CN115035713A - 智慧交通碳排放监测系统和方法 - Google Patents
智慧交通碳排放监测系统和方法 Download PDFInfo
- Publication number
- CN115035713A CN115035713A CN202210476063.9A CN202210476063A CN115035713A CN 115035713 A CN115035713 A CN 115035713A CN 202210476063 A CN202210476063 A CN 202210476063A CN 115035713 A CN115035713 A CN 115035713A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- carbon emission
- mounted terminal
- speed
- intersection
- 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
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 221
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 221
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 81
- 238000004364 calculation method Methods 0.000 claims abstract description 54
- 239000002245 particle Substances 0.000 claims description 64
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 230000008030 elimination Effects 0.000 claims description 14
- 238000003379 elimination reaction Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 13
- 239000003086 colorant Substances 0.000 claims description 5
- 238000009877 rendering Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 239000000446 fuel Substances 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 238000006073 displacement reaction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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—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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种智慧交通碳排放监测系统和方法,通过车载终端辨识系统识别未安装车载终端的车辆后,由交通卡口检测系统和车载终端分别获取获取未安装车载终端和安装车载终端的车辆型号和平均车速,道路碳排合计计算系统和车载碳排合计计算系统根据未安装车载终端和安装车载终端的车辆型号和平均车速获取未安装车载终端和安装车载终端的车辆的碳排放量,碳排汇总系统用于对未安装车载终端的车辆的碳排放量和安装车载终端的车辆的碳排放量进行汇总,获得路口碳排放量,解决了相关技术中通过统计一定时间内城市消耗的燃油量去粗略地估算车辆碳排放量,监测结果不准确的问题,提高了碳排放监测的准确率。
Description
技术领域
本申请涉及智慧交通技术领域,特别是涉及智慧交通碳排放监测系统和方法。
背景技术
相关技术中,关于车辆碳排放量的监测,只能通过统计一定时间内城市消耗的燃油量去粗略地估算,监测结果不准确,难以实现机动车碳排放问题的精细化管理。
目前针对相关技术中通过统计一定时间内城市消耗的燃油量去粗略地估算车辆碳排放量,监测结果不准确的问题,尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种智慧交通碳排放监测系统和方法,以至少解决相关技术中通过统计一定时间内城市消耗的燃油量去粗略地估算车辆碳排放量,监测结果不准确的问题。
第一方面,本申请实施例提供了一种智慧交通碳排放监测系统,所述系统包括车载终端、车载终端辨识系统、交通卡口检测系统、道路碳排合计计算系统、车载碳排合计计算系统和碳排汇总系统;
所述车载终端辨识系统与所述交通卡口检测系统连接,所述交通卡口检测系统与所述道路碳排合计计算系统连接,所述车载终端与所述车载碳排合计计算系统连接,所述碳排汇总系统分别与所述道路碳排合计计算系统和所述车载碳排合计计算系统连接;
所述车载终端辨识系统用于识别未安装车载终端的车辆,所述交通卡口检测系统用于对交通路口的车辆进行检测,获取交通路口中未安装车载终端的车辆型号和平均车速,所述车载终端用于获取安装车载终端的车辆型号和平均车速;
所述道路碳排合计计算系统用于根据未安装车载终端的车辆型号和平均车速获取未安装车载终端的车辆的碳排放量,所述车载碳排合计计算系统用于根据安装车载终端的车辆型号和平均车速获取安装车载终端的车辆的碳排放量;
所述碳排汇总系统用于对未安装车载终端的车辆的碳排放量和安装车载终端的车辆的碳排放量进行汇总,获得路口碳排放量。
在其中一些实施例中,所述系统还包括大数据库和车辆均速计算模块,所述交通卡口检测系统包括第一车型检测模块、第一图像获取单元和第一车速检测模块,所述第一车型检测模块与所述大数据库连接,所述第一车速检测模块与所述车辆均速计算模块连接;
所述第一图像获取单元用于获取车辆图像,所述第一车型检测模块用于根据所述车辆图像在所述大数据库中进行搜索匹配对应的车辆型号,所述第一车速检测模块用于获取车辆速度,所述车辆均速计算模块用于根据车辆速度获取平均车速。
在其中一些实施例中,所述系统还包括道路检测系统和重复车辆排除系统,所述道路检测系统分别与所述车载终端辨识系统和所述道路碳排合计计算系统连接,所述交通卡口检测系统和所述道路检测系统分别连接所述重复车辆排除系统;
所述道路检测系统用于对道路上的车辆进行检测,获取道路上未安装车载终端的车辆型号和平均车速,所述重复车辆排除系统用于对所述交通卡口检测系统和所述道路检测系统所检测到的重复车辆进行排重,获得排重后的车辆;
所述道路碳排合计计算系统根据未安装车载终端的车辆型号和平均车速获取未安装车载终端且排重后的车辆的碳排放量。
在其中一些实施例中,所述道路检测系统包括第二车型检测模块、第二图像获取单元和第二车速检测模块,第二车型检测模块与所述大数据库连接,所述第二车速检测模块与所述车辆均速计算模块连接;
所述第二图像获取单元用于获取车辆图像,所述第二车型检测模块用于根据所述车辆图像在所述大数据库中进行搜索匹配对应的车辆型号,所述第二车速检测模块用于获取车辆速度,所述车辆均速计算模块用于根据车辆速度获取平均车速。
在其中一些实施例中,所述车载终端包括基本信息填报模块与行驶状态检测模块,所述基本信息填报模块用于记录车辆型号,所述行驶状态检测模块用于记录车辆速度,并根据车辆速度获取平均车速。
在其中一些实施例中,根据车辆型号和平均车速获取车辆的碳排放量包括:
预先训练好不同车辆型号对应的碳排放量与平均车速的关系模型,根据车辆型号获取对应的碳排放量与平均车速的关系模型后,输入平均车速至所述碳排放量与平均车速的关系模型,获得车辆的碳排放量。
在其中一些实施例中,所述系统还包括区域划分模块,所述区域划分模块用于执行以下步骤:
获取预设时间内城市路网车辆碳排放量历史数据,将所述车辆碳排放量历史数据匹配到路口对象上进行统计,获得路口碳排放指数;
基于粒子群优化的K-means算法对所述路口碳排放指数进行分级,将所述路口碳排放指数分为k个级别;
将路网划分为多个细分区域,将分级后的路口碳排放指数匹配到所述细分区域中,并按照细分区域中路口碳排放指数级别最大值对细分区域颜色进行渲染,其中,每个细分区域包括至少一个路口。
在其中一些实施例中,所述基于粒子群优化的K-means算法对所述路口碳排放指数进行分级包括如下步骤:
S1,输入路口碳排放量,设定聚类类别数量k,最大迭代次数tmax;
S2,随机选取粒子群的k个初始中心,初始化粒子的速度、个体最优位置和群体最优位置;
S3,计算所有粒子离每个初始中心的距离,将粒子划分到距离最近的分类聚簇中;
S4,计算粒子的适应度值,比较每个粒子的个体最优位置适应度值与当前个体位置适应度值,更新个体最优位置,比较所有粒子的个体最优位置和群体最优位置,更新群体最优位置;
S5,调整粒子的飞行速度和位置;
S6,重复步骤S2-S5,直至粒子群的适应度方差小于设定值;
S7,使用粒子群优化算法得到的群体最优位置作为K-means算法的初始聚类中心;
S8,运行K-means算法得到聚类结果,其中所述聚类结果为路口碳排放指数对应的级别。
第二方面,本申请实施例提供了一种智慧交通碳排放监测方法,所述方法包括:
通过车载终端获取安装车载终端的车辆型号和平均车速,通过交通卡口检测系统获取未安装车载终端的车辆型号和平均车速;
道路碳排合计计算系统根据未安装车载终端的车辆型号和平均车速获取未安装车载终端的车辆的碳排放量,车载碳排合计计算系统根据安装车载终端的车辆型号和平均车速获取安装车载终端的车辆的碳排放量;
碳排汇总系统对未安装车载终端的车辆的碳排放量和安装车载终端的车辆的碳排放量进行汇总,获得路口碳排放量。
在其中一些实施例中,所述获得路口碳排放量之后,所述方法还包括:
获取预设时间内城市路网车辆碳排放量历史数据,将所述车辆碳排放量历史数据匹配到路口对象上进行统计,获得路口碳排放指数;
基于粒子群优化的K-means算法对所述路口碳排放指数进行分级,将所述路口碳排放指数分为k个级别;
将路网划分为多个细分区域,将分级后的路口碳排放指数匹配到所述细分区域中,并按照细分区域中路口碳排放指数级别最大值对细分区域颜色进行渲染,其中,每个细分区域包括至少一个路口。
相比于相关技术,本申请实施例提供的智慧交通碳排放监测方法,通过通过车载终端辨识系统识别未安装车载终端的车辆后,由交通卡口检测系统和车载终端分别获取获取未安装车载终端和安装车载终端的车辆型号和平均车速,道路碳排合计计算系统和车载碳排合计计算系统根据未安装车载终端和安装车载终端的车辆型号和平均车速获取未安装车载终端和安装车载终端的车辆的碳排放量,碳排汇总系统用于对未安装车载终端的车辆的碳排放量和安装车载终端的车辆的碳排放量进行汇总,获得路口碳排放量,解决了相关技术中通过统计一定时间内城市消耗的燃油量去粗略地估算车辆碳排放量,监测结果不准确的问题,提高了碳排放监测的准确率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的智慧交通碳排放监测系统的结构示意图;
图2是根据本申请实施例的第二种智慧交通碳排放监测系统的结构示意图;
图3是根据本申请实施例的第三种智慧交通碳排放监测系统的结构示意图;
图4是根据本申请实施例的第四种智慧交通碳排放监测系统的结构示意图;
图5是根据本申请实施例的区域划分模块对路网划分后的示意图;
图6是根据本申请实施例的智慧交通碳排放监测方法的流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的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。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本实施例提供了一种智慧交通碳排放监测系统,图1是根据本申请实施例的智慧交通碳排放监测系统的结构示意图,如图1所示,智慧交通碳排放监测系统包括车载终端10、车载终端辨识系统11、交通卡口检测系统12、道路碳排合计计算系统13、车载碳排合计计算系统14和碳排汇总系统15;
车载终端辨识系统11与交通卡口检测系统12连接,交通卡口检测系统12 与道路碳排合计计算系统13连接,车载终端10与车载碳排合计计算系统14连接,碳排汇总系统15分别与道路碳排合计计算系统13和车载碳排合计计算系统14连接;
车载终端辨识系统11用于识别未安装车载终端10的车辆,车载终端辨识系统11可以通过识别车牌号后,通过车牌号查询对应的车辆是否安装有车载终端10,从而识别出未安装车载终端10的车辆,交通卡口检测系统12用于对交通路口的车辆进行检测,获取交通路口中未安装车载终端10的车辆型号和平均车速,车载终端10用于获取安装车载终端10的车辆型号和平均车速;
道路碳排合计计算系统13用于根据未安装车载终端10的车辆型号和平均车速获取未安装车载终端10的车辆的碳排放量,车载碳排合计计算系统14用于根据安装车载终端10的车辆型号和平均车速获取安装车载终端10的车辆的碳排放量;
可选的,道路碳排合计计算系统13和车载碳排合计计算系统14根据车辆型号和平均车速获取车辆的碳排放量包括:
由于车辆实际碳排放量随速度的变化而变化,且不同型号的车辆对应的碳排放量也不同,因此根据不同型号在不同速度下的碳排放量数据,预先训练好不同车辆型号对应的碳排放量与平均车速的关系模型,道路碳排合计计算系统 13和车载碳排合计计算系统14需要根据车辆型号和平均车速获取车辆的碳排放量时,根据车辆型号获取对应的碳排放量与平均车速的关系模型后,输入平均车速至碳排放量与平均车速的关系模型,即可获得车辆的碳排放量。
碳排汇总系统15用于对未安装车载终端10的车辆的碳排放量和安装车载终端10的车辆的碳排放量进行汇总,获得路口碳排放量。在实际应用中,不仅能获得车辆碳排放量,将路口内所有车辆碳排放量进行汇总,即可获得路口碳排放量,将一个区域内所有的路口碳排放量进行汇总,还可获得区域碳排放量。
本实施例通过车载终端辨识系统11识别未安装车载终端10的车辆后,由交通卡口检测系统12和车载终端10分别获取获取未安装车载终端10和安装车载终端10的车辆型号和平均车速,道路碳排合计计算系统13和车载碳排合计计算系统14根据未安装车载终端10和安装车载终端10的车辆型号和平均车速获取未安装车载终端10和安装车载终端10的车辆的碳排放量,碳排汇总系统 15用于对未安装车载终端10的车辆的碳排放量和安装车载终端10的车辆的碳排放量进行汇总,获得路口碳排放量,解决了相关技术中通过统计一定时间内城市消耗的燃油量去粗略地估算车辆碳排放量,监测结果不准确的问题,提高了碳排放监测的准确率。
在其中一些实施例中,图2是根据本申请实施例的第二种智慧交通碳排放监测系统的结构示意图,如图2所示,智慧交通碳排放监测系统还包括大数据库22和车辆均速计算模块21,交通卡口检测系统12包括第一车型检测模块123、第一图像获取单元122和第一车速检测模块121,第一车型检测模块123与大数据库22连接,第一车速检测模块121与车辆均速计算模块21连接;
第一图像获取单元122用于获取车辆图像,第一车型检测模块123用于根据车辆图像在大数据库22中进行搜索匹配对应的车辆型号,第一车速检测模块 121用于获取车辆速度,车辆均速计算模块21用于根据车辆速度获取平均车速。
在其中一些实施例中,图3是根据本申请实施例的第三种智慧交通碳排放监测系统的结构示意图,如图3所示,智慧交通碳排放监测系统还包括道路检测系统31和重复车辆排除系统32,道路检测系统31分别与车载终端辨识系统 11和道路碳排合计计算系统13连接,交通卡口检测系统12和道路检测系统31 分别连接重复车辆排除系统32;
道路检测系统31用于对道路上的车辆进行检测,获取道路上未安装车载终端10的车辆型号和平均车速,重复车辆排除系统32用于对交通卡口检测系统 12和道路检测系统31所检测到的重复车辆进行排重,获得排重后的车辆;具体的,重复车辆排除系统32可以根据车牌号对重复车辆进行排重,排重后的车辆为交通卡口检测系统12没检测到而道路检测系统31检测到的车辆。
道路碳排合计计算系统13用于根据未安装车载终端10的车辆型号和平均车速获取未安装车载终端10且排重后的车辆的碳排放量。通过本实施例,使每一辆车的碳排放量都能统计到,进一步提高交通碳排放监测准确率。在其中一些实施例中,图4是根据本申请实施例的第四种智慧交通碳排放监测系统的结构示意图,如图4所示,道路检测系统31包括第二车型检测模块313、第二图像获取单元312和第二车速检测模块311,第二车型检测模块313与大数据库22连接,第二车速检测模块311与车辆均速计算模块21连接;
第二图像获取单元312用于获取车辆图像,第二车型检测模块313用于根据车辆图像在大数据库22中进行搜索匹配对应的车辆型号,第二车速检测模块 311用于获取车辆速度,车辆均速计算模块21用于根据车辆速度获取平均车速。
在其中一些实施例中,车载终端10包括基本信息填报模块与行驶状态检测模块,基本信息填报模块用于记录车辆型号,行驶状态检测模块用于记录车辆速度,并根据车辆速度获取平均车速。
可选的,基本信息填报模块包括车型信息记录单元、车龄信息记录单元、排量信息记录单元,行驶状态检测模块包括平均车速计算单元和驾驶里程记录单元;虽然车辆实际碳排放量主要与速度和型号有关,但车龄、排量信息和驾驶里程等车辆的基本信息也会影响车辆实际碳排放量,因此还可以通过车辆型号、车龄、排量信息和驾驶里程等数据在不同速度下的碳排放量训练模型,模型训练好后,再将车辆型号、车龄、排量信息和驾驶里程等数据输入至该模型中,获得车辆的碳排放量,其中,未安装车载终端10的车辆,可以通过车牌号在大数据库22中获取车龄、排量信息和驾驶里程等车辆的基本信息。
在其中一些实施例中,交通碳排放监测系统还包括区域划分模块,图5是根据本申请实施例的区域划分模块对路网划分后的示意图,如图5所示,根据碳排放情况对区域进行可视化展示,可以直观的看出每个区域碳排放量的多少,可以快速的针对排放量严重的区域采取措施,区域划分模块用于执行以下步骤:
获取预设时间内城市路网车辆碳排放量历史数据,基于GIS技术将车辆碳排放量历史数据匹配到路口对象上进行统计,获得路口碳排放指数;
基于粒子群优化的K-means算法对路口碳排放指数进行分级,将路口碳排放指数分为k个级别;
采用GIS函数将路网划分为多个多边形细分区域,将分级后的路口碳排放指数匹配到多边形细分区域中,并按照多边形细分区域中路口碳排放指数级别最大值对细分区域颜色进行渲染,其中,每个多边形细分区域包括至少一个路口。
可选的,基于粒子群优化的K-means算法对路口碳排放指数进行分级包括如下步骤:
S1,输入路口碳排放量,设定聚类类别数量k,最大迭代次数tmax;
S2,随机选取粒子群的k个初始中心,初始化粒子的速度、个体最优位置和群体最优位置;
S3,计算所有粒子离每个初始中心的距离,将粒子划分到距离最近的分类聚簇中;
S4,计算粒子的适应度值,比较每个粒子的个体最优位置适应度值与当前个体位置适应度值,更新个体最优位置,比较所有粒子的个体最优位置和群体最优位置,更新群体最优位置;
S5,调整粒子的飞行速度和位置;
S6,重复步骤S2-S5,直至粒子群的适应度方差小于设定值;
S7,使用粒子群优化算法得到的群体最优位置作为K-means算法的初始聚类中心;
S8,运行K-means算法得到聚类结果,其中聚类结果为路口碳排放指数对应的级别。
其中,假设路网中的路口是d维属性搜索空间中移动的N个粒子,粒子在搜索空间中飞行,粒子i的位置、速度均为d维向量,其速度表达式为 Vi=(Vi1,Vi2,...,Vid),位置表达式为Xi=(Xi1,Xi2,...,Xid),个体的最优位置表达式Pbi=(Pb1,Pb2,...,Pbd),群体的最优位置表达式为Gb=(Gb1,Gb2,...,Gbd)。
通过上述表达式找到个体最优解和群体最优解后,使用以下公式调整粒子飞行的位置和速度:
Vi(t+1)=(w·Vi(t)+c1·r1·(Pb1-Xi)+c2·r2·(Gb-Xi)
Xi(t+1)=Xi(t)+Vi(t+1)
其中,w表示惯性权重,c1、c2表示学习因子通常取值为2,c1表示个体最优位置对粒子i飞行速度的影响程度,c2表示群体最优位置对粒子i飞行速度的影响程度,r1、r2为[0,1]间随机值。
为了优化PSO算法的动态搜索能力,惯性权重的调整策略采用如下线性策略:
w(t)=wmax-(Wmax-wmin)t/tmax
其中,wmax为最大惯性权重,wmin为最小惯性权重,t为当前迭代次数,tmax为粒子群的最大迭代次数。
PSO算法与K-means结合的优势在于,算法运行前期的主要目标是寻找优化的聚类中心初值,将衡量K-means聚类效果的距离函数作为PSO粒子群的适应度函数,假设聚类任务为将路口碳排放量划分为k类,则k个聚簇可表示为 C=(C1,C2,...,Ck),其聚类中心可表示为Z=(Z1,Z2,...,Zk),粒子群的适应度函数采用每个粒子与所属聚类中心的欧式距离函数,定义为:
该适应度函数表示每个类中粒子之间的相似度,适应度值越小表明类内部粒子的结合程度越紧密,聚类效果越好。因此PSO算法的目标是找到粒子群中使得适应度值最小的k个粒子最优位置,作为K-means算法优化的聚类中心初值。
粒子个体最优位置更新公式如下:
PSO算法的收敛效果采用粒子群的适应度方差来计算,粒子群适应度方差越小,表明粒子群的适应度波动性小,粒子群的状态趋向收敛,适应度方差的计算方法如下:
其中,σ2为适应度方差,N为粒子数量,favg为所有粒子的适应度均值,f(Xi) 为上述粒子群的适应度函数。传统的K-means算法具有对初始中心敏感、异常数据敏感等缺陷,为了保证聚类结果的全局最优,本实施例采用粒子群优化的 K-means算法对路网中的路口进行聚类,粒子群优化算法(PSO)是一种启发式的优化算法,PSO算法中粒子根据自身经验(个体最优位置)和群体共享的社会经验(群体最优位置)改变速度和位置朝全局最优解的方向飞行,并通过一个预先定义好的关于当前位置的适应度函数对粒子的性能进行评估,解决了传统的K-means算法具有对初始中心敏感、异常数据敏感等问题。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本实施例提供了一种智慧交通碳排放监测方法,图6是根据本申请实施例的智慧交通碳排放监测方法的流程图,如图6所示,该方法包括如下步骤:
步骤S601,通过车载终端10获取安装车载终端10的车辆型号和平均车速,通过交通卡口检测系统12获取未安装车载终端10的车辆型号和平均车速;
步骤S602,道路碳排合计计算系统13根据未安装车载终端10的车辆型号和平均车速获取未安装车载终端10的车辆的碳排放量,车载碳排合计计算系统 14根据安装车载终端10的车辆型号和平均车速获取安装车载终端10的车辆的碳排放量;
步骤S603,碳排汇总系统15对未安装车载终端10的车辆的碳排放量和安装车载终端10的车辆的碳排放量进行汇总,获得路口碳排放量。
通过步骤S601至步骤S603,解决了相关技术中通过统计一定时间内城市消耗的燃油量去粗略地估算车辆碳排放量,监测结果不准确的问题,提高了碳排放监测的准确率。
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程 ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限, RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步 DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM (ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus) 直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域的技术人员应该明白,以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种智慧交通碳排放监测系统,其特征在于,所述系统包括车载终端、车载终端辨识系统、交通卡口检测系统、道路碳排合计计算系统、车载碳排合计计算系统和碳排汇总系统;
所述车载终端辨识系统与所述交通卡口检测系统连接,所述交通卡口检测系统与所述道路碳排合计计算系统连接,所述车载终端与所述车载碳排合计计算系统连接,所述碳排汇总系统分别与所述道路碳排合计计算系统和所述车载碳排合计计算系统连接;
所述车载终端辨识系统用于识别未安装车载终端的车辆,所述交通卡口检测系统用于对交通路口的车辆进行检测,获取交通路口中未安装车载终端的车辆型号和平均车速,所述车载终端用于获取安装车载终端的车辆型号和平均车速;
所述道路碳排合计计算系统用于根据未安装车载终端的车辆型号和平均车速获取未安装车载终端的车辆的碳排放量,所述车载碳排合计计算系统用于根据安装车载终端的车辆型号和平均车速获取安装车载终端的车辆的碳排放量;
所述碳排汇总系统用于对未安装车载终端的车辆的碳排放量和安装车载终端的车辆的碳排放量进行汇总,获得路口碳排放量。
2.根据权利要求1所述的系统,其特征在于,所述系统还包括大数据库和车辆均速计算模块,所述交通卡口检测系统包括第一车型检测模块、第一图像获取单元和第一车速检测模块,所述第一车型检测模块与所述大数据库连接,所述第一车速检测模块与所述车辆均速计算模块连接;
所述第一图像获取单元用于获取车辆图像,所述第一车型检测模块用于根据所述车辆图像在所述大数据库中进行搜索匹配对应的车辆型号,所述第一车速检测模块用于获取车辆速度,所述车辆均速计算模块用于根据车辆速度获取平均车速。
3.根据权利要求1所述的系统,其特征在于,所述系统还包括道路检测系统和重复车辆排除系统,所述道路检测系统分别与所述车载终端辨识系统和所述道路碳排合计计算系统连接,所述交通卡口检测系统和所述道路检测系统分别连接所述重复车辆排除系统;
所述道路检测系统用于对道路上的车辆进行检测,获取道路上未安装车载终端的车辆型号和平均车速,所述重复车辆排除系统用于对所述交通卡口检测系统和所述道路检测系统所检测到的重复车辆进行排重,获得排重后的车辆;
所述道路碳排合计计算系统根据未安装车载终端的车辆型号和平均车速获取未安装车载终端且排重后的车辆的碳排放量。
4.根据权利要求3所述的系统,其特征在于,所述道路检测系统包括第二车型检测模块、第二图像获取单元和第二车速检测模块,第二车型检测模块与所述大数据库连接,所述第二车速检测模块与所述车辆均速计算模块连接;
所述第二图像获取单元用于获取车辆图像,所述第二车型检测模块用于根据所述车辆图像在所述大数据库中进行搜索匹配对应的车辆型号,所述第二车速检测模块用于获取车辆速度,所述车辆均速计算模块用于根据车辆速度获取平均车速。
5.根据权利要求1所述的系统,其特征在于,所述车载终端包括基本信息填报模块与行驶状态检测模块,所述基本信息填报模块用于记录车辆型号,所述行驶状态检测模块用于记录车辆速度,并根据车辆速度获取平均车速。
6.根据权利要求1所述的系统,其特征在于,根据车辆型号和平均车速获取车辆的碳排放量包括:
预先训练好不同车辆型号对应的碳排放量与平均车速的关系模型,根据车辆型号获取对应的碳排放量与平均车速的关系模型后,输入平均车速至所述碳排放量与平均车速的关系模型,获得车辆的碳排放量。
7.根据根据权利要求1所述的系统,其特征在于,所述系统还包括区域划分模块,所述区域划分模块用于执行以下步骤:
获取预设时间内城市路网车辆碳排放量历史数据,将所述车辆碳排放量历史数据匹配到路口对象上进行统计,获得路口碳排放指数;
基于粒子群优化的K-means算法对所述路口碳排放指数进行分级,将所述路口碳排放指数分为k个级别;
将路网划分为多个细分区域,将分级后的路口碳排放指数匹配到所述细分区域中,并按照细分区域中路口碳排放指数级别最大值对细分区域颜色进行渲染,其中,每个细分区域包括至少一个路口。
8.根据根据权利要求1所述的系统,其特征在于,所述基于粒子群优化的K-means算法对所述路口碳排放指数进行分级包括如下步骤:
S1,输入路口碳排放量,设定聚类类别数量k,最大迭代次数tmax;
S2,随机选取粒子群的k个初始中心,初始化粒子的速度、个体最优位置和群体最优位置;
S3,计算所有粒子离每个初始中心的距离,将粒子划分到距离最近的分类聚簇中;
S4,计算粒子的适应度值,比较每个粒子的个体最优位置适应度值与当前个体位置适应度值,更新个体最优位置,比较所有粒子的个体最优位置和群体最优位置,更新群体最优位置;
S5,调整粒子的飞行速度和位置;
S6,重复步骤S2-S5,直至粒子群的适应度方差小于设定值;
S7,使用粒子群优化算法得到的群体最优位置作为K-means算法的初始聚类中心;
S8,运行K-means算法得到聚类结果,其中所述聚类结果为路口碳排放指数对应的级别。
9.一种智慧交通碳排放监测方法,其特征在于,所述方法包括:
通过车载终端获取安装车载终端的车辆型号和平均车速,通过交通卡口检测系统获取未安装车载终端的车辆型号和平均车速;
道路碳排合计计算系统根据未安装车载终端的车辆型号和平均车速获取未安装车载终端的车辆的碳排放量,车载碳排合计计算系统根据安装车载终端的车辆型号和平均车速获取安装车载终端的车辆的碳排放量;
碳排汇总系统对未安装车载终端的车辆的碳排放量和安装车载终端的车辆的碳排放量进行汇总,获得路口碳排放量。
10.根据权利要求9所述的方法,其特征在于,所述获得路口碳排放量之后,所述方法还包括:
获取预设时间内城市路网车辆碳排放量历史数据,将所述车辆碳排放量历史数据匹配到路口对象上进行统计,获得路口碳排放指数;
基于粒子群优化的K-means算法对所述路口碳排放指数进行分级,将所述路口碳排放指数分为k个级别;
将路网划分为多个细分区域,将分级后的路口碳排放指数匹配到所述细分区域中,并按照细分区域中路口碳排放指数级别最大值对细分区域颜色进行渲染,其中,每个细分区域包括至少一个路口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210476063.9A CN115035713B (zh) | 2022-04-29 | 2022-04-29 | 智慧交通碳排放监测系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210476063.9A CN115035713B (zh) | 2022-04-29 | 2022-04-29 | 智慧交通碳排放监测系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115035713A true CN115035713A (zh) | 2022-09-09 |
CN115035713B CN115035713B (zh) | 2023-08-25 |
Family
ID=83119766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210476063.9A Active CN115035713B (zh) | 2022-04-29 | 2022-04-29 | 智慧交通碳排放监测系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115035713B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117271992A (zh) * | 2023-09-19 | 2023-12-22 | 东莞市东莞通股份有限公司 | 一种基于大数据的城市道路碳排放监测管理系统 |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4235235A1 (de) * | 1992-10-15 | 1994-04-21 | Refit E V Verein Zur Regionalf | Verfahren zur Ermittlung der durch Kraftfahrzeuge verursachten Umweltbelastungen |
JP2004078303A (ja) * | 2002-08-09 | 2004-03-11 | Mitsubishi Heavy Ind Ltd | 交通複合監視装置 |
CN102495629A (zh) * | 2011-12-27 | 2012-06-13 | 石家庄铁道大学 | 汽车尾气排放智能化诊断方法及装置 |
CN102567619A (zh) * | 2011-09-16 | 2012-07-11 | 中国海洋大学 | 一种全寿命周期公路碳计量方法及其应用 |
WO2012124987A2 (ko) * | 2011-03-15 | 2012-09-20 | 주식회사 제이캐스트 | 친환경 이동경로를 제공하는 시스템 및 단말 |
CN103337172A (zh) * | 2013-07-01 | 2013-10-02 | 上海夫雄智能科技有限公司 | 一种基于rfid的乘用车跨城市行驶排放超标监测方法及装置 |
KR20130142401A (ko) * | 2012-06-19 | 2013-12-30 | 건국대학교 산학협력단 | U-City 탄소배출 저감량 산정 시스템 및 그 방법 |
CN103714363A (zh) * | 2013-12-23 | 2014-04-09 | 南京新远见智能科技有限公司 | 一种机动车尾气烟度视频识别系统 |
CN105206056A (zh) * | 2015-09-25 | 2015-12-30 | 珠海高凌信息科技有限公司 | 道路交通污染源智能预测方法及系统 |
CN106596856A (zh) * | 2016-12-09 | 2017-04-26 | 山东理工大学 | 一种基于激光雷达和摄影测量的车辆污染物排放量实时监测方法 |
CN108986471A (zh) * | 2018-06-22 | 2018-12-11 | 长安大学 | 混合交通条件下交叉口车辆引导方法 |
CN110514255A (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 | 汽车排放量检测方法及其检测系统 |
CN110533932A (zh) * | 2019-08-06 | 2019-12-03 | 银江股份有限公司 | 一种基于滚动优化的城市级全域交通信号推荐方法及系统 |
CN110827184A (zh) * | 2019-10-12 | 2020-02-21 | 上海市政工程设计研究总院(集团)有限公司 | 一种道路交通碳排放计算模块及计算方法 |
CN111524344A (zh) * | 2020-03-25 | 2020-08-11 | 武汉纵横智慧城市股份有限公司 | 基于大数据的车辆排放监测方法、设备、存储介质及装置 |
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 |
CN211975124U (zh) * | 2020-03-30 | 2020-11-20 | 广州华工邦元信息技术有限公司 | 一种基于obd的车辆尾气排放监控装置及车辆 |
US20200388138A1 (en) * | 2019-06-05 | 2020-12-10 | Donaldson Company, Inc. | Multi-zone filtration monitoring systems and methods |
CN112542042A (zh) * | 2020-12-01 | 2021-03-23 | 东南大学 | 一种考虑机动车碳排放的潮汐车道设置方法及装置 |
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 |
US20210131964A1 (en) * | 2019-11-06 | 2021-05-06 | Beijing Institute Of Technology | Remote sensing-based detection system and method for gaseous pollutant from diesel vehicle exhaust |
CN113515722A (zh) * | 2021-09-15 | 2021-10-19 | 南昌云宜然科技有限公司 | 一种道路交通排放与扬尘排放的实时监测方法与系统 |
CN114333302A (zh) * | 2021-12-15 | 2022-04-12 | 深圳先进技术研究院 | 全局交通优化系统 |
-
2022
- 2022-04-29 CN CN202210476063.9A patent/CN115035713B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4235235A1 (de) * | 1992-10-15 | 1994-04-21 | Refit E V Verein Zur Regionalf | Verfahren zur Ermittlung der durch Kraftfahrzeuge verursachten Umweltbelastungen |
JP2004078303A (ja) * | 2002-08-09 | 2004-03-11 | Mitsubishi Heavy Ind Ltd | 交通複合監視装置 |
WO2012124987A2 (ko) * | 2011-03-15 | 2012-09-20 | 주식회사 제이캐스트 | 친환경 이동경로를 제공하는 시스템 및 단말 |
CN102567619A (zh) * | 2011-09-16 | 2012-07-11 | 中国海洋大学 | 一种全寿命周期公路碳计量方法及其应用 |
CN102495629A (zh) * | 2011-12-27 | 2012-06-13 | 石家庄铁道大学 | 汽车尾气排放智能化诊断方法及装置 |
KR20130142401A (ko) * | 2012-06-19 | 2013-12-30 | 건국대학교 산학협력단 | U-City 탄소배출 저감량 산정 시스템 및 그 방법 |
CN103337172A (zh) * | 2013-07-01 | 2013-10-02 | 上海夫雄智能科技有限公司 | 一种基于rfid的乘用车跨城市行驶排放超标监测方法及装置 |
CN103714363A (zh) * | 2013-12-23 | 2014-04-09 | 南京新远见智能科技有限公司 | 一种机动车尾气烟度视频识别系统 |
CN105206056A (zh) * | 2015-09-25 | 2015-12-30 | 珠海高凌信息科技有限公司 | 道路交通污染源智能预测方法及系统 |
CN106596856A (zh) * | 2016-12-09 | 2017-04-26 | 山东理工大学 | 一种基于激光雷达和摄影测量的车辆污染物排放量实时监测方法 |
CN108986471A (zh) * | 2018-06-22 | 2018-12-11 | 长安大学 | 混合交通条件下交叉口车辆引导方法 |
US20200388138A1 (en) * | 2019-06-05 | 2020-12-10 | Donaldson Company, Inc. | Multi-zone filtration monitoring systems and methods |
CN110533932A (zh) * | 2019-08-06 | 2019-12-03 | 银江股份有限公司 | 一种基于滚动优化的城市级全域交通信号推荐方法及系统 |
CN110514255A (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 | 汽车排放量检测方法及其检测系统 |
CN110827184A (zh) * | 2019-10-12 | 2020-02-21 | 上海市政工程设计研究总院(集团)有限公司 | 一种道路交通碳排放计算模块及计算方法 |
US20210131964A1 (en) * | 2019-11-06 | 2021-05-06 | Beijing Institute Of Technology | Remote sensing-based detection system and method for gaseous pollutant from diesel vehicle exhaust |
CN111524344A (zh) * | 2020-03-25 | 2020-08-11 | 武汉纵横智慧城市股份有限公司 | 基于大数据的车辆排放监测方法、设备、存储介质及装置 |
CN211975124U (zh) * | 2020-03-30 | 2020-11-20 | 广州华工邦元信息技术有限公司 | 一种基于obd的车辆尾气排放监控装置及车辆 |
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 |
CN112542042A (zh) * | 2020-12-01 | 2021-03-23 | 东南大学 | 一种考虑机动车碳排放的潮汐车道设置方法及装置 |
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 |
CN113515722A (zh) * | 2021-09-15 | 2021-10-19 | 南昌云宜然科技有限公司 | 一种道路交通排放与扬尘排放的实时监测方法与系统 |
CN114333302A (zh) * | 2021-12-15 | 2022-04-12 | 深圳先进技术研究院 | 全局交通优化系统 |
Non-Patent Citations (4)
Title |
---|
BOYA ZHOU ETC.: "Variability of fuel consumption and CO 2 emissions of a gasoline passenger car under multiple in-laboratory and on-road testing conditions", 《SCIENCEDIRECT》 * |
丁剑;王建;: "基于道路交通流量对江苏省机动车路网动态排放清单的研究", 科技创新导报, no. 35 * |
任歌等: "温室气体和大气污染物排放量监测与计量研究", 《计量技术》 * |
赵志学等: "考虑拥堵区域的多车型绿色车辆路径问题优化", 《计算机应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117271992A (zh) * | 2023-09-19 | 2023-12-22 | 东莞市东莞通股份有限公司 | 一种基于大数据的城市道路碳排放监测管理系统 |
CN117271992B (zh) * | 2023-09-19 | 2024-03-26 | 东莞市东莞通股份有限公司 | 一种基于大数据的城市道路碳排放监测管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115035713B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109033332B (zh) | 驾驶行为分析方法、介质及系统 | |
CN110910636B (zh) | 一种基于海量交通数据分析的车辆安全驾驶行为分析方法 | |
CN112508392B (zh) | 一种山区双车道公路隐患路段交通冲突风险动态评估方法 | |
CN109635852B (zh) | 一种基于多维属性的用户画像构建与聚类方法 | |
CN109117869B (zh) | 用户画像方法、介质及系统 | |
CN111523579B (zh) | 一种基于改进深度学习的车型识别方法及系统 | |
CN112651570B (zh) | 高速公路服务区交通量预测模型构建、预测方法及装置 | |
CN111079540B (zh) | 一种基于目标特性的分层可重构车载视频目标检测方法 | |
CN113232669B (zh) | 一种基于机器学习的驾驶风格辨识方法 | |
CN115035713A (zh) | 智慧交通碳排放监测系统和方法 | |
CN115345347A (zh) | 交通风险预测方法、装置、计算机设备和存储介质 | |
CN102902976A (zh) | 一种基于目标及其空间关系特性的图像场景分类方法 | |
CN115311858A (zh) | 基于交通流韧性的城市路段分级管制方法 | |
Ye et al. | Multi-classification decision-making method for interval-valued intuitionistic fuzzy three-way decisions and its application in the group decision-making | |
CN105740877A (zh) | 交通标志的识别方法、装置和车辆 | |
Miao et al. | Driver behavior extraction from videos in naturalistic driving datasets with 3D ConvNets | |
Reddy | Driving behaviour classification: An eco-driving approach | |
CN116484244A (zh) | 基于聚类模型的自动驾驶事故发生机制分析方法 | |
CN110119891A (zh) | 一种适于大数据的交通安全影响因素辨识方法 | |
CN115204755A (zh) | 服务区入区率测算方法、装置、电子设备及可读存储介质 | |
CN115034690A (zh) | 一种基于改进模糊c-均值聚类的战场态势分析方法 | |
CN111814836B (zh) | 基于类不平衡算法的车辆行驶行为检测方法及装置 | |
CN114169426A (zh) | 一种基于北斗位置数据的公路交通安全隐患排查方法 | |
Anil et al. | Driver behavior analysis using K-means algorithm | |
Ma et al. | Lane change analysis and prediction using mean impact value method and logistic regression model |
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 |