CN115424448B - 一种基于交通出行数据的交通碳排放量评估方法与系统 - Google Patents
一种基于交通出行数据的交通碳排放量评估方法与系统 Download PDFInfo
- Publication number
- CN115424448B CN115424448B CN202211373893.5A CN202211373893A CN115424448B CN 115424448 B CN115424448 B CN 115424448B CN 202211373893 A CN202211373893 A CN 202211373893A CN 115424448 B CN115424448 B CN 115424448B
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- traffic
- carbon
- congestion coefficient
- congestion
- 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.)
- Active
Links
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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
Abstract
本发明提供一种基于交通出行数据的交通碳排放量评估方法与系统,属于计费设备技术领域,具体包括:基于市政车辆、公交车辆、长途客车的碳排放量,构建固定碳排放量;获取除市政车辆、公交车辆、长途客车的其他类型车辆的其它碳排放量,并得到基础碳排放量;基于天气、日期类型、交通事故量,建立拥堵系数预测模型,得到道路的拥堵系数,并判断所述道路的拥堵系数是否大于第一拥堵阈值,若是,则基于拥堵系数对基础碳排放量进行修正,得到指定碳排放量,若否,则将基础碳排放量作为指定碳排放量;基于燃油销售吨数对指定碳排放量进行修正,得到交通碳排放量,从而进一步提升了交通碳排放量评估和监测的准确性,为降低碳排放量奠定了基础。
Description
技术领域
本发明属于碳排放监测技术领域,具体涉及一种基于交通出行数据的交通碳排放量评估方法与系统。
背景技术
2020年,中国交通出行领域碳排放量为11亿公吨,占中国二氧化碳总排放量的11%。其中,汽车行业覆盖货运和客运两个领域,占四大交通运输方式(航空、公路、铁路、航运)排放总量的80%以上,因此如何基于交通出行数据,实现交通碳排放量的准确评估成为亟待解决的技术问题。
为了实现交通出行过程中的碳排放量的准确评估,在授权发明专利授权公告号CN111680936B《一种交通碳排放量的监测方法、装置及终端设备》中通过获取待监测区域中道路交通上行驶车辆的车辆信息,并基于车辆信息和与车辆信息对应的第一排放系数,获得道路交通上的第一交通碳排放量;获取待监测区域中客运枢纽站内车辆的行驶信息,并基于行驶信息和与行驶信息对应的第二排放系数,获得所述客运枢纽站的第二交通碳排放量;基于第一交通碳排放量和第二交通碳排放量,获得所述待监测区域的交通碳排放量,但是却存在一下技术问题:
1、未考虑拥挤程度的影响,不管是客车还是普通车辆其处于拥挤状态和正常行驶状态,其碳排放量明显不同,处于拥挤状态的时候其碳排放强度明显偏高。
2、未根据城市的燃油销售吨数对碳排放量的监测结果进行修正,由于车辆产生碳排放的根源是燃油燃烧产生的,若不能根据燃油销售吨数对碳排放量的监测结果进行修正,将不可避免的降低碳排放量计算的准确性。
基于上述技术问题,需要设计一种基于交通出行数据的交通碳排放量评估方法与系统。
发明内容
本发明的目的是提供一种基于交通出行数据的交通碳排放量评估方法与系统。
为了解决上述技术问题,本发明第一方面提供了一种基于交通出行数据的交通碳排放量评估方法,包括:
S11基于市政车辆、公交车辆、长途客车的碳排放量,构建固定碳排放量;
S12获取除市政车辆、公交车辆、长途客车的其他类型车辆的车辆信息,并基于与所述车辆信息对应的碳排放强度,得到其它碳排放量,并基于其它碳排放量与固定碳排放量得到基础碳排放量;
S13基于天气、日期类型、交通事故量,建立拥堵系数预测模型,得到道路的拥堵系数,并判断所述道路的拥堵系数是否大于第一拥堵阈值,若是,则直接进入步骤S15,并将所述基础碳排放量作为指定碳排放量,若否,则进入步骤S14;
S14基于所述拥堵系数对所述基础碳排放量进行修正,得到指定碳排放量;
S15基于燃油销售吨数对所述指定碳排放量进行修正,得到交通碳排放量。
通过拥堵系数预测模型的构建,从而可以实现基于天气、日期类型、交通事故量对拥堵系数的预测,从而可以较为全面的考虑了造成拥堵的原因,可以较为准确的实现对拥堵系数的确定,从而也为碳排放量的准确预测奠定基础,同时也为准确的进行针对性的节碳奠定了基础。
通过第一拥堵阈值的设置,从而避免由于轻微拥堵或者不存在拥堵时,采用拥堵系数对基础碳排放量进行修正,导致最终的预测精度不够准确的技术问题,使得最终的碳排放量的预测精度更为精确。
通过采用燃油销售吨数以及拥堵系数对碳排放量进行修正,从而可以使得碳排放量可以与燃油消耗以及拥堵情况结合起来,而不是仅仅考虑单一的道路车辆行驶情况,导致部分未检测到的车辆等无法检测导致的碳排放量计算结果较低的技术问题的出现。
进一步的技术方案在于,所述固定碳排放量构建的具体步骤为:
S21基于市政车辆、公交车辆、长途客车的当天排班的固定车辆信息,得到固定车辆信息
S22基于市政车辆、公交车辆、长途客车的固定车辆信息以及与所述固定车辆信息对应的行驶线路,得到基础固定碳排放量;
S23基于行驶线路上的交通灯数量以及时间,对基础固定碳排放量进行修正,得到固定碳排放量。
通过基于行驶线路上的交通灯数量以及时间对基础固定碳排放量进行修正,从而充分考虑到了不同车辆在不同线路上由于交通灯的数量以及时间的不同导致的碳排放量的不同,从而使得最终的固定碳排放量的预测结果变得更加准确。
进一步的技术方案在于,所述固定碳排放量的计算公式为:
其中P1为固定排碳量,P2为固定碳排放量,N为交通灯时间T大于最小交通灯时间阈值Tmin的数量,TJ为第J个交通灯的时间,Tmin为30秒,K1为常数,取值范围在0到1之间。
进一步的技术方案在于,所述车辆信息包括车辆类型、车辆行驶距离、车辆行驶时间,所述其它碳排放量跟所述车辆类型、车辆行驶距离、车辆行驶时间、碳排放强度相关。
进一步的技术方案在于,道路的拥堵系数的构建的具体步骤为:
S31基于天气、日期类型构建输入集,并将所述输入集传输至基于EPO-BP神经网络算法的预测模型之中,得到预测交通事故量以及交通事故处理时间;
S32基于所述预测交通事故量、天气、日期类型、交通事故处理时间构建拥堵系数输入集;
S33将所述拥堵系数输入集传输至基于GRU算法的拥堵系数预测模型中,得到道路的拥堵系数。
通过首先基于EPO-BP神经网络算法的预测模型,从而可以较为准确且高效的实现对预测交通事故量以及交通事故处理时间的确定,从而也为进一步集合GRU算法实现对拥堵系数的确定,垫定了基础。
进一步的技术方案在于,所述天气至少包括是否存在异常天气预警信号、降雨量、降雪量;所述日期类型至少包括工作日、周末、法定节假日。
进一步的技术方案在于,所述第一拥堵阈值根据所在城市的车辆保有量、所在城市的常住人口确定,其中车辆保有量越大,城市的常住人口越多,第一拥堵阈值就越小。
进一步的技术方案在于,所述指定碳排放量的计算公式为:
其中D为拥挤系数,C2为指定碳排放量,C1为基础碳排放量,K2、K3为常数,取值均在0到1之间,具体的根据所在城市的碳排放量的监管严格程度相关,监管程度越严格,K2、K3越大。
进一步的技术方案在于,所述交通碳排放量构建的具体步骤为:
S41获取当天的当天燃油销售吨数,并基于所述当天的日期类型,获取最近一个月内的同等日期类型的平均燃油销售吨数;
S42判断所述当天燃油销售吨数与所述平均燃油销售吨数的差值是否小于第一阈值,若是则将所述当天燃油销售吨数作为燃油销售吨数,若否则将基于所述燃油销售吨数与所述燃油销售吨数的平均值作为燃油销售吨数;
S43基于所述燃油销售吨数确定燃油燃烧产生的碳排放量,并将所述燃油燃烧产生的碳排放量所述指定碳排放量的补偿项对所述指定碳排放量进行补偿确定所述交通碳排放量。
另一方面,本发明提供了一种基于交通出行数据的交通碳排放量评估系统,采用上述的一种基于交通出行数据的交通碳排放量评估方法,包括固定碳排放量确定模块,基础碳排放量确定模块,拥堵系数确定模块,指定碳排放量确定模块,燃油销售吨数确定模块,交通碳排放量确定模块;
其中所述固定碳排放量确定模块负责构建固定碳排放量;
所述基础碳排放量确定模块负责构建基础碳排放量;
所述拥堵系数确定模块负责基于天气、日期类型、交通事故量,建立拥堵系数预测模型,得到道路的拥堵系数;
所述指定碳排放量确定模块负责构建指定碳排放量;
所述燃油销售吨数确定模块负责确定燃油销售吨数;
所述交通碳排放量确定模块负责确定交通碳排放量。
其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、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
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显。
图1是根据实施例1的一种基于交通出行数据的交通碳排放量评估方法的流程图;
图2是根据实施例1的道路的拥堵系数的构建的具体步骤的流程图;
图3是根据实施例2的一种基于交通出行数据的交通碳排放量评估系统的框架图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本发明将全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构,因而将省略它们的详细描述。
用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
实施例1
为解决上述问题,根据本发明的一个方面,如图1所示,提供了一种基于交通出行数据的交通碳排放量评估方法,包括:
S11基于市政车辆、公交车辆、长途客车的碳排放量,构建固定碳排放量;
具体的举个例子,由于市政车辆、公交车辆、长途客车的车辆类型、运行线路、运行时间均为固定的,因此可以通过市政车辆、公交车辆、长途客车的车辆类型、运行线路、运行时间,不同的车辆类型的排量,进行固定碳排放量的确认。
具体的举个例子,市政车辆的碳排放量为60t,公交车辆为120t,长途客车为100t,则固定碳排放量为320t。
S12获取除市政车辆、公交车辆、长途客车的其他类型车辆的车辆信息,并基于与所述车辆信息对应的碳排放强度,得到其它碳排放量,并基于其它碳排放量与固定碳排放量得到基础碳排放量;
具体的举个例子,可以通过街道摄像头读取车辆的车牌号,根据车辆的行驶历程确定其碳排放量,车辆的车牌号对应其车辆信息,车辆信息包括车辆的排量、车辆的碳排放强度等。
具体的举个例子,若获取得到的车辆信息总共有100万台汽车的车辆信息,其对应的碳排放强度均为0.5t,则基础碳排放量为50t。
S13基于天气、日期类型、交通事故量,建立拥堵系数预测模型,得到道路的拥堵系数,并判断所述道路的拥堵系数是否大于第一拥堵阈值,若是,则直接进入步骤S15,并将所述基础碳排放量作为指定碳排放量,若否,则进入步骤S14;
具体的举个例子,天气至少包括是否存在异常天气预警信号,当存在异常天气预警信号时为1,否则为0,同时降雪量、降雨量、路面的结冰厚度、路面的平均积水深度等容易造成车辆拥堵的天气影响因素。
具体的举个例子,日期类型包括工作日、周末、节假日,不同的日期类型条件下其日期类型也不相同。
具体的举个例子,交通事故量仅将超过一定处理时间阈值的交通事故统计,亦或者为了避免有些交通事故未统计,可以采用预测模型的方式得到交通事故量。
具体的举个例子,拥堵系数预测模型采用基于BP神经网络算法的模型构建。
预测模型是在采用定量预测法进行预测时,最重要的工作是建立预测数学模型。预测模型是指用于预测的,用数学语言或公式所描述的事物间的数量关系。它在一定程度上揭示了事物间的内在规律性,预测时把它作为计算预测值的直接依据。因此,它对预测准确度有极大的影响。任何一种具体的预测方法都是以其特定的数学模型为特征。预测方法的种类很多,各有相应的预测模型。
具体的举个例子,若道路的拥堵系数为0.9,第一拥堵阈值为0.2,则进入步骤S13。
S14基于所述拥堵系数对所述基础碳排放量进行修正,得到指定碳排放量;
具体的举个例子,若拥堵系数为0.9,基础碳排放量为100t,则指定碳排放量为100+0.9乘以100除以10,最后的结果为109t。
S15基于燃油销售吨数对所述指定碳排放量进行修正,得到交通碳排放量。
具体的举个例子,可以通过燃油销售吨数产生的碳排放量对指定碳排放量进行修正,也可以采用单独的燃油销售吨数构建补偿系数进行修正,若燃油销售吨数为10t,指定碳排放量为100t,则交通碳排放量为100+10/10等于101t。
通过拥堵系数预测模型的构建,从而可以实现基于天气、日期类型、交通事故量对拥堵系数的预测,从而可以较为全面的考虑了造成拥堵的原因,可以较为准确的实现对拥堵系数的确定,从而也为碳排放量的准确预测奠定基础,同时也为准确的进行针对性的节碳奠定了基础。
通过第一拥堵阈值的设置,从而避免由于轻微拥堵或者不存在拥堵时,采用拥堵系数对基础碳排放量进行修正,导致最终的预测精度不够准确的技术问题,使得最终的碳排放量的预测精度更为精确。
通过采用燃油销售吨数以及拥堵系数对碳排放量进行修正,从而可以使得碳排放量可以与燃油消耗以及拥堵情况结合起来,而不是仅仅考虑单一的道路车辆行驶情况,导致部分未检测到的车辆等无法检测导致的碳排放量计算结果较低的技术问题的出现。
在另外一种可能的实施例中,所述固定碳排放量构建的具体步骤为:
S21基于市政车辆、公交车辆、长途客车的当天排班的固定车辆信息,得到固定车辆信息;
具体的举个例子,固定车辆信息包括不同车型的碳排放强度、行驶的趟数和时间。
S22基于市政车辆、公交车辆、长途客车的固定车辆信息以及与所述固定车辆信息对应的行驶线路,得到基础固定碳排放量;
具体的举个例子,根据不同车型的碳排放强度、行驶的趟数、时间、行驶线路,从而可以计算得到基础固定碳排放量。
具体的举个例子,若碳排放强度为0.01t,形式的趟数为5趟,时间为10个小时,行驶线路历程为20km,则基础固定碳排放量则可以计算得到。
S23基于行驶线路上的交通灯数量以及时间,对基础固定碳排放量进行修正,得到固定碳排放量。
通过基于行驶线路上的交通灯数量以及时间对基础固定碳排放量进行修正,从而充分考虑到了不同车辆在不同线路上由于交通灯的数量以及时间的不同导致的碳排放量的不同,从而使得最终的固定碳排放量的预测结果变得更加准确。
在另外一种可能的实施例中,所述固定碳排放量的计算公式为:
其中P1为固定排碳量,P2为固定碳排放量,N为交通灯时间T大于最小交通灯时间阈值Tmin的数量,TJ为第J个交通灯的时间,Tmin为30秒,K1为常数,取值范围在0到1之间。
在另外一种可能的实施例中,所述车辆信息包括车辆类型、车辆行驶距离、车辆行驶时间,所述其它碳排放量跟所述车辆类型、车辆行驶距离、车辆行驶时间、碳排放强度相关。
在另外一种可能的实施例中,如图2所示,道路的拥堵系数的构建的具体步骤为:
S31基于天气、日期类型构建输入集,并将所述输入集传输至基于EPO-BP神经网络算法的预测模型之中,得到预测交通事故量以及交通事故处理时间;
具体的举个例子,若天气为无降雨、无降雪、无异常天气预警信号、日期类型为工作日,则可以预测得到预测交通事故量为20个,交通事故处理时间为9个小时。
具体的举个例子,帝企鹅优化(Emperor Penguin Optimizer,EPO)算法是DhimanG和Kumar V于2018年提出的一种新型群智能算法,该算法具有参数少、收敛精度高等特点。帝企鹅从事各种活动,如狩猎、群体觅食,是群居性动物。每当恶劣的气候来临,它们会挤在一起防风御寒。帝企鹅在南极极端冬季期间主要以集群的方式互相取暖来度过−40℃的冬季。为了保证每只企鹅都能取暖,因此每只企鹅都在平等地做出贡献,同时它们的社交行为极为团结以及分工明确。
具体的举个例子,基本BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行,而调整权值和阈值则从输出到输入的方向进行。正向传播时,输入信号通过隐含层作用于输出节点,经过非线性变换,产生输出信号,若实际输出与期望输出不相符,则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的信息。
具体的举个例子,采用EPO算法对BP神经网络算法的隐含层数量实现寻优。
S32基于所述预测交通事故量、天气、日期类型、交通事故处理时间构建拥堵系数输入集;
S33将所述拥堵系数输入集传输至基于GRU算法的拥堵系数预测模型中,得到道路的拥堵系数。
具体的举个例子,通过本模型预测得到的拥堵系数的均方误差在1.267%,与采用单独的BP神经网络预测算法或者模型的均方误差均为1.512%左右,具有较为明显的优势。
通过首先基于EPO-BP神经网络算法的预测模型,从而可以较为准确且高效的实现对预测交通事故量以及交通事故处理时间的确定,从而也为进一步集合GRU算法实现对拥堵系数的确定,垫定了基础。
在另外一种可能的实施例中,所述天气至少包括是否存在异常天气预警信号、降雨量、降雪量;所述日期类型至少包括工作日、周末、法定节假日。
具体的举个例子,若存在异常天气预警信号,则天气为1,降雨量大于10mm,则将降雨量为15,则天气为1,15二维数据。
在另外一种可能的实施例中,所述第一拥堵阈值根据所在城市的车辆保有量、所在城市的常住人口确定,其中车辆保有量越大,城市的常住人口越多,第一拥堵阈值就越小。
在另外一种可能的实施例中,所述指定碳排放量的计算公式为:
其中D为拥挤系数,C2为指定碳排放量,C1为基础碳排放量,K2、K3为常数,取值均在0到1之间,具体的根据所在城市的碳排放量的监管严格程度相关,监管程度越严格,K2、K3越大。
在另外一种可能的实施例中,所述交通碳排放量构建的具体步骤为:
S41获取当天的当天燃油销售吨数,并基于所述当天的日期类型,获取最近一个月内的同等日期类型的平均燃油销售吨数;
S42判断所述当天燃油销售吨数与所述平均燃油销售吨数的差值是否小于第一阈值,若是则将所述当天燃油销售吨数作为燃油销售吨数,若否则将基于所述燃油销售吨数与所述燃油销售吨数的平均值作为燃油销售吨数;
S43基于所述燃油销售吨数确定燃油燃烧产生的碳排放量,并将所述燃油燃烧产生的碳排放量所述指定碳排放量的补偿项对所述指定碳排放量进行补偿确定所述交通碳排放量。
具体的举个例子,若燃油燃烧产生的碳排放量为20t,指定碳排放量为30t,则交通碳排放量为30+20/10=32t。
实施例2
如图3所示,本申请实施例中提供本发明提供了一种基于交通出行数据的交通碳排放量评估系统,采用上述的一种基于交通出行数据的交通碳排放量评估方法,包括固定碳排放量确定模块,基础碳排放量确定模块,拥堵系数确定模块,指定碳排放量确定模块,燃油销售吨数确定模块,交通碳排放量确定模块;
其中所述固定碳排放量确定模块负责构建固定碳排放量;
所述基础碳排放量确定模块负责构建基础碳排放量;
所述拥堵系数确定模块负责基于天气、日期类型、交通事故量,建立拥堵系数预测模型,得到道路的拥堵系数;
所述指定碳排放量确定模块负责构建指定碳排放量;
所述燃油销售吨数确定模块负责确定燃油销售吨数;
所述交通碳排放量确定模块负责确定交通碳排放量。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明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)执行本发明各个实施例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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (9)
1.一种基于交通出行数据的交通碳排放量评估方法,其特征在于,具体包括:
S11基于市政车辆、公交车辆、长途客车的碳排放量,构建固定碳排放量;
S12获取除市政车辆、公交车辆、长途客车的其他类型车辆的车辆信息,并基于与所述车辆信息对应的碳排放强度,得到其它碳排放量,并基于其它碳排放量与固定碳排放量得到基础碳排放量;
S13基于天气、日期类型、交通事故量,建立拥堵系数预测模型,得到道路的拥堵系数,并判断所述道路的拥堵系数是否大于第一拥堵阈值,若否,则直接进入步骤S15,并将所述基础碳排放量作为指定碳排放量,若是,则进入步骤S14;
S14基于所述拥堵系数对所述基础碳排放量进行修正,得到指定碳排放量;
S15基于燃油销售吨数对所述指定碳排放量进行修正,得到交通碳排放量。
2.如权利要求1所述的交通碳排放量评估方法,其特征在于,所述固定碳排放量构建的具体步骤为:
S21基于市政车辆、公交车辆、长途客车的当天排班的固定车辆信息,得到固定车辆信息
S22基于市政车辆、公交车辆、长途客车的固定车辆信息以及与所述固定车辆信息对应的行驶线路,得到基础固定碳排放量;
S23基于行驶线路上的交通灯数量以及时间,对基础固定碳排放量进行修正,得到固定碳排放量。
4.如权利要求1所述的交通碳排放量评估方法,其特征在于,所述车辆信息包括车辆类型、车辆行驶距离、车辆行驶时间,所述其它碳排放量跟所述车辆类型、车辆行驶距离、车辆行驶时间、碳排放强度相关。
5.如权利要求1所述的交通碳排放量评估方法,其特征在于,道路的拥堵系数的构建的具体步骤为:
S31基于天气、日期类型构建输入集,并将所述输入集传输至基于EPO-BP神经网络算法的预测模型之中,得到预测交通事故量以及交通事故处理时间;
S32基于所述预测交通事故量、天气、日期类型、交通事故处理时间构建拥堵系数输入集;
S33将所述拥堵系数输入集传输至基于GRU算法的拥堵系数预测模型中,得到道路的拥堵系数。
6.如权利要求5所述的交通碳排放量评估方法,其特征在于,所述天气包括是否存在异常天气预警信号、降雨量、降雪量;所述日期类型至少包括工作日、周末、法定节假日。
7.如权利要求1所述的交通碳排放量评估方法,其特征在于,所述第一拥堵阈值根据所在城市的车辆保有量、所在城市的常住人口确定,其中车辆保有量越大,城市的常住人口越多,第一拥堵阈值就越小。
9.一种基于交通出行数据的交通碳排放量评估系统,采用权利要求1-8任意一项所述的一种基于交通出行数据的交通碳排放量评估方法,包括固定碳排放量确定模块,基础碳排放量确定模块,拥堵系数确定模块,指定碳排放量确定模块,燃油销售吨数确定模块,交通碳排放量确定模块;
其中所述固定碳排放量确定模块负责构建固定碳排放量;
所述基础碳排放量确定模块负责构建基础碳排放量;
所述拥堵系数确定模块负责基于天气、日期类型、交通事故量,建立拥堵系数预测模型,得到道路的拥堵系数;
所述指定碳排放量确定模块负责构建指定碳排放量;
所述燃油销售吨数确定模块负责确定燃油销售吨数;
所述交通碳排放量确定模块负责确定交通碳排放量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211373893.5A CN115424448B (zh) | 2022-11-04 | 2022-11-04 | 一种基于交通出行数据的交通碳排放量评估方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211373893.5A CN115424448B (zh) | 2022-11-04 | 2022-11-04 | 一种基于交通出行数据的交通碳排放量评估方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115424448A CN115424448A (zh) | 2022-12-02 |
CN115424448B true CN115424448B (zh) | 2023-02-10 |
Family
ID=84207461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211373893.5A Active CN115424448B (zh) | 2022-11-04 | 2022-11-04 | 一种基于交通出行数据的交通碳排放量评估方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115424448B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378458A (zh) * | 2021-05-26 | 2021-09-10 | 广州华南路桥实业有限公司 | 一种基于大数据的拥堵预警方法、装置、介质及设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4840077B2 (ja) * | 2006-10-24 | 2011-12-21 | 株式会社デンソー | コスト算出装置、ナビゲーション装置、プログラム |
CN101403364A (zh) * | 2008-04-06 | 2009-04-08 | 韦仁旭 | 一种液压动力发动机及发电机组装置 |
JPWO2013080312A1 (ja) * | 2011-11-29 | 2015-04-27 | パイオニア株式会社 | エネルギー消費量推定装置、エネルギー消費量推定方法、エネルギー消費量推定プログラムおよび記録媒体 |
CN105225488B (zh) * | 2015-11-05 | 2017-08-25 | 北京交通发展研究院 | 一种基于机动车比功率的速度对车辆排放因子修正方法 |
US20200225655A1 (en) * | 2016-05-09 | 2020-07-16 | Strong Force Iot Portfolio 2016, Llc | Methods, systems, kits and apparatuses for monitoring and managing industrial settings in an industrial internet of things data collection environment |
CN106530692A (zh) * | 2016-10-25 | 2017-03-22 | 黑龙江省城市规划勘测设计研究院 | 一种基于交通拥堵评价指标的机动车油耗排放强度测算方法 |
CN106600027A (zh) * | 2016-10-31 | 2017-04-26 | 上海市政工程设计研究总院(集团)有限公司 | 城市交通碳排放量测算系统和测算方法 |
CN115063758A (zh) * | 2022-07-21 | 2022-09-16 | 北京微芯区块链与边缘计算研究院 | 一种基于视频数据的交通碳排计算方法及系统 |
-
2022
- 2022-11-04 CN CN202211373893.5A patent/CN115424448B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378458A (zh) * | 2021-05-26 | 2021-09-10 | 广州华南路桥实业有限公司 | 一种基于大数据的拥堵预警方法、装置、介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115424448A (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Beevers et al. | The impact of congestion charging on vehicle emissions in London | |
US20070174004A1 (en) | System and method for identifying fuel savings opportunity in vehicles | |
US11763268B2 (en) | Method and system to improve driver information and vehicle maintenance | |
US20160283963A1 (en) | Providing real-time access to resources based on driving record | |
KR101419686B1 (ko) | 탄소 배출량 산출 장치 | |
US20160292768A1 (en) | Vehicle ratings via measured driver behavior | |
CN109903558B (zh) | 一种道路桥梁车辆荷载监控系统及监控方法 | |
Giles | Driver speed compliance in Western Australia: a multivariate analysis | |
CN104240529A (zh) | 一种预测公交到站时间的方法及系统 | |
CN108133345A (zh) | 一种基于货车海量轨迹数据判断回程车的方法及系统 | |
US10040459B1 (en) | Driver fuel score | |
Pindilli | Applications for the Environment: Real-Time Information Synthesis (AERIS)—Benefit-Cost Analysis | |
CN115424448B (zh) | 一种基于交通出行数据的交通碳排放量评估方法与系统 | |
CN113886374A (zh) | 一种基于gps数据和车辆运单计算车辆载货里程的方法 | |
Pourabdollah et al. | Fuel economy assessment of semi-autonomous vehicles using measured data | |
Kamenchukov et al. | Improving the criteria for determining dates of repair of highways | |
CN108122045B (zh) | 物流车辆调度装置及物流车辆调度方法 | |
CN116453352A (zh) | 一种基于k聚类算法和神经网络的货车交通流量预测方法 | |
CN113421434B (zh) | 用于公路治超非现场执法的超限超载率计算方法 | |
US20220114628A1 (en) | Vehicle fuel efficiency system | |
Nehiba | Taxed to death? Freight truck collision externalities and diesel taxes | |
Gates et al. | Economic analysis of freeway speed limit policy alternatives | |
Makki et al. | Utilizing automatic traffic counters to predict traffic flow speed | |
CN111696350A (zh) | 一种基于运营监测数据的电动公交车本地工况评价方法 | |
Adams et al. | Longer combination vehicles: an estimation of their benefits and public perception of their use. |
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 |