CN115422747A - 一种机动车尾气污染物排放量的计算方法和计算装置 - Google Patents
一种机动车尾气污染物排放量的计算方法和计算装置 Download PDFInfo
- Publication number
- CN115422747A CN115422747A CN202211064211.2A CN202211064211A CN115422747A CN 115422747 A CN115422747 A CN 115422747A CN 202211064211 A CN202211064211 A CN 202211064211A CN 115422747 A CN115422747 A CN 115422747A
- Authority
- CN
- China
- Prior art keywords
- data
- driving
- target
- original
- motor vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本申请提供了一种机动车尾气污染物排放量的计算方法和计算装置,所述计算方法包括:获取检测时间内,行驶在城市路网内的所有车辆的原始行驶数据;基于所述原始行驶数据进行行驶工况构建,得到目标机动车行驶工况;基于所述目标机动车行驶工况,进行尾气污染物排放量的计算,得到污染物排放因子对应的污染物排放量;其中,所述污染物排放量包括在中观区域下的污染物排放量和在微观区域下的污染物排放量。根据所述计算方法和计算装置,提升对机动车尾气污染物排放量的计算的精确度。
Description
技术领域
本申请涉及道路交通环境评价领域,具体而言,涉及一种机动车尾气污染物排放量的计算方法和计算装置。
背景技术
随着我国工业化、城市化进程的加快,带动了交通行业的发展,与日俱增的机动车保有量对城市环境空气质量的影响愈发严重。精确量化分析机动车尾气排放为制定和评价交通管控措施提供了重要的数据支撑。
目前,学者针对机动车尾气检测开发了大量的尾气量化模型,但有些模型属于宏观模型,并不适用于微观层次的评价。并且微观尾气模型与微观仿真模型的整合仍然存在不确定性因素,微观仿真模型输出的车辆轨迹数据也不能贴合实际的车辆运行轨迹,这就导致在现有技术中对于机动车尾气污染物排放量的计算不够准确。
发明内容
有鉴于此,本申请的目的在于提供一种机动车尾气污染物排放量的计算方法和计算装置,基于车辆的原始行驶数据构建了更具代表性的机动车行驶工况,并从中观区域和微观区域两个层面计算污染物排放因子对应的污染物排放量,提升了对机动车尾气污染物排放量的计算的精确度。
第一方面,本申请实施例提供了一种机动车尾气污染物排放量的计算方法,所述计算方法包括:
获取检测时间内行驶在城市路网内的所有车辆的原始行驶数据;其中,所述原始行驶数据包括所述车辆在所述城市路网内行驶过程中的时间、速度、发动机转速、经度、纬度;
基于所述原始行驶数据进行行驶工况构建,得到目标机动车行驶工况;
基于所述目标机动车行驶工况进行尾气污染物排放量的计算,得到污染物排放因子对应的污染物排放量;其中,所述污染物排放量包括在中观区域下的污染物排放量和在微观区域下的污染物排放量,所述在中观区域下的污染物排放量包括不同时间段的污染物排放量和不同道路等级上的污染物排放量,所述在微观区域下的污染物排放量包括不同车辆流向上的污染物排放量和不同驾驶行为类型对应的污染物排放量。
进一步的,所述基于所述原始行驶数据进行行驶工况构建,得到目标机动车行驶工况,包括:
对所述原始行驶数据中的异常数据和缺失数据进行数据预处理,得到处理后的原始行驶数据;
基于所述处理后的原始行驶数据以及预设的运动状态进行运动学片段提取,得到所述运动状态对应的运动学片段,并计算每个运动学片段对应的第一特征参数值;其中,所述运动状态包括怠速工况、匀速工况、加速工况和减速工况;
基于每个运动学片段的第一特征参数值,进行主成分分析降维,得到至少一个第一主成分,并基于所述至少一个第一主成分对每个运动学片段进行K-means聚类分析,得到至少一类目标运动学片段;
根据每类目标运动学片段进行工况合成,得到原始机动车行驶工况;
利用混合约束自编码器,对所述原始机动车行驶工况进行工况优化,得到所述目标机动车行驶工况。
进一步的,当所述污染物排放量为在中观区域下的污染物排放量时,通过以下方法对所述污染物排放量进行计算:
对原始微观排放模型进行第一本地化参数的标定,得到第一微观排放模型;其中,所述第一本地化参数包括车辆信息、气象信息和车速参数;
针对于每个预设时间段,将该预设时间段对应的所述目标机动车行驶工况输入到所述第一微观排放模型中,得到该预设时间段内的污染物排放量;
对所述原始行驶数据进行道路等级标定,得到标定后的行驶数据;其中,所述标定后的行驶数据中携带有每个车辆轨迹点对应的道路等级;
基于所述标定后的行驶数据进行行驶工况构建,得携带有不同道路等级标记的目标机动车行驶工况;
将所述携带有不同道路等级标记的目标机动车行驶工况输入到所述第一微观排放模型中,得到每种道路等级上的污染物排放量。
进一步的,当所述污染物排放量为在微观区域下的污染物排放量时,通过以下方法对所述污染物排放量进行计算:
采集所述城市路网内至少一名驾驶员的机动车逐秒行驶轨迹数据,并基于所述机动车逐秒行驶轨迹数据确定出至少一种驾驶行为类型;
采集目标道路的交叉口数据,并基于所述交叉口数据构建所述目标道路对应的原始微观仿真模型;
基于所述至少一种驾驶行为类型和所述目标机动车行驶工况对所述原始微观仿真模型进行参数标定,得到目标微观仿真模型;
对原始微观排放模型进行第二本地化参数的标定,得到第二微观排放模型;其中,所述第二本地化参数包括车辆信息、气象信息和速度参数;
将所述目标机动车行驶工况输入到所述目标微观仿真模型中,得到对应的仿真轨迹数据,并基于所述仿真轨迹数据计算所述目标道路上每个车辆的车辆比功率;
将每个车辆的车辆比功率输入到所述第二微观排放模型中,得到所述目标道路上每个车辆流向上的污染物排放量;
基于所述仿真轨迹数据,确定所述仿真轨迹数据中每种驾驶行为类型对应的车辆轨迹,并基于所述车辆轨迹生成运行工况分布数据;
将所述运行工况分布数据输入到所述第二微观排放模型中,得到每种驾驶行为类型对应的污染物排放量。
进一步的,通过以下步骤确定所述至少一种驾驶行为类型:
对所述机动车逐秒行驶轨迹数据中的异常数据和缺失数据进行数据预处理,得到处理后的机动车逐秒行驶轨迹数据;
针对于每名驾驶员,计算该驾驶员在各个速度等级下的第二特征参数值;
基于每名驾驶员的第二特征参数值,进行主成分分析降维,得到至少一个第二主成分,并基于所述至少一个第二主成分对每名驾驶员进行K-means聚类分析,得到至少一种驾驶行为类型。
进一步的,所述基于所述至少一种驾驶行为类型和所述目标机动车行驶工况对所述原始微观仿真模型进行参数标定,得到目标微观仿真模型,包括:
基于所述至少一种驾驶行为类型对所述原始微观仿真模型进行全局参数标定;
对所述原始微观仿真模型中的局部参数进行敏感性分析,确定出至少一个目标局部参数;
基于遗传算法,基于所述至少一个目标局部参数确定出至少一个取值参数组;
对每个取值参数组进行均值聚类分析,得到每个目标局部参数对应的目标参数取值;
根据每个目标参数取值对所述原始微观仿真模型进行参数标定,得到标定后的原始微观仿真模型;
将所述目标机动车行驶工况输入到所述标定后的原始微观仿真模型,得到仿真车辆轨迹数据对应的目标函数值,并判断所述目标函数值与目标函数实测值之间的误差是否小于误差阈值;
若是,则将所述标定后的原始微观仿真模型确定为所述目标微观仿真模型;
若否,则返回执行基于所述至少一种驾驶行为类型对所述原始微观仿真模型进行全局参数标定的步骤,直至所述目标函数值与目标函数实测值之间的误差是否小于误差阈值。
第二方面,本申请实施例还提供了一种机动车尾气污染物排放量的计算装置,所述计算装置包括:
数据获取模块,用于获取检测时间内行驶在城市路网内的所有车辆的原始行驶数据;其中,所述原始行驶数据包括所述车辆在所述城市路网内行驶过程中的时间、速度、发动机转速、经度、纬度;
工况构建模块,用于基于所述原始行驶数据进行行驶工况构建,得到目标机动车行驶工况;
排放量计算模块,用于基于所述目标机动车行驶工况进行尾气污染物排放量的计算,得到污染物排放因子对应的污染物排放量;其中,所述污染物排放量包括在中观区域下的污染物排放量和在微观区域下的污染物排放量,所述在中观区域下的污染物排放量包括不同时间段的污染物排放量和不同道路等级上的污染物排放量,所述在微观区域下的污染物排放量包括不同车辆流向上的污染物排放量和不同驾驶行为类型对应的污染物排放量。
进一步的,所述工况构建模块在用于基于所述原始行驶数据进行行驶工况构建,得到目标机动车行驶工况时,所述工况构建模块还用于:
对所述原始行驶数据中的异常数据和缺失数据进行数据预处理,得到处理后的原始行驶数据;
基于所述处理后的原始行驶数据以及预设的运动状态进行运动学片段提取,得到所述运动状态对应的运动学片段,并计算每个运动学片段对应的第一特征参数值;其中,所述运动状态包括怠速工况、匀速工况、加速工况和减速工况;
基于每个运动学片段的第一特征参数值,进行主成分分析降维,得到至少一个第一主成分,并基于所述至少一个第一主成分对每个运动学片段进行K-means聚类分析,得到至少一类目标运动学片段;
根据每类目标运动学片段进行工况合成,得到原始机动车行驶工况;
利用混合约束自编码器,对所述原始机动车行驶工况进行工况优化,得到所述目标机动车行驶工况。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的机动车尾气污染物排放量的计算方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述的机动车尾气污染物排放量的计算方法的步骤。
本申请实施例提供的机动车尾气污染物排放量的计算方法,在中观层面,基于车辆的原始行驶数据构建了更具代表性的机动车行驶工况,在微观层面,通过细分驾驶行为类型的仿真手段获取微观区域内全部车辆轨迹,可以更精确的量化尾气排放,提升微观仿真模型的准确性。并提出了不同道路等级和不同时期的尾气排放量化方法,通过MOVES微观排放模型计算了目标区域内不同时空特征的污染物排放因子的污染物排放量,并基于标定的VISSIM微观仿真模型计算仿真轨迹数据的车辆比功率,输入至MOVES微观排放模型,得到微观区域目标道路的交叉口不同流向的污染物排放因子对应的污染物排放量以及不同驾驶行为类型对应的污染物排放量。根据本申请提供的计算方法,从中观和微观区域两个层面提升排放模型输入参数的准确度,以提升对机动车尾气污染物排放量的计算的精确度。并且本申请提出的仿真模型参数标定方法,可以构建符合实际的仿真模型,为决策提供支撑,有利于交通管控策略的制定,提升减排效率。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例所提供的一种机动车尾气污染物排放量的计算方法的流程图;
图2为本申请实施例所提供的目标机动车行驶工况的构建方法的流程图;
图3为本申请实施例所提供的一种机动车尾气污染物排放量的计算装置的结构示意图;
图4为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
首先,对本申请可适用的应用场景进行介绍。本申请可应用于道路交通环境评价领域。
随着我国工业化、城市化进程的加快,带动了交通行业的发展,与日俱增的机动车保有量对城市环境空气质量的影响愈发严重。精确量化分析机动车尾气排放为制定和评价交通管控措施提供了重要的数据支撑。
经研究发现,目前,学者针对机动车尾气检测开发了大量的尾气量化模型,但有些模型属于宏观模型,并不适用于微观层次的评价。并且微观尾气模型与微观仿真模型的整合仍然存在不确定性因素,微观仿真模型输出的车辆轨迹数据也不能贴合实际的车辆运行轨迹,这就导致在现有技术中对于机动车尾气污染物排放量的计算不够准确。
基于此,本申请实施例提供了一种机动车尾气污染物排放量的计算方法,以提升对机动车尾气污染物排放量的计算的精确度。
请参阅图1,图1为本申请实施例所提供的一种机动车尾气污染物排放量的计算方法的流程图。如图1中所示,本申请实施例提供的计算方法,包括:
S101,获取检测时间内行驶在城市路网内的所有车辆的原始行驶数据。
需要说明的是,检测时间指的是预先设定的,需要采集原始行驶数据的时间段,例如,可以设定检测时间为2022年7月6日到2022年7月7日,对此本申请不做具体限定。具体的,原始行驶数据包括车辆在城市路网内行驶过程中的时间、速度、发动机转速、经度以及纬度。
针对上述步骤S101,在具体实施时,获取检测时间内行驶在城市路网内的所有车辆的原始行驶数据。例如,获取2022年7月6日到2022年7月7日北京市所有车辆在城市路网内行驶过程中的原始行驶数据,车辆的行驶范围包括北京市内不同道路等级、区位和功能的道路。具体的,通过GPS定位装置进行原始行驶数据的采集。
S102,基于所述原始行驶数据进行行驶工况构建,得到目标机动车行驶工况。
需要说明的是,机动车行驶工况是以实测采集的车辆轨迹数据为基础,通过一系列数学方法提取出的表征机动车行驶特征的时间-速度曲线,其能够用于确定污染物排放量和燃油消耗量,其关键参数包括时间与车速。
针对上述步骤S102,在具体实施时,基于步骤S101采集到的原始行驶数据进行行驶工况构建,以得到目标机动车行驶工况。
请参阅图2,图2为本申请实施例所提供的目标机动车行驶工况的构建方法的流程图。如图2中所示,针对上述步骤S102,所述基于所述原始行驶数据进行行驶工况构建,得到目标机动车行驶工况,包括:
S201,对所述原始行驶数据中的异常数据和缺失数据进行数据预处理,得到处理后的原始行驶数据。
需要说明的是,两个原始行驶数据之间的时间间隔大于时间间隔阈值则认为存在缺失数据,例如,时间间隔阈值可以设定为3秒,两个原始行驶数据之间的时间间隔大于3秒则存在缺失数据。异常数据指的是原始行驶数据中加速度大于加速度阈值或减速度小于减速度阈值的原始行驶数据,根据本申请提供的实施例,例如,普通轿车0-100km/h的加速时间大于7s,因此将普通轿车0-100km/h速度下加速度大于4m/s2或减速度小于-7.5m/s2时视为异常数据。
针对上述步骤S201,在具体实施时,数据采集过程中,由于采集设备本身或周围环境导致信号较弱,进而造成数据异常或丢失,当对数据处理不恰当时,则会导致数据质量与可靠性的降低。如果直接删除存在缺失数据的行车片段可能会遗失重要的车辆行驶信息,而数据填充也只是估计缺失值,会带来一定误差。因此需要对原始行驶数据中的异常数据和缺失数据进行数据预处理,得到处理后的原始行驶数据。因此本申请针对于缺失数据:如果间隔两端车速全为0km/h,则将其视为分离片段,如果间隔左端速度不为0km/h,则删除左端数据直至速度为0km/h,如果间隔右端速度不为0km/h,则删除右端数据直至为0km/h;对于缺失数据的时间间隔小于时间间隔阈值的情况,采用线性插值进行填充。针对于加减速异常的异常数据,通过异常点周围数据进行线性插值替代处理,如果处理后仍然存在加速度异常数据,则说明异常点周围数据也为异常数据,直接按照缺失数据处理,进行异常点左端与右端的选择性删除。对于长期停车或者怠速数据(车速为0km/h),如果发动机转速为0km/h,表示发动机处于熄火状态,则直接删除数据;如果发动机转速不为0km/h,视为怠速状态。在实际数据处理过程中,将长时间(超过180s)的低速行驶状态(车速小于10km/h)也视为怠速状态。数据处理中,由于怠速时间过长会对行驶工况的构建造成影响,因此对搜索到的连续怠速时间大于180s的工况,逐个删除片段中连续为0km/h的中间点,直至怠速时长为180s。
S202,基于所述处理后的原始行驶数据以及预设的运动状态进行运动学片段提取,得到所述运动状态对应的运动学片段,并计算每个运动学片段对应的第一特征参数值。
需要说明的是,运动状态包括怠速工况、匀速工况、加速工况和减速工况。运动学片段是指车辆从怠速状态至相邻下一个怠速状态开始的运动过程,通常包括怠速、加速、减速、匀速部分。第一特征参数值指的是运动学片段对应的特征参数,用于评价运动学片段,根据本申请提供的实施例,第一特征参数值可以包括平均速度、平均行驶速度、最大速度、平均加速度、最大加速度、平均减速度、最大减速度、速度标准差、加速度标准差、减速度标准差、怠速时间比、加速时间比、减速时间比和匀速时间比。
针对上述步骤S202,在具体实施时,由于采集到的车辆行驶轨迹数据量较大,为解决对其分析较为困难的问题,广泛应用的方法是将全部的时间-速度数据划分成若干个运动学片段。由于车辆在不同的道路条件、交通环境下会展现出不同的行驶特征,导致运动学片段展现出多样的速度分布特性,因此本申请将划分的短时片段聚类,通过随机组合各类运动学片段描述车辆的行驶过程,构建贴合实际情况的机动车行驶工况。短时片段可以简化数据复杂度,利于分析数据。研究将全部时间-速度数据划分为多个“怠速-行驶-怠速”的短行程片段。由于GPS设备的信号问题,导致一些片段没有从速度为0km/h开始或者片段的结束点速度不为0km/h,将这些片段视为异常数据并直接删除。
将运动学片段根据不同运行状态分为怠速工况、匀速工况、加速工况和减速工况,具体定义如下:
(1)怠速工况:机动车发动机转速不为0r/min,但是车速为0km/h的状态。
(2)匀速工况:机动车加速度绝对值小于0.1m/s2,并且车速不为0km/h的状态。
(3)加速工况:机动车加速度大于0.1m/s2,并且车速不为0km/h的状态。
(4)减速工况:机动车减速度小于-0.1m/s2,并且车速不为0km/h的状态。
由于道路条件、交通条件的影响,运动学片段之间差异较大,不同运动学片段显示出多种特性,展现了车辆的多种运动状态。为更加全面的基于组合运动学片段描述车辆的行驶过程,有必要挑选恰当的特征参数对运行学片段进行评价,本申请选取14个特征参数来评价运动学片段,各个特征参数的具体计算公式如下:
(1)平均速度,时间段内的平均车速值:
式中,vi为第i个点的瞬时车速,t机动车运行时间。
(2)平均行驶速度,不包含怠速状态的平均车速值:
式中,t0为机动车怠速状态运行时间。
(3)最大速度:
Vmax=max{vi,i=1,2,...,k}
式中,k为行驶数据的条数。
(4)平均加速度,加速度大于0.1m/s2的加速度平均值:
aa=sum{ai|ai≥0.1,i=1,2,...,k}/ta
式中,ta为机动车加速状态运行时间,ai为第i个加速度。
(5)最大加速度:
amax=max{ai,i=1,2,...,k}
(6)平均减速度,加速度小于-0.1m/s2的加速度平均值:
ad=sum{ai|ai≤-0.1,i=1,2,...,k}/td
式中,td为机动车减速状态运行时间。
(7)最小减速度:
amin=min{ai,i=1,2,...,k}
(8)速度标准差:时间段内机动车速度的标准差。
(9)加速度标准差:时间段内机动车加速状态的加速度的标准差。
(10)减速度标准差:时间段内机动车减速状态的加速度的标准差。
(11)怠速时间比:
P0=t0/t
(12)加速时间比:
Pa=ta/t
(13)减速时间比:
Pd=td/t
(14)匀速时间比:
Pc=tc/t
式中,tc为机动车处于匀速状态的运行时间。
通过时间与车速值计算运动学片段的14个第一特征参数值,并作为运动学片段分类的依据,为构建机动车行驶工况提供评价标准。
S203,基于每个运动学片段的第一特征参数值,进行主成分分析降维,得到至少一个第一主成分,并基于所述至少一个第一主成分对每个运动学片段进行K-means聚类分析,得到至少一类目标运动学片段。
需要说明的是,主成分分析是基于降维思想下产生的处理高维数据的方法,主成分分析可以简化高位数据并且利用统计数据有效进行定量分析。K-means聚类具有高效性与可延伸性,当聚类数据点较为密集并且各个类别间存在明显分界线时,聚类效果最好。
针对上述步骤S203,在具体实施时,针对上述步骤S202对各个运动学片段的第一特征参数值计算,在对运动学片段进行分析时,这些第一特征参数值被视为原始变量。基于每个运动学片段的第一特征参数值,进行主成分分析降维,得到至少一个第一主成分。
假设原始数据涉及p个参数,即p个纬度,用X:{X1,X2,..Xp}表示。通过对X进行不同的线性变换,在尽量保留原始数据信息情况下得到k个新的综合变量,且各个综合变量相互独立,即降维至k维,用Y:{Y1,Y2…Yk}表示。则Y可以满足以下公式:
Y1,Y2…Yk为原始数据的第1主成分,第2主成分…第k主成分,并且各个主成分在总方差中占比逐渐减小,筛选出前m(m<p)个主成分,如果m个主成分包含了原始数据的大部分信息,则降维至m个主成分作为新的综合变量进行分析,以此达到降维简化的效果。主成分分析具体计算步骤如下:
(1)特征参数标准化。由于各个参数的量纲不统一,导致变量取值的分散程度差异较大,影响降维分析结果。因此需对每一个特征维度进行标准化,使每列参数数据都聚集在0附近,方差为1。
其中,η为参数数据的均值,σ为参数数据的标准差。
(2)计算协方差矩阵Cp×p。Cp×p矩阵元素Cij为Xi和Xj的协方差。
(3)计算特征值和特征向量。计算得到p个特征值,并根据由大到小的顺序依次排列(λ1≥λ2≥…≥λp≥0),计算得到正交化特征向量ei。
(4)计算主成分方差贡献率及累计方差贡献率。主成分的方差贡献率体现了该主成分包含原始变量信息的能力,值越大包含原始信息越多,代表性越强。
第i个主成分的方差贡献率计算公式:
累计方差贡献率计算公式:
根据主成分分析步骤,基于SPSS25软件进行主成分分析。最终得到至少一个主成分,计算各个主成分的方差贡献率和累计贡献率,特征值越大表示该主成分所涵盖的原始变量信息量越大,相反,特征值小表示该主成分的信息涵盖能力比较差,特征值小于1对应的主成分还没有原来的1个原始变量反映的信息多。一般认为,主成分累计贡献率大于80%可以近似代表原始变量信息。主成分载荷是主成分分析中原始变量与主成分之间的相关系数,系数的大小代表了该主成分与某个参数相关程度的强弱,该主成分在某个参数上的载荷系数越大,说明该主成分包含该参数的信息量越大。根据载荷系数确定出至少一个第一主成分,并继续进行聚类分析。
运用K-means聚类算法分类划分的运动学片段。调用Python中的数据聚类库,通过K-Means函数将降维后的主成分聚类。选择Calinski-harabaz分数作为聚类数量评价指标,计算不同聚类数量下的Calinski-harabaz分数值。其计算公式为:
其中,m为样本总量,k为聚类数,Bk为簇间协方差矩阵,Wk为簇内协方差矩阵,tr是矩阵的迹。
数值越小,说明各类的数据点协方差越大,聚类效果越好。分别设置不同的聚类数量,计算不同聚类数的s(k)值。当确定出最合理的聚类数时,基于聚类数对运动学片段进行划分,得到至少一类目标运动学片段。例如,当聚类数为3时s(k)最合理时,则将运动学片段划分为3类目标运动学片段。
S204,根据每类目标运动学片段进行工况合成,得到原始机动车行驶工况。
针对上述步骤S204,在具体实施时,根据聚类分析的分类结果,首先,在各类中挑选距离各类聚类中心最近的前N个目标运动学片段,例如前50个目标运动学片段,并作为备选片段。然后,根据确定的各类目标运动学片段数量,在备选片段中随机选取目标运动学片段构建行驶工况,并随机构建预设数量的行驶工况放入工况集合,例如构建500个行驶工况,对此本申请不做具体限定。考虑到最大速度、最大减速度和最大加速度并不适合作为构建工况的评价指标,剔除这三个特征参数指标,选取其余11个特征参数评价构建工况。分别计算工况集合中预设数量的行驶工况的特征参数与原始数据的相对误差,选取相对误差最小的工况作为构建工况。
S205,利用混合约束自编码器,对所述原始机动车行驶工况进行工况优化,得到所述目标机动车行驶工况。
需要说明的是,自编码器是一个输入和输出相同的无监督神经网络,其结构分为编码器和解码器两个部分,包括输入层、隐藏层和输出层。该模型将输入作为学习目标,对输出信息进行表征学习。
针对上述步骤S205,在具体实施时,本申请通过添加约束函数的方式改进自编码器,使输出接近输入的同时,缩小输出工况特征参数与原始数据特征参数间的误差,以此优化输入工况。因此改进自编码器模型共两个误差函数:一是输入工况与输出工况之间的均方差;二是输出工况与原始数据特征参数间的平均相对误差。
基于Tensorflow2.0框架建立改进自编码器优化模型。选取SGD优化器,设置学习率大小为3e-5,损失函数公式如下:
Loss=1.5·error+L(X-Y)
其中,Loss为损失函数;error为特征参数相对误差。
通过上述损失函数公式计算出损失值后,如果损失值大于预设的损失阈值,则通过不断地调节模型参数,然后再次计算调节后的模型的损失值,直到计算的损失值小于预设的损失阈值,这时认为模型达到收敛,输出对应的工况,得到目标机动车行驶工况。
针对上述步骤S201-S205,本申请首先对GPS采集的原始行驶数据进行处理,针对异常数据、缺失数据和长期怠速数据,提出了完整且具有针对性的数据处理方案,为后续工况的构建提供了高质量的基础输入数据。然后定义了运动学片段,基于运动学片段的划分,选取了14个特征参数评价片段,通过主成分分析将特征参数降至更少数量的主成分,更有效的分类短行程片段;基于K-means聚类方法将片段划分为不同类别,得到了每种类别不同车辆行驶特征的运动学片段库。再次,基于随机选择构建行驶工况,创建工况的集合,选取误差最小的工况作为构建工况。最终基于提出的混合约束自编码器优化构建工况,一定程度上提升了构建工况的代表性。
S103,基于所述目标机动车行驶工况进行尾气污染物排放量的计算,得到污染物排放因子对应的污染物排放量。
需要说明的是,污染物排放因子具体可以包括HC排放因子、CO排放因子、NOx排放因子以及CO2排放因子。污染物排放量包括在中观区域下的污染物排放量和在微观区域下的污染物排放量,中观主要针对的是区、县或自定义的小规模区域范围;微观主要针对路段、交叉口等范围。微观层次不同于宏观层次和中观层次,其模拟结果具有机动车尾气污染物排放量计算精度高、模拟区域范围小、时间成本低的特点。根据本申请提供的实施例,在中观区域下的污染物排放量包括不同时间段的污染物排放量和不同道路等级上的污染物排放量,在微观区域下的污染物排放量包括不同车辆流向上的污染物排放量和不同驾驶行为类型对应的污染物排放量。
针对上述步骤S103,在具体实施时,在步骤S102中目标机动车行驶工况构建好后,基于所述目标机动车行驶工况进行尾气污染物排放量的计算,得到污染物排放因子对应的污染物排放量。
具体的,针对上述步骤S103,当所述污染物排放量为在中观区域下的污染物排放量时,通过以下方法对所述污染物排放量进行计算:
步骤301,对原始微观排放模型进行第一本地化参数的标定,得到第一微观排放模型。
需要说明的是,原始微观排放模型指的是MOVES尾气排放模型,是以Java语言和MySQL数据库联合开发的软件,计算过程中的全部数据存储在MySQL中。第一微观排放模型指的是对原始微观排放模型进行参数标定后得到的微观排放模型,第一本地化参数包括车辆信息、气象信息和车速参数。
针对上述步骤301,在具体实施时,本申请以北京市为例,研究区域内不同道路等级和不同时期的车辆排放,MOVES中观排放模型速度参数为平均车速,相比微观层面的行驶周期参数误差较大,因此本文选取MOVES微观排放模型进行排放量化分析。作为示例,主要对下述几种参数进行标定:(1)车辆信息:对于燃油信息与类型,数据采集车辆符合北京市实行的国家标准和当地的油品标准,根据实际情况设置MOVES模型内部参数。对于车型比例,在进行原始行驶数据采集时采集的是哪种类型的车辆,输入MOVES模型的车型比例则需要与采集的车辆类型相同。(2)气象信息:MOVES模型中的气象信息包括温度和湿度,通过网络查询气象信息,确定数据采集时间段内天气候平均温度和湿度。将实际温度和湿度信息输入MOVES模型。(3)车速参数:MOVES微观层次模型的车速参数是进行尾气排放本地化量化分析的最重要的基本输入参数,主要包括平均速度、VSP分布和行驶周期参数,无论用户输入任何一种车速参数,在MOVES模型计算过程中,均会通过模型内置算法,将用户输入参数最终转换为VSP分布参数,构建一条可以表征区域内机动车行驶特征的工况曲线作为MOVES模型的输入以量化区域内尾气排放,即行驶周期参数。
步骤302,针对于每个预设时间段,将该预设时间段对应的所述目标机动车行驶工况输入到所述第一微观排放模型中,得到该预设时间段内的污染物排放量。
需要说明的是,预设时间段指的是需要进行污染物排放量计算的时间段,例如,想要计算高峰期和平峰期的污染物排放因子对应的污染物排放量,则可以设定预设时间段为7:00-9:00和17:00-19:00,将一天中的其他时间段设定为平峰期。
针对上述步骤302,在具体实施时,目标机动车行驶工况构建好后,针对于每个预设时间段,将该预设时间段对应的目标机动车行驶工况输入到标定好的第一微观排放模型中,即可得到该预设时间段内的污染物排放量。
步骤303,对所述原始行驶数据进行道路等级标定,得到标定后的行驶数据。
这里,标定后的行驶数据中携带有每个车辆轨迹点对应的道路等级。
针对上述步骤303,在具体实施时,为了通过轨迹数据分析不同道路等级的排放特性,因此需要获取不同道路等级的机动车轨迹数据,然而大部分设备采集的数据仅提供经纬度坐标信息,缺少坐标点对应的道路等级信息。因此本申请利用开源的、可编辑的地图服务OpenStreetMap软件提供的研究区域道路网坐标点的坐标信息以及相对应的道路等级信息,数据量充足,因此建立K-近邻模型,将坐标点的经度、纬度作为输入,对应的道路等级作为输出训练模型,并以欧氏距离最近的1个点的道路等级作为预测值。将采集数据的车辆轨迹坐标点经纬度信息输入模型预测道路等级。通过滑动窗口法对预测结果进行过滤,首先定义一个长度为Xs的窗口,假设窗口长度内前Ys与后Zs为同一道路等级,则中间(X-Y-Z)s道路等级不变。通过不断变换X、Y、Z的值设定多个合理的假设条件,用这一窗口按照每个假设条件,以时间顺序逐步过滤,直至遍历所有数据。最后将过滤后的道路等级作为匹配结果,得到各个轨迹点对应的道路等级,并根据各个轨迹点对应的道路等级对原始行驶数据进行道路等级标定,得到标定后的行驶数据。
步骤304,基于所述标定后的行驶数据进行行驶工况构建,得携带有不同道路等级标记的目标机动车行驶工况。
针对上述步骤304,在具体实施时,基于步骤303中标定后的行驶数据进行行驶工况构建,得携带有不同道路等级标记的目标机动车行驶工况。具体的,这里的行驶工况构建的方法与步骤S201-S205中行驶工况构建的方法相同,并且能达到相同的技术效果,在此不再赘述。
步骤305,将所述携带有不同道路等级标记的目标机动车行驶工况输入到所述第一微观排放模型中,得到每种道路等级上的污染物排放量。
针对上述步骤305,将携带有不同道路等级标记的目标机动车行驶工况输入至MOVES第一微观排放模型中,即可得到不同道路等级上污染物排放因子对应的污染物排放量。
具体的,针对上述步骤S103,当所述污染物排放量为在微观区域下的污染物排放量时,通过以下方法对所述污染物排放量进行计算:
步骤401,采集所述城市路网内至少一名驾驶员的机动车逐秒行驶轨迹数据,并基于所述机动车逐秒行驶轨迹数据确定出至少一种驾驶行为类型。
需要说明的是,机动车逐秒行驶轨迹数据可以包括逐秒的车辆经度、纬度、速度和时间信息。
针对上述步骤401,采集城市路网内至少一名驾驶员的机动车逐秒行驶轨迹数据,并基于采集到的机动车逐秒行驶轨迹数据确定出至少一种驾驶行为。
具体的,针对上述步骤401,通过以下步骤确定所述至少一种驾驶行为类型:
步骤4011,对所述机动车逐秒行驶轨迹数据中的异常数据和缺失数据进行数据预处理,得到处理后的机动车逐秒行驶轨迹数据。
针对上述步骤4011,在具体实施时,在机动车逐秒行驶轨迹数据采集过程中,由于采集设备的原因,可能会出现异常数据和缺失数据,因此需要对异常数据和缺失数据进行插值和替换,以得到处理后的机动车逐秒行驶轨迹数据。具体的,对异常数据和缺失数据进行数据预处理的方法与步骤S201中的数据预处理的方法相同,并且能达到相同的技术效果,在此不再赘述。
步骤4012,针对于每名驾驶员,计算该驾驶员在各个速度等级下的第二特征参数值。
需要说明的是,速度等级指的是根据采集的驾驶员的行为特性预先设定的速度级别。根据本申请提供的实施例,为了研究驾驶员的加速和减速特性,由于一些驾驶员没有高于50km/h的速度,因此本申请可以将车速分为5个等级:0-10km/h、10-20km/h、20-30km/h、30-40km/h、40-50km/h。具体的,第二特征参数值为每名驾驶员在各个速度等级下的平均加速度和平均减速度。
针对上述步骤4012,在具体实施时,针对采集的每名驾驶员,计算每名驾驶员各个速度等级下的第二特征参数值,根据本申请提供的实施例,计算该名驾驶员在各个速度等级下的平均加速度和平均减速度。
步骤4013,基于每名驾驶员的第二特征参数值,进行主成分分析降维,得到至少一个第二主成分,并基于所述至少一个第二主成分对每名驾驶员进行K-means聚类分析,得到至少一种驾驶行为类型。
针对上述步骤4013,在具体实施时,基于每名驾驶员的第二特征参数值,进行主成分分析降维,得到至少一个第二主成分,并基于得到的至少一个第二主成分对每名驾驶员进行K-means聚类分析,得到至少一种驾驶行为。具体的,进行主成分分析和K-means聚类分析的方法与步骤S203的方法相同,并且能达到相同的技术效果,在此不再赘述。
根据本申请提供的实施例,微观仿真模型参数标定可以使交通仿真模型再现交通特征,并描述现实中的驾驶员群体行为,是微观仿真模型结合微观排放模型量化尾气排放的关键。通过微观仿真模型量化分析交通尾气排放,仿真模型必须模拟出与实际驾驶员加减速特性相符的车辆轨迹。然而,与现实中的驾驶行为不同,微观仿真模型的参数标定仅仅校核宏观指标(例如延误和排队长度)并不能保证车辆轨迹(累积速度分布曲线和加速度分布曲线)的准确性,同一校核指标可能会导致不同的车辆轨迹,应考虑驾驶行为的差异性。驾驶员在行驶过程中通过加速和减速控制机动车行驶速度,因此本申请通过加速度和减速度特性对驾驶员的驾驶特征进行分类,采集了若干名驾驶员的机动车逐秒行驶轨迹数据,并对这些轨迹数据进行聚类分析,得到最为合理的驾驶行为类型。
步骤402,采集目标道路的交叉口数据,并基于所述交叉口数据构建所述目标道路对应的原始微观仿真模型。
需要说明的是,目标道路指的是需要进行污染物排放量计算的道路,例如,目标道路可以为北京市车公庄大街和展览馆路交叉口,对此本申请不做具体限定。交叉口数据指的是采集的交叉口以及停车线前的道路条件数据。原始微观仿真模型即VISSIM模型,微观仿真模型VISSIM模型通过微观参数控制车辆运动,进而量化分析车辆之间的相互作用形成整体交通流推演。
针对上述步骤402,在具体实施时,在数据采集时段采集目标道路的交叉口数据,这里,数据采集时段可以预先设定,例如可以设定为8:00-9:00,对此本申请不做具体限定。根据本申请提供的实施例,交叉口数据可以通过视频采集,视频采集交通流量数据并以固定时间间隔区间进行统计,提取交叉口车辆组成、分流向交通量和信号配时数据信息,并通过激光雷达采集每条车道停车线前区域内的车辆平均行程时间以及车辆轨迹。交叉口数据采集好后,基于采集的交叉口数据构建目标道路对应的原始微观仿真模型。具体的,如何根据交叉口数据搭建微观仿真模型在现有技术中有详细说明,在此不再赘述。
步骤403,基于所述至少一种驾驶行为类型和所述目标机动车行驶工况对所述原始微观仿真模型进行参数标定,得到目标微观仿真模型。
需要说明的是,目标微观仿真模型指的是对原始微观仿真模型进行参数标定后得到的更符合真实的车辆轨迹的仿真模型。
为提升微观仿真模型的精确性,输出更加符合实际的车辆轨迹,本申请提供的实施例对原始微观仿真模型进行参数标定,以得到更精准的目标微观仿真模型。具体的,针对上述步骤403,所述基于所述至少一种驾驶行为类型和所述目标机动车行驶工况对所述原始微观仿真模型进行参数标定,得到目标微观仿真模型,包括:
步骤4031,基于所述至少一种驾驶行为类型对所述原始微观仿真模型进行全局参数标定。
针对上述步骤4031,在具体实施时,根据步骤401中确定的驾驶行为类型的结果,在原始微观仿真模型中设置驾驶行为分类对应的车型,并分别标定每种车型的最大加、减速度分布、期望加、减速度分布函数。
步骤4032,对所述原始微观仿真模型中的局部参数进行敏感性分析,确定出至少一个目标局部参数。
需要说明的是,敏感性分析可以筛选出与宏观指标敏感性高的参数,以此减少参数标定工作量,是微观仿真模型标定工作的关键步骤。
针对上述步骤4032,在具体实施时,由于微观仿真模型的非线性特点,采用基于Sobol法的全局敏感性分析方法,可以考虑到参数同时变化时的相互作用关系,相比于局部敏感性分析方法能够更加全面的反映参数对模型的敏感性。Sobol法是基于方差分析的敏感性分析方法,主要思想是将模型分解为单个参数以及多个参数之间的相互组合,并将模型总方差分解为多个单参数,以及多个不同参数之间相互作用的方差总和,通过每个参数对于总方差的贡献率确定参数敏感性。基于Sobol法的参数敏感性分析法计算步骤如下:
首先将原始微观仿真模型假设为:
Y=f(X)
其中,Y是仿真模型输出的目标函数值;X=[x1,x2,...xn]是选取的微观参数集。
假设f2(x)是可积的,可将模型分解为:
Sobol法通过偏方差Vi=∫fi 2dxi表示单个参数的敏感性,通过总方差V=∫fi 2(X)dX-f0 2表示全部参数对模型的敏感性。根据一阶影响指数可以量化单个参数对模型的敏感程度。根据总效应指数不仅可以反应单个参数xi对模型的影响,也反映了参数xi与其他参数之间的相互作用对模型的影响。一阶影响指数公式如下:
总效应指数公式:
其中,x~i表示除去xi的其余全部参数;Y|Xi表示xi取值固定情况下,其余全部参数进行多次取值后模型输出的Y值;Y|X~i表示除xi外的其余全部参数固定不变,xi多次取值后的模型输出Y值;表示只输入参数xi的*期望值;表示输入除xi以外全部参数的*期望值;V(*)指*的方差。
基于上述敏感性分析方法,对选取的微观驾驶行为参数进行敏感性分析,得到不同参数的敏感性指标值。并选取敏感性指标值较大的至少一个目标局部参数。
步骤4033,基于遗传算法,基于所述至少一个目标局部参数确定出至少一个取值参数组。
针对上述步骤4033,在具体实施时,通过遗传算法对选取的目标局部参数进行求解,将一组目标局部参数取值视为一个染色体,每个目标局部参数为染色体的基因,目标函数为实测与仿真通行时间的相对误差,公式如下:
F=|Tr-Ts|/Tr
其中,Tr为实测行程时间,Ts为仿真行程时间。
根据本申请提供的实施例,基于python平台调用VISSIM仿真软件com接口实现标定程序自动化运行。遗传算法的求解步骤如下:
(1)每个目标局部参数在取值范围内随机生成100个值,即100个基因值。并随机组合形成100个参数组,即100个染色体。
(2)每组参数值分别在随机种子为20、60、100、140、180的情况下仿真5次,记录宏观指标相对误差,并计算每次迭代的5次仿真的平均相对误差。如果误差逐渐平稳,则停止迭代。
(3)选取每代相对误差最小的前25个参数组为优秀染色体,并对优秀染色体进行基因突变和基因重组以生成下一代参数组,其中突变和重组染色体均为50个。基因突变为将优秀染色体的每个参数在其取值范围的5%以内随机变动;基因重组为将优秀染色体基因顺序打乱,并重新组合形成新的染色体。
(4)重复第2步和第3步,直至误差趋于平稳,终止实验。
在遗传算法求解过程中,平均误差逐渐趋于平稳,并在迭代数次之后停止实验,平均相对误差会逐步下降。通过对遗传算法求解结果的数据分析发现存在多个误差较小的参数组,可见智能算法寻优得到的参数标定结果并不唯一,且这些参数组中各个参数的取值聚为多个不同类别,因此取值方法应保证参数标定结果精准度的同时也应考虑标定结果的可移植性。遗传算法求解过程中确定出至少一个误差较低取值参数组。
步骤4034,对每个取值参数组进行均值聚类分析,得到每个目标局部参数对应的目标参数取值。
针对上述步骤4034,在具体实施时,由于不同参数的取值范围不同,为了更好的对比分析,归一化每个取值参数组中的各个参数值并对每个参数取值进行DBSCAN聚类分析,不同参数内部数据聚集程度不同,选取分散度作为评价指标量化参数数据的聚集性,对聚集程度高的参数优先进行取值。将各个参数根据分散度数值由小到大进行排序,首先对分散度小的参数进行取值,基于聚类分析结果将占比较大的子类均值作为参数标定值,与此同时删除其他子类的参数组合,按照这个原则再次计算其他参数的分散度,并顺次确定其他参数标定值,即可确定出每个目标局部参数对应的目标参数取值。
步骤4035,根据每个目标参数取值对所述原始微观仿真模型进行参数标定,得到标定后的原始微观仿真模型。
针对上述步骤4035,在具体实施时,在确定出每个目标局部参数对应的目标参数取值后,根据每个目标参数取值对原始微观仿真模型进行参数标定,以得到标定后的原始微观仿真模型。
步骤4036,将所述目标机动车行驶工况输入到所述标定后的原始微观仿真模型,得到仿真车辆轨迹数据对应的目标函数值,并判断所述目标函数值与目标函数实测值之间的误差是否小于误差阈值。
步骤4037,若是,则将所述标定后的原始微观仿真模型确定为所述目标微观仿真模型。
步骤4038,若否,则返回执行基于所述至少一种驾驶行为类型对所述原始微观仿真模型进行全局参数标定的步骤,直至所述目标函数值与目标函数实测值之间的误差是否小于误差阈值。
针对上述步骤4036-4038,在具体实施时,将确定出的标定后的原始微观仿真模型后,需要对该模型进行标定结果的验证,判断该模型的仿真是否符合真实的车辆行驶轨迹。具体的,将构建好的目标机动车行驶工况输入到标定后的原始微观仿真模型,得到仿真车辆轨迹数据对应的目标函数值,并判断所述目标函数值与目标函数实测值之间的误差是否小于误差阈值。若是,则认为二者误差满足要求,则停止校核,执行步骤4037,将标定后的原始微观仿真模型确定为最终的目标微观仿真模型。若否,则认为误差不满足要求,执行步骤4038,返回执行基于所述至少一种驾驶行为类型对所述原始微观仿真模型进行全局参数标定的步骤,直至所述目标函数值与目标函数实测值之间的误差是否小于误差阈值。这样,对标定后的原始微观仿真模型进行标定结果验证,可以使最终的目标微观仿真模型更符合真实的车辆行驶轨迹,能够更加接近实测值。
根据本申请提供的实施例,通过改善交通措施以减少机动车污染物排放,可以提前应用微观交通仿真进行模拟。应用微观交通仿真模型前应进行参数标定以提升仿真模型的真实性,由于模型输出的仿真轨迹对于排放模型的预测结果影响较大,因此面向尾气排放预测的仿真模型参数标定至关重要。本申请首先基于驾驶行为分类结果标定仿真模型中期望加、减速度和最大加、减速度曲线。然后通过敏感性分析确定校核参数,并通过遗传算法进行迭代求解。最终通过均值聚类的方式对标定结果进行取值,并验证了参数标定结果。一定程度上提升了微观仿真模型输出轨迹的真实性,为微观排放模型提供了更加准确的仿真轨迹数据。
步骤404,对原始微观排放模型进行第二本地化参数的标定,得到第二微观排放模型。
具体的,第二本地化参数包括车辆信息、气象信息和速度参数。
针对上述步骤404,在具体实施时,根据原始微观排放模型所需参数进行模型本地化标定,作为示例,主要对下述几种参数进行标定:(1)车辆信息:对于燃油信息与类型,例如对北京市进行研究,则根据在北京市实行的国家标准和当地的油品标准进行MOVES模型相关参数的设置。对于车型比例,根据实际调查结果将车型比例输入MOVES模型。(2)气象信息:MOVES模型中的气象信息包括温度和湿度,通过网络查询气象信息,确定数据采集时间段内天气候平均温度和湿度。将实际温度和湿度信息输入MOVES模型。(3)速度参数:MOVES微观排放模型的速度参数包括平均速度、行驶周期和运行工况分布,只需要输入一种参数即可,但无论输入哪种参数最终将转换为运行工况并基于运行工况进行尾气排放估测。因此直接输入运行工况分布可以避免转换误差,精确度最高。
步骤405,将所述目标机动车行驶工况输入到所述目标微观仿真模型中,得到对应的仿真轨迹数据,并基于所述仿真轨迹数据计算所述目标道路上每个车辆的车辆比功率。
这里,机动车比功率比平均速度可以更加准确的反映工况与尾气污染物排放量之间的关系,因此机动车比功率更适合作为机动车尾气污染物排放指标。针对上述步骤405,在具体实施时,将构建好的目标机动车行驶工况输入到标定好的目标微观仿真模型中,得到对应的仿真轨迹数据,并根据全部车辆的仿真轨迹数据计算目标道路上车辆的车辆比功率。具体的,通过以下公式计算:
VSP=v[1.1a+0.132]+0.000302v3
其中,v为机动车行驶速度;a为机动车行驶瞬时加速度。
步骤406,将每个车辆的车辆比功率输入到所述第二微观排放模型中,得到所述目标道路上每个车辆流向上的污染物排放量。
针对上述步骤406,计算出仿真轨迹数据中每个车辆的车辆比功率后,将车辆比功率输入至第二微观排放模型中,即可得到微观区域目标道路的交叉口不同流向的污染物排放因子对应的污染物排放量。
步骤407,基于所述仿真轨迹数据,确定所述仿真轨迹数据中每种驾驶行为类型对应的车辆轨迹,并基于所述车辆轨迹生成运行工况分布数据。
步骤408,将所述运行工况分布数据输入到所述第二微观排放模型中,得到每种驾驶行为类型对应的污染物排放量。
针对上述步骤407和步骤408,在具体实施时,基于目标微观仿真模型输出的仿真轨迹数据,确定仿真轨迹数据中每种驾驶行为类型对应的车辆轨迹,并基于所述车辆轨迹生成运行工况分布数据。然后,将所述运行工况分布数据输入到所述第二微观排放模型中,得到每种驾驶行为类型对应的污染物排放量。这里,通过标定车型的全局参数以显示不同驾驶行为类型的车辆运行特性,根据输出的仿真轨迹数据中的驾驶行为类型可以定位不同驾驶行为类型的车辆的轨迹,并得到不同驾驶行为类型对应的污染物排放量。
本申请实施例提供的机动车尾气污染物排放量的计算方法,在中观层面,基于车辆的原始行驶数据构建了更具代表性的机动车行驶工况,在微观层面,通过细分驾驶行为类型的仿真手段获取微观区域内全部车辆轨迹,可以更精确的量化尾气排放,提升微观仿真模型的准确性。并提出了不同道路等级和不同时期的尾气排放量化方法,通过MOVES微观排放模型计算了目标区域内不同时空特征的污染物排放因子的污染物排放量,并基于标定的VISSIM微观仿真模型计算仿真轨迹数据的车辆比功率,输入至MOVES微观排放模型,得到微观区域目标道路的交叉口不同流向的污染物排放因子对应的污染物排放量以及不同驾驶行为类型对应的污染物排放量。根据本申请提供的计算方法,从中观和微观区域两个层面提升排放模型输入参数的准确度,以提升对机动车尾气污染物排放量的计算的精确度。并且本申请提出的仿真模型参数标定方法,可以构建符合实际的仿真模型,为决策提供支撑,有利于交通管控策略的制定,提升减排效率。
请参阅图3,图3为本申请实施例所提供的一种机动车尾气污染物排放量的计算装置的结构示意图。如图3中所示,所述计算装置300包括:
数据获取模块301,用于获取检测时间内行驶在城市路网内的所有车辆的原始行驶数据;其中,所述原始行驶数据包括所述车辆在所述城市路网内行驶过程中的时间、速度、发动机转速、经度、纬度;
工况构建模块302,用于基于所述原始行驶数据进行行驶工况构建,得到目标机动车行驶工况;
排放量计算模块303,用于基于所述目标机动车行驶工况进行尾气污染物排放量的计算,得到污染物排放因子对应的污染物排放量;其中,所述污染物排放量包括在中观区域下的污染物排放量和在微观区域下的污染物排放量,所述在中观区域下的污染物排放量包括不同时间段的污染物排放量和不同道路等级上的污染物排放量,所述在微观区域下的污染物排放量包括不同车辆流向上的污染物排放量和不同驾驶行为类型对应的污染物排放量。
进一步的,所述工况构建模块302在用于基于所述原始行驶数据进行行驶工况构建,得到目标机动车行驶工况时,所述工况构建模块302还用于:
对所述原始行驶数据中的异常数据和缺失数据进行数据预处理,得到处理后的原始行驶数据;
基于所述处理后的原始行驶数据以及预设的运动状态进行运动学片段提取,得到所述运动状态对应的运动学片段,并计算每个运动学片段对应的第一特征参数值;其中,所述运动状态包括怠速工况、匀速工况、加速工况和减速工况;
基于每个运动学片段的第一特征参数值,进行主成分分析降维,得到至少一个第一主成分,并基于所述至少一个第一主成分对每个运动学片段进行K-means聚类分析,得到至少一类目标运动学片段;
根据每类目标运动学片段进行工况合成,得到原始机动车行驶工况;
利用混合约束自编码器,对所述原始机动车行驶工况进行工况优化,得到所述目标机动车行驶工况。
进一步的,当所述污染物排放量为在中观区域下的污染物排放量时,所述排放量计算模块303还用于通过以下方法对所述污染物排放量进行计算:
对原始微观排放模型进行第一本地化参数的标定,得到第一微观排放模型;其中,所述第一本地化参数包括车辆信息、气象信息和车速参数;
针对于每个预设时间段,将该预设时间段对应的所述目标机动车行驶工况输入到所述第一微观排放模型中,得到该预设时间段内的污染物排放量;
对所述原始行驶数据进行道路等级标定,得到标定后的行驶数据;其中,所述标定后的行驶数据中携带有每个车辆轨迹点对应的道路等级;
基于所述标定后的行驶数据进行行驶工况构建,得携带有不同道路等级标记的目标机动车行驶工况;
将所述携带有不同道路等级标记的目标机动车行驶工况输入到所述第一微观排放模型中,得到每种道路等级上的污染物排放量。
进一步的,当所述污染物排放量为在微观区域下的污染物排放量时,所述排放量计算模块303还用于通过以下方法对所述污染物排放量进行计算:
采集所述城市路网内至少一名驾驶员的机动车逐秒行驶轨迹数据,并基于所述机动车逐秒行驶轨迹数据确定出至少一种驾驶行为类型;
采集目标道路的交叉口数据,并基于所述交叉口数据构建所述目标道路对应的原始微观仿真模型;
基于所述至少一种驾驶行为类型和所述目标机动车行驶工况对所述原始微观仿真模型进行参数标定,得到目标微观仿真模型;
对原始微观排放模型进行第二本地化参数的标定,得到第二微观排放模型;其中,所述第二本地化参数包括车辆信息、气象信息和速度参数;
将所述目标机动车行驶工况输入到所述目标微观仿真模型中,得到对应的仿真轨迹数据,并基于所述仿真轨迹数据计算所述目标道路上每个车辆的车辆比功率;
将每个车辆的车辆比功率输入到所述第二微观排放模型中,得到所述目标道路上每个车辆流向上的污染物排放量;
基于所述仿真轨迹数据,确定所述仿真轨迹数据中每种驾驶行为类型对应的车辆轨迹,并基于所述车辆轨迹生成运行工况分布数据;
将所述运行工况分布数据输入到所述第二微观排放模型中,得到每种驾驶行为类型对应的污染物排放量。
进一步的,所述排放量计算模块303还用于通过以下步骤确定所述至少一种驾驶行为类型:
对所述机动车逐秒行驶轨迹数据中的异常数据和缺失数据进行数据预处理,得到处理后的机动车逐秒行驶轨迹数据;
针对于每名驾驶员,计算该驾驶员在各个速度等级下的第二特征参数值;
基于每名驾驶员的第二特征参数值,进行主成分分析降维,得到至少一个第二主成分,并基于所述至少一个第二主成分对每名驾驶员进行K-means聚类分析,得到至少一种驾驶行为类型。
进一步的,所述排放量计算模块303在用于基于所述至少一种驾驶行为类型和所述目标机动车行驶工况对所述原始微观仿真模型进行参数标定,得到目标微观仿真模型时,所述排放量计算模块303还用于:
基于所述至少一种驾驶行为类型对所述原始微观仿真模型进行全局参数标定;
对所述原始微观仿真模型中的局部参数进行敏感性分析,确定出至少一个目标局部参数;
基于遗传算法,基于所述至少一个目标局部参数确定出至少一个取值参数组;
对每个取值参数组进行均值聚类分析,得到每个目标局部参数对应的目标参数取值;
根据每个目标参数取值对所述原始微观仿真模型进行参数标定,得到标定后的原始微观仿真模型;
将所述目标机动车行驶工况输入到所述标定后的原始微观仿真模型,得到仿真车辆轨迹数据对应的目标函数值,并判断所述目标函数值与目标函数实测值之间的误差是否小于误差阈值;
若是,则将所述标定后的原始微观仿真模型确定为所述目标微观仿真模型;
若否,则返回执行基于所述至少一种驾驶行为类型对所述原始微观仿真模型进行全局参数标定的步骤,直至所述目标函数值与目标函数实测值之间的误差是否小于误差阈值。
请参阅图4,图4为本申请实施例所提供的一种电子设备的结构示意图。如图4中所示,所述电子设备400包括处理器410、存储器420和总线430。
所述存储器420存储有所述处理器410可执行的机器可读指令,当电子设备400运行时,所述处理器410与所述存储器420之间通过总线430通信,所述机器可读指令被所述处理器410执行时,可以执行如上述图1以及图2所示方法实施例中的机动车尾气污染物排放量的计算方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的机动车尾气污染物排放量的计算方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种机动车尾气污染物排放量的计算方法,其特征在于,所述计算方法包括:
获取检测时间内行驶在城市路网内的所有车辆的原始行驶数据;其中,所述原始行驶数据包括所述车辆在所述城市路网内行驶过程中的时间、速度、发动机转速、经度、纬度;
基于所述原始行驶数据进行行驶工况构建,得到目标机动车行驶工况;
基于所述目标机动车行驶工况进行尾气污染物排放量的计算,得到污染物排放因子对应的污染物排放量;其中,所述污染物排放量包括在中观区域下的污染物排放量和在微观区域下的污染物排放量,所述在中观区域下的污染物排放量包括不同时间段的污染物排放量和不同道路等级上的污染物排放量,所述在微观区域下的污染物排放量包括不同车辆流向上的污染物排放量和不同驾驶行为类型对应的污染物排放量。
2.根据权利要求1所述的计算方法,其特征在于,所述基于所述原始行驶数据进行行驶工况构建,得到目标机动车行驶工况,包括:
对所述原始行驶数据中的异常数据和缺失数据进行数据预处理,得到处理后的原始行驶数据;
基于所述处理后的原始行驶数据以及预设的运动状态进行运动学片段提取,得到所述运动状态对应的运动学片段,并计算每个运动学片段对应的第一特征参数值;其中,所述运动状态包括怠速工况、匀速工况、加速工况和减速工况;
基于每个运动学片段的第一特征参数值,进行主成分分析降维,得到至少一个第一主成分,并基于所述至少一个第一主成分对每个运动学片段进行K-means聚类分析,得到至少一类目标运动学片段;
根据每类目标运动学片段进行工况合成,得到原始机动车行驶工况;
利用混合约束自编码器,对所述原始机动车行驶工况进行工况优化,得到所述目标机动车行驶工况。
3.根据权利要求2所述的计算方法,其特征在于,当所述污染物排放量为在中观区域下的污染物排放量时,通过以下方法对所述污染物排放量进行计算:
对原始微观排放模型进行第一本地化参数的标定,得到第一微观排放模型;其中,所述第一本地化参数包括车辆信息、气象信息和车速参数;
针对于每个预设时间段,将该预设时间段对应的所述目标机动车行驶工况输入到所述第一微观排放模型中,得到该预设时间段内的污染物排放量;
对所述原始行驶数据进行道路等级标定,得到标定后的行驶数据;其中,所述标定后的行驶数据中携带有每个车辆轨迹点对应的道路等级;
基于所述标定后的行驶数据进行行驶工况构建,得携带有不同道路等级标记的目标机动车行驶工况;
将所述携带有不同道路等级标记的目标机动车行驶工况输入到所述第一微观排放模型中,得到每种道路等级上的污染物排放量。
4.根据权利要求2所述的计算方法,其特征在于,当所述污染物排放量为在微观区域下的污染物排放量时,通过以下方法对所述污染物排放量进行计算:
采集所述城市路网内至少一名驾驶员的机动车逐秒行驶轨迹数据,并基于所述机动车逐秒行驶轨迹数据确定出至少一种驾驶行为类型;
采集目标道路的交叉口数据,并基于所述交叉口数据构建所述目标道路对应的原始微观仿真模型;
基于所述至少一种驾驶行为类型和所述目标机动车行驶工况对所述原始微观仿真模型进行参数标定,得到目标微观仿真模型;
对原始微观排放模型进行第二本地化参数的标定,得到第二微观排放模型;其中,所述第二本地化参数包括车辆信息、气象信息和速度参数;
将所述目标机动车行驶工况输入到所述目标微观仿真模型中,得到对应的仿真轨迹数据,并基于所述仿真轨迹数据计算所述目标道路上每个车辆的车辆比功率;
将每个车辆的车辆比功率输入到所述第二微观排放模型中,得到所述目标道路上每个车辆流向上的污染物排放量;
基于所述仿真轨迹数据,确定所述仿真轨迹数据中每种驾驶行为类型对应的车辆轨迹,并基于所述车辆轨迹生成运行工况分布数据;
将所述运行工况分布数据输入到所述第二微观排放模型中,得到每种驾驶行为类型对应的污染物排放量。
5.根据权利要求4所述的计算方法,其特征在于,通过以下步骤确定所述至少一种驾驶行为类型:
对所述机动车逐秒行驶轨迹数据中的异常数据和缺失数据进行数据预处理,得到处理后的机动车逐秒行驶轨迹数据;
针对于每名驾驶员,计算该驾驶员在各个速度等级下的第二特征参数值;
基于每名驾驶员的第二特征参数值,进行主成分分析降维,得到至少一个第二主成分,并基于所述至少一个第二主成分对每名驾驶员进行K-means聚类分析,得到至少一种驾驶行为类型。
6.根据权利要求5所述的计算方法,其特征在于,所述基于所述至少一种驾驶行为类型和所述目标机动车行驶工况对所述原始微观仿真模型进行参数标定,得到目标微观仿真模型,包括:
基于所述至少一种驾驶行为类型对所述原始微观仿真模型进行全局参数标定;
对所述原始微观仿真模型中的局部参数进行敏感性分析,确定出至少一个目标局部参数;
基于遗传算法,基于所述至少一个目标局部参数确定出至少一个取值参数组;
对每个取值参数组进行均值聚类分析,得到每个目标局部参数对应的目标参数取值;
根据每个目标参数取值对所述原始微观仿真模型进行参数标定,得到标定后的原始微观仿真模型;
将所述目标机动车行驶工况输入到所述标定后的原始微观仿真模型,得到仿真车辆轨迹数据对应的目标函数值,并判断所述目标函数值与目标函数实测值之间的误差是否小于误差阈值;
若是,则将所述标定后的原始微观仿真模型确定为所述目标微观仿真模型;
若否,则返回执行基于所述至少一种驾驶行为类型对所述原始微观仿真模型进行全局参数标定的步骤,直至所述目标函数值与目标函数实测值之间的误差是否小于误差阈值。
7.一种机动车尾气污染物排放量的计算装置,其特征在于,所述计算装置包括:
数据获取模块,用于获取检测时间内行驶在城市路网内的所有车辆的原始行驶数据;其中,所述原始行驶数据包括所述车辆在所述城市路网内行驶过程中的时间、速度、发动机转速、经度、纬度;
工况构建模块,用于基于所述原始行驶数据进行行驶工况构建,得到目标机动车行驶工况;
排放量计算模块,用于基于所述目标机动车行驶工况进行尾气污染物排放量的计算,得到污染物排放因子对应的污染物排放量;其中,所述污染物排放量包括在中观区域下的污染物排放量和在微观区域下的污染物排放量,所述在中观区域下的污染物排放量包括不同时间段的污染物排放量和不同道路等级上的污染物排放量,所述在微观区域下的污染物排放量包括不同车辆流向上的污染物排放量和不同驾驶行为类型对应的污染物排放量。
8.根据权利要求7所述的计算装置,其特征在于,所述工况构建模块在用于基于所述原始行驶数据进行行驶工况构建,得到目标机动车行驶工况时,所述工况构建模块还用于:
对所述原始行驶数据中的异常数据和缺失数据进行数据预处理,得到处理后的原始行驶数据;
基于所述处理后的原始行驶数据以及预设的运动状态进行运动学片段提取,得到所述运动状态对应的运动学片段,并计算每个运动学片段对应的第一特征参数值;其中,所述运动状态包括怠速工况、匀速工况、加速工况和减速工况;
基于每个运动学片段的第一特征参数值,进行主成分分析降维,得到至少一个第一主成分,并基于所述至少一个第一主成分对每个运动学片段进行K-means聚类分析,得到至少一类目标运动学片段;
根据每类目标运动学片段进行工况合成,得到原始机动车行驶工况;
利用混合约束自编码器,对所述原始机动车行驶工况进行工况优化,得到所述目标机动车行驶工况。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线进行通信,所述机器可读指令被所述处理器运行时执行如权利要求1至6任一所述的机动车尾气污染物排放量的计算方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至6任一所述的机动车尾气污染物排放量的计算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211064211.2A CN115422747A (zh) | 2022-09-01 | 2022-09-01 | 一种机动车尾气污染物排放量的计算方法和计算装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211064211.2A CN115422747A (zh) | 2022-09-01 | 2022-09-01 | 一种机动车尾气污染物排放量的计算方法和计算装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115422747A true CN115422747A (zh) | 2022-12-02 |
Family
ID=84199409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211064211.2A Pending CN115422747A (zh) | 2022-09-01 | 2022-09-01 | 一种机动车尾气污染物排放量的计算方法和计算装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115422747A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115983720A (zh) * | 2023-03-17 | 2023-04-18 | 中汽研汽车检验中心(昆明)有限公司 | 基于海拔和温度的汽车排放性能检测方法 |
CN116992265A (zh) * | 2023-09-22 | 2023-11-03 | 卡奥斯工业智能研究院(青岛)有限公司 | 碳排放量估算方法、装置、设备和存储介质 |
CN117852318A (zh) * | 2024-03-07 | 2024-04-09 | 中汽研汽车检验中心(昆明)有限公司 | 一种汽车尾气净化装置耦合系统的性能仿真方法及系统 |
-
2022
- 2022-09-01 CN CN202211064211.2A patent/CN115422747A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115983720A (zh) * | 2023-03-17 | 2023-04-18 | 中汽研汽车检验中心(昆明)有限公司 | 基于海拔和温度的汽车排放性能检测方法 |
CN115983720B (zh) * | 2023-03-17 | 2023-06-27 | 中汽研汽车检验中心(昆明)有限公司 | 基于海拔和温度的汽车排放性能检测方法 |
CN116992265A (zh) * | 2023-09-22 | 2023-11-03 | 卡奥斯工业智能研究院(青岛)有限公司 | 碳排放量估算方法、装置、设备和存储介质 |
CN116992265B (zh) * | 2023-09-22 | 2024-01-09 | 卡奥斯工业智能研究院(青岛)有限公司 | 碳排放量估算方法、装置、设备和存储介质 |
CN117852318A (zh) * | 2024-03-07 | 2024-04-09 | 中汽研汽车检验中心(昆明)有限公司 | 一种汽车尾气净化装置耦合系统的性能仿真方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ping et al. | Impact of driver behavior on fuel consumption: Classification, evaluation and prediction using machine learning | |
CN115422747A (zh) | 一种机动车尾气污染物排放量的计算方法和计算装置 | |
CN109840660B (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
CN110188797A (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
CN113158560A (zh) | 一种基于场景对抗的智能驾驶车辆自主能力测试方法 | |
Alshayeb et al. | Investigating impacts of various operational conditions on fuel consumption and stop penalty at signalized intersections | |
CN115081508B (zh) | 一种基于交通数字孪生的交通运行风险平行仿真系统 | |
CN113222385B (zh) | 一种电动汽车行驶工况构建与评价方法 | |
Zhu et al. | An automated vehicle fuel economy benefits evaluation framework using real-world travel and traffic data | |
CN108629450A (zh) | 一种液化天然气公交车尾气排放预测方法 | |
KR102303077B1 (ko) | 연소 엔진을 탑재한 차량의 구동 시스템의 배기가스 배출량 감소 방법 | |
CN113297795A (zh) | 一种纯电动汽车行驶工况构建方法 | |
Suzdaleva et al. | Two-layer pointer model of driving style depending on the driving environment | |
CN115860214A (zh) | 一种pm2.5排放浓度的预警方法和装置 | |
Cui et al. | A novel optimization-based method to develop representative driving cycle in various driving conditions | |
CN113095387B (zh) | 基于联网车载adas的道路风险识别方法 | |
CN112948965A (zh) | 一种基于机器学习和统计验证的汽车行驶工况的构建方法 | |
Zhang et al. | An improved method for evaluating eco-driving behavior based-on speed-specific vehicle-specific power distributions | |
CN111125862B (zh) | 一种基于遗传算法和比功率的跟驰模型排放测算方法 | |
Yamashita et al. | Accessing and constructing driving data to develop fuel consumption forecast model | |
CN115691140B (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
CN112035536A (zh) | 一种考虑动态路网交通流的电动汽车能耗预测方法 | |
Reddy | Driving behaviour classification: An eco-driving approach | |
Deniz et al. | Application of data mining methods for analyzing of the fuel consuption and emission levels | |
Topić et al. | Analysis of City Bus Driving Cycle Features for the Purpose of Multidimensional Driving Cycle Synthesis |
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 |