CN114510826A - 车辆排放结构分解方法、装置、电子设备及存储介质 - Google Patents
车辆排放结构分解方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114510826A CN114510826A CN202210049385.5A CN202210049385A CN114510826A CN 114510826 A CN114510826 A CN 114510826A CN 202210049385 A CN202210049385 A CN 202210049385A CN 114510826 A CN114510826 A CN 114510826A
- Authority
- CN
- China
- Prior art keywords
- heavy
- vehicle
- diesel vehicle
- emission
- data set
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种车辆排放结构分解方法、装置、电子设备及存储介质,属于轨迹数据挖掘领域,其中,车辆排放结构分解包括:获取多源交通数据集;去除所述多源交通数据集中的异常数据,得到目标多源交通数据集;融合所述目标多源交通数据集中重型柴油车数据信息,得到重型柴油车行驶信息;根据所述重型柴油车行驶信息计算第一目标区域的重型柴油车排放量;从所述目标多源交通数据集中确定重型柴油车辆的来源地,确定非第一目标区域的重型柴油车对所述第一目标区域贡献的排放量。通过识别区域内不同来源地的重型柴油车贡献的排放量,可为重型柴油车污染排放责任界定问题提供技术支撑。
Description
技术领域
本申请属于轨迹数据挖掘技术领域,具体涉及一种车辆排放结构分解方法、装置、电子设备及存储介质。
背景技术
道路运输在综合运输体系中占有重要地位。物资运输是道路运输的主体,通常为重型柴油车城际或省际长途运输过程。然而重型柴油车对近道路空气质量有重大影响。世界卫生组织在2012年将柴油尾气分类为第I组“人类致癌物”,这对人类健康构成严重威胁。因此,重型柴油车排放的管理和控制已成为减少道路车辆排放和保障公众健康的迫切需要。
精确分解重型柴油车排放贡献的结构是制定有效控制措施的前提和基础。由于重型柴油车跨区域的独特运输方式,在某一区域内的车队结构必然包含本地和非本地车辆。政策制定者不仅关心区域内重型柴油车的排放总量及时空分布格局,更加关心重型柴油车排放贡献的结构,即每辆重型柴油车来自哪里,以及对本地贡献了多少排放,从而可以制定有针对性的排放控制策略。
发明内容
本申请的目的是提供一种车辆排放结构分解方法、装置、电子设备及存储介质以确定重型柴油车排放贡献的结构。
根据本申请实施例的第一方面,提供了一种车辆排放结构分解方法,该方法可以包括:
获取多源交通数据集;
去除所述多源交通数据集中的异常数据,得到目标多源交通数据集;
融合所述目标多源交通数据集中重型柴油车数据信息,得到重型柴油车行驶信息;
根据所述重型柴油车行驶信息计算第一目标区域的重型柴油车排放量;
从所述目标多源交通数据集中确定重型柴油车辆的来源地,确定非第一目标区域的重型柴油车对所述第一目标区域贡献的排放量。
在本申请的一些可选实施例中,所述获取多源交通数据集包括下述至少之一:
获取重型柴油车轨迹数据;
获取重型柴油车属性信息;
获取排放模型计算参数;
获取道路网络基础信息。
在本申请的一些可选实施例中,所述去除所述多源交通数据集中的异常数据包括下述至少之一:
去除所述多源交通数据集中重复的车辆轨迹数据;
去除所述多源交通数据集中缺失的车辆轨迹记录;
去除所述多源交通数据集中的异常车辆轨迹记录。
在本申请的一些可选实施例中,所述融合所述目标多源交通数据集中重型柴油车数据信息包括:
利用重型柴油车辆唯一标识将所述目标多源交通数据集中与该重型柴油车辆相关的多个数据集关联。
在本申请的一些可选实施例中,所述根据所述重型柴油车行驶信息计算第一目标区域的重型柴油车排放量包括:
划分所述重型柴油车行驶信息中车辆规格数据,匹配排放因子参数库;
计算第一目标区域中每个路段的平均速度,构建速度依赖的排放因子模型;
基于重型柴油车的排放因子模型和重型柴油车所在道路的长度,计算每辆重型柴油车的排放,统计得到所述第一目标区域的重型柴油车排放。
在本申请的一些可选实施例中,所述从所述目标多源交通数据集中确定重型柴油车辆的来源地包括:
采用速度阈值确定重型柴油车辆的停留状态;
基于距离和时间阈值提取所述重型柴油车辆的关键停留点;
统计所述重型柴油车辆在每个停留区域中关键停留点的停留时长和频次,计算所述重型柴油车辆在每个停留区域的访问概率;
从所述每个停留区域中选取访问概率最大的地点,作为车辆轨迹的来源地。
在本申请的一些可选实施例中,所述确定非第一目标区域的重型柴油车对所述第一目标区域贡献的排放量包括:
将所述第一目标区域的重型柴油车排放按照重型柴油车的来源地进行时空分解,得到非第一目标区域的重型柴油车对所述第一目标区域贡献的排放量。
根据本申请实施例的第二方面,提供一种车辆排放结构分解装置,该装置可以包括:
获取模块,用于获取多源交通数据集;
异常处理模块,用于去除所述多源交通数据集中的异常数据,得到目标多源交通数据集;
融合模块,用于融合所述目标多源交通数据集中重型柴油车数据信息,得到重型柴油车行驶信息;
排放计算模块,用于根据所述重型柴油车行驶信息计算第一目标区域的重型柴油车排放量;
确定模块,用于从所述目标多源交通数据集中确定重型柴油车辆的来源地,确定非第一目标区域的重型柴油车对所述第一目标区域贡献的排放量。
根据本申请实施例的第三方面,提供一种电子设备,该电子设备可以包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,处理器被配置为执行指令,以实现如第一方面的任一项实施例中所示的车辆排放结构分解分解方法。
根据本申请实施例的第四方面,提供一种存储介质,当存储介质中的指令由信息处理装置或者服务器的处理器执行时,以使信息处理装置或者服务器实现以实现如第一方面的任一项实施例中所示的车辆排放结构分解分解方法。
本申请的上述技术方案具有如下有益的技术效果:
本申请实施例方法通过重型柴油车长时间序列的轨迹数据,采用轨迹数据挖掘技术推断出了途经研究区域内的每辆重型柴油车的来源地,结合重型柴油车详细的规格信息,本地化的排放因子,构建了以单车为基础的高分辨排放清单,实现了对区域内重型柴油车排放贡献结构的时空分解,通过识别区域内不同来源地的重型柴油车贡献的排放量,可为重型柴油车污染排放责任界定问题提供技术支撑。
附图说明
图1是本申请一示例性实施例中车辆排放结构分解方法的流程示意图;
图2是本申请一具体实施例中车辆排放结构分解方法的流程示意图;
图3是本申请一示例性实施例中电子设备结构示意图;
图4是本申请一示例性实施例中电子设备的硬件结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本申请进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本申请的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本申请的概念。
在附图中示出了根据本申请实施例的层结构示意图。这些图并非是按比例绘制的,其中为了清楚的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
在本申请的描述中,需要说明的是,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的车辆排放结构分解方法进行详细地说明。
如图1所示,在本申请实施例的第一方面,提供了一种车辆排放结构分解方法,该方法可以包括:
S110:获取多源交通数据集;
S120:去除所述多源交通数据集中的异常数据,得到目标多源交通数据集;
S130:融合所述目标多源交通数据集中重型柴油车数据信息,得到重型柴油车行驶信息;
S140:根据所述重型柴油车行驶信息计算第一目标区域的重型柴油车排放量;
S150:从所述目标多源交通数据集中确定重型柴油车辆的来源地,确定非第一目标区域的重型柴油车对所述第一目标区域贡献的排放量。
上述施例方法通过重型柴油车长时间序列的轨迹数据,采用轨迹数据挖掘技术推断出了途经研究区域内的每辆重型柴油车的来源地,结合重型柴油车详细的规格信息,本地化的排放因子,构建了以单车为基础的高分辨排放清单,实现了对区域内重型柴油车排放贡献结构的时空分解,通过识别区域内不同来源地的重型柴油车贡献的排放量,可为重型柴油车污染排放责任界定问题提供技术支撑。其中,目标区域可以是省、市、县等,省、市、县分别对应的就是不同省贡献的排放量,不同市贡献的排放量、不同县贡献的排放量。
为了更加清楚的说明,下面对于上述步骤进行分别介绍:
首先是步骤S110:获取多源交通数据集。
实现车辆排放贡献结构的分解依赖精细的交通相关的多源数据集,需要收集4部分数据:
(1)全国重型柴油车轨迹数据;
(2)重型柴油车属性信息;
(3)排放模型计算参数;
(4)全国道路网络基础信息。
通过中国道路货运车辆公共监管与服务平台提供的开放数据接口(https://www.gghypt.net/),获取全国重型柴油车的轨迹数据,数据采样频率为2-30s,包括车辆ID、经度、纬度和时间信息;重型柴油车的属性信息是建立精确的排放因子不可缺少的数据。通过中国道路货运车辆公共监管与服务平台的静态车辆属性信息接口,获取每辆重型柴油的吨位级别和排放标准;通过COPERT V排放计算模型获取车辆基本排放因子计算参数;通过高德开放平台(https://lbs.amap.com/)开放接口,获取全国道路网络基础信息,包括道路ID、道路等级、道路类型、道路长度等信息。
接下来是步骤S120:去除所述多源交通数据集中的异常数据,得到目标多源交通数据集。
由于设备故障或天气等原因,原始的轨迹数据包含大量错误和冗余信息,需要进行预处理步骤。对于重复、缺失的轨迹记录,直接从轨迹数据库中删除。对于异常的轨迹记录,例如瞬时速度大于120km/h、超过国界以外等需删除。
接下来是步骤S130:融合所述目标多源交通数据集中重型柴油车数据信息,得到重型柴油车行驶信息。
利用重型柴油车辆唯一标识将所述目标多源交通数据集中与该重型柴油车辆相关的多个数据集关联。
S140:根据所述重型柴油车行驶信息计算第一目标区域的重型柴油车排放量;
将车辆轨迹数据库中的轨迹记录按照经纬度坐标匹配到基础地理信息数据库中的道路网络,可通过道路ID实时获取每条道路片段有多少辆重型柴油车;通过车辆轨迹数据库中的车辆ID和车辆规格数据库中的车辆ID进行匹配,可得到每辆重型柴油车的吨位级别和排放标准;通过重型柴油车的吨位级别和排放标准,可从基本排放因子参数库匹配相应的计算参数。
从车辆规格数据库中获取每辆重型柴油的吨位级别和排放标准;
将排放标准划分为China0,China1,China2,China3,China4,China5;
将吨位级别划分为12-14t,14-20t,20-28t,28-32t,>32t;
将重型柴油车轨迹点按照经纬度坐标匹配到道路网络,计算每条道路片段上轨迹点速度的平均值作为该道路片段的平均速度;
其中,E Fp,m,n,v,i表示道路片段i在平均速度v条件下,具有排放标准m和吨位级别n的重型柴油车排放的污染物类型p的修正排放因子,单位为g/km。
从基础地理信息数据库获取道路片段的长度;
将计算得到的排放因子和道路片段长度相乘,可得到每辆重型柴油车在该道路片段的排放,如下式:
Ep,m,n,i,t=EFp,m,n,v,i×Li×10-3
其中,Ep,m,n,i,t表示在时间t,道路片段i上具有排放标准m和吨位级别n的重型柴油车产生的污染物类型p的排放量,单位为kg;Li表示道路片段的长度,单位为km。
通过将道路网络所有不同规格的重型柴油车产生的排放进行求和,可得到整个研究区域的重型柴油车排放,如下式:
其中,Ep,t表示在时间t整个道路网络产生的污染物p的排放量。
S150:从所述目标多源交通数据集中确定重型柴油车辆的来源地,确定非第一目标区域的重型柴油车对所述第一目标区域贡献的排放量。
原始的GPS轨迹数据中并不包含车辆的停车状态信息,仅用车辆瞬时速度或经验速度值无法准确判断车辆的停车状态,因此采用速度阈值来确定货车的停止状态。假设重型柴油车轨迹序列Tr包含n个轨迹点,Tr={p1,p2,...,pn},pi=(xi,yi,ti),每个轨迹点包含经度xi、纬度yi和时间ti信息。计算重型柴油车的平均速度pi.v。当pi.v小于给定的时间阈值speed Threh,可判断为停止状态,并保存在停车状态集合S中,其它轨迹点则被过滤掉。例如,给定speed Threh=1km/h,所有小于该速度的轨迹点被判断为停车状态,保存在集合S中。
一个轨迹停留点可认为是一个虚拟点,记录了重型柴油车在一定空间范围内停留了一段时间,通常包含特定的语义信息,如装卸货、加油、临时休息等。关键停留点sp指重型柴油车运输过程的行程起点或终点,包括装卸货或居家休息的位置,它们和重型柴油车的来源地密切相关。加油、用餐或交通拥堵引起的中间停留点需要和关键停留点区分开来。
计算集合S中一个轨迹点和其所有后继轨迹点之间的距离dist,直到dist大于给定的距离阈值distThreh。判断包含在该距离阈值范围内的轨迹点的停留的持续时间Δt,如果Δt大于给定的时间阈值timeThreh,则认为该距离范围包含关键的停留点。最后合并该距离范围内的连续轨迹点,计算该距离范围的质心作为关键停留点的位置(sp.x,sp.y),将Δt作为关键停留点的停留时长,并将关键停留点保留在集合SP中。重复以上步骤,直到遍历完集合S中所有轨迹点。
将集合SP中的第一个关键停留点作为锚点,通过经纬度坐标获取锚点所在的区县。判断该区县loc是否在候选来源地集合LOC中。如果已经在集合LOC中,则将该锚点的停留时长和该区县的停留时长相加,并将该区县的停留频次增加1次。否则,将该区县作为新的候选来源地插入到集合LOC中,同时将关键停留点的停留时长作为该区县的停留时长,并将停留频次设置为1。启发式搜索锚点的后继关键停留点,如果后继停留点和锚点在相同的区县,则将停留时长相加。否则,该后继停留点作为新的锚点,其所在的区县作为新的位置插入到LOC中。重复此过程,直到锚点移动到集合SP末尾。
由于重型柴油车在其来源地有食宿等生活需求,相比于其它停留区域,来源地呈现“单次停留时间长”、“长期停留频次多”的特点。而其它停留区域仅用于装卸货物,无需长期多次停留。因此,车辆在其来源地的累积停留频次和停留时长应远大于其它停留区域。并且观测的货运轨迹时间越长,这种特征越明显。采用货运长时间序列轨迹数据,构建重型柴油车来源地识别方法来挖掘重型柴油车长期停留的位置,包括采用速度阈值来检查车辆的停留状态;基于距离和时间阈值提取关键停留点;统计每个区县中关键停留点的停留时长和频次,计算区县的访问概率;从车辆停留的区县中选取访问概率最大的区县,作为车辆轨迹的来源地。
将集合LOC中的每个候选区县的停留时长和停留频次进行归一化处理,然后,将归一化的停留时长和停留频率转化为区县的访问概率。最后在LOC中选取访问概率最大的区县作为重型柴油车的来源地o。
假设LOC中包含m个区县,对于第i个区县loci,按照下公式分别对停留时长和停留频次进行归一化:
其中,loci.dur表示第i个区县的停留时长,loci.fr表示第i个区县的停留频次。
将停留时长和停留频率转化为区县的访问概率可按照下式进行计算:loci.prob=(loci.dur+loci.fr)/2
其中,loci.prob表示第i个区县的访问概率。
将整个研究区域的重型柴油车排放按照重型柴油车的来源地进行时空分解,从而得到其它区域的重型柴油车对研究区域贡献的排放量。计算过程如下:
给定区域r,将车辆来源地o属于区域r的所有重型柴油车产生的排放进行求和,从而得到特定区域在时间t贡献的污染物p的排放量Ep,r,t,计算过程为:
在一个实施例中,所述获取多源交通数据集包括下述至少之一:
获取重型柴油车轨迹数据;
获取重型柴油车属性信息;
获取排放模型计算参数;
获取道路网络基础信息。
在一个实施例中,所述去除所述多源交通数据集中的异常数据包括下述至少之一:
去除所述多源交通数据集中重复的车辆轨迹数据;
去除所述多源交通数据集中缺失的车辆轨迹记录;
去除所述多源交通数据集中的异常车辆轨迹记录。
在一个实施例中,所述融合所述目标多源交通数据集中重型柴油车数据信息包括:
利用重型柴油车辆唯一标识将所述目标多源交通数据集中与该重型柴油车辆相关的多个数据集关联。
在一个实施例中,所述根据所述重型柴油车行驶信息计算第一目标区域的重型柴油车排放量包括:
划分所述重型柴油车行驶信息中车辆规格数据,匹配排放因子参数库;
计算第一目标区域中每个路段的平均速度,构建速度依赖的排放因子模型;
基于重型柴油车的排放因子模型和重型柴油车所在道路的长度,计算每辆重型柴油车的排放,统计得到所述第一目标区域的重型柴油车排放。
在一个实施例中,所述从所述目标多源交通数据集中确定重型柴油车辆的来源地包括:
采用速度阈值确定重型柴油车辆的停留状态;
基于距离和时间阈值提取所述重型柴油车辆的关键停留点;
统计所述重型柴油车辆在每个停留区域中关键停留点的停留时长和频次,计算所述重型柴油车辆在每个停留区域的访问概率;
从所述每个停留区域中选取访问概率最大的地点,作为车辆轨迹的来源地。
在一个实施例中,所述确定非第一目标区域的重型柴油车对所述第一目标区域贡献的排放量包括:
将所述第一目标区域的重型柴油车排放按照重型柴油车的来源地进行时空分解,得到非第一目标区域的重型柴油车对所述第一目标区域贡献的排放量。
识别重型柴油车来源地的一种理想方法是利用自动车牌识别技术获取区域内通行的每辆车的车牌信息。然而,数据的可访问性成为实现该方法的主要障碍。受限于隐私政策的影响,通常无法获取到大范围路网的车牌信息。因此,现有的技术方案仅能利用典型路段的交通调查数据和高速公路卡口数据来统计本地和非本地车的交通流量。通过简单地将路网划分为多个交通区域,假设同一区域内不同路段具有相同的交通流量和车型构成,来推断整个道路网络车辆的时空分布。然而,这些采样数据相对于整个交通系统是非常有限的,基于简单的假设会导致最终的推断结果产生很大的偏差。此外,基于交通摄像机采集车牌信息的方式需要花费大量的人力和物力,因此难以推广到大范围的道路网络。更重要的是,基于采样数据的推断方法仅能粗略获取每个道路片段上本地和非本地重型柴油车的总流量,无法进一步识别未监测路段重型柴油车的来源地。
精确分解重型柴油车排放贡献的结构面临的另一挑战来自于重型柴油车排放清单的构建。以前的许多方法集中在利用车辆注册信息来构建宏观尺度的排放清单。基于机动车综合排放因子、车辆年均行驶里程以及区域机动车保有量三个参数,预测区域路网机动车的排放总量。然而,重型柴油车的运输过程通常为城际或省际运输。因此,基于车辆注册信息的方法并不适用于重型柴油车排放清单的构建,会造成排放总量存在很大的不确定性。近年来,随着移动定位技术的不断普及和发展,为实现精细尺度的交通污染排放动态监测提供了重要的数据源。现有的方法趋向于利用智能交通技术获取路段的通行速度、流量、车型构成等车辆活动特征数据以及本地化的排放因子,来构建高分辨率的排放清单,以阐明污染排放的时空分布格局。由于交通特征数据通常具有受限的时空覆盖范围,因此在构建大范围路网的排放清单时,需要通过典型路段的采样数据来推导整个道路网络交通活动的时空分布,从而使得排放计算结果不可避免的引入较大的误差。例如,基于采样数据推断的方法无法精确获取基于推断的车辆的吨位级别、排放标准、燃油类型等信息。此外,由于当前的研究无法识别区域内每辆重型柴油车的来源地,因此仅能量化非本地重型柴油车的排放总量,无法进一步量化非本地重型柴油车排放总量的结构,即非本地排放总量是由哪些区域的车辆共同造成的,导致在制定重型柴油车排放控制政策时无法进行准确的责任分配。
如图2所示,在本申请一具体实施例中,提供一种车辆排放贡献结构分解方法,整体步骤为:
步骤1、交通数据集收集与预处理;
获取交通相关的多源数据集并进行预处理。
步骤2、高分辨率排放清单构建;
实现多源交通大数据的融合和排放因子的计算,构建重型柴油车高分辨率排放清单。
步骤3、重型柴油车来源地识别;
利用轨迹挖掘算法,从全国重型柴油车长时间序列的轨迹数据中确定车辆的来源地。
步骤4、排放贡献结构时空分解;
结合重型柴油车的来源地信息,对排放清单进行精确地结构分解,量化不同区域对本地的排放贡献。
进一步地,步骤1的具体过程为:
所述的交通相关的多源数据集包括全国重型柴油车轨迹数据、重型柴油车属性信息、排放模型计算参数、全国道路网络基础信息。
所述的预处理步骤包括去除重复、缺失和异常的轨迹记录。
进一步地,步骤2的具体过程为:
采用速度阈值来检查车辆的停留状态;
基于距离和时间阈值提取关键停留点;
统计每个区县中关键停留点的停留时长和频次,计算区县的访问概率;
从车辆停留的区县中选取访问概率最大的区县,作为车辆轨迹的来源地。
进一步地,步骤3的具体过程为:
基于清洗的多源交通数据,利用相应的唯一标识将多个数据集关联起来,实现对每辆重型柴油车行驶过程的详细描述;
划分车辆规格数据,匹配排放因子参数库;
计算每个路段的平均速度,构建速度依赖的排放因子模型;
基于每辆重型柴油车的排放因子和每辆重型柴油车所在道路的长度,计算每辆重型柴油车的排放,统计得到整个研究区域的重型柴油车排放。
进一步地,步骤4的具体过程为:
将整个研究区域的重型柴油车排放按照重型柴油车的来源地进行时空分解,从而得到其它区域的重型柴油车对研究区域贡献的排放量。
本申请基于重型柴油车长时间序列的轨迹数据,采用轨迹数据挖掘技术推断出了途经研究区域内的每辆重型柴油车的来源地。利用自下而上的方法,结合重型柴油车详细的规格信息,本地化的排放因子,构建了以单车为基础的高分辨排放清单,实现了对区域内重型柴油车排放贡献结构的时空分解,有效弥补了现有技术存在的缺陷。本申请提供了一种新的手段来识别区域内重型柴油车的排放贡献,可为重型柴油车污染排放责任界定问题提供技术支撑。
本申请旨在精确分解重型柴油车排放贡献的结构。利用来自北斗导航卫星系统获取的中国重型柴油车海量轨迹数据,①构建基于轨迹模式挖掘的重型柴油车来源地识别方法,推断途经研究区域的每辆重型柴油车的来源地。②耦合每辆重型柴油车详细的属性信息,基础地理信息,建立基于单车的重型柴油车排放清单。该排放清单可以阐明重型柴油车污染排放的时空分布格局,量化不同区域重型柴油车的污染排放对本地的贡献。研究成果有助于了解重型柴油车的排放机制以及设计有针对性的排放控制策略。
需要说明的是,本申请实施例提供的车辆排放结构分解方法,执行主体可以为车辆排放结构分解装置,或者该车辆排放结构分解装置中的用于执行车辆排放结构分解的方法的控制模块。本申请实施例中以车辆排放结构分解装置执行车辆排放结构分解的方法为例,说明本申请实施例提供的车辆排放结构分解的装置。
在本申请实施例的第二方面,提供一种车辆排放结构分解装置,该装置可以包括:
获取模块,用于获取多源交通数据集;
异常处理模块,用于去除所述多源交通数据集中的异常数据,得到目标多源交通数据集;
融合模块,用于融合所述目标多源交通数据集中重型柴油车数据信息,得到重型柴油车行驶信息;
排放计算模块,用于根据所述重型柴油车行驶信息计算第一目标区域的重型柴油车排放量;
确定模块,用于从所述目标多源交通数据集中确定重型柴油车辆的来源地,确定非第一目标区域的重型柴油车对所述第一目标区域贡献的排放量。
本申请实施例中的车辆排放结构分解装置可以是装置,也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备,也可以为非移动电子设备。示例性的,移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本或者个人数字助理(personal digital assistant,PDA)等,非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage,NAS)、个人计算机(personal computer,PC)、电视机(television,TV)、柜员机或者自助机等,本申请实施例不作具体限定。
本申请实施例中的车辆排放结构分解装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统,可以为ios操作系统,还可以为其他可能的操作系统,本申请实施例不作具体限定。
本申请实施例提供的车辆排放结构分解装置能够实现图1至图2的方法实施例实现的各个过程,为避免重复,这里不再赘述。
可选地,如图3所示,本申请实施例还提供一种电子设备300,包括处理器301,存储器302,存储在存储器302上并可在所述处理器301上运行的程序或指令,该程序或指令被处理器301执行时实现上述车辆排放结构分解方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
需要说明的是,本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
图4为实现本申请实施例的一种电子设备的硬件结构示意图。
该电子设备400包括但不限于:射频单元401、网络模块402、音频输出单元403、输入单元404、传感器405、显示单元406、用户输入单元407、接口单元408、存储器409、以及处理器410等部件。
本领域技术人员可以理解,电子设备400还可以包括给各个部件供电的电源(比如电池),电源可以通过电源管理系统与处理器410逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图4中示出的电子设备结构并不构成对电子设备的限定,电子设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置,在此不再赘述。
应理解的是,本申请实施例中,输入单元404可以包括图形处理器(GraphicsProcessing Unit,GPU)4041和麦克风4042,图形处理器4041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元406可包括显示面板4061,可以采用液晶显示器、有机发光二极管等形式来配置显示面板4061。用户输入单元407包括触控面板4071以及其他输入设备4072。触控面板4071,也称为触摸屏。触控面板4071可包括触摸检测装置和触摸控制器两个部分。其他输入设备4072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。存储器409可用于存储软件程序以及各种数据,包括但不限于应用程序和操作系统。处理器410可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器410中。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述车辆排放结构分解方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述车辆排放结构分解分解方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请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计算机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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (10)
1.一种车辆排放结构分解方法,其特征在于,包括:
获取多源交通数据集;
去除所述多源交通数据集中的异常数据,得到目标多源交通数据集;
融合所述目标多源交通数据集中重型柴油车数据信息,得到重型柴油车行驶信息;
根据所述重型柴油车行驶信息计算第一目标区域的重型柴油车排放量;
从所述目标多源交通数据集中确定重型柴油车辆的来源地,根据来源地确定非第一目标区域的重型柴油车对所述第一目标区域贡献的排放量。
2.根据权利要求1所述的车辆排放结构分解方法,其特征在于,所述获取多源交通数据集包括下述至少之一:
获取重型柴油车轨迹数据;
获取重型柴油车属性信息;
获取排放模型计算参数;
获取道路网络基础信息。
3.根据权利要求1所述的车辆排放结构分解方法,其特征在于,所述去除所述多源交通数据集中的异常数据包括下述至少之一:
去除所述多源交通数据集中重复的车辆轨迹数据;
去除所述多源交通数据集中缺失的车辆轨迹记录;
去除所述多源交通数据集中的异常车辆轨迹记录。
4.根据权利要求1所述的车辆排放结构分解方法,其特征在于,所述融合所述目标多源交通数据集中重型柴油车数据信息包括:
利用重型柴油车辆唯一标识将所述目标多源交通数据集中与该重型柴油车辆相关的多个数据集关联。
5.根据权利要求1所述的车辆排放结构分解方法,其特征在于,所述根据所述重型柴油车行驶信息计算第一目标区域的重型柴油车排放量包括:
划分所述重型柴油车行驶信息中车辆规格数据,匹配排放因子参数库;
计算第一目标区域中每个路段的平均速度,构建速度依赖的排放因子模型;
基于重型柴油车的排放因子模型和重型柴油车所在道路的长度,计算每辆重型柴油车的排放,统计得到所述第一目标区域的重型柴油车排放。
6.根据权利要求1所述的车辆排放结构分解方法,其特征在于,所述从所述目标多源交通数据集中确定重型柴油车辆的来源地包括:
采用速度阈值确定重型柴油车辆的停留状态;
基于距离和时间阈值提取所述重型柴油车辆的关键停留点;
统计所述重型柴油车辆在每个停留区域中关键停留点的停留时长和频次,计算所述重型柴油车辆在每个停留区域的访问概率;
从所述每个停留区域中选取访问概率最大的地点,作为车辆轨迹的来源地。
7.根据权利要求1所述的车辆排放结构分解方法,其特征在于,所述确定非第一目标区域的重型柴油车对所述第一目标区域贡献的排放量包括:
将所述第一目标区域的重型柴油车排放按照重型柴油车的来源地进行时空分解,得到非第一目标区域的重型柴油车对所述第一目标区域贡献的排放量。
8.一种车辆排放结构分解装置,其特征在于,包括:
获取模块,用于获取多源交通数据集;
异常处理模块,用于去除所述多源交通数据集中的异常数据,得到目标多源交通数据集;
融合模块,用于融合所述目标多源交通数据集中重型柴油车数据信息,得到重型柴油车行驶信息;
排放计算模块,用于根据所述重型柴油车行驶信息计算第一目标区域的重型柴油车排放量;
确定模块,用于从所述目标多源交通数据集中确定重型柴油车辆的来源地,根据来源地确定非第一目标区域的重型柴油车对所述第一目标区域贡献的排放量。
9.一种电子设备,其特征在于,包括:处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1-7任一项所述的车辆排放结构分解方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1-7任一项所述的车辆排放结构分解方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210049385.5A CN114510826A (zh) | 2022-01-17 | 2022-01-17 | 车辆排放结构分解方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210049385.5A CN114510826A (zh) | 2022-01-17 | 2022-01-17 | 车辆排放结构分解方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114510826A true CN114510826A (zh) | 2022-05-17 |
Family
ID=81550716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210049385.5A Pending CN114510826A (zh) | 2022-01-17 | 2022-01-17 | 车辆排放结构分解方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114510826A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115422704A (zh) * | 2022-07-19 | 2022-12-02 | 中山大学 | 基于个体车辆全过程出行行为链的VOCs排放测算方法 |
CN116434529A (zh) * | 2022-12-12 | 2023-07-14 | 交通运输部规划研究院 | 城际公路货运特征分析方法、装置和电子设备 |
CN117112867A (zh) * | 2023-10-24 | 2023-11-24 | 四川国蓝中天环境科技集团有限公司 | 一种基于gps轨迹数据的重型车辆排放计算和可视化方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110099022A1 (en) * | 2009-10-25 | 2011-04-28 | Andrzej Stochniol | Methods and Systems for Vehicle Emission Reporting |
CN106982416A (zh) * | 2017-03-21 | 2017-07-25 | 深圳广联赛讯有限公司 | 确定车辆归属地的方法和装置 |
CN108765949A (zh) * | 2018-06-06 | 2018-11-06 | 上海城市交通设计院有限公司 | 基于汽车电子标识技术的智能交通系统 |
CN110209990A (zh) * | 2019-05-22 | 2019-09-06 | 中山大学 | 一种基于车辆身份检测数据的单辆车排放轨迹计算方法 |
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 |
CN110727904A (zh) * | 2019-10-11 | 2020-01-24 | 中国科学院地理科学与资源研究所 | 一种车辆排放清单的构建方法 |
CN111340415A (zh) * | 2020-02-14 | 2020-06-26 | 北京航空航天大学 | 一种基于货运轨迹数据的车辆自发编队模式挖掘方法 |
CN112270460A (zh) * | 2020-09-30 | 2021-01-26 | 交通运输部规划研究院 | 一种基于多源数据的超重货车货源站点识别方法 |
-
2022
- 2022-01-17 CN CN202210049385.5A patent/CN114510826A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110099022A1 (en) * | 2009-10-25 | 2011-04-28 | Andrzej Stochniol | Methods and Systems for Vehicle Emission Reporting |
CN106982416A (zh) * | 2017-03-21 | 2017-07-25 | 深圳广联赛讯有限公司 | 确定车辆归属地的方法和装置 |
CN108765949A (zh) * | 2018-06-06 | 2018-11-06 | 上海城市交通设计院有限公司 | 基于汽车电子标识技术的智能交通系统 |
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 |
CN110209990A (zh) * | 2019-05-22 | 2019-09-06 | 中山大学 | 一种基于车辆身份检测数据的单辆车排放轨迹计算方法 |
CN110727904A (zh) * | 2019-10-11 | 2020-01-24 | 中国科学院地理科学与资源研究所 | 一种车辆排放清单的构建方法 |
CN111340415A (zh) * | 2020-02-14 | 2020-06-26 | 北京航空航天大学 | 一种基于货运轨迹数据的车辆自发编队模式挖掘方法 |
CN112270460A (zh) * | 2020-09-30 | 2021-01-26 | 交通运输部规划研究院 | 一种基于多源数据的超重货车货源站点识别方法 |
Non-Patent Citations (2)
Title |
---|
SHIFEN CHENG等: "Emission characteristics and control scenario analysis of VOCs from heavy-duty diesel trucks", 《JOURNAL OF ENVIRONMENTAL MANAGEMENT》 * |
母万国等: "基于GPS数据的物流车辆出行特征分析", 《综合运输》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115422704A (zh) * | 2022-07-19 | 2022-12-02 | 中山大学 | 基于个体车辆全过程出行行为链的VOCs排放测算方法 |
CN115422704B (zh) * | 2022-07-19 | 2024-04-05 | 中山大学 | 基于个体车辆全过程出行行为链的VOCs排放测算方法 |
CN116434529A (zh) * | 2022-12-12 | 2023-07-14 | 交通运输部规划研究院 | 城际公路货运特征分析方法、装置和电子设备 |
CN116434529B (zh) * | 2022-12-12 | 2023-10-24 | 交通运输部规划研究院 | 城际公路货运特征分析方法、装置和电子设备 |
CN117112867A (zh) * | 2023-10-24 | 2023-11-24 | 四川国蓝中天环境科技集团有限公司 | 一种基于gps轨迹数据的重型车辆排放计算和可视化方法 |
CN117112867B (zh) * | 2023-10-24 | 2024-01-09 | 四川国蓝中天环境科技集团有限公司 | 一种基于gps轨迹数据的重型车辆排放计算和可视化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Neilson et al. | Systematic review of the literature on big data in the transportation domain: Concepts and applications | |
CN114510826A (zh) | 车辆排放结构分解方法、装置、电子设备及存储介质 | |
Wen et al. | A data-driven method of traffic emissions mapping with land use random forest models | |
Jiang et al. | The impact of the transportation network companies on the taxi industry: Evidence from Beijing’s GPS taxi trajectory data | |
EP3462427A1 (en) | Method of predicting the probability of occurrence of vacant parking slots and its realization system | |
CN104167092A (zh) | 一种确定出租车上下客热点区域中心的方法以及装置 | |
Qin et al. | EXIMIUS: A measurement framework for explicit and implicit urban traffic sensing | |
Huang et al. | Survey on vehicle map matching techniques | |
Soriano et al. | Smart mobility trends: Open data and other tools | |
CN112801552A (zh) | 基于交通大数据挖掘和智能分析的网约车和巡游车的监管方法 | |
Liu et al. | Multi-scale urban passenger transportation CO2 emission calculation platform for smart mobility management | |
Fang et al. | Identifying activities and trips with GPS data | |
CN111127891A (zh) | 一种基于浮动车轨迹大数据的路网核查方法 | |
Wang et al. | Understanding travel behavior of private cars via trajectory big data analysis in urban environments | |
Tang et al. | Estimating hotspots using a Gaussian mixture model from large-scale taxi GPS trace data | |
Ding et al. | RTVEMVS: Real-time modeling and visualization system for vehicle emissions on an urban road network | |
Yu et al. | Quantification and management of urban traffic emissions based on individual vehicle data | |
Zhu et al. | Optimization approach to depot location in car sharing systems with big data | |
Kong et al. | TBI2Flow: Travel behavioral inertia based long-term taxi passenger flow prediction | |
CN114419897A (zh) | 一种基于v2x技术的城市交通cim系统及其展示方法 | |
Hu et al. | Design and implementation of intelligent vehicle control system based on Internet of Things and intelligent transportation | |
Yu et al. | GPS data in urban bicycle-sharing: Dynamic electric fence planning with assessment of resource-saving and potential energy consumption increasement | |
Feng et al. | Environmental benefits mining based on data-driven taxi cruising recommendation strategy | |
Ali et al. | Future connected vehicles: challenges and opportunities for spatio-temporal computing | |
Huang et al. | Sensing Multi-modal Mobility Patterns: A Case Study of Helsinki using Bluetooth Beacons and a Mobile Application |
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 |