CN115270962A - 一种基于城市交通仿真的大气污染物浓度计算方法 - Google Patents
一种基于城市交通仿真的大气污染物浓度计算方法 Download PDFInfo
- Publication number
- CN115270962A CN115270962A CN202210898099.6A CN202210898099A CN115270962A CN 115270962 A CN115270962 A CN 115270962A CN 202210898099 A CN202210898099 A CN 202210898099A CN 115270962 A CN115270962 A CN 115270962A
- Authority
- CN
- China
- Prior art keywords
- data
- road
- vehicle
- traffic
- lane
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
-
- 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
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于城市交通仿真的大气污染物浓度计算方法,首先获取实地路网数据,根据获得的数据构建二维地图;获取城市机动车数据,部署在生成的地图上进行交通仿真;获取交通仿真的机动车仿真数据以及当地城市车辆的平均排放因子,计算出道路排放线源,利用扩散模型计算道路的污染物浓度,通过分类模型训练获得污染物浓度与城市空气质量的相关性模型,将真实的车辆数据使用模型估计出城市中各个道路的污染物浓度。本发明可以通过交通仿真系统计算特定交通路况下的由于机动车尾气排放而产生的大气污染物浓度。并且可以根据仿真获得的大气污染物浓度,指导交通方案的调整,以最大化降低机动车尾气排放导致的大气污染程度。
Description
技术领域
本发明涉及环境保护以及交通管理领域,尤其涉及一种基于城市交通仿真的大气污染物浓度计算方法。
背景技术
机动车尾气排放污染主要成分为CO、HC、NOx、SO2、PM、光化学烟雾等。目前,汽车尾气排放在大中型城市已成为当地主要的大气污染源.机动车排放污染物已经成为城市空气污染的主要来源之一,各地本地排放源中移动源对细颗粒物(PM2.5)的贡献占比如图1所示,而由于机动车产生的污染物属于超低空排放,因此机动车的污染物分担率对于城市道路来说会更高。
目前业界对大气污染物浓度的检测方案大多是通过一些大气污染物检测装置来实时检测当前的污染物浓度,实时检测的好处在于数据比较准确,但是对于未来时刻的污染物浓度就很难估计了,并且通检测装置检测到的污染物是包含了各种来源如工业废气,生活油烟,机动车排放的废气,目前细化到某一污染源如机动车尾气排放还比较困难。
发明内容
本发明目的在于针对现有技术的不足,提出一种基于城市交通仿真的大气污染物浓度计算方法。主要是为了缓解近年来城市交通日益拥挤所带来的环境问题,利用城市交通仿真系统将因机动车排放造成的污染物浓度在宏观的层面体现出来,并利用空气质量检测数据进行处理,使得数据准确度可以进一步提高,来达到预测未来环境的设想。系统仿真为一个除理论推导、实验之外的第三种研究方法,而交通仿真旨在因交通情况的复杂导致理论推导的不确定性和实验成本过高或根本无法进行实验的情况下,对城市道路管理的假想方案可以在计算机的模拟下实现,从而在现实交通管理中做出最正确的调整或者优化,极大的简化了实验步骤以及节省了实验成本。
本发明的目的是通过以下技术方案来实现的:一种基于城市交通仿真的大气污染物浓度计算方法,具体步骤如下:
步骤(1):获取实地路网数据;路网数据主要包括地图数据、交通信号灯数据;
步骤(2):根据步骤(1)获得的数据构建二维地图;采用车道Lane、路段Edge、道路Road 的三层路网结构模拟真实的道路,采用交叉口Junction模拟真实的交叉口;
步骤(3):获取城市机动车数据,包括机动车信息数据和机动车流量数据;
步骤(4):基于交通仿真系统将步骤(3)中获得的数据部署在步骤(2)中生成的地图上进行交通仿真,交通仿真系统的数据输入包括用户需求参数、生成的路网、交通信号灯数据、每辆机动车的出发地和目的地数据,根据每一次出行的起点和终点通过Dijkstra算法得到此次出行的路径,最后通过模糊逻辑算法将此次路径映射到路网上;定义跟驰模型和换道模型来控制机动车的行为;同时定义一个计时器任务,每隔若干毫秒重复执行一次计算生成一个仿真帧,来让仿真持续进行下去,每个仿真帧中,需要更新交通信号灯的状态,生成当前帧中出现的车辆,销毁当前帧中需要消失的车辆,获得当前仿真帧下每辆车的经纬度坐标、速度、加速度、驾驶员意图、驾驶员行为、到路口的距离、与前后车的距离数据,计算下一帧仿真中每辆车的经纬度坐标,并根据到路口的距离和与前后车的距离数据来推断下一帧的驾驶员意图和驾驶员行为,最后刷新车辆状态,并根据车辆的经纬度坐标将车辆显示在路网上。
步骤(5):获取步骤(4)中交通仿真系统中的不同道路中车辆的数量、每辆车的平均时速、每辆车的加速度、每辆车的燃油类型和道路长度数据;
步骤(6):获取当地城市车辆的平均排放因子,具体为查阅国家不同标准的车辆各污染物排放率限值,按照当地机动车数量占不同标准的比例来进行计算平均排放因子,或者通过查阅当地交警提供的车队平均排放因子,将两种因子进行比较,根据人为需求,选取其一作为基准,再采用总修正因子CF对排放因子进行修正,修正的公式如下所示:
EF′w=EFw×CF
式中:为平均速度修正因子,为温度修正因子,为湿度修正因子,为海拔修正因子,为燃油修正因子,为劣化修正因子,为负载修正因子;EFw为排放物种类为w的排放因子,EF′w为修正后的排放物种类为w的排放因子;
步骤(7):根据步骤(5)、步骤(6)中的数据计算出道路排放线源源强,线源源强计算公式如下所示。
Qiw=qi×l×EF′iw
式中:Qiw为某条线源道路类型为i的车辆排放污染物种类为w的线源源强;qi为类型为i的车辆在道路上的车流量;l为道路长度;EF′iw为类型为i的车辆排放污染物种类为w的排放因子;Qw为某条线源道路上排放污染物种类为w的线源源强总和,即某条道路上,污染物单位时间的排放量;n为机动车类型数量;
步骤(8):根据步骤(7)中的结果,利用高斯扩散模型由机动车尾气排放估测出由机动车产生的空气污染浓度,公式如下式所示:
式中:Cw(x,y,z)为坐标(x,y,z)的污染物浓度;H为排气筒的有效高度;U为排气筒出口处的平均风速;y为水平面上与X轴垂直的坐标;Z为铅直方向上的坐标(地面标高);δy、δz为水平横向及铅直方向的扩散参数;
步骤(9):获取当地环境检测点以及道路周围的微波检测器数据,得到城市空气质量检测数据。
步骤(10):根据步骤(8)、步骤(9)中的数据通过分类模型训练获得污染物浓度与城市空气质量的相关性模型,并根据模型得到基于城市空气质量检测数据修正后的污染物浓度。
步骤(11):将真实统计的或模拟的车辆数据使用步骤(10)中得出的模型估计出城市中各个道路的污染物浓度。
进一步地,步骤(1)中,所述地图数据包括道路数据和交叉口数据;所述道路数据包括道路长度、道路限速、道路车道数、道路属性、道路宽度和道路设施数据;所述交叉口数据包括交叉口进口道车道数、交叉口出口道车道数和交叉口所连接道路数据。
进一步地,步骤(1)中,所述交通信号灯数据包括交通信号灯组和交通信号灯周期数据。
进一步地,步骤(2)中,路段Edge分为两种:Internal Edge和Normal Edge,NormalEdge 为交叉口之间的路段;Internal Edge指交叉口内部的行车路线,路段Edge包含的数据有:路段限速、路段属性、路段长度、路段宽度、包含的车道和包含的设备;
车道Lane是比路段更小的单位,一条车道不能横跨两个路段,只能并列排列在路段内部,包含的数据有:车道限速、车道长度、车道宽度、车道所属路段和包含的设备;
道路Road是一个具体的概念,层级在Edge之上,体现为道路的名称;
进一步地,步骤(2)中,交叉口Junction是两条或两条以上的有向道路相交的点,用于连接相邻的边;包含的数据有:交叉口中心点坐标、进入交叉口的路段和离开交叉口的路段。
进一步地,交叉口上的交通信号灯TrafficLight属于路段所包含的设备中,包含的数据有:信号灯周期和信号灯所控制的车道。
进一步地,步骤(3)中,机动车信息数据包括:机动车类型、机动车最大加速度、机动车最大速度、机动车最大减速度、机动车长度、机动车静止时最小间距、驾驶员反应时间、驾驶员性格和机动车距离目的地距离数据;
机动车流量数据包括:各个时间段的总交通量、标准车交通量、平均点位流量、早晚高峰时段、交通小区的出行量和回归量和每辆车的出发地和目的地数据。
进一步地,步骤(4)中,跟驰模型为智能驾驶员模型(Intelligent Driver Model,IDM),描述了一个理性驾驶员在驾驶过程中与前车保持安全车距的前提下和环境允许时,将速度提升至某个可行范围;
进一步地,步骤(4)中,换道模型分为强制性换道和非强制性换道,强制性换道为必须完成的换道,非强制性换道为需要快速到达目的地的换道;两种换道以强制性换道为主,只有在没有强制性换道要求的情况下才考虑非强制性换道。
进一步地,步骤(10)中,将获取到的城市空气质量检测数据与计算出各污染物浓度建立相关性模型,采用Pearson相关性系数法或采用机器学习中的分类算法来进行相关性分析,使得通过交通仿真得出的结果更加符合真实情况。
本发明的有益效果:本发明提出一种基于城市交通仿真的大气污染物浓度计算方法,可以根据交通仿真系统的速度,加速度,车辆类型,排量等属性设定其对应的污染物排放量,可以通过交通仿真系统预测特定交通路况下的由于机动车尾气排放而产生的大气污染物浓度。并且可以根据仿真获得的大气污染物浓度,指导交通方案的调整,以最大化降低机动车尾气排放导致的大气污染程度。
附图说明
图1为各地本地排放源中移动源对细颗粒物的贡献示意图;
图2为本发明方法流程图;
图3为路网三层结构示意图;
图4为交通仿真效果图。
具体实施方式
以下结合附图对本发明具体实施方式作进一步详细说明。
本发明提供的一种基于城市交通仿真的大气污染物浓度计算方法,如图2所示,具体流程如下:
步骤(1):获取实地路网数据。路网数据主要包括地图数据、交通信号灯数据。
地图数据包括:道路数据和交叉口数据。
道路数据包括:道路长度、道路限速、道路车道数、道路属性、道路宽度、道路设施;
交叉口数据包括:交叉口进口道车道数、交叉口出口道车道数、交叉口所连接道路。
交通信号灯数据包括:交通信号灯组、交通信号灯周期。
步骤(2):根据步骤(1)获得的数据构建二维地图。
采用车道Lane、路段Edge、道路Road的三层路网结构来模拟真实的道路,Junction来模拟真实的交叉口。
路段Edge分为两种:Internal Edge和Normal Edge,Normal Edge(下简称Normal)为通常意义上所说的路段,即交叉口之间的路段;而Internal Edge(下简称Internal)特指交叉口内部的行车路线,两者有非常多的共性,唯一不同是Normal可以包含多个车道,而Internal有且只有一个车道,这样处理是为了简化交叉口内部的处理逻辑。包含的数据有:路段限速、路段属性、路段长度、路段宽度、包含的车道、包含的设备。
车道Lane是比路段更小的单位,一条车道不能横跨两个路段,只能并列排列在路段内部, Normal与Internal在Edge层级上的差别在Lane层级上得到了统一。包含的数据有:车道限速、车道长度、车道宽度、车道所属路段、包含的设备。
道路Road是一个具体的概念,层级在Edge之上,是类似于“人民路”、“解放路”等完整道路的概念。
交叉口Junction是两条或两条以上的有向道路相交的点,用于连接相邻的边。包含的数据有:交叉口中心点坐标、进入交叉口的路段、离开交叉口的路段。路网三层结构图如图3 所示。
交叉口上的交通信号灯TrafficLight属于路段所包含的设备中,包含的数据有:信号灯周期、信号灯所控制的车道。
步骤(3):获取城市机动车数据。
机动车数据包括:机动车信息数据和机动车流量数据。
机动车信息数据包括:机动车类型,机动车最大加速度、机动车最大速度、机动车最大减速度、机动车长度、机动车静止时最小间距、驾驶员反应时间、驾驶员性格、机动车距离目的地距离;
机动车流量数据包括:各个时间段的总交通量、标准车交通量、平均点位流量、早晚高峰时段、交通小区的出行量和回归量,每辆车的出发地和目的地。
步骤(4):将步骤(3)中获得的数据部署在步骤(2)中生成的地图上进行交通仿真。
构建一个交通仿真系统需要数据输入,包括用户需求参数、生成的路网、交通信号灯数据、每辆机动车的出发地和目的地、再通过出发地和目的地生成一条路径,具体实施步骤为:根据每一次出行的起点和终点通过Dijkstra算法得到此次出行的路径,最后通过模糊逻辑算法将此次路径映射到路网上。
定义一个计时器任务,每隔若干毫秒(用户参数设置)重复执行一次计算生成一仿真帧,来让仿真持续进行下去,每个仿真帧中,需要更新交通信号灯的状态,生成当前帧中出现的车辆,销毁当前帧中需要消失的车辆,获得当前仿真帧下每辆车的经纬度坐标、速度、加速度、驾驶员意图、驾驶员行为、到路口的距离、与前后车的距离等等,计算下一帧仿真中每辆车的经纬度坐标,并根据到路口的距离和与前后车的距离等等来推断下一帧的驾驶员意图和驾驶员行为,最后刷新车辆状态,并根据车辆的经纬度坐标将车辆数据传递给前台页面,前台页面调用后端提供的接口刷新页面并将车辆显示在路网上。仿真效果图如图4所示。
定义跟驰模型(Car Following Models,CFM)和换道模型(Lane Change Models,LCM)两类模型来控制机动车的行为。
跟驰模型包括:自由行驶速度、跟随行驶速度、即将到达目的地速度、车辆制动时速度、车辆安全距离、车辆观察距离等。智能驾驶员模型(Intelligent Driver Model,IDM)是经典的动力学跟驰模型,该模型描述了一个理性驾驶员在驾驶过程中与前车保持安全车距的前提下和环境允许时,将速度提升至某个可行范围。
换道模型目前没有形成统一标准,本发明将换道模型分为强制性换道和非强制性换道,强制性换道为必须完成的换道,否则会在接下来的仿真中产生异常;非强制性换道为需要快速到达目的地的换道。两种换道以强制性换道为主,只有在没有强制性换道要求的情况下才考虑非强制性换道。
步骤(5):获取步骤(4)中交通仿真的机动车仿真数据。
通过计算获得仿真系统中不同道路中车辆的数量、每辆车的平均时速、每辆车的加速度、每辆车的燃油类型、道路长度等。污染物浓度这些数据与车辆的排放的污染物种类、排放污染物的速度、排放污染物的总量均有一定影响,如柴油车主要排放物为NOx和PM;汽油车主要排放物为CO和HC,机动车在低速下行驶较高速下行驶产生的排放物会有所增加,道路车辆数量表明道路的拥挤程度,而越拥堵的道路产生的排放物会越多等等。
步骤(6):获取当地城市车辆的平均排放因子。
查阅国家不同标准的车辆各污染物排放率限值,按照当地机动车数量占不同标准的比例来进行计算平均排放因子,或者通过查阅当地交警提供的车队平均排放因子,将两种因子进行比较,根据人为需求,选取其一作为基准,再通过对温度、湿度、平均速度、海拔的量化和排放劣化(由于行驶里程增大、发动机积碳增多)、硫排放、柴油车负载的估计,采用总修正因子CF对排放因子EF进行修正,修正的公式如下所示。
EF′w=EFw×CF
式中:EFw为排放物种类为w的排放因子,CF为总修正因子,EF′w为修正后的排放物种类为w的排放因子。
步骤(7):根据步骤(5)、步骤(6)中的数据计算出道路排放线源源强。
根据国家环境保护总局发布的城市机动车排放空气污染测算方法来对交通仿真系统得到的数据和排放因子基准来进行计算,得到道路污染源的线源源强,线源源强计算公式如下所示。
Qiw=qi×l×EF′iw
式中:Qiw为某条线源道路类型为i的车辆排放污染物种类为w的线源源强,g/h;qi为类型为i的车辆在道路上的车流量,辆/h;l为道路长度,km;EF′iw为类型为i的车辆排放污染物种类为w的排放因子,g/km;
式中:Qw为某条线源道路上排放污染物种类为w的线源源强总和,g/h;Qiw为某条线源道路类型为i的车辆排放污染物种类为w的线源源强;n为机动车类型数量。
步骤(8):根据步骤(7)中的结果,利用合适的气象数据和扩散模型计算道路的污染物浓度。
扩散模型可以由机动车尾气排放估测出由机动车产生的空气污染浓度,本发明采用高斯扩散模型来进行对每种污染物浓度的估算。需要提供的参数有:排放因子基准、风速、大气扩散参数、有效源高等。公式如下式所示。
式中:Cw(x,y,z)为(x,y,z)这一点的污染物浓度,mg/m3;Qw为线源源强,污染物单位时间的排放量,mg/s;H为排气筒的有效高度,m;U为排气筒出口处的平均风速,m;y为水平面上与X轴垂直的坐标,m;Z为铅直方向上的坐标(地面标高),m;δy、δz为水平横向及铅直方向的扩散参数,m。
步骤(9):获取城市空气质量检测数据,具体为:获取当地环境检测点以及道路周围的微波检测器数据。
步骤(10):根据步骤(8)、步骤(9)中的数据通过分类模型训练来获得污染物浓度与城市空气质量的相关性模型,并根据模型得到基于城市空气质量检测数据修正后的污染物浓度。
将获取到的城市空气质量检测数据与本发明计算出各污染物浓度建立相关性模型,可采用Pearson相关性系数法也可采用机器学习中的分类算法来进行相关性分析,使得通过交通仿真得出的结果更加符合真实情况。
Pearson相关性系数法主要用于分析顺序数据,基于本发明计算的污染物浓度的数据性质,可尝试采用Pearson相关系数作为研究参数,其公式如下式所示:
也可以采用机器学习训练的方法来对结果进行矫正,由于本发明的数据影响因素较多,可采用主成分分析(Principal component analysis,PCA)方法来对数据进行降维,再采用支持向量机模型进行分类训练。
步骤(11):将真实的或模拟的车辆数据使用步骤(10)中得出的模型估计出城市中各个道路的污染物浓度,呈现在交通仿真系统中,实时显示道路的污染物浓度。
实施例:
本发明以柳州市为研究对象,来解释本发明过程,具体如下:
步骤(1)使用卫星地图和柳州市市政部门提供的地图数据进行对地图的绘制,并将所有道路数据以及交通信号灯数据以xml方式进行存储。
步骤(2)使用步骤(1)获得的数据进行建模,实现一个柳州市主城区的Lane、Edge、Road 路网三层结构二维地图,并将交叉口红绿灯作为道路设备进行配置。
步骤(3)使用柳州市交通专项调查报告中提供的数据来建立交通小区,并赋予每个交通小区不同的出行量和回归量。
步骤(4)使用步骤(3)中获得的数据部署在步骤(2)中的生成的地图上,启动仿真系统进行若干时间的仿真。
步骤(5)获取整个仿真过程中的数据,如各车道的长度、各车道的车辆数量、各车道的车辆平均速度等。
步骤(6)直接获取不同标准下的平均排放因子,国IV车队的平均排放因子如表1所示。
表1国IV车队平均排放因子(g/km)
步骤(7)分别计算道路中不同车辆类型的污染物线源源强,将计算的结果加起来得到整条道路所有机动车所产生的污染物线源源强。
步骤(8)根据步骤(7)中的结果,计算道路的污染物浓度。
步骤(9)获取当地生态环境部门公布的城市空气质量检测数据。
步骤(10)根据步骤(8)、步骤(9)中的数据通过Pearson相关系数法来获得污染物浓度与城市空气质量的相关性模型,并根据模型把计算出的污染物浓度体现在仿真界面上,使得整个可视化方法具有更好的准确度。
步骤(11)将真实的或模拟的车辆数据使用步骤(10)中得出的模型估计出柳州中各个道路的污染物浓度,并将道路污染物浓度分级,呈现在柳州相关的交通仿真系统中。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (10)
1.一种基于城市交通仿真的大气污染物浓度计算方法,其特征在于,具体步骤如下:
步骤(1):获取实地路网数据;路网数据主要包括地图数据、交通信号灯数据;
步骤(2):根据步骤(1)获得的数据构建二维地图;采用车道Lane、路段Edge、道路Road的三层路网结构模拟真实的道路,采用交叉口Junction模拟真实的交叉口;
步骤(3):获取城市机动车数据,包括机动车信息数据和机动车流量数据;
步骤(4):基于交通仿真系统将步骤(3)中获得的数据部署在步骤(2)中生成的地图上进行交通仿真,交通仿真系统的数据输入包括用户需求参数、生成的路网、交通信号灯数据、每辆机动车的出发地和目的地数据,根据每一次出行的起点和终点通过Dijkstra算法得到此次出行的路径,最后通过模糊逻辑算法将此次路径映射到路网上;定义跟驰模型和换道模型来控制机动车的行为;同时定义一个计时器任务,每隔若干毫秒重复执行一次计算生成一个仿真帧,来让仿真持续进行下去,每个仿真帧中,需要更新交通信号灯的状态,生成当前帧中出现的车辆,销毁当前帧中需要消失的车辆,获得当前仿真帧下每辆车的经纬度坐标、速度、加速度、驾驶员意图、驾驶员行为、到路口的距离、与前后车的距离数据,计算下一帧仿真中每辆车的经纬度坐标,并根据到路口的距离和与前后车的距离数据来推断下一帧的驾驶员意图和驾驶员行为,最后刷新车辆状态,并根据车辆的经纬度坐标将车辆显示在路网上。
步骤(5):获取步骤(4)中交通仿真系统中的不同道路中车辆的数量、每辆车的平均时速、每辆车的加速度、每辆车的燃油类型和道路长度数据;
步骤(6):获取当地城市车辆的平均排放因子,具体为查阅国家不同标准的车辆各污染物排放率限值,按照当地机动车数量占不同标准的比例来进行计算平均排放因子,或者通过查阅当地交警提供的车队平均排放因子,将两种因子进行比较,根据人为需求,选取其一作为基准,再采用总修正因子CF对排放因子进行修正,修正的公式如下所示:
EF′w=EFw×CF
式中:为平均速度修正因子,为温度修正因子,为湿度修正因子,为海拔修正因子,为燃油修正因子,为劣化修正因子,为负载修正因子;EFw为排放物种类为w的排放因子,EF′w为修正后的排放物种类为w的排放因子;
步骤(7):根据步骤(5)、步骤(6)中的数据计算出道路排放线源源强,线源源强计算公式如下所示。
Qiw=qi×l×EF′iw
式中:Qiw为某条线源道路类型为i的车辆排放污染物种类为w的线源源强;qi为类型为i的车辆在道路上的车流量;l为道路长度;EF′iw为类型为i的车辆排放污染物种类为w的排放因子;Qw为某条线源道路上排放污染物种类为w的线源源强总和,即某条道路上,污染物单位时间的排放量;n为机动车类型数量;
步骤(8):根据步骤(7)中的结果,利用高斯扩散模型由机动车尾气排放估测出由机动车产生的空气污染浓度,公式如下式所示:
式中:Cw(x,y,z)为坐标(x,y,z)的污染物浓度;H为排气筒的有效高度;U为排气筒出口处的平均风速;y为水平面上与X轴垂直的坐标;Z为铅直方向上的坐标(地面标高);δy、δz为水平横向及铅直方向的扩散参数;
步骤(9):获取当地环境检测点以及道路周围的微波检测器数据,得到城市空气质量检测数据。
步骤(10):根据步骤(8)、步骤(9)中的数据通过分类模型训练获得污染物浓度与城市空气质量的相关性模型,并根据模型得到基于城市空气质量检测数据修正后的污染物浓度。
步骤(11):将真实统计的或模拟的车辆数据使用步骤(10)中得出的模型估计出城市中各个道路的污染物浓度。
2.根据权利要求1所述的一种基于城市交通仿真的大气污染物浓度计算方法,其特征在于,步骤(1)中,所述地图数据包括道路数据和交叉口数据;所述道路数据包括道路长度、道路限速、道路车道数、道路属性、道路宽度和道路设施数据;所述交叉口数据包括交叉口进口道车道数、交叉口出口道车道数和交叉口所连接道路数据。
3.根据权利要求1所述的一种基于城市交通仿真的大气污染物浓度计算方法,其特征在于,步骤(1)中,所述交通信号灯数据包括交通信号灯组和交通信号灯周期数据。
4.根据权利要求1所述的一种基于城市交通仿真的大气污染物浓度计算方法,其特征在于,步骤(2)中,路段Edge分为两种:Internal Edge和Normal Edge,Normal Edge为交叉口之间的路段;Internal Edge指交叉口内部的行车路线,路段Edge包含的数据有:路段限速、路段属性、路段长度、路段宽度、包含的车道和包含的设备;
车道Lane是比路段更小的单位,一条车道不能横跨两个路段,只能并列排列在路段内部,包含的数据有:车道限速、车道长度、车道宽度、车道所属路段和包含的设备;
道路Road是一个具体的概念,层级在Edge之上,体现为道路的名称。
5.根据权利要求4所述的一种基于城市交通仿真的大气污染物浓度计算方法,其特征在于,步骤(2)中,交叉口Junction是两条或两条以上的有向道路相交的点,用于连接相邻的边;包含的数据有:交叉口中心点坐标、进入交叉口的路段和离开交叉口的路段。
6.根据权利要求5所述的一种基于城市交通仿真的大气污染物浓度计算方法,其特征在于,交叉口上的交通信号灯TrafficLight属于路段所包含的设备中,包含的数据有:信号灯周期和信号灯所控制的车道。
7.根据权利要求1所述的一种基于城市交通仿真的大气污染物浓度计算方法,其特征在于,步骤(3)中,机动车信息数据包括:机动车类型、机动车最大加速度、机动车最大速度、机动车最大减速度、机动车长度、机动车静止时最小间距、驾驶员反应时间、驾驶员性格和机动车距离目的地距离数据;
机动车流量数据包括:各个时间段的总交通量、标准车交通量、平均点位流量、早晚高峰时段、交通小区的出行量和回归量和每辆车的出发地和目的地数据。
8.根据权利要求1所述的一种基于城市交通仿真的大气污染物浓度计算方法,其特征在于,步骤(4)中,跟驰模型为智能驾驶员模型(Intelligent Driver Model,IDM),描述了一个理性驾驶员在驾驶过程中与前车保持安全车距的前提下和环境允许时,将速度提升至某个可行范围。
9.根据权利要求1所述的一种基于城市交通仿真的大气污染物浓度计算方法,其特征在于,步骤(4)中,换道模型分为强制性换道和非强制性换道,强制性换道为必须完成的换道,非强制性换道为需要快速到达目的地的换道;两种换道以强制性换道为主,只有在没有强制性换道要求的情况下才考虑非强制性换道。
10.根据权利要求1所述的一种基于城市交通仿真的大气污染物浓度计算方法,其特征在于,步骤(10)中,将获取到的城市空气质量检测数据与计算出各污染物浓度建立相关性模型,采用Pearson相关性系数法或采用机器学习中的分类算法来进行相关性分析,使得通过交通仿真得出的结果更加符合真实情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210898099.6A CN115270962A (zh) | 2022-07-28 | 2022-07-28 | 一种基于城市交通仿真的大气污染物浓度计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210898099.6A CN115270962A (zh) | 2022-07-28 | 2022-07-28 | 一种基于城市交通仿真的大气污染物浓度计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115270962A true CN115270962A (zh) | 2022-11-01 |
Family
ID=83772544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210898099.6A Pending CN115270962A (zh) | 2022-07-28 | 2022-07-28 | 一种基于城市交通仿真的大气污染物浓度计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115270962A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117074046A (zh) * | 2023-10-12 | 2023-11-17 | 中汽研汽车检验中心(昆明)有限公司 | 高原环境下汽车实验室排放测试方法及装置 |
-
2022
- 2022-07-28 CN CN202210898099.6A patent/CN115270962A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117074046A (zh) * | 2023-10-12 | 2023-11-17 | 中汽研汽车检验中心(昆明)有限公司 | 高原环境下汽车实验室排放测试方法及装置 |
CN117074046B (zh) * | 2023-10-12 | 2024-01-02 | 中汽研汽车检验中心(昆明)有限公司 | 高原环境下汽车实验室排放测试方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan et al. | Estimation of real-driving emissions for buses fueled with liquefied natural gas based on gradient boosted regression trees | |
CN109086246B (zh) | 一种道路交通源的排放量计算方法及装置 | |
CN105426636B (zh) | 城市峡谷街道机动车污染物排放与扩散的实时估计方法 | |
Grote et al. | Including congestion effects in urban road traffic CO2 emissions modelling: Do Local Government Authorities have the right options? | |
US8903646B2 (en) | Method and determining system for automatically determining emission locations, and method and traffic control system based thereon for immission-dependent traffic control | |
US20170091350A1 (en) | Near real-time modeling of pollution dispersion | |
Lyu et al. | Review of the studies on emission evaluation approaches for operating vehicles | |
Borge et al. | Comparison of road traffic emission models in Madrid (Spain) | |
KR101668753B1 (ko) | 대기 오염 관리 시스템 | |
US9459111B2 (en) | Methods and apparatus for estimating power usage | |
Ibarra-Espinosa et al. | VEIN v0. 2.2: an R package for bottom–up vehicular emissions inventories | |
US8457869B2 (en) | Method for ascertaining consumption and/or emission values | |
Pinto et al. | Traffic data in air quality modeling: a review of key variables, improvements in results, open problems and challenges in current research | |
CN106548442A (zh) | 一种大气污染物排放源清单精细化动态管理方法 | |
CN105957348B (zh) | 一种基于gis和pems的城市公交线路节点处排放估算方法 | |
Fontes et al. | Are HOV/eco-lanes a sustainable option to reducing emissions in a medium-sized European city? | |
CN108492553A (zh) | 一种面向实时路网排放评估的车辆活动水平分析方法 | |
US20220335822A1 (en) | Method of determining the amount of pollutant emissions from a vehicle over a road network section | |
CN111696369A (zh) | 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法 | |
Pan et al. | Exploring spatial variation of the bus stop influence zone with multi-source data: A case study in Zhenjiang, China | |
Alam et al. | A comparison of route-choice navigation across air pollution exposure, CO2 emission and traditional travel cost factors | |
Lin et al. | The application of GIS to air quality analysis in Taichung City, Taiwan, ROC | |
CN113360850A (zh) | 一种大气污染物线源溯源分析方法 | |
CN105912862A (zh) | 一种尾气排放量检测方法及大气污染分析方法和装置 | |
CN115270962A (zh) | 一种基于城市交通仿真的大气污染物浓度计算方法 |
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 |