CN115422704A - 基于个体车辆全过程出行行为链的VOCs排放测算方法 - Google Patents
基于个体车辆全过程出行行为链的VOCs排放测算方法 Download PDFInfo
- Publication number
- CN115422704A CN115422704A CN202210849152.3A CN202210849152A CN115422704A CN 115422704 A CN115422704 A CN 115422704A CN 202210849152 A CN202210849152 A CN 202210849152A CN 115422704 A CN115422704 A CN 115422704A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- vocs
- emission
- data
- road
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000008569 process Effects 0.000 title claims abstract description 39
- 239000012855 volatile organic compound Substances 0.000 title claims abstract 31
- 238000004364 calculation method Methods 0.000 claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 11
- 238000002485 combustion reaction Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 14
- 239000000446 fuel Substances 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 239000000295 fuel oil Substances 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 238000001704 evaporation Methods 0.000 claims description 3
- 230000008020 evaporation Effects 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims 1
- 239000003344 environmental pollutant Substances 0.000 abstract description 4
- 231100000719 pollutant Toxicity 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 26
- 238000012937 correction Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 102000003712 Complement factor B Human genes 0.000 description 1
- 108090000056 Complement factor B Proteins 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007598 dipping method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- 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
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明针对现有技术的局限性，提出了一种基于个体车辆全过程出行行为链的VOCs排放测算方法，本发明会运用时空逻辑关系对不完整序列中缺失数据的车辆行为进行判断，对从卡口记录中提取的不完整的、非正常的车辆轨迹数据进行数据清洗，构建出车辆全过程出行行为链，并对车辆各行为状态下的VOCs进行测算；本发明对VOCs污染物做补充性的排放清单计算，弥补了以往单车尺度上机动车排放计算中未考虑蒸发排放所产生的VOCs的空缺，该计算结果可加强VOCs的来源解析精度；另外，本发明无需对不完整轨迹进行重构，仅根据相邻记录的不接续时间差即可计算相应的VOCs排放，降低补测算难度。
Description
技术领域
本发明涉及交通环境工程以及智能交通控制技术领域，具体地，涉及一种基于个体车辆全过程出行行为链的VOCs排放测算方法。
背景技术
VOCs是重点防控的大气污染物之一，在基本消除重污染天气的治理中发挥着至关重要的作用。相关研究表明，在VOCs众多的排放源中，随着我国汽车保有量的持续增长，我国人为源机动车汽油挥发和机动车尾气排放的VOCs占比较高，汽车污染已成为VOCs排放的重要来源。如深圳市臭氧污染日VOCs排放汽油挥发占比约为26.0％，机动车尾气占比为21.2％。VOCs作为PM2.5与臭氧的共同前体物，其精确量化制约着PM2.5与臭氧的协同控制，影响城市大气污染源实施精细化管理。全面精细的车辆VOCs排放计算方法能够提高车辆全过程的排放量化精度，同时可以实现对车辆VOCs排放过程进行动态追踪，识别道路交通系统中VOCs排放的高贡献车型、高贡献路段以及高贡献时间段，为车辆VOCs排放精准管控提供支撑。
车辆产生的VOCs污染物主要源于尾气排放和蒸发排放，也就是说VOCs会在车辆行驶时产生尾气排放和蒸发排放，也在车辆驻停时产生蒸发排放，排放源头多、产生过程非常复杂。授权公开日为2019.09.06的中国发明申请：一种基于车辆身份检测数据的单辆车排放轨迹计算方法中，基于对电警式卡口过车数据的采集，通过对车辆时空数据的提取及后处理，重构路网上车辆的行驶轨迹以实现对单辆车动态排放轨迹的追踪。然而，现有技术中，大多只计算了车辆在行驶状态下的尾气排放，而忽略了贯穿车辆整个出行全过程的蒸发排放，因此道路交通VOCs排放低估较严重，加大了清单的不确定性。
发明内容
针对现有技术的局限，本发明提出一种基于个体车辆全过程出行行为链的VOCs排放测算方法，本发明采用的技术方案是：
一种基于个体车辆全过程出行行为链的VOCs排放测算方法，包括以下步骤：
S1，访问预设的卡口过车记录数据库，获取目标日期的全路网过车记录；
S2，对所述全路网过车记录进行降噪处理以及数据清洗，筛选出目标车辆数据；
S3，根据所述目标车辆数据，判断目标车辆的车辆状态；
S4，根据所述车辆状态，对目标车辆的VOCs蒸发排放部分进行计算；
S5，结合所述步骤S4的结果，计算目标车辆的VOCs总排放。
相较于现有技术，本发明会运用时空逻辑关系对不完整序列中缺失数据的车辆行为进行判断，对从卡口记录中提取的不完整的、非正常的车辆轨迹数据进行数据清洗，构建出车辆全过程出行行为链，并对车辆各行为状态下的VOCs进行测算；本发明对VOCs污染物做补充性的排放清单计算，弥补了以往单车尺度上机动车排放计算中未考虑蒸发排放所产生的VOCs的空缺，该计算结果可加强VOCs的来源解析精度；另外，本发明无需对不完整轨迹进行重构，仅根据相邻记录的不接续时间差即可计算相应的VOCs排放，降低补测算难度。
作为一种优选方案，所述步骤S1中，通过提取以下有效字段：路段ID、车牌号、路段长度、车辆驶入路段的起点时间以及车辆驶出路段的终点时间，获取目标日期的全路网过车记录；所述全路网过车记录的内容包括车辆驶入驶出时间、所在路段、车辆在路段上的行程时间以及运行速度。
进一步的，所述步骤S2中，数据清洗包括以下过程：
根据预设的速度范围剔除所述全路网过车记录中的速度粗差点；根据车辆驶入路段的起点时间以及车辆驶出路段的终点时间，删除所述全路网过车记录中的数据重叠记录；将相邻记录时间接续但路段不邻接的记录作为所述全路网过车记录中的位置粗差点予以删除。
进一步的，所述步骤S2中，降噪处理包括以下过程：
根据所述全路网过车记录行程中的时间数据分布特点，以路段为分组单位，确定统计时窗；使用行程时间异常数据处理方法，对所有统计时窗内的行程时间数据依次以均值和两倍标准差、中位值和三倍平均绝对偏差为条件进行循环过滤，直至所述全路网过车记录行程中的行程时间数据不再发生变化。
进一步的，所述步骤S3中，包括以下过程：
遍历所述目标车辆数据，判断相邻时间记录是否接续；
若相邻时间记录接续，则判断相邻记录的路段ID是否一致；若路段ID一致则继续遍历下一条数据，若路段ID不一致再去判断两条记录的路段是否邻接；若路段邻接，则继续遍历下一条数据，若路段不邻接，则作为错误数据删掉；
若相邻时间记录不接续，则判断相邻记录的路段ID是否一致。若路段ID一致，则判断目标车辆的车辆状态为驻停状态；若路段ID不一致，则判断两条记录的路段是否邻接；若路段邻接，则判断目标车辆的车辆状态为驻停状态，若路段不邻接，则判断目标车辆的车辆状态为行驶状态。
更进一步的，所述步骤S4中，包括以下过程：
根据预设的机动车因燃油燃烧产生的尾气排放因子EF1、机动车行驶过程中的蒸发排放因子EF2以及机动车驻车期间的蒸发排放因子EF3；当判断目标车辆的车辆状态为驻停状态时，只计算目标车辆因驻停产生的VOCs蒸发排放；当判断目标车辆的车辆状态为行驶状态时，计算目标车辆因燃料燃烧产生的VOCs尾气排放以及行驶过程中的VOCs蒸发排放。
作为一种优选方案，所述步骤S5中，通过以下方式计算目标车辆的VOCs总排放：
对因燃料燃烧产生的VOCs尾气排放量求和，记为num1；
对行驶过程中的VOCs蒸发排放量求和，记为num2；
对因驻停产生的VOCs蒸发排放量求和，记为num3；
对过车记录下的VOCs尾气排放量求和，记为num4；
则目标车辆的VOCs蒸发排放合计为：num2+num3；
目标车辆的尾气燃烧排放量合计为：num1+num4；
目标车辆的VOCs总排放合计为：num1+num2+num3+num4。
本发明还包括以下内容：
一种基于个体车辆全过程出行行为链的VOCs排放测算系统，包括依序连接的全路网过车记录获取模块、目标车辆数据筛选模块、车辆状态判断模块、蒸发排放计算模块以及总排放计算模块；其中：
所述全路网过车记录获取模块用于访问预设的卡口过车记录数据库，获取目标日期的全路网过车记录；
所述目标车辆数据筛选模块用于对所述全路网过车记录进行降噪处理以及数据清洗，筛选出目标车辆数据；
所述车辆状态判断模块用于根据所述目标车辆数据，判断目标车辆的车辆状态；
所述蒸发排放计算模块用于对目标车辆的VOCs蒸发排放部分进行计算；
所述总排放计算模块用于结合所述蒸发排放计算模块的结果，计算目标车辆的VOCs总排放。
一种存储介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现如前述的基于个体车辆全过程出行行为链的VOCs排放测算方法的步骤。
一种计算机设备，包括存储介质、处理器以及储存在所述存储介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现如前述的基于个体车辆全过程出行行为链的VOCs排放测算方法的步骤。
附图说明
图1为本发明实施例1提供的基于个体车辆全过程出行行为链的VOCs排放测算方法的步骤示意图；
图2为本发明实施例1提供的基于个体车辆全过程出行行为链的VOCs排放测算方法的逻辑流程图；
图3为车辆不完整出行轨迹示例图；
图4为车辆完整出行轨迹示例图；
图5为本发明实施例1提供的基于个体车辆全过程出行行为链的VOCs排放测算方法的判断车辆行为的逻辑流程图；
图6为本发明实施例2提供的基于个体车辆全过程出行行为链的VOCs排放测算系统的示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，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它实施例，都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“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。字符“/”一般表示前后关联对象是一种“或”的关系。以下结合附图和实施例对本发明做进一步的阐述。
为了解决现有技术的局限性，本实施例提供了一种技术方案，下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例针对现有交通卡口设备覆盖率低，数据丢包、记录交通卡口数据时空关系不合理的现状，提出一种能够准确识别出车辆的行驶与驻停行为以构建车辆全过程出行行为链，进而耦合VOCs各行驶状态下以及各排放过程的排放因子，实现车辆全过程VOCs排放精准计算的方案。旨在通过判断过车记录的时间与空间的逻辑关系，对车辆的出行行为进行识别，补算不同出行行为状态下车辆的VOCs蒸发排放，解决现有技术中存在的VOCs蒸发排放漏算严重的问题。
请参考图1以及图2，一种基于个体车辆全过程出行行为链的VOCs排放测算方法，包括以下步骤：
S1，访问预设的卡口过车记录数据库，获取目标日期的全路网过车记录；
S2，对所述全路网过车记录进行降噪处理以及数据清洗，筛选出目标车辆数据；
S3，根据所述目标车辆数据，判断目标车辆的车辆状态；
S4，根据所述车辆状态，对目标车辆的VOCs蒸发排放部分进行计算；
S5，结合所述步骤S4的结果，计算目标车辆的VOCs总排放。
相较于现有技术，本发明会运用时空逻辑关系对不完整序列中缺失数据的车辆行为进行判断，对从卡口记录中提取的不完整的、非正常的车辆轨迹数据进行数据清洗，构建车辆全过程出行行为链，并对车辆各行为状态下的VOCs进行测算；本发明对VOCs污染物做补充性的排放清单计算，弥补了以往单车尺度上机动车排放计算中未考虑蒸发排放所产生的VOCs的空缺，该计算结果可加强VOCs的来源解析精度；另外，本发明无需对不完整轨迹进行重构，仅根据相邻记录的不接续时间差即可计算相应的VOCs排放，降低补测算难度。
作为一种优选实施例，所述步骤S1中，通过提取以下有效字段：ROADCLID(路段ID，也是路段的唯一标识)、HPHM(去隐私车牌号)、LENGTH(路段长度)、FROMTIME(车辆驶入路段的起点时间)、TOTIME(车辆驶出路段的终点时间)，获取目标日期的全路网过车记录；所述全路网过车记录的内容包括车辆驶入驶出时间、所在路段、车辆在路段上的行程时间以及运行速度。
具体的，车辆驶入驶出时间可直接访问数据库获取；行程时间SJJGn＝Tt-n-Tf-n，而运行速度SPEED则是指每个轨迹单元中车辆在所属路段上的平均行程速度,
对提取出的全路网过车记录，可以以车辆个体为分组单位，以FROMTIME为关键字段升序排列后再进行后续的处理。
进一步的，所述步骤S2中，数据清洗包括以下过程：
根据预设的速度范围剔除所述全路网过车记录中的速度粗差点；根据车辆驶入路段的起点时间以及车辆驶出路段的终点时间，删除所述全路网过车记录中的数据重叠记录；将相邻记录时间接续但路段不邻接的记录作为所述全路网过车记录中的位置粗差点予以删除。
具体的，可以将SPEED>70以及SPEED<0的速度粗差点剔除；删除数据重叠记录时，若第n+1条记录的FROMTIME小于第n条记录的TOTIME，则认为第n+1条记录为数据重叠记录，删除第n+1条记录并更新索引；剔除位置粗差点时，若相邻记录时间接续，即第n+1条记录的FROMTIME等于第n条记录的TOTIME，但路段不邻接，则认为第n+1条记录为位置粗差点记录，删除第n+1条记录并更新索引。
进一步的，所述步骤S2中，降噪处理包括以下过程：
根据所述全路网过车记录行程中的时间数据分布特点，以路段为分组单位，确定统计时窗；使用行程时间异常数据处理方法，对所有统计时窗内的行程时间数据依次以均值和两倍标准差、中位值和三倍平均绝对偏差为条件进行循环过滤，直至所述全路网过车记录行程中的行程时间数据不再发生变化。
具体的，所述处理后会得到目标日期下全路网过车记录的行程时间数据，然后继续筛选出目标车辆数据。
更具体的，目标车辆可以是单个，也可以是多个。
所述步骤S2中，可以先进行数据清洗再进行降噪处理，由此挑选出单个目标的数据，继而进行后续步骤。还可以先进行降噪处理，由此遍历其中的多个目标进行数据清洗；后续步骤可以批量处理多个目标，也可以在遍历出的结果中选择具体的车辆继续进行。
进一步的，所述步骤S3中，包括以下过程：
遍历所述目标车辆数据，判断相邻时间记录是否接续；
若相邻时间记录接续，则判断相邻记录的路段ID是否一致；若路段ID一致则继续遍历下一条数据，若路段ID不一致再去判断两条记录的路段是否邻接；若路段邻接，则继续遍历下一条数据，若路段不邻接，则作为错误数据删掉；
若相邻时间记录不接续，则判断相邻记录的路段ID是否一致。若路段ID一致，则判断目标车辆的车辆状态为驻停状态；若路段ID不一致，则判断两条记录的路段是否邻接；若路段邻接，则判断目标车辆的车辆状态为驻停状态，若路段不邻接，则判断目标车辆的车辆状态为行驶状态。
更进一步的，所述步骤S4中，包括以下过程：
根据预设的机动车因燃油燃烧产生的尾气排放因子EF1、机动车行驶过程中的蒸发排放因子EF2以及机动车驻车期间的蒸发排放因子EF3；当判断目标车辆的车辆状态为驻停状态时，只计算目标车辆因驻停产生的VOCs蒸发排放；当判断目标车辆的车辆状态为行驶状态时，计算目标车辆因燃料燃烧产生的VOCs尾气排放以及行驶过程中的VOCs蒸发排放。
作为一种优选实施例，所述步骤S5中，通过以下方式计算目标车辆的VOCs总排放：
对因燃料燃烧产生的VOCs尾气排放量求和，记为num1；
对行驶过程中的VOCs蒸发排放量求和，记为num2；
对因驻停产生的VOCs蒸发排放量求和，记为num3；
对过车记录下的VOCs尾气排放量求和，记为nim4；
则目标车辆的VOCs蒸发排放合计为：num2+num3；
目标车辆的尾气燃烧排放量合计为：num1+num4；
目标车辆的VOCs总排放合计为：num1+num2+num3+num4。
具体的，通过以下公式，可以计算出漏算的VOCs蒸发排放在总排放中的占比，分析漏算情况的严重性：
接下来将结合具体的数据来对本实施例的方案进行说明：
研究范围为安徽省宣城市水阳江大道以内的中心城区，中心城区拥有密集布设的电警卡口，掌握日均8万辆车、28万次出行数据。
S1：
访问宣城市卡口过车记录，提取有效字段：ROADCLID(路段ID，也是路段的唯一标识)、HPHM(去隐私车牌号)、LENGTH(路段长度)、FROMTIME(车辆驶入路段的起点时间)、TOTIME(车辆驶出路段的终点时间)；
提取目标日期卡口记录。以2018年5月19日为目标日期，并以FROMTIME的先后进行排序，参见图二，计算行程时间和平均行程速度；
SJJGn＝Tt-n-Tf-n
式中，n为第n条出行记录,对应第n个轨迹单元，Tf-n为车辆驶入第n个轨迹单元的时间，Tt-n为车辆驶出第n个轨迹单元的时间，SJJGn为路段(由卡口对组成)行程时间，Ln为第n个轨迹单元下的路段长度，vn为车辆在第n个轨迹单元上的平均行程速度。卡口过车记录样例请参表1；
| ROADCLID | HPHM | LENGTH | FROMTIME | TOTIME | SJJG | SPEED |
| 1032 | 皖P8XXX5 | 504.88338 | 2018/5/19 5:55:47 | 2018/5/19 5:59:47 | 240 | 7.57 |
| 1030 | 皖P8XXX5 | 508.54353 | 2018/5/19 5:59:47 | 2018/5/19 6:03:47 | 240 | 7.63 |
| 1127 | 皖P8XXX5 | 573.48843 | 2018/5/19 6:18:21 | 2018/5/19 6:22:21 | 240 | 8.6 |
| 1041 | 皖P8XXX5 | 330.91261 | 2018/5/19 6:22:21 | 2018/5/19 6:24:46 | 145 | 8.22 |
表1
S2：
参见图3，由于现有的卡口设备还未实现城市范围内全覆盖，数据丢包以及检测错误的限制，以及卡口车辆识别算法受天气、交叉口交通状况等多种客观因素影响，使得获取的卡口过车记录存在数据缺失、检测错误、重复检测等一系列非正常序列数据，因此需要对原始数据进行清洗，在进行后续计算。
进一步的，首先剔除速度异常值，在城市道路中，认为车辆最高时速限速为70公里，在过车记录中，速度大于70或者小于0的均认为是错误数据予以剔除，并重新更新数据索引；
其次，由于交叉口交通状况拥堵，车辆走走停停，会导致交叉口的同一辆车被摄像头多次抓拍，生成多条过车记录，在数据入库时，会出现同辆车数据匹配错误的情况，导致会有Tf-n>Tt-(n-1)，即车辆驶入路段n的时间小于驶出上一路段n-1的时间，我们把该类数据定义为重叠记录，处理方式为删除第n条记录，更新数据索引；
然后，剔除位置粗差点。参见图2，若相邻记录时间接续即Tf-n＝Tt-(n-1)，但路段不邻接，即Linkn与Linkn-1不相交，不能直接到达，车辆满足时间接续关系，但不满足空间接续关系，我们将该类数据定义为位置粗差点记录，处理方式为删除第n条记录，更新数据索引；
进一步的，对于路网邻接表可根据路网上各路段的起终点坐标进行判断各条路段是否相交，若相交，输出为1，若不相交，输出为0；
最后，剔除掉全部错误数据之后，在对行程时间异常数据进行清洗。路段行程时间SJJG应在一个合理的区间内，将远大于或远小于合理区间的行程时间定义为行程时间异常数据，考虑到不同时间段交通状况不同使得行程时间合理区间发生变动，例如当早晚高峰时，路段行程时间会偏大，傍晚夜间通行时，路段行程时间会偏小，为消除交通状况或者道路状况、道路管制等对实际行程时间的影响，划定统计时窗对各个时窗下的行程时间样本进行清洗。
进一步的，关于统计时窗划分的原则，本实施根据宣城市2018年5月19日路网全过车数据行程时间样本的分布情况来判断，在0-6点，车辆出行量较少，6-24点车辆出行较为密集，因此选定夜间数据(0-6点)的统计时窗为15min，日间数据(6-24点)的统计时窗为10。
在进一步的，本实施例所用行程时间降噪方法为李晓莉等提出的行程时间异常数据处理方法，对所有统计时窗内的行程时间数据依次以均值和两倍标准差、中位值和三倍平均绝对偏差为条件进行循环过滤，直至行程时间样本数据不再发生变化，处理后得到2018年5月19日全路网过车记录的行程时间数据，挑选出出租车皖P8XXX5(目标车辆，去隐私)的过车记录。
S3：
具体的参见图5的车辆行为判断逻辑流程图，遍历数据，判断相邻时间记录是否接续，若接续，则判断相邻记录的ROADCLID是否一致，一致则继续遍历下一条数据，不一致再去判断两条记录的路段是否邻接，若邻接，则继续遍历下一条数据，若不邻接，则删掉错误数据；若相邻时间记录不接续，接着判断相邻记录的ROADCLID是否一致。若一致，则判断车辆状态为驻停parking，若不一致，继续判断两条记录的路段是否邻接，若邻接，则判断车辆状态为驻停parking，若不邻接，则判断车辆状态为行驶driving；
S4：
依据车辆状态对漏算的VOCs排放部分进行补算。选取适当的机动车因燃油燃烧产生的尾气排放因子EF1、机动车行驶过程中的蒸发排放因子EF2以及机动车驻车期间的综合蒸发排放因子EF3。
当判断车辆状态为驻停parking时，只计算车辆因驻停产生的VOCs蒸发排放；
当判断车辆状态为行驶driving时，计算两部分的VOCs排放，第一部分是计算因燃料燃烧产生的VOCs尾气排放，第二部分是计算行驶过程中的VOCs蒸发排放；
进一步的，本实施例所使用的排放因子来自国家指南《道路机动车排放模型技术方法与应用》，指南中给出的排放因子推荐值如下：
机动车燃油燃烧尾气排放HC的基准排放因子B＝0.056g/s；
机动车燃油燃烧尾气排放HC的综合排放因子EF1＝B×K(Tmp)×K(Hmd)×K(IM)×K(Alt)×K(Fuel)×K(Bin)；
机动车行驶过程中蒸发排放因子EF2＝11.6g/h；
机动车驻车期间综合蒸发排放因子EF3＝6.5g/天(综合排放因子主要包括热浸、昼间和渗透过程中的排放系数)；
式中，K(Tmp)为温度修正系数；K(Hmd)为湿度修正系数；K(IM)为I/M修正系数；K(Alt)为海拔修正系数；K(Fuel)为燃油修正系数；K(Bin)为道路交通状况修正系数，根据车辆的平均行驶速度确定；本实施例做简化运算，仅对道路交通状况做修正，汽油车平均速度HC修正因子见下表2：
表2
其中，在依据车辆状态计算VOCs排放时涉及到基于单车出行轨迹排放量计算，采用如下公式：
基于单车出行轨迹HC尾气排放量计算：E1＝EF1×Ln×10-3；
基于单车出行轨迹车辆在行驶过程中的VOCs蒸发排放计算：E2＝EF2/3600×SJJGn；
基于单车出行轨迹车辆因驻停产生的VOCs蒸发排放计算：E3＝EF3/3600/24×SJJGn；
S5：
计算VOCs总排放，分析漏算VOCs占比。首先根据实际过车记录下的数据计算VOCs尾气排放。结合上一步骤：
对漏算的车辆因燃料燃烧产生的VOCs尾气排放量求和，记为num1；
对漏算的行驶过程中的VOCs蒸发排放量求和，记为num2；
对漏算的车辆因驻停产生的VOCs蒸发排放量求和，记为num3；
对过车记录下的VOCs尾气排放量求和，记为num4；
则漏算的VOCs蒸发排放合计为：num2+num3；
车辆尾气燃烧排放量合计为：num1+num4；
车辆单天VOCs总排放合计为：num1+num2+num3+num4；
最后计算单车单天出行漏算的VOCs蒸发排放在总排放中的占比：
分析漏算情况的严重性。
本实施例计算所得：
num1＝2.71g/天；
num2＝68.23g/天；
num3＝2.17g/天；
num4＝24.45g/天；
漏算的VOCs蒸发排放合计为：70.41g/天
车辆尾气燃烧排放量合计为：27.16g/天
车辆单天VOCs总排放合计为：97.56g/天
单车单天出行漏算的VOCs蒸发排放在总排放中的占比：72.17％。
实施例2
请参阅图6，一种基于个体车辆全过程出行行为链的VOCs排放测算系统，包括依序连接的全路网过车记录获取模块1、目标车辆数据筛选模块2、车辆状态判断模块3、蒸发排放计算模块4以及总排放计算模块5；其中：
所述全路网过车记录获取模块1用于访问预设的卡口过车记录数据库，获取目标日期的全路网过车记录；
所述目标车辆数据筛选模块2用于对所述全路网过车记录进行降噪处理以及数据清洗，筛选出目标车辆数据；
所述车辆状态判断模块3用于根据所述目标车辆数据，判断目标车辆的车辆状态；
所述蒸发排放计算模块4用于对目标车辆的VOCs蒸发排放部分进行计算；
所述总排放计算模块5用于结合所述蒸发排放计算模块4的结果，计算目标车辆的VOCs总排放。
实施例3
一种存储介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现如实施例1所述的基于个体车辆全过程出行行为链的VOCs排放测算方法的步骤。
实施例4
一种计算机设备，包括存储介质、处理器以及储存在所述存储介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现如实施例1所述的基于个体车辆全过程出行行为链的VOCs排放测算方法的步骤。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于个体车辆全过程出行行为链的VOCs排放测算方法，其特征在于，包括以下步骤：
S1，访问预设的卡口过车记录数据库，获取目标日期的全路网过车记录；
S2，对所述全路网过车记录进行降噪处理以及数据清洗，筛选出目标车辆数据；
S3，根据所述目标车辆数据，判断目标车辆的车辆状态；
S4，根据所述车辆状态，对目标车辆的VOCs蒸发排放部分进行计算；
S5，结合所述步骤S4的结果，计算目标车辆的VOCs总排放。
2.根据权利要求1所述的基于个体车辆全过程出行行为链的VOCs排放测算方法，其特征在于，所述步骤S1中，通过提取以下有效字段：路段ID、车牌号、路段长度、车辆驶入路段的起点时间以及车辆驶出路段的终点时间，获取目标日期的全路网过车记录；所述全路网过车记录的内容包括车辆驶入驶出时间、所在路段、车辆在路段上的行程时间以及运行速度。
3.根据权利要求2所述的基于个体车辆全过程出行行为链的VOCs排放测算方法，其特征在于，所述步骤S2中，数据清洗包括以下过程：
根据预设的速度范围剔除所述全路网过车记录中的速度粗差点；根据车辆驶入路段的起点时间以及车辆驶出路段的终点时间，删除所述全路网过车记录中的数据重叠记录；将相邻记录时间接续但路段不邻接的记录作为所述全路网过车记录中的位置粗差点予以删除。
4.根据权利要求2所述的基于个体车辆全过程出行行为链的VOCs排放测算方法，其特征在于，所述步骤S2中，降噪处理包括以下过程：
根据所述全路网过车记录行程中的时间数据分布特点，以路段为分组单位，确定统计时窗；使用行程时间异常数据处理方法，对所有统计时窗内的行程时间数据依次以均值和两倍标准差、中位值和三倍平均绝对偏差为条件进行循环过滤，直至所述全路网过车记录行程中的行程时间数据不再发生变化。
5.根据权利要求2所述的基于个体车辆全过程出行行为链的VOCs排放测算方法，其特征在于，所述步骤S3中，包括以下过程：
遍历所述目标车辆数据，判断相邻时间记录是否接续；
若相邻时间记录接续，则判断相邻记录的路段ID是否一致；若路段ID一致则继续遍历下一条数据，若路段ID不一致再去判断两条记录的路段是否邻接；若路段邻接，则继续遍历下一条数据，若路段不邻接，则作为错误数据删掉；
若相邻时间记录不接续，则判断相邻记录的路段ID是否一致。若路段ID一致，则判断目标车辆的车辆状态为驻停状态；若路段ID不一致，则判断两条记录的路段是否邻接；若路段邻接，则判断目标车辆的车辆状态为驻停状态，若路段不邻接，则判断目标车辆的车辆状态为行驶状态。
6.根据权利要求5所述的基于个体车辆全过程出行行为链的VOCs排放测算方法，其特征在于，所述步骤S4中，包括以下过程：
根据预设的机动车因燃油燃烧产生的尾气排放因子EF1、机动车行驶过程中的蒸发排放因子EF2以及机动车驻车期间的蒸发排放因子EF3；当判断目标车辆的车辆状态为驻停状态时，只计算目标车辆因驻停产生的VOCs蒸发排放；当判断目标车辆的车辆状态为行驶状态时，计算目标车辆因燃料燃烧产生的VOCs尾气排放以及行驶过程中的VOCs蒸发排放。
7.根据权利要求1所述的基于个体车辆全过程出行行为链的VOCs排放测算方法，其特征在于，所述步骤S5中，通过以下方式计算目标车辆的VOCs总排放：
对因燃料燃烧产生的VOCs尾气排放量求和，记为num1；
对行驶过程中的VOCs蒸发排放量求和，记为num2；
对因驻停产生的VOCs蒸发排放量求和，记为num3；
对过车记录下的VOCs尾气排放量求和，记为num4；
则目标车辆的VOCs蒸发排放合计为：num2+num3；
目标车辆的尾气燃烧排放量合计为：num1+num4；
目标车辆的VOCs总排放合计为：num1+num2+num3+num4。
8.一种基于个体车辆全过程出行行为链的VOCs排放测算系统，其特征在于，包括依序连接的全路网过车记录获取模块(1)、目标车辆数据筛选模块(2)、车辆状态判断模块(3)、蒸发排放计算模块(4)以及总排放计算模块(5)；其中：
所述全路网过车记录获取模块(1)用于访问预设的卡口过车记录数据库，获取目标日期的全路网过车记录；
所述目标车辆数据筛选模块(2)用于对所述全路网过车记录进行降噪处理以及数据清洗，筛选出目标车辆数据；
所述车辆状态判断模块(3)用于根据所述目标车辆数据，判断目标车辆的车辆状态；
所述蒸发排放计算模块(4)用于对目标车辆的VOCs蒸发排放部分进行计算；
所述总排放计算模块(5)用于结合所述蒸发排放计算模块(4)的结果，计算目标车辆的VOCs总排放。
9.一种存储介质，其上储存有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于个体车辆全过程出行行为链的VOCs排放测算方法的步骤。
10.一种计算机设备，其特征在于：包括存储介质、处理器以及储存在所述存储介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于个体车辆全过程出行行为链的VOCs排放测算方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210849152.3A CN115422704B (zh) | 2022-07-19 | 2022-07-19 | 基于个体车辆全过程出行行为链的VOCs排放测算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210849152.3A CN115422704B (zh) | 2022-07-19 | 2022-07-19 | 基于个体车辆全过程出行行为链的VOCs排放测算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115422704A true CN115422704A (zh) | 2022-12-02 |
| CN115422704B CN115422704B (zh) | 2024-04-05 |
Family
ID=84197082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210849152.3A Active CN115422704B (zh) | 2022-07-19 | 2022-07-19 | 基于个体车辆全过程出行行为链的VOCs排放测算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115422704B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190195850A1 (en) * | 2017-12-25 | 2019-06-27 | Microjet Technology Co., Ltd. | Voc detecting and warning method |
| 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 |
| CN112819217A (zh) * | 2021-01-27 | 2021-05-18 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 移动源污染排放主要影响因素预测方法、系统及存储介质 |
| CN113129594A (zh) * | 2021-04-23 | 2021-07-16 | 武汉科技大学 | 一种基于卡口数据的交叉口饱和流率计算方法 |
| CN113140114A (zh) * | 2021-03-09 | 2021-07-20 | 中山大学 | 一种基于行程时间估计的车辆出行路径重构方法 |
| CN114048639A (zh) * | 2022-01-13 | 2022-02-15 | 天津大学 | 利用网传数据监控在用车辆NOx排放的数据处理方法 |
| CN114510826A (zh) * | 2022-01-17 | 2022-05-17 | 中国科学院地理科学与资源研究所 | 车辆排放结构分解方法、装置、电子设备及存储介质 |
-
2022
- 2022-07-19 CN CN202210849152.3A patent/CN115422704B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190195850A1 (en) * | 2017-12-25 | 2019-06-27 | Microjet Technology Co., Ltd. | Voc detecting and warning method |
| 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 |
| CN112819217A (zh) * | 2021-01-27 | 2021-05-18 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 移动源污染排放主要影响因素预测方法、系统及存储介质 |
| CN113140114A (zh) * | 2021-03-09 | 2021-07-20 | 中山大学 | 一种基于行程时间估计的车辆出行路径重构方法 |
| CN113129594A (zh) * | 2021-04-23 | 2021-07-16 | 武汉科技大学 | 一种基于卡口数据的交叉口饱和流率计算方法 |
| CN114048639A (zh) * | 2022-01-13 | 2022-02-15 | 天津大学 | 利用网传数据监控在用车辆NOx排放的数据处理方法 |
| CN114510826A (zh) * | 2022-01-17 | 2022-05-17 | 中国科学院地理科学与资源研究所 | 车辆排放结构分解方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| YONG-HONG LIU等: "A high temporal-spatial vehicle emission inventory based on detailed hourly traffic data in a medium-sized city of China", 《ENVIRONMENTAL POLLUTION》, 2 February 2018 (2018-02-02), pages 324 - 333 * |
| 林颖等: "基于车辆身份检测数据的单车排放轨迹研究", 《中国环境科学》, 31 December 2019 (2019-12-31), pages 4929 - 4940 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115422704B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111243277B (zh) | 基于车牌识别数据的通勤车辆时空轨迹重构方法及系统 | |
| CN109242024B (zh) | 一种基于卡口数据的车辆行为相似度计算方法 | |
| CN111402580B (zh) | 车辆行驶轨迹预测方法、装置及电子设备 | |
| Wang et al. | Plume-based analysis of vehicle fleet air pollutant emissions and the contribution from high emitters | |
| CN110807919A (zh) | 基于过车数据的城市路网交通运行态势评价方法 | |
| CN110942640B (zh) | 一种主动发现非法从事网约车客运的嫌疑车辆的方法 | |
| CN109243173B (zh) | 基于道路高清卡口数据的车辆轨迹分析方法及系统 | |
| CN112053558A (zh) | 一种交通拥堵状态识别方法及装置和设备 | |
| CN115691120A (zh) | 一种基于高速公路流水数据的拥堵识别方法及系统 | |
| Jiménez et al. | Characterization of on-road vehicle NO emissions by a TILDAS remote sensor | |
| CN104679970A (zh) | 一种数据检测方法及装置 | |
| CN107704976A (zh) | 基于居民出行调查的城市家庭交通尾气排放量预测方法 | |
| CN112562334A (zh) | 基于浮动车数据的弯曲路段实时速度计算方法、装置及介质 | |
| CN115880894A (zh) | 一种交通状态确定方法、装置及设备 | |
| CN111783034A (zh) | 一种车云协同计算的排放路谱分析方法 | |
| CN113450592B (zh) | 一种基于循环神经网络的停车场占有率预测方法 | |
| Salihu et al. | Effect of road slope on driving cycle parameters of urban roads | |
| CN113593242A (zh) | 一种基于路口车辆检测器组的在途量估算方法 | |
| CN115422704A (zh) | 基于个体车辆全过程出行行为链的VOCs排放测算方法 | |
| Hagen et al. | Modeling of parking violations using Zero-Inflated Negative Binomial regression: a case study for berlin | |
| CN111680888B (zh) | 基于rfid数据确定路网容量的方法 | |
| CN109633716B (zh) | 基于gps的城市配送车辆出行链及其特征识别方法与设备 | |
| CN113470376B (zh) | 基于卡口过车数据的实时区域在途车辆计数方法及系统 | |
| Kalila et al. | Big data fusion to estimate urban fuel consumption: a case study of riyadh | |
| CN110097074A (zh) | 一种基于序列相似度的车辆轨迹压缩方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |