间网格，通过建立燃油车数量与二氧化碳排放之间 的函数关系，预测未来年的道路交通二氧化碳排放量。

本发明提供了一种道路交通二氧化碳排放的预测方法，该方法包括：

针对未来目标年份的待测区域，将待测区域在空间上划分为多个基准网格，每个基准网格为10km×10km的空间基准网格，结合人口空间分布预测结果和城市建设用 地空间扩张预测结果，获取每一个基准网格的加权路网空间分布密度数据，进而获取 未来目标年份的加权路网密度空间分布密度数据集；

根据历史年份的新能源车的注册量和保有量，得到新能源车中的乘用车的存活概率和新能源车中的商用车的存活概率，作为新能源车的车龄存活概率；

根据Gompertz预测模型和增长率预测模型，计算未来目标年份的机动车的保有量，同时，基于未来目标年份的新能源车的新车渗透率，并结合新能源车的车龄存活 概率，得到目标年份的新能源车保有量，利用目标年份的机动车总量减去目标年份的 新能源车保有量，得到未来目标年份的机动车的燃油车保有量；

将来目标年份的机动车的燃油车保有量分配至每个基准网格，基于每一个基准网格的加权路网空间分布密度数据和每个基准网格的燃油车保有量，以及燃油车数 量与二氧化碳排放的函数关系，预测目标年份的道路交通二氧化碳排放空间网格数 据，实现对道路交通二氧化碳排放的预测。

作为上述技术方案的改进之一，所述目标年份的加权路网密度空间分布密度数据集的具体获取过程为：

采用基于共享社会经济路径开发的全球2010-2100年间每十年的人口网格预测数据，按照预先设定的行政级别，提取不同年份的人口数据，再结合待测区域的实际 情况的逐年总人口预测数据，得到符合实际的人口分布数据集D1，作为人口空间分 布预测结果；

根据历史建设用地扩张空间数据，以预先设定的基准年2020年60％的土地利用现状数据为基础，基于热点阈值打分的方法，得到目标年份城市建设用地空间分布数 据集D2，作为城市建设用地空间扩张预测结果；

从城市建设用地空间扩张预测结果中，提取目标年份城市建设用地扩张面积；并结合对应的人口空间分布预测结果，获取第i个基准网格的加权路网空间分布密度数 据Road_ni：

其中，Road_ni代表第n目标年份的第i个基准网格的加权路网空间分布密度数 据；其中，在本实施例中，n为2025，2030，2035，2040，2050和2060年；

UL_ni为第n目标年份的第i个基准网格的城市建设用地扩张面积；UL_2020i为2020 年的第i个基准网格的建设用地扩张面积；Pop_ni为第n目标年份的第i个基准网格 的人口数据；Pop_2020i为2020年的第i个基准网格的人口数据；Road_2020i为2020年 第i个基准网格的加权路网空间分布密度数据；

将通过上式，将获取的每一个基准网格的加权路网空间分布密度数据进行汇总，得到目标年份加权路网空间分布密度数据集D3。

作为上述技术方案的改进之一，所述根据历史年份的新能源车的注册量和保有量，得到新能源车中的乘用车的存活概率和新能源车中的商用车的存活概率，作为新 能源车的车龄存活概率；其具体过程为：

假设机动车分为新能源车和燃油车两大类；其中，新能源车包括：乘用车和商用车；燃油车包括：乘用车和商用车；

根据新能源车的历史年份2000-2020每年的注册量和保有量，分别拟合得到新 能源车乘用车和商用车存活曲线，该曲线反映新车群体随着车龄增加其存活比例逐 渐下降的规律：

新能源车中的乘用车的存活概率：

其中，

为第k目标年份，车型j为乘用车，车龄为i的新能源车中的乘 用车的存活概率；n_0，j(k)¹为第k目标年份车型j为乘用车的注册量；n_i，j(k+1)¹为 车型j为乘用车的车辆在第k+i目标年份仍然正常使用的车辆数，即新乘用车保有 量；

该存活概率符合两参数的Weibull分布：

其中，bj表示失效陡度；T_j表示新能源车中的车型j为乘用车的寿命；

新能源车中的商用车的存活概率：

其中，

为第k目标年份，车型j为商用车，车龄为i的新能源车中的商用 车的存活概率；n_0，j(k)²为第k目标年份车型j为商用车的注册量；n_i，j(k+1)²为车 型j为商用车的车辆在第k+i目标年份仍然正常使用的车辆数，即新商用车保有量；

该存活概率符合两参数的Weibull分布：

其中，bj表示失效陡度，T_j1表示车型j为新能源车中的商用车的寿命。

作为上述技术方案的改进之一，所述根据Gompertz预测模型和增长率预测模型，计算未来目标年份的机动车的保有量，同时，基于未来目标年份的新能源车的新车渗 透率，并结合新能源车的车龄存活概率，得到目标年份的新能源车保有量，利用目标 年份的机动车总量减去目标年份的新能源车保有量，得到未来目标年份的机动车的 燃油车保有量；其具体过程为：

获取未来目标年份的机动车保有量的具体过程如下：

假设机动车的车型分为乘用车和商用车；根据Gompertz预测模型，计算未来目 标年份的乘用车保有量：

其中，V_p为未来目标年份的乘用车的保有量，其单位为辆/千人；K为饱和保有量；a为第一常数值，b为第二常数值，二者均为已知的常数值；g为人均GDP，其单位 为元/人；

根据增长率预测模型，计算未来目标年份的商用车的保有量：

V＝a′+b′×H (7)

其中，V为未来目标年份的商用车的保有量，其单位为万辆；a′、b′为常数值，根 据2002-2010年商用货车保有量和货运量的线性关系拟合得到；H为货运量，万吨；

则未来目标年份的机动车保有量A：

A＝V_p+V； (8)

未来目标年份的新能源车保有量的具体计算过程如下：

假设新能源车包括：乘用车和商用车；

基于基准年的新能源车车龄分布，根据未来每年的新能源车的新车渗透率，预测未来年份每年的新能源车新车注册量，结合车辆存活概率曲线，进而得到目标年份的 乘用车与商用车的新能源车的保有量：

未来目标年份新能源车中的乘用车保有量NVP_k：

NVP_k＝∑_j∑_iNVP_i，j，k (10)

其中，NVP_i，j，k为k年的乘用车新能源车车龄分布，表示k年车龄为i的乘用车新 能源车保有量，NVP_k为k年新能源车中的乘用车保有量，NSP_j，k-i为第k-i年的新能 源车注册量，这是一个动态迭代的公式，当k-i等于2020时代表基准年(2020年) 的车辆车龄分布，即NVP₂₀₂₀，

为k年、车型j为新能源乘用车、车龄为i的 存活概率；

其中，

NSP_j，k-i＝SP_k-i×MSP_k-i (11)

其中，SP_k-i为k-i年乘用车的总销售量，MSP_k-i为第k-i年的新能源车的新车 渗透率；

未来目标年份新能源车中的商用车保有量NV_k：

NV_k＝∑_j∑_iNV_i，j，k (13)

其中，NV_i，j，k为k年的商用车新能源车车龄分布，表示k年车龄为i的商用车新 能源车保有量，NV_k为k年新能源车中的商用车保有量，NS_j，k-i为第k-i年的商用车 新能源车注册量，这是一个动态迭代的公式，当k-i等于2020时代表基准年(2020 年)的车辆车龄分布，即NV₂₀₂₀，

为k年j车型为商用车新能源车、车龄为i 的存活概率；

NS_j，k-i＝S_k-i×MS_k-i (14)

其中，S_k-i为k-i年商用车的总销售量，MS_k-i为第k-i年的商用车新能源车的 新车渗透率；

目标年份的新能源车保有量等于未来目标年份新能源车中的乘用车保有量NVP_k加上未来目标年份新能源车中的商用车保有量NV_k；

将未来目标年份的机动车保有量减去目标年份的新能源车保有量，得到未来目标年份的机动车的燃油车保有量：

具体地，未来目标年份的机动车保有量A和k年新能源车乘用车和商用的保有量NVP_k、NV_k，得到未来目标年份的机动车的燃油车保有量FV_k；

FV_k＝A-NVP_k-NV_k (15)。

作为上述技术方案的改进之一，所述将未来目标年份的机动车的燃油车保有量分配至每个基准网格，基于每一个基准网格的加权路网空间分布密度数据和每个基 准网格的燃油车保有量，以及燃油车数量与二氧化碳排放的函数关系，预测目标年份 的道路交通二氧化碳排放空间网格数据，实现对道路交通二氧化碳排放的预测；其具 体过程为：

针对待测区域在空间上划分的多个10km×10km的基准网格，将未来目标年份的机动车的燃油车保有量分配至每个基准网格，得到未来目标年份的各个基准网格的 机动车的燃油车保有量V_nj：

其中，V_nj为目标年份的第n个基准网格的机动车的燃油车保有量；′RLS_2020j为 基准年份的第n个基准网格的加权路网空间分布密度数据，RLS_2020j为基准年份的n 个基准网格的加权路网空间分布密度数据的总和；V_n为目标年份的机动车的燃油车 的保有量，V_n＝FV_k；

基于燃油车数量与二氧化碳排放的函数关系：

其中，C_n为预测的第n个基准网格的目标年份的道路交通二氧化碳排放空间网 格数据；a1为第一权重值；b1为第二权重值；c为常数；RLS_n为目标年份的n个基 准网格的加权路网空间分布密度数据的总和；RLS₂₀₂₀为目标年份的第n个基准网格 的加权路网空间分布密度数据，即目标年份加权路网空间分布密度数据集D3； V₂₀₂₀为基准年份的第n个基准网格的机动车的燃油车的保有量；C₂₀₂₀为基准年份 的二氧化碳排放量，记为已知值；

根据得到的C_n，获取目标年份的道路交通二氧化碳排放空间网格数据C：

C＝n×C_n (18)

其中，n为针对待测区域在空间上所划分的基准网格的数量；

并将上述计算结果作为预测结果，再根据二氧化碳排放总量与预测结果的差异进行倍数调整，得到横坐标为时间、纵坐标为二氧化碳排放量的变化曲线，根据该变 化曲线的变化率平滑得到逐年的二氧化碳排放量。

本发明还提供了一种道路交通二氧化碳排放的预测系统，该系统包括：

密度数据获取模块，用于针对未来目标年份的待测区域，将待测区域在空间上划分为多个基准网格，每个基准网格为10km×10km的空间基准网格，结合人口空间分 布预测结果和城市建设用地空间扩张预测结果，获取每一个基准网格的加权路网空 间分布密度数据，进而获取未来目标年份的加权路网密度空间分布密度数据集；

新能源车存活概率获取模块，用于根据历史年份的新能源车的注册量和保有量，得到新能源车中的乘用车的存活概率和新能源车中的商用车的存活概率，作为新能 源车的车龄存活概率；

燃油车保有量获取模块，根据Gompertz预测模型和增长率预测模型，计算未来 目标年份的机动车的保有量，同时，基于未来目标年份的新能源车的新车渗透率，并 结合新能源车的车龄存活概率，得到目标年份的新能源车保有量，利用目标年份的机 动车总量减去目标年份的新能源车保有量，得到未来目标年份的机动车的燃油车保 有量；和

预测模块，用于将来目标年份的机动车的燃油车保有量分配至每个基准网格，基于每一个基准网格的加权路网空间分布密度数据和每个基准网格的燃油车保有量， 以及燃油车数量与二氧化碳排放的函数关系，预测目标年份的道路交通二氧化碳排 放空间网格数据，实现对道路交通二氧化碳排放的预测。

本发明与现有技术相比的有益效果是：

1、本发明的方法充分考虑了车辆存活曲线与新能源车销售渗透率，结合车辆 存活曲线和新能源车销售渗透率的变化测算道路交通二氧化碳排放时，充分考虑了 传统燃油车逐步淘汰和新能源车的推广，能够更有效地揭示道路交通电气化推广下 的道路交通二氧化碳排放的时空差异；

2、空间模型的构建能够同时识别道路交通二氧化碳排放在时间上和空间上的异质性，有助于筛选出该排放的典型区域，提出更具针对性的减排目标；

3、在空间网格层面上，实现任意网格区域内的道路交通二氧化碳排放的预测， 从而完成对不同区域的道路交通二氧化碳排放达峰的快速预测。

附图说明

图1是本发明的一种道路交通二氧化碳排放的预测方法的流程图；

图2是图1的本发明的一种道路交通二氧化碳排放的预测方法的步骤1)的流程图。

具体实施方式

现结合附图和实例对本发明作进一步的描述。

如图1所示，本发明提供了一种道路交通二氧化碳排放的预测方法，该方法具 体包括：

步骤1)针对未来目标年份的待测区域，将待测区域在空间上划分为多个基准网格，每个基准网格为10km×10km的空间基准网格，结合人口空间分布预测结果和城 市建设用地空间扩张预测结果，获取每一个基准网格的加权路网空间分布密度数据， 进而获取未来目标年份的加权路网密度空间分布密度数据集；

具体地，如图2所示，采用基于共享社会经济路径(SSP)开发的全球2010-2100 年间每十年的人口网格预测数据，按照预先设定的行政级别，提取不同年份的人口数 据，再结合待测区域的实际情况的逐年总人口预测数据，得到符合实际的人口分布数 据集D1，作为人口空间分布预测结果；

根据历史建设用地扩张空间数据，以预先设定的基准年(在本实施例中为2020年)60％的土地利用现状数据为基础，基于热点阈值打分的方法(2025年全国65％ 城镇化水平、2030年全国70％城镇化水平、2035年全国75％城镇化水平)，得到目 标年份城市建设用地空间分布数据集D2，作为城市建设用地空间扩张预测结果；

从城市建设用地空间扩张预测结果中，提取目标年份城市建设用地扩张面积；并结合对应的人口空间分布预测结果，获取第i个基准网格的加权路网空间分布密度数 据Road_ni：

其中，Road_ni代表第n目标年份的第i个基准网格的加权路网空间分布密度数 据；其中，在本实施例中，n为2025，2030，2035，2040，2050和2060年；

UL_ni为第n目标年份的第i个基准网格的城市建设用地扩张面积；UL_2020i为2020 年的第i个基准网格的建设用地扩张面积；Pop_ni为第n目标年份的第i个基准网格 的人口数据；Pop_2020i为2020年的第i个基准网格的人口数据；Road_2020i为2020年 第i个基准网格的加权路网空间分布密度数据；

将通过上式将获取的每一个基准网格的加权路网空间分布密度数据进行汇总，得到目标年份加权路网空间分布密度数据集D3。

步骤2)根据历史年份的新能源车的注册量和保有量，得到新能源车中的乘用车的存活概率和新能源车中的商用车的存活概率，作为新能源车的车龄存活概率；

具体地，假设机动车分为新能源车和燃油车两大类；其中，新能源车包括：乘用 车和商用车；燃油车包括：乘用车和商用车；

根据新能源车的历史年份2000-2020每年的注册量和保有量，分别拟合得到新 能源车乘用车和商用车存活曲线，该曲线反映新车群体随着车龄增加其存活比例逐 渐下降的规律：

新能源车中的乘用车的存活概率：

其中，

为第k目标年份，车型j为乘用车，车龄为i的新能源车中的乘 用车的存活概率；n_0，j(k)¹为第k目标年份车型j为乘用车的注册量；n_i，j(k+1)¹为 车型j为乘用车的车辆在第k+i目标年份仍然正常使用的车辆数，即新乘用车保有 量；

该存活概率符合两参数的Weibull分布：

其中，bj表示失效陡度；T_j表示新能源车中的车型j为乘用车的寿命；

新能源车中的商用车的存活概率：

其中，

为第k目标年份，车型j为商用车，车龄为i的新能源车中的商用 车的存活概率；n_0，j(k)²为第k目标年份车型j为商用车的注册量；n_i，j(k+1)²为车 型j为商用车的车辆在第k+i目标年份仍然正常使用的车辆数，即新商用车保有量；

该存活概率符合两参数的Weibull分布：

其中，bj表示失效陡度，T_j1表示车型j为新能源车中的商用车的寿命。

步骤3)根据Gompertz预测模型和增长率预测模型，计算未来目标年份的机动 车的保有量，同时，基于未来目标年份的新能源车的新车渗透率，并结合新能源车的 车龄存活概率，得到目标年份的新能源车保有量，利用目标年份的机动车总量减去目 标年份的新能源车保有量，得到未来目标年份的机动车的燃油车保有量；

具体地，获取未来目标年份的机动车保有量的具体过程如下：

假设机动车的车型分为乘用车和商用车；根据Gompertz预测模型，计算未来目 标年份的乘用车保有量：

其中，V_p为未来目标年份的乘用车的保有量，其单位为辆/千人；K为饱和保有量；a为第一常数值，b为第二常数值，二者均为已知的常数值；g为人均GDP，其单位 为元/人；

根据增长率预测模型，计算未来目标年份的商用车的保有量：

V＝a′+b′×H (7)

其中，V为未来目标年份的商用车的保有量，其单位为万辆；a′、b′为常数值，根 据2002-2010年商用货车保有量和货运量的线性关系拟合得到；H为货运量，万吨；

则未来目标年份的机动车保有量A：

A＝V_p+V； (8)

未来目标年份的新能源车保有量的具体计算过程如下：

假设新能源车包括：乘用车和商用车；

基于基准年的新能源车车龄分布，根据未来每年的新能源车的新车渗透率，预测未来年份每年的新能源车新车注册量，结合车辆存活概率曲线，进而得到目标年份的 乘用车与商用车的新能源车的保有量：

未来目标年份新能源车中的乘用车保有量NVP_k：

NVP_k＝∑_j∑_iNVP_i，j，k (10)

其中，NVP_i，j，k为k年的乘用车新能源车车龄分布，表示k年车龄为i的乘用车新 能源车保有量，NVP_k为k年新能源车中的乘用车保有量，NSP_j，k-i为第k-i年的新能 源车注册量，这是一个动态迭代的公式，当k-i等于2020时代表基准年(2020年) 的车辆车龄分布，即NVP₂₀₂₀，

为k年、车型j为新能源乘用车、车龄为i的 存活概率；

其中，

NSP_j，k-i＝SP_k-i×MSP_k-i (11)

其中，SP_k-i为k-i年乘用车的总销售量，MSP_k-i为第k-i年的新能源车的新车 渗透率；

未来目标年份新能源车中的商用车保有量NV_k：

NV_k＝∑_j∑_iNV_i，j，k (13)

其中，NV_i，j，k为k年的商用车新能源车车龄分布，表示k年车龄为i的商用车新 能源车保有量，NV_k为k年新能源车中的商用车保有量，NS_j，k-i为第k-i年的商用车 新能源车注册量，这是一个动态迭代的公式，当k-i等于2020时代表基准年(2020 年)的车辆车龄分布，即NV₂₀₂₀，

为k年j车型为商用车新能源车、车龄为i 的存活概率；

NS_j，k-i＝S_k-i×MS_k-i (14)

其中，S_k-i为k-i年商用车的总销售量，MS_k-i为第k-i年的商用车新能源车的 新车渗透率；

目标年份的新能源车保有量等于未来目标年份新能源车中的乘用车保有量NVP_k加上未来目标年份新能源车中的商用车保有量NV_k；

将未来目标年份的机动车保有量减去目标年份的新能源车保有量，得到未来目标年份的机动车的燃油车保有量：

具体地，未来目标年份的机动车保有量A和k年新能源车乘用车和商用的保有量NVP_k、NV_k，得到未来目标年份的机动车的燃油车保有量FV_k；

FV_k＝A-NVP_k-NV_k (15)。

步骤4)将未来目标年份的机动车的燃油车保有量分配至每个基准网格，基于每一个基准网格的加权路网空间分布密度数据和每个基准网格的燃油车保有量，以及 燃油车数量与二氧化碳排放的函数关系，预测目标年份的道路交通二氧化碳排放空 间网格数据，实现对道路交通二氧化碳排放的预测。

具体地，

针对待测区域在空间上划分的多个10km×10km的基准网格，将未来目标年份的机动车的燃油车保有量分配至每个基准网格，得到未来目标年份的各个基准网格的 机动车的燃油车保有量V_nj：

其中，V_nj为目标年份的第n个基准网格的机动车的燃油车保有量；′RLS_2020j为 基准年份的第n个基准网格的加权路网空间分布密度数据，RLS_2020j为基准年份的n 个基准网格的加权路网空间分布密度数据的总和；V_n为目标年份的机动车的燃油车 的保有量，V_n＝FV_k；

基于燃油车数量与二氧化碳排放的函数关系：

其中，C_n为预测的第n个基准网格的目标年份的道路交通二氧化碳排放空间网 格数据；a1为第一权重值；b1为第二权重值；c为常数；RLS_n为目标年份的n个基 准网格的加权路网空间分布密度数据的总和；RLS₂₀₂₀为目标年份的第n个基准网格 的加权路网空间分布密度数据，即目标年份加权路网空间分布密度数据集D3； V₂₀₂₀为基准年份的第n个基准网格的机动车的燃油车的保有量；C₂₀₂₀为基准年份 的二氧化碳排放量，记为已知值；

根据得到的C_n，获取目标年份的道路交通二氧化碳排放空间网格数据C：

C＝n×C_n (18)

其中，n为针对待测区域在空间上所划分的基准网格的数量；

并将上述计算结果作为预测结果，再根据二氧化碳排放总量与预测结果的差异进行倍数调整，得到横坐标为时间、纵坐标为二氧化碳排放量的变化曲线，根据该变 化曲线的变化率平滑得到逐年的二氧化碳排放量。

本发明还提供了一种道路交通二氧化碳排放的预测系统，该系统包括：

密度数据获取模块，用于针对未来目标年份的待测区域，将待测区域在空间上划分为多个基准网格，每个基准网格为10km×10km的空间基准网格，结合人口空间分 布预测结果和城市建设用地空间扩张预测结果，获取每一个基准网格的加权路网空 间分布密度数据，进而获取未来目标年份的加权路网密度空间分布密度数据集；

新能源车存活概率获取模块，用于根据历史年份的新能源车的注册量和保有量，得到新能源车中的乘用车的存活概率和新能源车中的商用车的存活概率，作为新能 源车的车龄存活概率；

燃油车保有量获取模块，根据Gompertz预测模型和增长率预测模型，计算未来 目标年份的机动车的保有量，同时，基于未来目标年份的新能源车的新车渗透率，并 结合新能源车的车龄存活概率，得到目标年份的新能源车保有量，利用目标年份的机 动车总量减去目标年份的新能源车保有量，得到未来目标年份的机动车的燃油车保 有量；和

预测模块，用于将来目标年份的机动车的燃油车保有量分配至每个基准网格，基于每一个基准网格的加权路网空间分布密度数据和每个基准网格的燃油车保有量， 以及燃油车数量与二氧化碳排放的函数关系，预测目标年份的道路交通二氧化碳排 放空间网格数据，实现对道路交通二氧化碳排放的预测。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管 参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明 的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均 应涵盖在本发明的权利要求范围当中。

Claims (2)

1.一种道路交通二氧化碳排放的预测方法，该方法包括：

针对未来目标年份的待测区域，将待测区域在空间上划分为多个基准网格，每个基准网格为10km×10km的空间基准网格，结合人口空间分布预测结果和城市建设用地空间扩张预测结果，获取每一个基准网格的加权路网空间分布密度数据，进而获取未来目标年份的加权路网密度空间分布密度数据集；

根据历史年份的新能源车的注册量和保有量，得到新能源车中的乘用车的存活概率和新能源车中的商用车的存活概率，作为新能源车的车龄存活概率；

根据Gompertz预测模型和增长率预测模型，计算未来目标年份的机动车的保有量，同时，基于未来目标年份的新能源车的新车渗透率，并结合新能源车的车龄存活概率，得到目标年份的新能源车保有量，利用目标年份的机动车总量减去目标年份的新能源车保有量，得到未来目标年份的机动车的燃油车保有量；

将未来目标年份的机动车的燃油车保有量分配至每个基准网格，基于每一个基准网格的加权路网空间分布密度数据和每个基准网格的燃油车保有量，以及燃油车数量与二氧化碳排放的函数关系，预测目标年份的道路交通二氧化碳排放空间网格数据，实现对道路交通二氧化碳排放的预测；

所述目标年份的加权路网密度空间分布密度数据集的具体获取过程为：

采用基于共享社会经济路径开发的全球2010-2100年间每十年的人口网格预测数据，按照预先设定的行政级别，提取不同年份的人口数据，再结合待测区域的实际情况的逐年总人口预测数据，得到符合实际的人口分布数据集D1，作为人口空间分布预测结果；

根据历史建设用地扩张空间数据，以预先设定的基准年2020年60％的土地利用现状数据为基础，基于热点阈值打分的方法，得到目标年份城市建设用地空间分布数据集D2，作为城市建设用地空间扩张预测结果；

从城市建设用地空间扩张预测结果中，提取目标年份城市建设用地扩张面积；并结合对应的人口空间分布预测结果，获取第i个基准网格的加权路网空间分布密度数据Road_ni：

其中，Road_ni代表第n目标年份的第i个基准网格的加权路网空间分布密度数据；其中，n为2025，2030，2035，2040，2050和2060年；

UL_ni为第n目标年份的第i个基准网格的城市建设用地扩张面积；UL_2020i为2020年的第i个基准网格的建设用地扩张面积；Pop_ni为第n目标年份的第i个基准网格的人口数据；Pop_2020i为2020年的第i个基准网格的人口数据；Road_2020i为2020年第i个基准网格的加权路网空间分布密度数据；

将通过上式，将获取的每一个基准网格的加权路网空间分布密度数据进行汇总，得到目标年份加权路网空间分布密度数据集D3；

所述根据历史年份的新能源车的注册量和保有量，得到新能源车中的乘用车的存活概率和新能源车中的商用车的存活概率，作为新能源车的车龄存活概率，其具体过程为：

假设机动车分为新能源车和燃油车两大类；其中，新能源车包括：乘用车和商用车；燃油车包括：乘用车和商用车；

根据新能源车的历史年份2000-2020每年的注册量和保有量，分别拟合得到新能源车乘用车和商用车存活曲线，该曲线反映新能源车群体随着车龄增加其存活比例逐渐下降的规律：

新能源车中的乘用车的存活概率：

其中，

为第k目标年份，车型j为乘用车，车龄为i的新能源车中的乘用车的存活概率；n_0,j(k)¹为第k目标年份车型j为乘用车的注册量；n_i,j(k+1)¹为车型j为乘用车的车辆在第k+i目标年份仍然正常使用的车辆数，即新乘用车保有量；

该存活概率符合两参数的Weibull分布：

其中，b_j表示失效陡度；T_j表示新能源车中的车型j为乘用车的寿命；

新能源车中的商用车的存活概率：

其中，

为第k目标年份，车型j为商用车，车龄为i的新能源车中的商用车的存活概率；n_0,j(k)²为第k目标年份车型j为商用车的注册量；n_i,j(k+1)²为车型j为商用车的车辆在第k+i目标年份仍然正常使用的车辆数，即新商用车保有量；

该存活概率符合两参数的Weibull分布：

其中，b_j表示失效陡度，T_j1表示车型j为新能源车中的商用车的寿命；

所述根据Gompertz预测模型和增长率预测模型，计算未来目标年份的机动车的保有量，同时，基于未来目标年份的新能源车的新车渗透率，并结合新能源车的车龄存活概率，得到目标年份的新能源车保有量，利用目标年份的机动车总量减去目标年份的新能源车保有量，得到未来目标年份的机动车的燃油车保有量，其具体过程为：

获取未来目标年份的机动车保有量的具体过程如下：

假设机动车的车型分为乘用车和商用车；根据Gompertz预测模型，计算未来目标年份的乘用车保有量：

其中，V_p为未来目标年份的乘用车的保有量，其单位为辆；K为饱和保有量；a为第一常数值，b为第二常数值，二者均为已知的常数值；g为人均GDP，其单位为元/人；

根据增长率预测模型，计算未来目标年份的商用车的保有量：

V＝a′+b′×H (7)

其中，V为未来目标年份的商用车的保有量，其单位为万辆；a′、b′为常数值，根据2002-2010年商用货车保有量和货运量的线性关系拟合得到；H为货运量，其单位为万吨；

则未来目标年份的机动车保有量A：

A＝V_p+V； (8)

未来目标年份的新能源车保有量的具体计算过程如下：

假设新能源车包括：乘用车和商用车；

基于基准年的新能源车车龄分布，根据未来每年的新能源车的新车渗透率，预测未来年份每年的新能源车新车注册量，结合车辆存活概率曲线，进而得到目标年份的乘用车与商用车的新能源车的保有量：

未来目标年份新能源车中的乘用车保有量NVP_k：

NVP_k＝∑_j∑_iNVP_i,j,k (10)

其中，NVP_i,j,k为k年的乘用车新能源车车龄分布，表示k年车龄为i的乘用车新能源车保有量，NVP_k为k年新能源车中的乘用车保有量，NSP_j,k-i为第k-i年的新能源车注册量，这是一个动态迭代的公式，当k-i等于2020时代表基准年2020年的车辆车龄分布，即NVP₂₀₂₀，

为k年、车型j为新能源乘用车、车龄为i的存活概率；

其中，

NSP_j,k-i＝SP_k-i×MSP_k-i (11)

其中，SP_k-i为k-i年乘用车的总销售量，MSP_k-i为第k-i年的新能源车的新车渗透率；

未来目标年份新能源车中的商用车保有量NV_k：

NV_k＝∑_j∑_iNV_i,j,k (13)

其中，NV_i,j,k为k年的商用车新能源车车龄分布，表示k年车龄为i的商用车新能源车保有量，NV_k为k年新能源车中的商用车保有量，NS_j,k-i为第k-i年的商用车新能源车注册量，这是一个动态迭代的公式，当k-i等于2020时代表基准年2020年的车辆车龄分布，即NV₂₀₂₀，

为k年j车型为商用车新能源车、车龄为i的存活概率；

NS_j,k-i＝S_k-i×MS_k-i (14)

其中，S_k-i为k-i年商用车的总销售量，MS_k-i为第k-i年的商用车新能源车的新车渗透率；

目标年份的新能源车保有量等于未来目标年份新能源车中的乘用车保有量NVP_k加上未来目标年份新能源车中的商用车保有量NV_k；

将未来目标年份的机动车保有量减去目标年份的新能源车保有量，得到未来目标年份的机动车的燃油车保有量：

具体地，未来目标年份的机动车保有量A和k年新能源车乘用车和商用车的保有量NVP_k、NV_k，得到未来目标年份的机动车的燃油车保有量FV_k；

FV_k＝A-NVP_k-NV_k (15)；

所述将未来目标年份的机动车的燃油车保有量分配至每个基准网格，基于每一个基准网格的加权路网空间分布密度数据和每个基准网格的燃油车保有量，以及燃油车数量与二氧化碳排放的函数关系，预测目标年份的道路交通二氧化碳排放空间网格数据，实现对道路交通二氧化碳排放的预测，其具体过程为：

针对待测区域在空间上划分的多个10km×10km的基准网格，将未来目标年份的机动车的燃油车保有量分配至每个基准网格，得到未来目标年份的各个基准网格的机动车的燃油车保有量V_nj：

其中，V_nj为目标年份的第n个基准网格的机动车的燃油车保有量；′RLS_2020j为基准年份的第n个基准网格的加权路网空间分布密度数据，RLS_2020j为基准年份的n个基准网格的加权路网空间分布密度数据的总和；V_n为目标年份的机动车的燃油车的保有量，V_n＝FV_k；

基于燃油车数量与二氧化碳排放的函数关系：

其中，C_n为预测的第n个基准网格的目标年份的道路交通二氧化碳排放空间网格数据；a1为第一权重值；b1为第二权重值；c为常数；RLS_n为目标年份的n个基准网格的加权路网空间分布密度数据的总和；RLS₂₀₂₀为目标年份的第n个基准网格的加权路网空间分布密度数据，即目标年份加权路网空间分布密度数据集D3；V₂₀₂₀为基准年份的第n个基准网格的机动车的燃油车的保有量；C₂₀₂₀为基准年份的二氧化碳排放量，记为已知值；

根据得到的C_n，获取目标年份的道路交通二氧化碳排放空间网格数据C：

C＝n×C_n (18)

其中，n为针对待测区域在空间上所划分的基准网格的数量；

并将所述目标年份的道路交通二氧化碳排放空间网格数据C作为预测结果，再根据二氧化碳排放总量与预测结果的差异进行倍数调整，得到横坐标为时间、纵坐标为二氧化碳排放量的变化曲线，根据该变化曲线的变化率平滑得到逐年的二氧化碳排放量。

2.一种道路交通二氧化碳排放的预测系统，其特征在于，该系统基于上述权利要求1所述的道路交通二氧化碳排放的预测方法实现，该系统包括：

密度数据获取模块，用于针对未来目标年份的待测区域，将待测区域在空间上划分为多个基准网格，每个基准网格为10km×10km的空间基准网格，结合人口空间分布预测结果和城市建设用地空间扩张预测结果，获取每一个基准网格的加权路网空间分布密度数据，进而获取未来目标年份的加权路网密度空间分布密度数据集；

新能源车存活概率获取模块，用于根据历史年份的新能源车的注册量和保有量，得到新能源车中的乘用车的存活概率和新能源车中的商用车的存活概率，作为新能源车的车龄存活概率；

燃油车保有量获取模块，根据Gompertz预测模型和增长率预测模型，计算未来目标年份的机动车的保有量，同时，基于未来目标年份的新能源车的新车渗透率，并结合新能源车的车龄存活概率，得到目标年份的新能源车保有量，利用目标年份的机动车总量减去目标年份的新能源车保有量，得到未来目标年份的机动车的燃油车保有量；和

预测模块，用于将未来目标年份的机动车的燃油车保有量分配至每个基准网格，基于每一个基准网格的加权路网空间分布密度数据和每个基准网格的燃油车保有量，以及燃油车数量与二氧化碳排放的函数关系，预测目标年份的道路交通二氧化碳排放空间网格数据，实现对道路交通二氧化碳排放的预测；

所述密度数据获取模块中，对于目标年份的加权路网密度空间分布密度数据集的具体获取过程为：

采用基于共享社会经济路径开发的全球2010-2100年间每十年的人口网格预测数据，按照预先设定的行政级别，提取不同年份的人口数据，再结合待测区域的实际情况的逐年总人口预测数据，得到符合实际的人口分布数据集D1，作为人口空间分布预测结果；

根据历史建设用地扩张空间数据，以预先设定的基准年2020年60％的土地利用现状数据为基础，基于热点阈值打分的方法，得到目标年份城市建设用地空间分布数据集D2，作为城市建设用地空间扩张预测结果；

从城市建设用地空间扩张预测结果中，提取目标年份城市建设用地扩张面积；并结合对应的人口空间分布预测结果，获取第i个基准网格的加权路网空间分布密度数据Road_ni：

其中，Road_ni代表第n目标年份的第i个基准网格的加权路网空间分布密度数据；其中，n为2025，2030，2035，2040，2050和2060年；

UL_ni为第n目标年份的第i个基准网格的城市建设用地扩张面积；UL_2020i为2020年的第i个基准网格的建设用地扩张面积；Pop_ni为第n目标年份的第i个基准网格的人口数据；Pop_2020i为2020年的第i个基准网格的人口数据；Road_2020i为2020年第i个基准网格的加权路网空间分布密度数据；

将通过上式，将获取的每一个基准网格的加权路网空间分布密度数据进行汇总，得到目标年份加权路网空间分布密度数据集D3；

所述新能源车存活概率获取模块中，根据历史年份的新能源车的注册量和保有量，得到新能源车中的乘用车的存活概率和新能源车中的商用车的存活概率，作为新能源车的车龄存活概率的具体过程为：

假设机动车分为新能源车和燃油车两大类；其中，新能源车包括：乘用车和商用车；燃油车包括：乘用车和商用车；

根据新能源车的历史年份2000-2020每年的注册量和保有量，分别拟合得到新能源车乘用车和商用车存活曲线，该曲线反映新能源车群体随着车龄增加其存活比例逐渐下降的规律：

新能源车中的乘用车的存活概率：

其中，

为第k目标年份，车型j为乘用车，车龄为i的新能源车中的乘用车的存活概率；n_0,j(k)¹为第k目标年份车型j为乘用车的注册量；n_i,j(k+1)¹为车型j为乘用车的车辆在第k+i目标年份仍然正常使用的车辆数，即新乘用车保有量；

该存活概率符合两参数的Weibull分布：

其中，b_j表示失效陡度；T_j表示新能源车中的车型j为乘用车的寿命；

新能源车中的商用车的存活概率：

其中，

为第k目标年份，车型j为商用车，车龄为i的新能源车中的商用车的存活概率；n_0,j(k)²为第k目标年份车型j为商用车的注册量；n_i,j(k+1)²为车型j为商用车的车辆在第k+i目标年份仍然正常使用的车辆数，即新商用车保有量；

该存活概率符合两参数的Weibull分布：

其中，b_j表示失效陡度，T_j1表示车型j为新能源车中的商用车的寿命；

所述燃油车保有量获取模块中，根据Gompertz预测模型和增长率预测模型，计算未来目标年份的机动车的保有量，同时，基于未来目标年份的新能源车的新车渗透率，并结合新能源车的车龄存活概率，得到目标年份的新能源车保有量，利用目标年份的机动车总量减去目标年份的新能源车保有量，得到未来目标年份的机动车的燃油车保有量的具体过程为：

获取未来目标年份的机动车保有量的具体过程如下：

假设机动车的车型分为乘用车和商用车；根据Gompertz预测模型，计算未来目标年份的乘用车保有量：

其中，V_p为未来目标年份的乘用车的保有量，其单位为辆；K为饱和保有量；a为第一常数值，b为第二常数值，二者均为已知的常数值；g为人均GDP，其单位为元/人；

根据增长率预测模型，计算未来目标年份的商用车的保有量：

V＝a′+b′×H (7)

其中，V为未来目标年份的商用车的保有量，其单位为万辆；a′、b′为常数值，根据2002-2010年商用货车保有量和货运量的线性关系拟合得到；H为货运量，其单位为万吨；

则未来目标年份的机动车保有量A：

A＝V_p+V； (8)

未来目标年份的新能源车保有量的具体计算过程如下：

假设新能源车包括：乘用车和商用车；

基于基准年的新能源车车龄分布，根据未来每年的新能源车的新车渗透率，预测未来年份每年的新能源车新车注册量，结合车辆存活概率曲线，进而得到目标年份的乘用车与商用车的新能源车的保有量：

未来目标年份新能源车中的乘用车保有量NVP_k：

NVP_k＝∑_j∑_iNVP_i,j,k (10)

其中，NVP_i,j,k为k年的乘用车新能源车车龄分布，表示k年车龄为i的乘用车新能源车保有量，NVP_k为k年新能源车中的乘用车保有量，NSP_j,k-i为第k-i年的新能源车注册量，这是一个动态迭代的公式，当k-i等于2020时代表基准年2020年的车辆车龄分布，即NVP₂₀₂₀，

为k年、车型j为新能源乘用车、车龄为i的存活概率；

其中，

NSP_j,k-i＝SP_k-i×MSP_k-i (11)

其中，SP_k-i为k-i年乘用车的总销售量，MSP_k-i为第k-i年的新能源车的新车渗透率；

未来目标年份新能源车中的商用车保有量NV_k：

NV_k＝∑_j∑_iNV_i,j,k (13)

其中，NV_i,j,k为k年的商用车新能源车车龄分布，表示k年车龄为i的商用车新能源车保有量，NV_k为k年新能源车中的商用车保有量，NS_j,k-i为第k-i年的商用车新能源车注册量，这是一个动态迭代的公式，当k-i等于2020时代表基准年2020年的车辆车龄分布，即NV₂₀₂₀，

为k年j车型为商用车新能源车、车龄为i的存活概率；

NS_j,k-i＝S_k-i×MS_k-i (14)

其中，S_k-i为k-i年商用车的总销售量，MS_k-i为第k-i年的商用车新能源车的新车渗透率；

目标年份的新能源车保有量等于未来目标年份新能源车中的乘用车保有量NVP_k加上未来目标年份新能源车中的商用车保有量NV_k；

将未来目标年份的机动车保有量减去目标年份的新能源车保有量，得到未来目标年份的机动车的燃油车保有量：

具体地，未来目标年份的机动车保有量A和k年新能源车乘用车和商用车的保有量NVP_k、NV_k，得到未来目标年份的机动车的燃油车保有量FV_k；

FV_k＝A-NVP_k-NV_k (15)；

所述预测模块中，将未来目标年份的机动车的燃油车保有量分配至每个基准网格，基于每一个基准网格的加权路网空间分布密度数据和每个基准网格的燃油车保有量，以及燃油车数量与二氧化碳排放的函数关系，预测目标年份的道路交通二氧化碳排放空间网格数据，实现对道路交通二氧化碳排放的预测的具体过程为：

针对待测区域在空间上划分的多个10km×10km的基准网格，将未来目标年份的机动车的燃油车保有量分配至每个基准网格，得到未来目标年份的各个基准网格的机动车的燃油车保有量V_nj：

其中，V_nj为目标年份的第n个基准网格的机动车的燃油车保有量；′RLS_2020j为基准年份的第n个基准网格的加权路网空间分布密度数据，RLS_2020j为基准年份的n个基准网格的加权路网空间分布密度数据的总和；V_n为目标年份的机动车的燃油车的保有量，V_n＝FV_k；

基于燃油车数量与二氧化碳排放的函数关系：

其中，C_n为预测的第n个基准网格的目标年份的道路交通二氧化碳排放空间网格数据；a1为第一权重值；b1为第二权重值；c为常数；RLS_n为目标年份的n个基准网格的加权路网空间分布密度数据的总和；RLS₂₀₂₀为目标年份的第n个基准网格的加权路网空间分布密度数据，即目标年份加权路网空间分布密度数据集D3；V₂₀₂₀为基准年份的第n个基准网格的机动车的燃油车的保有量；C₂₀₂₀为基准年份的二氧化碳排放量，记为已知值；

根据得到的C_n，获取目标年份的道路交通二氧化碳排放空间网格数据C：

C＝n×C_n (18)

其中，n为针对待测区域在空间上所划分的基准网格的数量；

并将所述目标年份的道路交通二氧化碳排放空间网格数据C作为预测结果，再根据二氧化碳排放总量与预测结果的差异进行倍数调整，得到横坐标为时间、纵坐标为二氧化碳排放量的变化曲线，根据该变化曲线的变化率平滑得到逐年的二氧化碳排放量。

Images