CN115691136A - 一种基于数据分析的城市低碳客运交通结构评价系统 - Google Patents
一种基于数据分析的城市低碳客运交通结构评价系统 Download PDFInfo
- Publication number
- CN115691136A CN115691136A CN202211355836.4A CN202211355836A CN115691136A CN 115691136 A CN115691136 A CN 115691136A CN 202211355836 A CN202211355836 A CN 202211355836A CN 115691136 A CN115691136 A CN 115691136A
- Authority
- CN
- China
- Prior art keywords
- traffic
- urban
- carbon
- evaluation
- vehicles
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据分析的城市低碳客运交通结构评价系统,具体涉及城市客运交通规划领域,用于解决公共交通城市建设往往不断更新,导致对全年整体的交通结构评价不够准确的问题;包括交通评价平台,交通评价平台通讯连接有数据获取模块、数据处理模块、交通评价模块以及结果反馈模块;本发明是通过将评价年内的新开通公共交通建设划入整年交通结构中,能够更加准确地对该城市全年的交通结构进行整体性评价,提高评测结果的可靠性和有效性,并据此能够有效评估城市低碳客运交通结构发展现状,为城市客运规划与管理提供决策依据,对优化城市客运交通结构、降低城市交通碳排放具有重要意义。
Description
技术领域
本发明涉及城市客运交通规划技术领域,更具体地说,本发明涉及一种基于数据分析的城市低碳客运交通结构评价系统。
背景技术
低碳交通运输作为交通运输的发展方式之一,关键部分是提升交通运输的能效,具有高能效、低污染、低能耗和低排放的四个特点,对交通运输的能源结构和发展方式有所改善,其目标是使交通公共运输系统和基础设施降低终端消耗的化石燃料的燃烧;
而现有的对城市客运交通结构的评价研究大多均是根据该城市往年的交通数据,对不同影响因素进行赋权研究,但对于一些发展中城市来说,公共交通城市建设往往不断更新,导致对全年整体的交通结构评价不够准确,存在进一步地优化空间;
因此,为了解决上述问题,本发明提出了一种基于数据分析的城市低碳客运交通结构评价系统。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供一种基于数据分析的城市低碳客运交通结构评价系统,是通过将评价年内的新开通公共交通建设划入整年交通结构中,从而能够更加准确地对该城市全年的交通结构进行整体性评价,提高评测结果的可靠性和有效性,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于数据分析的城市低碳客运交通结构评价系统,包括交通评价平台,交通评价平台通讯连接有数据获取模块、数据处理模块、交通评价模块以及结果反馈模块;
所述数据获取模块,用于获取新增公共交通项目、新增公共交通项目的运营日期以及该城市历年交通数据,并将获取到的数据发送至数据处理模块进行数据处理;
所述数据处理模块,用于根据数据获取模块发送的信息将计算出各类车辆的日均行驶里程碳排放量以及该城市全年碳排放量,并将计算出的数据发送至交通评价模块;
所述交通评价模块根据数据处理模块发送的信号,生成该城市交通结构评价信号,并将其发送交通评价平台;
所述结果反馈模块根据该城市交通结构评价信号生成交通结构优化策略。
在一个优选的实施方式中,所述历年交通数据包括该城市所存在的车辆类型、各类车辆的百公里油耗、各类车辆的保有量以及各类车辆的行驶里程。
在一个优选的实施方式中,所述数据处理模块将接收的新增公共交通项目标定为P,其数量为n,n为正整数;并根据新增公共交通项目的运营日期将全年进行划分n+1个分析区间;
所述数据处理模块采用基于时间序列分析的BP神经网络在历年各类车辆的行驶里程的基础上进行预测分析,具体预测过程如下:
分别将接收的该城市历年各类车辆的年行驶里程作为神经网络训练样本,用于神经网络学习,获得预测的各类车辆的年行驶里程。
在一个优选的实施方式中,所述数据处理模块计算出预测的该年各类车辆年均行驶里程后,将各类车辆年均行驶里程除以天数,求得该年各类车辆日均行驶里程,并基于交通行驶里程根据公式求得该城市相关天数内的碳排放,具体公式如下:
式中,i为城市交通运输业的燃料类型,如柴油、汽油、天然气、液化石油气等;j为城市交通的车辆类型,公共交通车辆、小汽车等;Mij使用i燃料j类型车的数量,单位为辆;Lij使用i燃料j类型车的日均行驶里程,单位为km;EFi为i燃料的CO2排放因子,单位为kg/J;Fij为使用i燃料j类型车的平均消耗,L/km;d为计算天数;ECO2d为城市交通运输的指定d天数内的CO2排放量。
在一个优选的实施方式中,所述数据处理模块将计算的各个分析区间的碳排放信息发送至交通评价模块进行评价分析,同时将计算的各个分析区间的碳排放信息以及各交通信息发送至交通评价平台中进行存储。
在一个优选的实施方式中,所述交通评价模块对该城市交通结构具体分析过程如下:
设全年的碳排放梯度参照值为ECO2 1与ECO2 2,ECO2 1<ECO2 2;比较ECO2与ECO2 1、ECO2 2之间的大小;
若ECO2<ECO2 1;则说明该城市本年度交通结构良好,满足低碳排放指标,此时交通评价模块生成交通结构良好信号;
若ECO2 1≤ECO2<ECO2 2;则说明该城市本年度未达到低碳要求指标,但也未超额排放二氧化碳,此时交通评价模块生成交通结构一般信号;
若ECO2 2≤ECO2,则说明该城市本年度碳排放超标,此时交通评价模块生成交通结构较差信号。
在一个优选的实施方式中,当交通评价模块生成交通结构一般信号或交通结构较差信号时,所述数据处理模块将计算的各车辆类型碳排放信息发送至结果反馈模块,结果反馈模块据此进行分析,具体分析过程如下:
分别将各类车辆产生的日均行驶里程碳排放量与各类车辆日均行驶里程碳标准阈值排放量进行比较;
判断各类公共交通车辆的日均行驶里程碳排放量是否大于标准阈值排放量,若大于则说明该类公共交通车辆数量符合排放要求,反之则说明该类公共交通车辆投放数量不满足要求;
判断各类私家车辆的日均行驶里程碳排放量是否小于标准阈值排放量,若小于则说明该类私家车辆数量符合排放要求,反之则说明概率私家车辆数量大于排放要求;
对于不满足投放数量要求的公共交通车辆,结果反馈模块生成该类车辆投放提示信息;对于大于排放要求数量的私家车辆,结果反馈模块生成该类车辆限行提示信息。
在一个优选的实施方式中,所述数据获取模块根据获取模块根据该城市的车辆密集区域将该城市划分为k个区域,其中k为大于等于1的正整数,分别获取各个区域的私家车车流量与公共交通班次数量,并分别将其标定为Q和G,并将其进行公式化分析,依据公式求得各区域的公共交通分担系数T,具体公式如下:
Tk=a1Gk/a2Qk
式中,a1、a2分别为公共交通班次数量与私家车车流量的权重系数,且a1>a2,Tk表示为各区域的公共交通分担系数,Gk为各区域的公共交通班次数量,Qk为各区域的私家车车流量。
在一个优选的实施方式中,所述结果反馈模块设置该城市各车辆密集区域的最低公共交通分担系数阈值Tk*,判断各区域的公共交通分担系数与最低公共交通分担系数阈值的大小:
若Tk≥Tk*,则说明该区域公共交通运行班次满足要求;当对公共交通车辆进行投放时,不考虑该区域,当对私家车辆进行限行时也不考虑该区域;
若Tk<Tk*,则说明该区域公共交通运行班次不满足要求;当对公共交通车辆进行投放时,优先考虑该区域,当对私家车辆进行限行时同样优先考虑该区域。
本发明的技术效果和优点:
本发明是通过将评价年内的新开通公共交通建设划入整年交通结构中,从而能够更加准确地对该城市全年的交通结构进行整体性评价,提高评测结果的可靠性和有效性,并据此能够有效评估城市低碳客运交通结构发展现状,为城市客运规划与管理提供决策依据,对优化城市客运交通结构、降低城市交通碳排放具有重要意义,有利于推动城市交通的高能效、低碳化发展以及数字化转型。
附图说明
图1为本发明一种基于数据分析的城市低碳客运交通结构评价系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本发明一种基于数据分析的城市低碳客运交通结构评价系统,是通过将评价年内的新开通公共交通建设划入整年交通结构中,从而能够更加准确地对该城市全年的交通结构进行整体性评价,提高评测结果的可靠性和有效性,并据此能够有效评估城市低碳客运交通结构发展现状,为城市客运规划与管理提供决策依据,对优化城市客运交通结构、降低城市交通碳排放具有重要意义,有利于推动城市交通的高能效、低碳化发展以及数字化转型。
为了解决当对该城市当前交通结构进行评价时,年内有新增公共交通项目影响整体结构,本发明默认评价城市交通结构时,该城市年内有新增公共交通项目。公共交通项目包括新的公交车路线、新的轨道交通、新的客运班次等等。
具体的,如图1所示,本发明一种基于数据分析的城市低碳客运交通结构评价系统,包括交通评价平台,交通评价平台通讯连接有数据获取模块、数据处理模块、交通评价模块以及结果反馈模块。
数据获取模块获取新增公共交通项目、新增公共交通项目的运营日期以及该城市历年交通数据,并将获取到的数据发送至数据处理模块进行数据处理。
其中,该城市历年交通数据包括该城市所存在的车辆类型、各类车辆的百公里油耗、各类车辆的保有量以及各类车辆的行驶里程。
需要说明的是,本实施例提及的车辆类型是指以下公共汽车、轨道交通、出租车以及私家小汽车,其中公共汽车、轨道交通与出租车均为公共交通,其在城市人员出行选择中占比越高,城市整体客运交通结构低碳效果越好。各类车辆的百公里油耗以及该城市各类车辆的保有量可直接从国家统计年鉴或其他公布数据中获得,其中各类车辆的保有量采用年初的公布数据。各类车辆的行驶里程为该城市历年各类车辆的行驶里程,其也可直接从国家统计年鉴或其他公布数据中获得。
数据处理模块将接收的新增公共交通项目标定为P,其数量为n,n为正整数;并根据新增公共交通项目的运营日期将全年进行划分n+1个分析区间。从而便于分段对该城市全年交通结构进行针对性分析。
对于该城市该年的各类车辆的行驶里程,由于各种交通方式的年均行驶里程存在缺失值,因此,需要采用一定的方法对缺失值进行预测。神经网络模型以其良好的非线性品质、完全分布的存储结构及灵活而有效的学习方式等特点,在预测领域中具有很大优势。
本发明数据处理模块采用基于时间序列分析的BP神经网络在历年各类车辆的行驶里程的基础上进行预测分析。具体预测过程如下:
分别将接收的该城市历年各类车辆的行驶里程作为神经网络训练样本,用于神经网络学习,从而得到该年度各种交通方式的年均行驶里程。
需要说明的是,该城市历年各类车辆的行驶里程具体年份可根据实际需要进行选择,例如选择最近十年公布数据,从而进行神经网络学习,另外,数据处理模块实际可采用SPSS软件进行预测,输入网络参数由SPSS软件自动匹配最优。神经网络模型中有一个协变量、一个隐含层以及一个输出结果。
获得预测的该年各类车辆年均行驶里程后,将各类车辆年均行驶里程除以天数,求得该年各类车辆日均行驶里程,并基于交通行驶里程根据公式求得该城市相关天数内的碳排放,具体公式如下:
式中,i为城市交通运输业的燃料类型,如柴油、汽油、天然气、液化石油气等;j为城市交通的车辆类型,公共交通车辆、小汽车等;Mij使用i燃料j类型车的数量,单位为辆;Lij使用i燃料j类型车的日均行驶里程,单位为km;EFi为i燃料的CO2排放因子,单位为kg/J;Fij为使用i燃料j类型车的平均消耗,L/km;d为计算天数;ECO2d为城市交通运输的指定d天数内的CO2排放量。
从而当有相关公共交通项目开通后,能够及时增加城市交通的车辆类型,即改变了上述公式的Mij与Lij,从而能够精准地对该城市全年的碳排放进行计算。
例如,全年一共增加了十个公共交通项目,即n为10,各公共交通项目分别为{P1,P2,……,P10},且相对应的间隔天数分别为{d1,d2,……,d10},则全年的ECO2=ECO2d1+ECO2d2+…+ECO2d10。
数据处理模块将计算的各个分析区间的碳排放信息发送至交通评价模块进行评价分析,同时将计算的各个分析区间的碳排放信息以及各交通信息发送至交通评价平台中进行存储。
交通评价模块对该城市交通结构具体分析过程如下:
设全年的碳排放梯度参照值为ECO2 1与ECO2 2,ECO2 1<ECO2 2;比较ECO2与ECO2 1、ECO2 2之间的大小;
若ECO2<ECO2 1;则说明该城市本年度交通结构良好,满足低碳排放指标,此时交通评价模块生成交通结构良好信号;
若ECO2 1≤ECO2<ECO2 2;则说明该城市本年度未达到低碳要求指标,但也未超额排放二氧化碳,此时交通评价模块生成交通结构一般信号;
若ECO2 2≤ECO2,则说明该城市本年度碳排放超标,此时交通评价模块生成交通结构较差信号。
交通评价模块将生成的交通结构评价信号发送至交通评价平台进行显示。
当交通评价模块生成交通结构一般信号或交通结构较差信号时,数据处理模块将计算的各车辆类型碳排放信息发送至结果反馈模块,结果反馈模块据此进行分析,具体分析过程如下:
A、分别将各类车辆产生的日均行驶里程碳排放量与各类车辆日均行驶里程碳标准阈值排放量进行比较;
B、判断各类公共交通车辆的日均行驶里程碳排放量是否大于标准阈值排放量,若大于则说明该类公共交通车辆数量符合排放要求,反之则说明该类公共交通车辆投放数量不满足要求;判断各类私家车辆的日均行驶里程碳排放量是否小于标准阈值排放量,若小于则说明该类私家车辆数量符合排放要求,反之则说明概率私家车辆数量大于排放要求。
C、对于不满足投放数量要求的公共交通车辆,结果反馈模块生成该类车辆投放提示信息;对于大于排放要求数量的私家车辆,结果反馈模块生成该类车辆限行提示信息。
进一步的,各类车辆产生的日均行驶里程碳排放量均采用该年度的平均日均行驶里程碳排放量,而非某个分析区间的日均行驶里程碳排放量,避免由于新增公共交通项目的增加导致的日均行驶里程碳排放量失真的情况,能够更好地对本年度交通结构进行规划。
实施例2
本发明实施例2与实施例1的区别在于,上述实施例1中结果反馈模块根据各类车辆的标准碳排放指标,对各类车辆的增减限行生成了相应反馈信号,但为具体说明在哪个区域进行投放设置。
本实施例2中,根据在城市内部交通密集区域不同,对于私家车辆的限行后,为了满足交通需求,在对应区域新增公共交通项目,从而根据交通结构评价进一步优化整体交通结构。
具体的,数据获取模块根据该城市的车辆密集区域将该城市划分为k个区域,其中k为大于等于1的正整数,分别获取各个区域的私家车车流量与公共交通班次数量,并分别将其标定为Q和G,并将其进行公式化分析,依据公式求得各区域的公共交通分担系数T,具体公式如下:
Tk=a1Gk/a2Qk
式中,a1、a2分别为公共交通班次数量与私家车车流量的权重系数,且a1>a2,Tk表示为各区域的公共交通分担系数,Gk为各区域的公共交通班次数量,Qk为各区域的私家车车流量。
结果反馈模块设置该城市各车辆密集区域的最低公共交通分担系数阈值Tk*,判断各区域的公共交通分担系数与最低公共交通分担系数阈值的大小。
若Tk≥Tk*,则说明该区域公共交通运行班次满足要求;当对公共交通车辆进行投放时,不考虑该区域,当对私家车辆进行限行时也不考虑该区域。
若Tk<Tk*,则说明该区域公共交通运行班次不满足要求;当对公共交通车辆进行投放时,优先考虑该区域,当对私家车辆进行限行时同样优先考虑该区域。
进一步的,将各区域公共交通分担系数小于最低公共交通分担系数阈值的公共交通分担系数进行排序,便于后续进行投放公共交通班次或对私家车辆进行限行。
本发明公式:
Tk=a1Gk/a2Qk
是由本领域技术人员采集多组样本数据并对每一组样本数据设定对应的权重因子系数,系数的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于系数的大小,取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的权重因子系数;只要不影响参数与量化后数值的比例关系即可。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字符多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的几点是:首先,本发明公开实施例附图中,只涉及到与本公开实施例涉及到的结构,其他结构可参考通常设计,在不冲突情况下,本发明同一实施例及不同实施例可以相互组合;
其次:本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
其次:本发明公开实施例附图中,只涉及到与本公开实施例涉及到的结构,其他结构可参考通常设计,在不冲突情况下,本发明同一实施例及不同实施例可以相互组合;
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于数据分析的城市低碳客运交通结构评价系统,其特征在于:包括交通评价平台,交通评价平台通讯连接有数据获取模块、数据处理模块、交通评价模块以及结果反馈模块;
所述数据获取模块,用于获取新增公共交通项目、新增公共交通项目的运营日期以及该城市历年交通数据,并将获取到的数据发送至数据处理模块进行数据处理;
所述数据处理模块,用于根据数据获取模块发送的信息将计算出各类车辆的日均行驶里程碳排放量以及该城市全年碳排放量,并将计算出的数据发送至交通评价模块;
所述交通评价模块根据数据处理模块发送的信号,生成该城市交通结构评价信号,并将其发送交通评价平台;
所述结果反馈模块根据该城市交通结构评价信号生成交通结构优化策略。
2.根据权利要求1所述的一种基于数据分析的城市低碳客运交通结构评价系统,其特征在于:所述历年交通数据包括该城市所存在的车辆类型、各类车辆的百公里油耗、各类车辆的保有量以及各类车辆的行驶里程。
3.根据权利要求2所述的一种基于数据分析的城市低碳客运交通结构评价系统,其特征在于:所述数据处理模块将接收的新增公共交通项目标定为P,其数量为n,n为正整数;并根据新增公共交通项目的运营日期将全年进行划分n+1个分析区间;
所述数据处理模块采用基于时间序列分析的BP神经网络在历年各类车辆的行驶里程的基础上进行预测分析,具体预测过程如下:
分别将接收的该城市历年各类车辆的年行驶里程作为神经网络训练样本,用于神经网络学习,获得预测的各类车辆的年行驶里程。
4.根据权利要求3所述的一种基于数据分析的城市低碳客运交通结构评价系统,其特征在于:所述数据处理模块计算出预测的该年各类车辆年均行驶里程后,将各类车辆年均行驶里程除以天数,求得该年各类车辆日均行驶里程,并基于交通行驶里程根据公式求得该城市相关天数内的碳排放,具体公式如下:
式中,i为城市交通运输业的燃料类型,如柴油、汽油、天然气、液化石油气等;j为城市交通的车辆类型,公共交通车辆、小汽车等;Mij使用i燃料j类型车的数量,单位为辆;Lij使用i燃料j类型车的日均行驶里程,单位为km;EFi为i燃料的CO2排放因子,单位为kg/J;Fij为使用i燃料j类型车的平均消耗,L/km;d为计算天数;ECO2d为城市交通运输的指定d天数内的CO2排放量。
5.根据权利要求4所述的一种基于数据分析的城市低碳客运交通结构评价系统,其特征在于:所述数据处理模块将计算的各个分析区间的碳排放信息发送至交通评价模块进行评价分析,同时将计算的各个分析区间的碳排放信息以及各交通信息发送至交通评价平台中进行存储。
6.根据权利要求1所述的一种基于数据分析的城市低碳客运交通结构评价系统,其特征在于:所述交通评价模块对该城市交通结构具体分析过程如下:
设全年的碳排放梯度参照值为ECO2 1与ECO2 2,ECO2 1<ECO2 2;比较ECO2与ECO2 1、ECO2 2之间的大小;
若ECO2<ECO2 1;则说明该城市本年度交通结构良好,满足低碳排放指标,此时交通评价模块生成交通结构良好信号;
若ECO2 1≤ECO2<ECO2 2;则说明该城市本年度未达到低碳要求指标,但也未超额排放二氧化碳,此时交通评价模块生成交通结构一般信号;
若ECO2 2≤ECO2,则说明该城市本年度碳排放超标,此时交通评价模块生成交通结构较差信号。
7.根据权利要求6所述的一种基于数据分析的城市低碳客运交通结构评价系统,其特征在于:当交通评价模块生成交通结构一般信号或交通结构较差信号时,所述数据处理模块将计算的各车辆类型碳排放信息发送至结果反馈模块,结果反馈模块据此进行分析,具体分析过程如下:
分别将各类车辆产生的日均行驶里程碳排放量与各类车辆日均行驶里程碳标准阈值排放量进行比较;
判断各类公共交通车辆的日均行驶里程碳排放量是否大于标准阈值排放量,若大于则说明该类公共交通车辆数量符合排放要求,反之则说明该类公共交通车辆投放数量不满足要求;
判断各类私家车辆的日均行驶里程碳排放量是否小于标准阈值排放量,若小于则说明该类私家车辆数量符合排放要求,反之则说明概率私家车辆数量大于排放要求;
对于不满足投放数量要求的公共交通车辆,结果反馈模块生成该类车辆投放提示信息;对于大于排放要求数量的私家车辆,结果反馈模块生成该类车辆限行提示信息。
8.根据权利要求7所述的一种基于数据分析的城市低碳客运交通结构评价系统,其特征在于:所述数据获取模块根据获取模块根据该城市的车辆密集区域将该城市划分为k个区域,其中k为大于等于1的正整数,分别获取各个区域的私家车车流量与公共交通班次数量,并分别将其标定为Q和G,并将其进行公式化分析,依据公式求得各区域的公共交通分担系数T,具体公式如下:
Tk=a1Gk/a2Qk
式中,a1、a2分别为公共交通班次数量与私家车车流量的权重系数,且a1>a2,Tk表示为各区域的公共交通分担系数,Gk为各区域的公共交通班次数量,Qk为各区域的私家车车流量。
9.根据权利要求8所述的一种基于数据分析的城市低碳客运交通结构评价系统,其特征在于:所述结果反馈模块设置该城市各车辆密集区域的最低公共交通分担系数阈值Tk*,判断各区域的公共交通分担系数与最低公共交通分担系数阈值的大小;
若Tk≥Tk*,则说明该区域公共交通运行班次满足要求;当对公共交通车辆进行投放时,不考虑该区域,当对私家车辆进行限行时也不考虑该区域;
若Tk<Tk*,则说明该区域公共交通运行班次不满足要求;当对公共交通车辆进行投放时,优先考虑该区域,当对私家车辆进行限行时同样优先考虑该区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211355836.4A CN115691136A (zh) | 2022-11-01 | 2022-11-01 | 一种基于数据分析的城市低碳客运交通结构评价系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211355836.4A CN115691136A (zh) | 2022-11-01 | 2022-11-01 | 一种基于数据分析的城市低碳客运交通结构评价系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115691136A true CN115691136A (zh) | 2023-02-03 |
Family
ID=85048759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211355836.4A Pending CN115691136A (zh) | 2022-11-01 | 2022-11-01 | 一种基于数据分析的城市低碳客运交通结构评价系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115691136A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757559A (zh) * | 2023-08-21 | 2023-09-15 | 中国标准化研究院 | 一种适用于公共机构绿色出行的减排效率评估系统 |
-
2022
- 2022-11-01 CN CN202211355836.4A patent/CN115691136A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757559A (zh) * | 2023-08-21 | 2023-09-15 | 中国标准化研究院 | 一种适用于公共机构绿色出行的减排效率评估系统 |
CN116757559B (zh) * | 2023-08-21 | 2023-10-27 | 中国标准化研究院 | 一种适用于公共机构绿色出行的减排效率评估系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Examining influential factors on the energy consumption of electric and diesel buses: A data-driven analysis of large-scale public transit network in Beijing | |
Meyer | Decarbonizing road freight transportation–A bibliometric and network analysis | |
Bektaş et al. | The role of operational research in green freight transportation | |
Bruzzone et al. | The integration of passenger and freight transport for first-last mile operations | |
Teng et al. | Integrated approach to vehicle scheduling and bus timetabling for an electric bus line | |
CN107239844B (zh) | 一种基于Hadoop的石油运输车辆油耗预测方法 | |
CN113962450B (zh) | 一种核算城市道路交通逐日二氧化碳排放量的方法及其系统 | |
CN104318315A (zh) | 一种城市道路交通污染物排放监控预警系统及方法 | |
Zachariadis | Assessing policies towards sustainable transport in Europe: an integrated model | |
CN115691136A (zh) | 一种基于数据分析的城市低碳客运交通结构评价系统 | |
Sercan et al. | An integrated decision making framework for vehicle selection in shuttle services: case of a university campus | |
Yang et al. | Data-driven analysis of battery electric vehicle energy consumption under real-world temperature conditions | |
Bruzzone et al. | Environmental and energy performance of integrated passenger–freight transport | |
Bachman | A GIS-based modal model of automobile exhaust emissions | |
US20220164722A1 (en) | Systems and methods for data-driven energy management of a vehicle fleet with electric vehicles | |
Chen et al. | An integrated inbound logistics mode with intelligent scheduling of milk-run collection, drop and pull delivery and LNG vehicles | |
CN116186465A (zh) | 电动汽车能耗计算方法、装置及电子设备 | |
Makarova et al. | Ways to improve sustainability of the city transport system in the municipal gas-engine vehicles’ fleet growth | |
Trofimenko et al. | Forecast of the vehicle fleet size and structure in Russian Federation by ecological class, a type of power installations and a fuel type for the period up to 2030 | |
CN102314648A (zh) | 货车运输路径的优化方法 | |
CN112529331B (zh) | 基于leap模型的多情境道路交通节能减排预测方法 | |
Watling et al. | Optimization of route choice, speeds and stops in time varying networks for fuel effic ient truck journeys | |
Tao et al. | Development of a representative driving cycle for evaluating exhaust emission and fuel consumption for Chinese switcher locomotives | |
Batur et al. | The role of plug-in electric vehicles in reducing energy and CO2 emissions in Istanbul: A system dynamics approach | |
Abid et al. | Report on energy efficiency potentials in the transport sector and conclusions from the developed scenarios |
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 |