CN114707774A - 一种基于交通运输的碳排放量预测方法及设备 - Google Patents

一种基于交通运输的碳排放量预测方法及设备 Download PDF

Info

Publication number
CN114707774A
CN114707774A CN202210631985.2A CN202210631985A CN114707774A CN 114707774 A CN114707774 A CN 114707774A CN 202210631985 A CN202210631985 A CN 202210631985A CN 114707774 A CN114707774 A CN 114707774A
Authority
CN
China
Prior art keywords
carbon emission
transportation
traffic
factors
carbon
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
Application number
CN202210631985.2A
Other languages
English (en)
Other versions
CN114707774B (zh
Inventor
孙彦明
刘士显
李婕
高明昊
卢叙昊
杨怡乐
黄琳
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 Zhiguan Urban Planning And Design Co ltd
Shandong University of Science and Technology
Original Assignee
Beijing Zhiguan Urban Planning And Design Co ltd
Shandong University of Science and Technology
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 Zhiguan Urban Planning And Design Co ltd, Shandong University of Science and Technology filed Critical Beijing Zhiguan Urban Planning And Design Co ltd
Priority to CN202210631985.2A priority Critical patent/CN114707774B/zh
Publication of CN114707774A publication Critical patent/CN114707774A/zh
Application granted granted Critical
Publication of CN114707774B publication Critical patent/CN114707774B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—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
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing 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
    • G06Q50/40—Business processes related to the transportation industry
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems
    • Y02P90/845—Inventory and reporting systems for greenhouse gases [GHG]

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于交通运输的碳排放量预测方法及设备，属于碳排放技术领域，用于解决：现有的城市交通网络的动态随机时变特征不能很好为用户实时地提供合理的路径行程时间范围，以及提供最佳的交通运输路径的技术问题。方法包括：确定碳排放要素；对碳排放要素进行核算，得到交通运输碳排放因子；根据交通运输碳排放因子，确定交通运输碳排放总量；对交通运输碳排放总量进行平稳化修正，得到最优决策；对最优决策进行平稳优化，建立优化后综合自回归移动平均模型；通过优化后综合自回归移动平均模型输出的最终预测结果，建立碳排放变化曲线，以便于根据碳排放变化曲线实现对交通运输路径的规划。

Description

一种基于交通运输的碳排放量预测方法及设备
技术领域
本申请涉及碳排放领域，尤其涉及一种基于交通运输的碳排放量预测方法及设备。
背景技术
碳中和的八大重点领域包括电力、交通、工业、新材料、建筑、农业、负碳排放以及信息通信与数字化领域。其中，交通领域产生的碳排放占全球碳排放总量的10.7%，值得关注的是，在能源、工业等部门碳排放增速趋缓甚至下降时，交通部门碳排放却仍呈现出近中期快速增长的趋势。碳排放量持续提升，产生温室效应带来的问题越来越严重。
现有的碳排放核算方法，以及碳减排潜力预测对交通运输领域不能很好的实时反映碳排放的动态特征。根据出发时刻来实时地为用户提供合理的路径行程时间范围也难以实现，不能很好的根据碳排放量来预测交通运输网络的环境特征，为用户出行或者运输做出最佳的路线选择。
发明内容
本申请实施例提供了一种基于交通运输的碳排放量预测方法及设备，用于解决如下技术问题：现有的城市交通网络的动态随机时变特征不能很好为用户实时地提供合理的路径行程时间范围，以及提供最佳的交通运输路径。
本申请实施例采用下述技术方案：
一方面，本申请实施例提供了一种基于交通运输的碳排放量预测方法，其特征在于，所述方法包括：确定碳排放要素；对所述碳排放要素进行核算，得到交通运输碳排放因子；根据所述交通运输碳排放因子，确定交通运输碳排放总量；对所述交通运输碳排放总量进行平稳化修正，得到最优决策；对所述最优决策进行平稳优化，建立优化后综合自回归移动平均模型；通过所述优化后综合自回归移动平均模型输出的最终预测结果，建立碳排放变化曲线，以便于根据所述碳排放变化曲线实现对交通运输路径的规划。
本申请实施例通过首先确定碳排放要素，然后得到交通运输碳排放总量，然后再对交通运输碳排放总量进行平稳化修正与优化，得到优化后的综合自回归移动平均模型（Autoregressive Integrated Moving Average model，ARIMA），然后得到最终预测结果，最终确定交通运输的路径规划，能够更好地利用城市交通网络的动态随机时变特征，根据出发时刻来实时地为用户提供合理的路径行程时间范围，还可根据碳排放变化曲线以及出发时刻为用户提供精确的行程时间区间和区域区间范围，为用户生成最短的可靠路径，避免用户迟到。
在一种可行的实施方式中，确定碳排放要素，具体包括：通过对地理区域进行划分，得到地理范围边界要素；其中，所述地理区域至少包括以下任一项：行政区域、城市、城市群以及都市圈；根据交通运输中二氧化碳排放源，得到交通碳排放链要素；其中，所述二氧化碳排放源为车辆直接排放的二氧化碳以及自能源供应排放的二氧化碳；根据交通运输方式，得到交通方式类别要素；其中，所述交通运输方式至少包括以下任一项：对内交通、对外交通、客运交通以及货运交通；根据交通出行区域空间的不同，得到交通活动特征要素；其中，所述交通出行区域空间为内部交通空间、外部交通空间以及过境交通空间；通过所述地理范围边界要素、所述交通碳排放链要素、所述交通方式类别要素以及所述交通活动特征要素，确定出所述碳排放要素。
本申请实施例通过首先明确地理范围边界区域，可以让有关碳排放的相关要素更加的清晰，误差越小，越容易对某一区域进行精确地测量。
在一种可行的实施方式中，根据所述碳排放要素，对所述碳排放要素进行核算，得到交通运输碳排放因子，具体包括：通过预设交通碳排放因子库，对所述碳排放要素进行质量平衡法核算，得到碳排放核算结果；根据所述碳排放核算结果以及预设活动数据，进行比较计算，得到所述交通运输碳排放因子。
在一种可行的实施方式中，根据所述交通运输碳排放因子，得到交通运输碳排放总量，具体包括：将所述交通运输碳排放因子分别与交通运输相关原料活动因子、交通运输能量消耗因子以及土地利用碳排放因子进行结合，分别得到交通运输相关原料碳排放量、交通运输能源消耗量以及土地利用碳排放量；根据所述交通运输相关原料碳排放量、所述交通运输能源消耗量以及所述土地利用碳排放量，确定所述交通运输碳排放总量。
在一种可行的实施方式中，在对所述交通运输碳排放总量进行平稳化修正，得到最优决策之前，具体包括：根据
Figure 821100DEST_PATH_IMAGE001
，得到时间序列均差
Figure 822554DEST_PATH_IMAGE002
；其中，Xt为时间序列，E为期望，t=1，2，3，...，N，且N表示序列的长度；根据
Figure DEST_PATH_IMAGE003
，得到时间序列方差
Figure 490296DEST_PATH_IMAGE004
；其中，D为方差，
Figure DEST_PATH_IMAGE005
为标准差；根据
Figure 487071DEST_PATH_IMAGE006
，得到自协无偏方差
Figure DEST_PATH_IMAGE007
；其中，t以及k表示序列长度的常量；根据
Figure 73910DEST_PATH_IMAGE008
，得到自协有偏方差
Figure DEST_PATH_IMAGE009
；通过自相关系数以及偏相关系数，对所述时间序列均差、所述时间序列方差、所述自协无偏方差以及所述自协有偏方差进行平稳性检验，得到平稳性检验结果。
本申请实施例通过自相关系数以及偏相关系数函数来对时间序列进行平稳性检验，能够更加准确的进行判断验证，同时，对差分次数的确定与辨别也是更加的简单快捷。
在一种可行的实施方式中，对所述交通运输碳排放总量进行平稳化修正，得到最优决策，具体包括：根据
Figure 297081DEST_PATH_IMAGE010
，得到贝叶斯修正式BIC；其中，k为模型参数个数，L为似然函数，
Figure DEST_PATH_IMAGE011
为惩罚项；根据所述贝叶斯修正式，对所述交通运输碳排放总量进行平稳化修正，得到所述最优决策；其中，所述最优决策为使自回归阶数以及移动平均阶数达到最小值。
在一种可行的实施方式中，对所述最优决策进行平稳优化，建立优化后综合自回归移动平均模型，具体包括：根据
Figure 624638DEST_PATH_IMAGE012
，得到平稳过程Wt；其中，c为数学常量，t、q以及p表示时间序列长度的常量，
Figure DEST_PATH_IMAGE013
为白噪声，
Figure 351286DEST_PATH_IMAGE014
为线性相关系数，
Figure DEST_PATH_IMAGE015
为白噪声过程相关系数；根据
Figure 374606DEST_PATH_IMAGE016
，得到平稳优化公式；其中，
Figure DEST_PATH_IMAGE017
为滞后算子，B为滞后算子中间量，
Figure 819493DEST_PATH_IMAGE018
，d为差分次数，Xt为时间序列，
Figure DEST_PATH_IMAGE019
为白噪声过程中间量；根据平稳优化公式，对综合自回归移动平均模型进行优化，得到所述优化后综合自回归移动平均模型。
在一种可行的实施方式中，在得到所述平稳优化公式之前，具体包括：根据
Figure 953671DEST_PATH_IMAGE020
，得到所述滞后算子
Figure 331563DEST_PATH_IMAGE017
；根据
Figure DEST_PATH_IMAGE021
，得到所述白噪声过程中间量。
在一种可行的实施方式中，通过所述优化后综合自回归移动平均模型输出的最终预测结果，建立碳排放变化曲线，以便于根据所述碳排放变化曲线实现对交通运输路径的规划，具体包括：通过所述优化后综合自回归移动平均模型，对碳排放强度指标变化进行预测，得到所述最终预测结果；根据所述最终预测结果，构建预设区域中每一个碳排放区域的碳排放变化曲线；其中，所述碳排放变化曲线的横坐标为时间，纵坐标为所述最终预测结果对应的预测碳排放量；在所述每一个碳排放区域的碳排放变化曲线中，确定出预设出发时间点对应的预测碳排放量，并将低于预设阈值的预测碳排放量对应的碳排放区域确定为目标碳排放区域；根据确定出的所述目标碳排放区域以及用户指定的目的地，确定若干种可行的交通运输路径，并根据预设路径影响因素，对所述若干种可行的交通运输路径进行筛选，得到最佳交通运输路径；其中，所述预设路径影响因素至少包括以下任一项：路径长度、路径车流量、路径拥堵程度、路径施工情况、预计到达所述目的地的时间。
本申请实施例通过构建的碳排放变化曲线，能够更加准确的对最佳交通运输路径进行碳排放预测，并且该碳排放变化曲线是基于回归方程计算与分析的，具有直观准确的特点，还可以根据碳排放变化曲线的趋势，在一定程度上反映出交通运输行业的运作效率，对交通运输路径的碳排放预测具有重要意义。
另一方面，本申请实施例还提供了一种基于交通运输的碳排放量预测设备，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，所述存储器存储有能够被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行上述任一实施方式所述的一种基于交通运输的碳排放量预测方法。
本申请提出了一种基于交通运输的碳排放量预测方法及设备，通过先对交通运输碳排放测算，然后通过优化后的综合自回归移动平均模型，实现对交通运输碳排放量的预测，最后根据碳排放变化曲线，为用户提供最佳的路径规划。能够更好地利用城市交通网络的动态随机时变特征，根据出发时刻来实时地为用户提供合理的路径行程时间范围，还可根据碳排放变化曲线以及出发时刻为用户提供精确的行程时间区间范围，为用户生成最短的可靠路径，方便了用户的交通运输以及出行，帮助用户规划出最佳的交通或者运输路径。
附图说明
为了更清楚地说明本申请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作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，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他的附图。在附图中：
图1为本申请实施例提供的一种基于交通运输的碳排放量预测方法流程图；
图2为本申请实施例提供的一种基于交通运输的碳排放量预测设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，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，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，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，都应当属于本申请保护的范围。
本申请实施例提供了一种基于交通运输的碳排放量预测方法，如图1所示，基于交通运输的碳排放量预测方法具体包括步骤101-106：
步骤101、根据实际交通运输情况，确定碳排放要素。
具体地，通过对地理区域进行划分，得到地理范围边界要素。其中，地理区域至少包括以下任一项：行政区域、城市、城市群以及都市圈。根据交通运输中二氧化碳排放源，得到交通碳排放链要素。其中，二氧化碳排放源为车辆直接排放的二氧化碳以及自能源供应排放的二氧化碳。根据交通运输方式，得到交通方式类别要素。其中，交通运输方式至少包括以下任一项：对内交通、对外交通、客运交通以及货运交通。根据交通出行区域空间的不同，得到交通活动特征要素。其中，交通出行区域空间为内部交通空间、外部交通空间以及过境交通空间。通过地理范围边界要素、交通碳排放链要素、交通方式类别要素以及交通活动特征要素，确定出碳排放要素。
在一个实施例中，对于交通领域二氧化碳排放量测算，首先明确地理范围边界是交通碳排放量计算的前提，地理边界的选择主要取决于核算目的。行政区划意义上的城市、都市圈、城市群等都可以作为计算的地理边界。
之后明确交通碳排放链，交通相关碳排放上涵盖“油井到油箱”和“油箱到车轮”全链条，与交通相关的二氧化碳排放源主要包含两种：一是车辆使用过程中直接排放（油箱到车轮），另一种是来自能源供应的上游排放（油井到油箱）。
接着界定交通方式类别，不同交通方式涉及诸多管理主体，部分交通方式超出地方交通管理部门管辖范围，区域交通碳排放量计算需界定涵盖的交通方式类别，从服务范围分为对内交通和对外交通，从运输类别上分为客运交通和货运交通，从运输方式上分为公路、水路、铁路、航空等等。
然后明确交通活动特征，区域交通碳排放计算需明确涵盖的出行活动空间特征。基于交通出行活动空间特征，区域出行活动包括内部交通、对外交通和过境交通，城市交通二氧化碳排放计算需明确涵盖的活动空间特征。
最后通过地理范围边界要素、交通碳排放链要素、交通方式类别要素以及交通活动特征要素，确定出所有碳排放要素。
步骤102、对碳排放要素进行核算，得到交通运输碳排放因子。
具体地，通过预设交通碳排放因子库，对碳排放要素进行质量平衡法核算，得到碳排放核算结果；根据碳排放核算结果以及预设活动数据，进行比较计算，得到交通运输碳排放因子。
在一个实施例中，交通运输碳排放因子库是“自下而上”法的重要输入，碳排放因子库包括德国的TREMOD、欧盟的HBFFA和TREMOVE、美国的MOVES等。根据交通区域的实际情况，选择最合适的交通运输碳排放因子库，然后再根据对碳排放要素进行质量平衡法核算，得到碳排放核算结果；根据碳排放核算结果以及预设活动数据，进行比较计算，最终得到基于该区域的交通运输碳排放因子。
步骤103、根据交通运输碳排放因子，确定交通运输碳排放总量。
具体地，将交通运输碳排放因子分别与交通运输相关原料活动因子、交通运输能量消耗因子以及土地利用碳排放因子进行结合，分别得到交通运输相关原料碳排放量、交通运输能源消耗量以及土地利用碳排放量。根据交通运输相关原料碳排放量、交通运输能源消耗量以及土地利用碳排放量，确定交通运输碳排放总量。
作为一个可行的实施方式，通过确定的碳排放要素，得出的交通运输碳排放因子分别于交通运输相关原料活动因子、交通运输能量消耗因子以及土地利用碳排放因子进行结合，能够更好的确定出交通运输碳排放总量，有利于对交通运输碳排放的测算。
步骤104、对交通运输碳排放总量进行平稳化修正，得到最优决策。
具体地，根据
Figure 994626DEST_PATH_IMAGE001
，得到时间序列均差
Figure 457968DEST_PATH_IMAGE002
。其中，Xt为时间序列，E为期望，t=1，2，3，...，N，且N表示序列的长度。根据
Figure 271203DEST_PATH_IMAGE003
，得到时间序列方差
Figure 628235DEST_PATH_IMAGE004
。其中，D为方差，
Figure 868724DEST_PATH_IMAGE005
为标准差。根据
Figure 553783DEST_PATH_IMAGE006
，得到自协无偏方差
Figure 295343DEST_PATH_IMAGE007
。其中，t以及k表示序列长度的常量。根据
Figure 382248DEST_PATH_IMAGE022
，得到自协有偏方差
Figure 59217DEST_PATH_IMAGE009
。通过自相关系数以及偏相关系数，对时间序列均差、时间序列方差、自协无偏方差以及自协有偏方差进行平稳性检验，得到平稳性检验结果。
作为一种可行的实施方式，会对时间序列进行平稳性检验，采用自相关系数以及偏相关系数函数来进行类型判断，其中，自相关系数为
Figure DEST_PATH_IMAGE023
，偏相关系数为
Figure 825047DEST_PATH_IMAGE024
，然后得到平稳性检验结果。
进一步地，根据
Figure 980085DEST_PATH_IMAGE010
，得到贝叶斯修正式BIC；其中，k为模型参数个数，L为似然函数，
Figure 187076DEST_PATH_IMAGE011
为惩罚项。根据贝叶斯修正式，对交通运输碳排放总量进行平稳化修正，得到最优决策。其中，最优决策为使自回归阶数以及移动平均阶数达到最小值。
在一个实施例中，交通运输碳排放总量数据是非平稳序列，具有弱平稳性，其特点是有依赖性，即未来某时刻的值依赖它的过去信息。在得到平稳性检验结果后，需要对交通运输碳排放总量进行平稳化处理，通过差分转化为弱平稳序列，通常差分次数d=1或者2，然后用差分次数确定数据，进行平稳性检验，也就是用自相关系数以及偏相关系数来进行辨别。然后用贝叶斯公式对发生概率进行修正，最后再利用期望值和修正概率做出最优决策。
步骤105、对最优决策进行平稳优化，建立优化后综合自回归移动平均模型。
具体地根据
Figure 894000DEST_PATH_IMAGE025
，得到平稳过程Wt。其中，c为数学常量，t、q以及p表示时间序列长度的常量，
Figure 553652DEST_PATH_IMAGE013
为白噪声，
Figure 512381DEST_PATH_IMAGE014
为线性相关系数，
Figure 573878DEST_PATH_IMAGE015
为白噪声过程相关系数。根据
Figure 720213DEST_PATH_IMAGE026
，得到平稳优化公式。其中，
Figure 601581DEST_PATH_IMAGE017
为滞后算子，B为滞后算子中间量，
Figure 98421DEST_PATH_IMAGE018
，d为差分次数，Xt为时间序列，
Figure 139059DEST_PATH_IMAGE019
为白噪声过程中间量。其中，根据
Figure 328731DEST_PATH_IMAGE020
，得到滞后算子
Figure 962975DEST_PATH_IMAGE017
。根据
Figure 263506DEST_PATH_IMAGE021
，得到白噪声过程中间量。
进一步地，根据平稳优化公式，对综合自回归移动平均模型进行优化，得到优化后综合自回归移动平均模型。
作为一种可行的实施方式，当时间序列已经通过平稳性检验，用平稳过程来建立综合自回归移动平均模型（ARIMA），然后通过平稳优化公式，对综合自回归移动平均模型（ARIMA）进行优化训练，得到优化后综合自回归移动平均模型。优化后综合自回归移动平均模型服从平稳过程，并且包括了自回归阶数、差分次数以及移动平均阶数，其中，自回归阶数是预测模型中采用的时序数据本身的滞后数，差分次数是时序数据需要进行几阶差分化得到稳定数据，移动平均阶数是预测模型中采用的预测误差的滞后数。
步骤106、通过优化后综合自回归移动平均模型输出的最终预测结果，建立碳排放变化曲线，以便于根据碳排放变化曲线实现对交通运输路径的规划。
具体地，通过优化后综合自回归移动平均模型，对碳排放强度指标变化进行预测，得到最终预测结果。根据最终预测结果，构建预设区域中每一个碳排放区域的碳排放变化曲线。其中，碳排放变化曲线的横坐标为时间，纵坐标为最终预测结果对应的预测碳排放量。在每一个碳排放区域的碳排放变化曲线中，确定出预设出发时间点对应的预测碳排放量，并将低于预设阈值的预测碳排放量对应的碳排放区域确定为目标碳排放区域。根据确定出的目标碳排放区域以及用户指定的目的地，确定若干种可行的交通运输路径，并根据预设路径影响因素，对若干种可行的交通运输路径进行筛选，得到最佳交通运输路径。其中，预设路径影响因素至少包括以下任一项：路径长度、路径车流量、路径拥堵程度、路径施工情况、预计到达目的地的时间。
在一个实施例中，经过交通运输碳排放测算后，对交通运输碳排放总量再进行预测，预测的过程了利用了优化后的综合自回归移动平均模型，并且最终根据优化后的综合自回归移动平均模型输出了最终预测的结果，即对碳排放强度指标变化进行预测，确定了差分次数的变化，然后通过区域范围内所有碳排放区域以及得到的最终预测结果，构建出基于每一个碳排放区域的碳排放变化曲线，该曲线能够反映出每个时间点所对应预测出的预测碳排放量，当用户选择某一个时间点出行时，会筛选得到该时间点所对应的最低预测碳排放量的所属碳排放区域，然后将这些碳排放区域进行交通运输路径的规划，得到最佳的交通运输路径，让用户可以根据最佳的交通运输路径，选择最合适的路线，方便用户的出行与运输等等。
在一个实施例中，还可以根据碳排放变化曲线来反映出交通运输行业发展到某一阶段的环境负荷，曲线上任意一点的导数值可以反应交通运输行业发展到某一阶段的减排潜力。环境曲线的变化趋势还可以在一定程度上可以反映经济增长过程中的交通运输行业的运作效率。
另外，本申请实施例还提供了一种基于交通运输的碳排放量预测设备，如图2所示，基于交通运输的碳排放量预测设备200具体包括：
至少一个处理器201，以及，与至少一个处理器201通信连接的存储器202；其中，存储器202存储有能够被至少一个处理器201执行的指令，以使至少一个处理器201能够执行：
确定碳排放要素；
对碳排放要素进行核算，得到交通运输碳排放因子；
根据交通运输碳排放因子，确定交通运输碳排放总量；
对交通运输碳排放总量进行平稳化修正，得到最优决策；
对最优决策进行平稳优化，建立优化后综合自回归移动平均模型；
通过优化后综合自回归移动平均模型输出的最终预测结果，建立碳排放变化曲线，以便于根据碳排放变化曲线实现对交通运输路径的规划。
本申请提出了一种基于交通运输的碳排放量预测方法及设备，通过对交通运输碳排放量的预测以及碳排放变化曲线，为用户提供最佳的交通运输路径的规划。能够更好地利用城市交通网络的动态随机时变特征，根据出发时刻来实时地为用户提供合理的路径行程时间范围，还可根据碳排放变化曲线以及出发时刻为用户提供精确的行程时间区间范围，为用户生成最短的可靠路径，方便了用户的交通运输以及出行，帮助用户规划出最佳的交通或者运输路径。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请的实施例可以有各种更改和变化。凡在本申请实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种基于交通运输的碳排放量预测方法，其特征在于，所述方法包括：
确定碳排放要素；
对所述碳排放要素进行核算，得到交通运输碳排放因子；
根据所述交通运输碳排放因子，确定交通运输碳排放总量；
对所述交通运输碳排放总量进行平稳化修正，得到最优决策；
对所述最优决策进行平稳优化，建立优化后综合自回归移动平均模型；
通过所述优化后综合自回归移动平均模型输出的最终预测结果，建立碳排放变化曲线，以便于根据所述碳排放变化曲线实现对交通运输路径的规划。
2.根据权利要求1所述的一种基于交通运输的碳排放量预测方法，其特征在于，确定碳排放要素，具体包括：
通过对地理区域进行划分，得到地理范围边界要素；其中，所述地理区域至少包括以下任一项：行政区域、城市、城市群以及都市圈；
根据交通运输中二氧化碳排放源，得到交通碳排放链要素；其中，所述二氧化碳排放源为车辆直接排放的二氧化碳以及自能源供应排放的二氧化碳；
根据交通运输方式，得到交通方式类别要素；其中，所述交通运输方式至少包括以下任一项：对内交通、对外交通、客运交通以及货运交通；
根据交通出行区域空间的不同，得到交通活动特征要素；其中，所述交通出行区域空间为内部交通空间、外部交通空间以及过境交通空间；
通过所述地理范围边界要素、所述交通碳排放链要素、所述交通方式类别要素以及所述交通活动特征要素，确定出所述碳排放要素。
3.根据权利要求1所述的一种基于交通运输的碳排放量预测方法，其特征在于，根据所述碳排放要素，对所述碳排放要素进行核算，得到交通运输碳排放因子，具体包括：
通过预设交通碳排放因子库，对所述碳排放要素进行质量平衡法核算，得到碳排放核算结果；
根据所述碳排放核算结果以及预设活动数据，进行比较计算，得到所述交通运输碳排放因子。
4.根据权利要求1所述的一种基于交通运输的碳排放量预测方法，其特征在于，根据所述交通运输碳排放因子，得到交通运输碳排放总量，具体包括：
将所述交通运输碳排放因子分别与交通运输相关原料活动因子、交通运输能量消耗因子以及土地利用碳排放因子进行结合，分别得到交通运输相关原料碳排放量、交通运输能源消耗量以及土地利用碳排放量；
根据所述交通运输相关原料碳排放量、所述交通运输能源消耗量以及所述土地利用碳排放量，确定所述交通运输碳排放总量。
5.根据权利要求1所述的一种基于交通运输的碳排放量预测方法，其特征在于，在对所述交通运输碳排放总量进行平稳化修正，得到最优决策之前，具体包括：
根据
Figure 637935DEST_PATH_IMAGE001
，得到时间序列均差
Figure 383037DEST_PATH_IMAGE002
；其中，Xt为时间序列，E为期望，t=1，2，3，...，N，且N表示序列的长度；
根据
Figure 85414DEST_PATH_IMAGE003
，得到时间序列方差
Figure 915966DEST_PATH_IMAGE004
；其中，D为方差，
Figure 221046DEST_PATH_IMAGE005
为标准差；
根据
Figure 820654DEST_PATH_IMAGE006
，得到自协无偏方差
Figure 693932DEST_PATH_IMAGE007
；其中，t以及k表示序列长度的常量；
根据
Figure 133485DEST_PATH_IMAGE008
，得到自协有偏方差
Figure 117622DEST_PATH_IMAGE009
；
通过自相关系数以及偏相关系数，对所述时间序列均差、所述时间序列方差、所述自协无偏方差以及所述自协有偏方差进行平稳性检验，得到平稳性检验结果。
6.根据权利要求1所述的一种基于交通运输的碳排放量预测方法，其特征在于，对所述交通运输碳排放总量进行平稳化修正，得到最优决策，具体包括：
根据
Figure 571737DEST_PATH_IMAGE010
，得到贝叶斯修正式BIC；其中，k为模型参数个数，L为似然函数，
Figure 740550DEST_PATH_IMAGE011
为惩罚项；
根据所述贝叶斯修正式，对所述交通运输碳排放总量进行平稳化修正，得到所述最优决策；其中，所述最优决策为使自回归阶数以及移动平均阶数达到最小值。
7.根据权利要求1所述的一种基于交通运输的碳排放量预测方法，其特征在于，对所述最优决策进行平稳优化，建立优化后综合自回归移动平均模型，具体包括：
根据
Figure 545695DEST_PATH_IMAGE012
，得到平稳过程Wt；其中，c为数学常量，t、q以及p表示时间序列长度的常量，
Figure 333523DEST_PATH_IMAGE013
为白噪声，
Figure 907723DEST_PATH_IMAGE014
为线性相关系数，
Figure 247438DEST_PATH_IMAGE015
为白噪声过程相关系数；
根据
Figure 274300DEST_PATH_IMAGE016
，得到平稳优化公式；其中，
Figure 865818DEST_PATH_IMAGE017
为滞后算子，B为滞后算子中间量，
Figure 153580DEST_PATH_IMAGE018
，d为差分次数，Xt为时间序列，
Figure 539562DEST_PATH_IMAGE019
为白噪声过程中间量；
根据所述平稳优化公式，对综合自回归移动平均模型进行优化，得到所述优化后综合自回归移动平均模型。
8.根据权利要求7所述的一种基于交通运输的碳排放量预测方法，其特征在于，在得到所述平稳优化公式之前，具体包括：
根据
Figure 319299DEST_PATH_IMAGE020
，得到所述滞后算子
Figure 448929DEST_PATH_IMAGE017
；
根据
Figure 856777DEST_PATH_IMAGE021
，得到所述白噪声过程中间量。
9.根据权利要求1所述的一种基于交通运输的碳排放量预测方法，其特征在于，通过所述优化后综合自回归移动平均模型输出的最终预测结果，建立碳排放变化曲线，以便于根据所述碳排放变化曲线实现对交通运输路径的规划，具体包括：
通过所述优化后综合自回归移动平均模型，对碳排放强度指标变化进行预测，得到所述最终预测结果；
根据所述最终预测结果，构建预设区域中每一个碳排放区域的碳排放变化曲线；其中，所述碳排放变化曲线的横坐标为时间，纵坐标为所述最终预测结果对应的预测碳排放量；
在所述每一个碳排放区域的碳排放变化曲线中，确定出预设出发时间点对应的预测碳排放量，并将低于预设阈值的预测碳排放量对应的碳排放区域确定为目标碳排放区域；
根据确定出的所述目标碳排放区域以及用户指定的目的地，确定若干种可行的交通运输路径，并根据预设路径影响因素，对所述若干种可行的交通运输路径进行筛选，得到最佳交通运输路径；其中，所述预设路径影响因素至少包括以下任一项：路径长度、路径车流量、路径拥堵程度、路径施工情况、预计到达所述目的地的时间。
10.一种基于交通运输的碳排放量预测设备，其特征在于，所述设备包括：
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，
所述存储器存储有能够被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行根据权利要求1-9任一项所述的一种基于交通运输的碳排放量预测方法。
CN202210631985.2A 2022-06-07 2022-06-07 一种基于交通运输的碳排放量预测方法及设备 Active CN114707774B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210631985.2A CN114707774B (zh) 2022-06-07 2022-06-07 一种基于交通运输的碳排放量预测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210631985.2A CN114707774B (zh) 2022-06-07 2022-06-07 一种基于交通运输的碳排放量预测方法及设备

Publications (2)

Publication Number Publication Date
CN114707774A true CN114707774A (zh) 2022-07-05
CN114707774B CN114707774B (zh) 2022-08-26

Family

ID=82177735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210631985.2A Active CN114707774B (zh) 2022-06-07 2022-06-07 一种基于交通运输的碳排放量预测方法及设备

Country Status (1)

Country Link
CN (1) CN114707774B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114997841A (zh) * 2022-07-18 2022-09-02 成都信通信息技术有限公司 一种基于区块链的低碳行为数据管理系统
CN117521934A (zh) * 2023-12-07 2024-02-06 大连理工大学 一种考虑碳排放成本的定制公交路线规划方法
CN117744901A (zh) * 2023-11-09 2024-03-22 国电南瑞科技股份有限公司 一种碳减排与碳增汇路径协调优化方法与系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120173293A1 (en) * 2010-12-30 2012-07-05 John Motley Systems and Methods for Carbon Emission Calculation, Tracking and Analysis
CN105160204A (zh) * 2015-10-28 2015-12-16 河海大学 一种碳排放价格组合预测方法
CN106529732A (zh) * 2016-11-18 2017-03-22 国网山东省电力公司电力科学研究院 基于神经网络与随机前沿分析的碳排放效率预测方法
CN108427845A (zh) * 2018-03-16 2018-08-21 中南大学 一种铅锌矿采矿过程碳排放短期预测方法
CN110807175A (zh) * 2019-10-31 2020-02-18 广州市交通规划研究院 一种基于目标城市交通模型数据的城市交通碳排放测算方法
CN113205225A (zh) * 2021-05-27 2021-08-03 中国科学院地理科学与资源研究所 一种碳排放达峰的关键因子识别方法、系统及数据平台
CN113239314A (zh) * 2021-04-09 2021-08-10 国网河北省电力有限公司沧州供电分公司 用于碳排放量预测的方法、装置、终端及计算机可读存储介质
CN113240155A (zh) * 2021-04-16 2021-08-10 国网河北省电力有限公司沧州供电分公司 预测碳排放量的方法、装置及终端
CN114020984A (zh) * 2022-01-07 2022-02-08 阿里云计算有限公司 碳数据处理、交互与展示方法、电子设备以及存储介质
CN114120665A (zh) * 2022-01-29 2022-03-01 山东科技大学 一种基于行人数量的智能相位控制方法及系统
CN114219185A (zh) * 2022-01-29 2022-03-22 国网(苏州)城市能源研究院有限责任公司 一种基于不确定集的城市规模工业碳排放量预测方法
US20220114562A1 (en) * 2020-10-08 2022-04-14 Greenlines Technology Inc. Methods and systems for conversion of transactions to carbon units
CN114548475A (zh) * 2021-11-20 2022-05-27 江苏龙腾工程设计股份有限公司 一种基于大数据预测的碳排放强度分级评价方法和可视化系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120173293A1 (en) * 2010-12-30 2012-07-05 John Motley Systems and Methods for Carbon Emission Calculation, Tracking and Analysis
CN105160204A (zh) * 2015-10-28 2015-12-16 河海大学 一种碳排放价格组合预测方法
CN106529732A (zh) * 2016-11-18 2017-03-22 国网山东省电力公司电力科学研究院 基于神经网络与随机前沿分析的碳排放效率预测方法
CN108427845A (zh) * 2018-03-16 2018-08-21 中南大学 一种铅锌矿采矿过程碳排放短期预测方法
CN110807175A (zh) * 2019-10-31 2020-02-18 广州市交通规划研究院 一种基于目标城市交通模型数据的城市交通碳排放测算方法
US20220114562A1 (en) * 2020-10-08 2022-04-14 Greenlines Technology Inc. Methods and systems for conversion of transactions to carbon units
CN113239314A (zh) * 2021-04-09 2021-08-10 国网河北省电力有限公司沧州供电分公司 用于碳排放量预测的方法、装置、终端及计算机可读存储介质
CN113240155A (zh) * 2021-04-16 2021-08-10 国网河北省电力有限公司沧州供电分公司 预测碳排放量的方法、装置及终端
CN113205225A (zh) * 2021-05-27 2021-08-03 中国科学院地理科学与资源研究所 一种碳排放达峰的关键因子识别方法、系统及数据平台
CN114548475A (zh) * 2021-11-20 2022-05-27 江苏龙腾工程设计股份有限公司 一种基于大数据预测的碳排放强度分级评价方法和可视化系统
CN114020984A (zh) * 2022-01-07 2022-02-08 阿里云计算有限公司 碳数据处理、交互与展示方法、电子设备以及存储介质
CN114120665A (zh) * 2022-01-29 2022-03-01 山东科技大学 一种基于行人数量的智能相位控制方法及系统
CN114219185A (zh) * 2022-01-29 2022-03-22 国网(苏州)城市能源研究院有限责任公司 一种基于不确定集的城市规模工业碳排放量预测方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
LIU HUI-YA: "Prediction on Net Carbon Emissions of Yunnan under Emissions and Forest Carbon Sinks", 《IEEE XPLORE》 *
张金良等: "中国火电行业多模型碳达峰情景预测", 《电力建设》 *
林浩等: "支持向量机在智能交通系统中的研究应用综述", 《计算机科学与探索》 *
梁娅楠: "北京市低碳交通实证研究", 《中国优秀硕士学位论文全文数据库 (经济与管理科学辑)》 *
梁虹: "寒冷地区绿色建筑运行性能的影响因素及能耗预测研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 *
江悦明: "北京市碳排放约束下产业结构优化调整研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》 *
赵成柏等: "基于ARIMA和BP神经网络组合模型的我国碳排放强度预测", 《长江流域资源与环境》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114997841A (zh) * 2022-07-18 2022-09-02 成都信通信息技术有限公司 一种基于区块链的低碳行为数据管理系统
CN114997841B (zh) * 2022-07-18 2022-10-21 成都信通信息技术有限公司 一种基于区块链的低碳行为数据管理系统
CN117744901A (zh) * 2023-11-09 2024-03-22 国电南瑞科技股份有限公司 一种碳减排与碳增汇路径协调优化方法与系统
CN117521934A (zh) * 2023-12-07 2024-02-06 大连理工大学 一种考虑碳排放成本的定制公交路线规划方法
CN117521934B (zh) * 2023-12-07 2024-05-07 大连理工大学 一种考虑碳排放成本的定制公交路线规划方法

Also Published As

Publication number Publication date
CN114707774B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN114707774B (zh) 一种基于交通运输的碳排放量预测方法及设备
CN107316501B (zh) 一种基于网格搜索的支持向量机行程时间预测方法
Nagle et al. Accuracy of networkwide traffic states estimated from mobile probe data
CN108492555A (zh) 一种城市路网交通状态评价方法及装置
Nocera et al. Assessing carbon emissions from road transport through traffic flow estimators
Yi et al. Inferencing hourly traffic volume using data-driven machine learning and graph theory
Tang et al. A mixed path size logit-based taxi customer-search model considering spatio-temporal factors in route choice
CN102081846A (zh) 基于高速公路收费数据轨迹匹配的交通状态识别方法
US20220215749A1 (en) Method for predicting at least one profile of the speed of a vehicle on a road network
Kim et al. Determining optimal sensor locations in freeway using genetic algorithm-based optimization
Zhu et al. Network-wide link travel time inference using trip-based data from automatic vehicle identification detectors
Wismans et al. Real time traffic models, decision support for traffic management
CN110459050A (zh) 一种基于混合决策树的短期公交客流预测方法
CN114118539A (zh) 一种基于微观单元性能预测的高速公路精准养护决策方法
Ghandeharioun et al. Link travel time estimation for arterial networks based on sparse GPS data and considering progressive correlations
Hosseini et al. Traffic flow prediction using MI algorithm and considering noisy and data loss conditions: An application to Minnesota traffic flow prediction
Zahedian et al. Dynamic toll prediction using historical data on toll roads: case study of the I-66 inner beltway
US11346677B2 (en) Method to measure road roughness characteristics and pavement induced vehicle fuel consumption
Fahs et al. Traffic congestion prediction based on multivariate modelling and neural networks regressions
Sun et al. Developing a method for estimating AADT on all Louisiana roads.
CN110120154B (zh) 大规模路网下利用检测器数据的交通路况预测方法
Blazquez et al. Towards a parameter tuning approach for a map-matching algorithm
CN112102613A (zh) 一种高速公路客货运输量预测方法及系统
Provoost et al. Short term prediction of parking area states using real time data and machine learning techniques
Barceló et al. A practical proposal for using origin-destination matrices in the analysis, modeling and simulation for traffic management

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