CN116229607B - 一种机动车行驶碳排放的预测方法、电子设备及存储介质 - Google Patents

一种机动车行驶碳排放的预测方法、电子设备及存储介质 Download PDF

Info

Publication number
CN116229607B
CN116229607B CN202310512463.5A CN202310512463A CN116229607B CN 116229607 B CN116229607 B CN 116229607B CN 202310512463 A CN202310512463 A CN 202310512463A CN 116229607 B CN116229607 B CN 116229607B
Authority
CN
China
Prior art keywords
data
vehicle
carbon emission
motor vehicle
running
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
Application number
CN202310512463.5A
Other languages
English (en)
Other versions
CN116229607A (zh
Inventor
孙茂棚
贺舟
张智栋
李家兴
吴国华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Urban Transport Planning Center Co Ltd
Original Assignee
Shenzhen Urban Transport Planning Center Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Urban Transport Planning Center Co Ltd filed Critical Shenzhen Urban Transport Planning Center Co Ltd
Priority to CN202310512463.5A priority Critical patent/CN116229607B/zh
Publication of CN116229607A publication Critical patent/CN116229607A/zh
Application granted granted Critical
Publication of CN116229607B publication Critical patent/CN116229607B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Remote Sensing (AREA)
  • Educational Administration (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

一种机动车行驶碳排放的预测方法、电子设备及存储介质，属于能源排放技术领域。为提高机动车行驶碳排放的预测的精度。本发明建立机动车行驶状态数据集合；在测试车辆安装监测设备采集机动车行驶碳排放数据，然后建立机动车行驶状态与机动车行驶碳排放数据映射关系数据集合；对获得的机动车行驶状态与机动车行驶碳排放量映射关系数据集合中的自变量进行机动车行驶碳排放量贡献度排序，选定的机动车行驶状态与机动车行驶碳排放量映射关系数据集合中的自变量，构建碳排放模型；对构建的碳排放模型计算的预测值与实测值进行计算结果的校验，重复步骤直至误差范围在允许的范围内。本发明预测准确。

Description

一种机动车行驶碳排放的预测方法、电子设备及存储介质
技术领域
本发明属于碳排放核算技术领域，具体涉及一种机动车行驶碳排放的预测方法、电子设备及存储介质。
背景技术
化石能源使用导致的气候变化和全球变暖已成为一个紧迫的话题，运输行业一直是降低化石能源使用和相关温室气体排放的关键部门之一。基于多源数据的交通运输能耗、温室气体和大气污染物排放监测与评估技术研发为交通运输行业科技创新中长期重点研究方向之一。机动车行驶过程中产生的温室其他排放是交通运输行业温室气体和大气污染物排放的主要来源。因此，准确核算机动车行驶过程中的温室气体排放是实现低碳运输的关键。
专利申请号为CN202210810636.7、专利名称为一种机动车碳排放监测方法及系统，通过获取机动车的车辆工况信息、尾气监测信息及采样时间；根据每一个采样时间对应的车辆工况信息计算比功率，并根据比功率和车辆类型在比功率分区表查找到比功率分区，获取采样时间的气态物排放量分担率；统计相同比功率分区所对应的采样信息条数，将比功率分区、采样信息条数、采样时间以及气态物排放量分担率组成比功率数据矩阵；以采样时间为标识符，及对应的比功率分区作为矩阵聚类条件，将每一个比功率分区对应的尾气监测信息和车辆工况信息，得到尾气排放关联矩阵；根据比功率数据矩阵和尾气排放关联矩阵，计算得到所有采样时间内的机动车碳排放总量。
尽管现有计算方法依托大规模轨迹数据测算车辆行驶过程中产生的碳排放，但是现有研究主要是依托车辆行驶速度、加速度这两类车辆参数与碳排放之间建立模型关系，没有考虑其他影响要素。其次，现有方法主要依靠当前的车辆运行信息计算碳排放，在隧道、强磁场等可能对GPS信号产生强干扰的地区，GPS数据传输错误导致的数据失真问题并没有克服，导致计算产生误差。
发明内容
本发明要解决的问题是提高机动车行驶碳排放的预测的精度，提出一种机动车行驶碳排放的预测方法、电子设备及存储介质。
为实现上述目的，本发明通过以下技术方案实现：
一种机动车行驶碳排放的预测方法，包括如下步骤：
S1、建立机动车行驶状态数据集合；
S2、在测试车辆安装监测设备采集机动车行驶碳排放数据，然后基于步骤S1获得的机动车行驶状态数据集合建立机动车行驶状态与机动车行驶碳排放数据映射关系数据集合；
S3、对步骤S2获得的机动车行驶状态与机动车行驶碳排放量映射关系数据集合中的自变量进行机动车行驶碳排放量贡献度排序，选定构建碳排放模型的机动车行驶状态与机动车行驶碳排放量映射关系数据集合中的自变量；
S4、基于步骤S3选定的机动车行驶状态与机动车行驶碳排放量映射关系数据集合中的自变量，构建碳排放模型；
S5、对步骤S4构建的碳排放模型计算的预测值与实测值进行计算结果的校验，重复步骤S3至S5，直至误差范围在允许的范围内。
进一步的，行驶状态数据集合中的数据包括车辆自身携带装备记录的数据和通过匹配获得的道路数据、气象数据，步骤S1的具体实现方法包括如下步骤：
S1.1、采集车辆自身携带装备记录的数据，包括车载GPS数据、车载自动诊断系统OBD记录的数据；
所述车载GPS数据包括车牌、时间戳、采样时的经纬度、定位质量指示、使用卫星数量、信号强度、水平精确度，海拔高度、瞬时速度、报警标志位、方向夹角、当前信息扩展信号位；
所述车载自动诊断系统OBD记录的数据包括温度数据、位置数据、状态数据、流量和浓度数据：所述温度数据包括水温、发动机油/变速箱油的油温、进气温度；位置数据包括节气门位置数据、油门踏板位置数据、风门电机位置数据、油浮子位置数据；所述状态数据包括电磁阀开关状态、压缩机开关状态、节温器开关状态、电子扇开关状态、刹车灯开关状态、档位开关位置；所述流量和浓度数据包括进气流量、喷油量、氧传感器数据；
S1.2、采集通过匹配获得的道路数据、气象数据；
所述道路数据依据车载GPS数据的每个时间戳记录的车辆位置经纬度匹配道路数据库，从而获得车辆行驶过程中每个时间戳对应的道路数据，主要包括道路类型、道路坡度、道路线形、道路限速值、道路状态监测数据；
所述气象数据依据车载GPS数据的每个时间戳以及车辆位置经纬度匹配气象数据库，从而获得车辆行驶过程中每个时间戳对应的气象数据，主要包括温度、湿度、降水量、风向；
S1.3、将步骤S1.1、步骤S1.2采集到的数据建立机动车行驶状态数据集合。
进一步的，步骤S2的具体实现方法包括如下步骤：
S2.1、在测试车辆安装车载尾气监测设备PEMS记录车辆在不同行驶状态下的碳排放数据，采用道路实测方法对测试车辆进行数据采集，对测试车辆的数据采集时间间隔与测试车辆的车载GPS数据的采样间隔保持一致，获得测试车辆行驶数据对应的碳排放数据；
S2.2、建立不同车辆类型、能源类型、排量的测试车辆的车辆运行工况，包括速度、扭矩、加速度、道路类型、坡度、海拔高度、发动机油的油温、变速箱油的油温、进气温度、油门踏板信息、风门电机位置信息、油浮子位置信息、压缩机开关状态、节温器开关状态、电子扇开关状态、刹车灯开关状态、档位开关位置、进气流量、喷油量、氧传感器数据；
S2.3、根据步骤S2.2建立的车辆运行工况，采集不同车辆类型、能源类型、排量的测试车辆的行驶数据对应的碳排放数据，以车辆运行工况自变量、机动车行驶状态数据集合中的自变量为自变量x i ， i为车辆运行工况自变量、机动车行驶状态数据集合中的自变量中的任意一个，以碳排放数据作为因变量y，构建机动车行驶状态与机动车行驶碳排放量映射关系数据集合。
进一步的，步骤S3的具体实现方法包括如下步骤：
S3.1、对步骤S2得到的自变量x i ，进行机动车行驶碳排放量贡献度计算，所述机动车行驶碳排放量贡献度依据方差计算，计算公式为：
其中，是自变量/>的方差，/>是自变量/>的均值，/>是自变量的总量，i是/>中的任意一个；
S3.2、当步骤S3.1计算的自变量的方差具有集聚现象时，进行自变量/>对分析结果的决定幂的计算，计算公式如下：
其中，是自变量/>对分析结果的决定幂，/>为分组j的分区方差，各分区依据步骤S3.1的计算公式获得；/>是自变量/>在整个空间区域内的整体方差，由步骤S3.1的计算公式获得，/>为分区数量；
S3.3、根据步骤S3.2计算得到的，选择（Cx 1,Cx 2, Cx 3… Cx n）中的最大值对应的自变量为贡献度最高的自变量或者同时选择贡献度排名前列的自变量为贡献度最高的自变量，作为构建碳排放模型的机动车行驶状态与机动车行驶碳排放量映射关系数据集合中的自变量。
进一步的，步骤S4的具体实现方法包括如下步骤：
S4.1、根据步骤S3得到的构建碳排放模型的机动车行驶状态与机动车行驶碳排放量映射关系数据集合中的自变量，利用数理统计中的回归分析方法确定碳排放总体模型，表达式为：
其中，为随采样时间t变化的碳排放，/>为影响系数，/>为在时间ｔ时的随机误差；
S4.2、步骤S4.1得到的碳排放总体模型基于外部因素的影响及自身车辆的影响，对每一个自变量增加自回归阶数进行进一步改进，表达式为：
其中，为模型的自回归系数，/>为随采样时间t-k变化的碳排放，/>为移动平均系数，/>为移动平均系数对应的/>随机误差项；
S4.3、对步骤S4.1的表达式、步骤S4.2的表达式，进一步考虑将由线性状态转变为空间位置上的权重矩阵/>，并引入时空延迟算子/>，延迟算子用于表示某一时间、空间或时空位置上的值受到邻近时间、空间或时空位置值的影响程度，得到表达式为：
其中，用于表征第c个自相关项的空间阶数，/>为在时间滞后c和空间滞后l上的自回归参数，/>为在空间位置l处的权重矩阵；
S4.4、将步骤S4.3得到的表达式，进一步增加入移动平均阶数b，用于以过去的残差项提升拟合效率，得到碳排放模型的表达式为：
其中，表示第c个移动平均项的空间阶数，/>表示在时间滞后和空间滞后l上的移动平均参数。
进一步的，步骤S5利用平均绝对百分比误差公式计算碳排放模型分析结果与真实值间的差异，计算公式为
其中，为基于碳排放模型计算的碳排放，/>为实测碳排放，n 为测试样本总量。
电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现所述的一种机动车行驶碳排放的预测方法的步骤。
计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种机动车行驶碳排放的预测方法。
本发明的有益效果：
本发明所述的一种机动车行驶碳排放的预测方法，提出一种基于多源数据融合的机动车碳排放核算方法改进现有技术。首先，该方法相比现有研究，增加了三类数据辅助计算，尤其增加了车载自动诊断系统OBD（On Board Diagnostics）数据，更能体现车辆发动机扭矩，油门踏板等多种属性信息，另外，依托轨迹数据的时间戳和位置经纬度匹配道路数据和环境数据。其次，构建因子与碳排放之间的关系模型不仅考虑当前预测变量的时间序列，同时考虑邻接自变量的时间序列，具体的讲，为了避免隧道、强磁场等对GPS信号产生强干扰导致车辆运行数据传输发生错误，利用前一阶段的数据辅助计算修正误差值，具体作法为相比传统模型增加自回归阶数和移动平均阶数，从而解决当前轨迹数据采样误差导致的计算不准确问题。
本发明所述的一种机动车行驶碳排放的预测方法，克服现有技术方法简化对车辆运行状态的描述，仅将速度、加速度这两类车辆参数作为输入参数从而导致计算准确性有限的问题。在融合多源数据增加自变量以及利用车辆前一阶段的数据辅助计算修正误差的方法，有效提升了计算的准确性，相比速度、加速度两类车辆参数的模型平均绝对百分比误差提升2%-11%，尤其对货运车辆的计算准确性提升显著。
本发明所述的一种机动车行驶碳排放的预测方法，碳排放模型结算发现，出于对计算准确性、计算效率的综合需求，各类型车辆计算碳排放的自变量选择具有显著差异性。自变量中加入道路类型这一自变量对于计算碳排放对于提升计算准确性非常重要；对于2.0L及2.0L以下的小汽车，自变量选择速度、加速度即可以获得理想的计算效果，增加额外的自变量对于计算准确性并无明显效果，并且随着自变量数量的增加会降低计算效率浪费计算资源；15-18t大型客车建议增加一项自变量提升计算准确性；14t以上货车则应当采用与小汽车不同的自变量提升计算准确性，传统方案的误差可能达到200%以上。
附图说明
图1为本发明所述的一种机动车行驶碳排放的预测方法的工艺流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅用以解释本发明，并不用于限定本发明，即所描述的具体实施方式仅仅是本发明一部分实施方式，而不是全部的具体实施方式。通常在此处附图中描述和展示的本发明具体实施方式的组件可以以各种不同的配置来布置和设计，本发明还可以具有其他实施方式。
因此，以下对在附图中提供的本发明的具体实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定具体实施方式。基于本发明的具体实施方式，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所有其他具体实施方式，都属于本发明保护的范围。
为能进一步了解本发明的发明内容、特点及功效，兹例举以下具体实施方式，并配合附图1详细说明如下。
具体实施方式一
一种机动车行驶碳排放的预测方法，包括如下步骤：
S1、建立机动车行驶状态数据集合；
进一步的，行驶状态数据集合中的数据包括车辆自身携带装备记录的数据和通过匹配获得的道路数据、气象数据，步骤S1的具体实现方法包括如下步骤：
S1.1、采集车辆自身携带装备记录的数据，包括车载GPS数据、车载自动诊断系统OBD记录的数据；
所述车载GPS数据包括车牌、时间戳、采样时的经纬度、定位质量指示、使用卫星数量、信号强度、水平精确度，海拔高度、瞬时速度、报警标志位、方向夹角、当前信息扩展信号位；
所述车载自动诊断系统OBD记录的数据包括温度数据、位置数据、状态数据、流量和浓度数据：所述温度数据包括水温、发动机油/变速箱油的油温、进气温度；位置数据包括节气门位置数据、油门踏板位置数据、风门电机位置数据、油浮子位置数据；所述状态数据包括电磁阀开关状态、压缩机开关状态、节温器开关状态、电子扇开关状态、刹车灯开关状态、档位开关位置；所述流量和浓度数据包括进气流量、喷油量、氧传感器数据；
S1.2、采集通过匹配获得的道路数据、气象数据；
所述道路数据依据车载GPS数据的每个时间戳记录的车辆位置经纬度匹配道路数据库，从而获得车辆行驶过程中每个时间戳对应的道路数据，主要包括道路类型、道路坡度、道路线形、道路限速值、道路状态监测数据；
所述气象数据依据车载GPS数据的每个时间戳以及车辆位置经纬度匹配气象数据库，从而获得车辆行驶过程中每个时间戳对应的气象数据，主要包括温度、湿度、降水量、风向；
S1.3、将步骤S1.1、步骤S1.2采集到的数据建立机动车行驶状态数据集合；
进一步的，道路状态监测数据包括路面动荷载数据、路面病害数据和路基异常数据；
GPS数据核心字段示例如表1所示：
表1 GPS数据核心字段示例
S2、在测试车辆安装监测设备采集机动车行驶碳排放数据，然后基于步骤S1获得的机动车行驶状态数据集合建立机动车行驶状态与机动车行驶碳排放数据映射关系数据集合；
进一步的，步骤S2的具体实现方法包括如下步骤：
S2.1、在测试车辆安装车载尾气监测设备PEMS记录车辆在不同行驶状态下的碳排放数据，采用道路实测方法对测试车辆进行数据采集，对测试车辆的数据采集时间间隔与测试车辆的车载GPS数据的采样间隔保持一致，获得测试车辆行驶数据对应的碳排放数据；
S2.2、建立不同车辆类型、能源类型、排量的测试车辆的车辆运行工况，包括速度、扭矩、加速度、道路类型、坡度、海拔高度、发动机油的油温、变速箱油的油温、进气温度、油门踏板信息、风门电机位置信息、油浮子位置信息、压缩机开关状态、节温器开关状态、电子扇开关状态、刹车灯开关状态、档位开关位置、进气流量、喷油量、氧传感器数据；
S2.3、根据步骤S2.2建立的车辆运行工况，采集不同车辆类型、能源类型、排量的测试车辆的行驶数据对应的碳排放数据，以车辆运行工况自变量、机动车行驶状态数据集合中的自变量为自变量x i ， i为车辆运行工况自变量、机动车行驶状态数据集合中的自变量中的任意一个，以碳排放数据作为因变量y，构建机动车行驶状态与机动车行驶碳排放量映射关系数据集合；
以14吨柴油国Ⅵ货运车辆为例，采样数据如表2所示：
表2 数据集合示例
S3、对步骤S2获得的机动车行驶状态与机动车行驶碳排放量映射关系数据集合中的自变量进行机动车行驶碳排放量贡献度排序，选定构建碳排放模型的机动车行驶状态与机动车行驶碳排放量映射关系数据集合中的自变量；
进一步的，步骤S3的具体实现方法包括如下步骤：
S3.1、对步骤S2得到的自变量x i ，进行机动车行驶碳排放量贡献度计算，所述机动车行驶碳排放量贡献度依据方差计算，计算公式为：
其中，是自变量/>的方差，/>是自变量/>的均值，/>是自变量的总量，i是/>中的任意一个；
S3.2、当步骤S3.1计算的自变量的方差具有集聚现象时，进行自变量/>对分析结果的决定幂的计算，计算公式如下：
其中，是自变量/>对分析结果的决定幂，/>为分组j的分区方差，各分区依据步骤S3.1的计算公式获得；/>是自变量/>在整个空间区域内的整体方差，由步骤S3.1的计算公式获得，/>为分区数量；
S3.3、根据步骤S3.2计算得到的，选择（Cx 1,Cx 2, Cx 3… Cx n）中的最大值对应的自变量为贡献度最高的自变量或者同时选择贡献度排名前列的自变量为贡献度最高的自变量，作为构建碳排放模型的机动车行驶状态与机动车行驶碳排放量映射关系数据集合中的自变量；
进一步的，越大，说明/>自变量在集群间差异较大，/>的行列式越强，贡献度约高，如果/>等于1，自变量/>就能完美地解释排放。优先选择（Cx1,Cx2,Cx3…Cxn）中的最大值对应的自变量，即贡献度最高的自变量，也可以同时选择贡献度最大的自变量和第二大贡献度自变量建立与排放间的关系模型。
值得强调的是，贡献度排序只是为了方便从过变量中获得优先选择的自变量，最终是否确定该自变量作为最终模型的一部分是依据平均绝对百分比误差（MAPE）决定。
S4、基于步骤S3选定的机动车行驶状态与机动车行驶碳排放量映射关系数据集合中的自变量，构建碳排放模型；
进一步的，步骤S4的具体实现方法包括如下步骤：
S4.1、根据步骤S3得到的构建碳排放模型的机动车行驶状态与机动车行驶碳排放量映射关系数据集合中的自变量，利用数理统计中的回归分析方法确定碳排放总体模型，表达式为：
其中，为随采样时间t变化的碳排放，/>为影响系数，/>为在时间ｔ时的随机误差；
S4.2、步骤S4.1得到的碳排放总体模型基于外部因素的影响及自身车辆的影响，对每一个自变量增加自回归阶数进行进一步改进，表达式为：
其中，为模型的自回归系数，/>为随采样时间t-k变化的碳排放，/>为移动平均系数，/>为移动平均系数对应的/>随机误差项；
S4.3、对步骤S4.1的表达式、步骤S4.2的表达式，进一步考虑将由线性状态转变为空间位置上的权重矩阵/>，并引入时空延迟算子/>，延迟算子用于表示某一时间、空间或时空位置上的值受到邻近时间、空间或时空位置值的影响程度，得到表达式为：
其中，用于表征第c个自相关项的空间阶数，/>为在时间滞后c和空间滞后l上的自回归参数，/>为在空间位置l处的权重矩阵；
S4.4、将步骤S4.3得到的表达式，进一步增加入移动平均阶数b，用于以过去的残差项提升拟合效率，得到碳排放模型的表达式为：
其中，表示第c个移动平均项的空间阶数，/>表示在时间滞后和空间滞后l上的移动平均参数；
S5、对步骤S4构建的碳排放模型计算的预测值与实测值进行计算结果的校验，重复步骤S3至S5，直至误差范围在允许的范围内。
进一步的，步骤S5利用平均绝对百分比误差公式计算碳排放模型分析结果与真实值间的差异，计算公式为
其中，为基于碳排放模型计算的碳排放，/>为实测碳排放，n 为测试样本总量。
进一步的，所述的碳排放模型出于对计算准确性、计算效率的综合需求，各类型车辆计算碳排放的自变量选择具有显著差异性。自变量中加入道路类型这一自变量对于计算碳排放对于提升计算准确性非常重要；对于2.0L及2.0L以下的小汽车，自变量选择速度、加速度即可以获得理想的计算效果，增加额外的自变量对于计算准确性并无明显效果，并且随着自变量数量的增加会降低计算效率浪费计算资源；15-18t大型客车建议增加一项自变量提升计算准确性；14t以上货车则应当采用与小汽车不同的自变量提升计算准确性，传统方案的误差可能达到200%以上。
具体实施方式二
电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现所述的一种机动车行驶碳排放的预测方法的步骤。
本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的一种机动车行驶碳排放的预测方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
具体实施方式三
计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种机动车行驶碳排放的预测方法。
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的一种机动车行驶碳排放的预测方法的步骤。
所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本发明的技术关键点和欲保护点为全套模型框架以及核心算法的数学表达。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然在上文中已经参考具体实施方式对本申请进行了描述，然而在不脱离本申请的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本申请所披露的具体实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本申请并不局限于文中公开的特定具体实施方式，而是包括落入权利要求的范围内的所有技术方案。

Claims (6)

1.一种机动车行驶碳排放的预测方法，其特征在于，包括如下步骤：
S1、建立机动车行驶状态数据集合；
S2、在测试车辆安装监测设备采集机动车行驶碳排放数据，然后基于步骤S1获得的机动车行驶状态数据集合建立机动车行驶状态与机动车行驶碳排放数据映射关系数据集合；
步骤S2的具体实现方法包括如下步骤：
S2.1、在测试车辆安装车载尾气监测设备PEMS记录车辆在不同行驶状态下的碳排放数据，采用道路实测方法对测试车辆进行数据采集，对测试车辆的数据采集时间间隔与测试车辆的车载GPS数据的采样间隔保持一致，获得测试车辆行驶数据对应的碳排放数据；
S2.2、建立不同车辆类型、能源类型、排量的测试车辆的车辆运行工况，包括速度、扭矩、加速度、道路类型、坡度、海拔高度、发动机油的油温、变速箱油的油温、进气温度、油门踏板信息、风门电机位置信息、油浮子位置信息、压缩机开关状态、节温器开关状态、电子扇开关状态、刹车灯开关状态、档位开关位置、进气流量、喷油量、氧传感器数据；
S2.3、根据步骤S2.2建立的车辆运行工况，采集不同车辆类型、能源类型、排量的测试车辆的行驶数据对应的碳排放数据，以车辆运行工况自变量、机动车行驶状态数据集合中的自变量为自变量xi，i为车辆运行工况自变量、机动车行驶状态数据集合中的自变量中的任意一个，以碳排放数据作为因变量y，构建机动车行驶状态与机动车行驶碳排放量映射关系数据集合；
S3、对步骤S2获得的机动车行驶状态与机动车行驶碳排放量映射关系数据集合中的自变量进行机动车行驶碳排放量贡献度排序，选定构建碳排放模型的机动车行驶状态与机动车行驶碳排放量映射关系数据集合中的自变量；
S4、基于步骤S3选定的机动车行驶状态与机动车行驶碳排放量映射关系数据集合中的自变量，构建碳排放模型；
步骤S4的具体实现方法包括如下步骤：
S4.1、根据步骤S3得到的构建碳排放模型的机动车行驶状态与机动车行驶碳排放量映射关系数据集合中的自变量，利用数理统计中的回归分析方法确定碳排放总体模型，表达式为：
C(t)＝β0+β1x1+...βixi+ε(t)
其中，C(t)为随采样时间t变化的碳排放，β0...βi为影响系数，ε(t)为在时间t时的随机误差；
S4.2、步骤S4.1得到的碳排放总体模型基于外部因素的影响及自身车辆的影响，对每一个自变量增加自回归阶数a进行进一步改进，表达式为：
其中，αk为模型的自回归系数，C(t-k)为随采样时间t-k变化的碳排放，δj为移动平均系数，εt-j为移动平均系数对应的δj随机误差项；
S4.3、对步骤S4.1的表达式、步骤S4.2的表达式，进一步考虑将βixi由线性状态转变为空间位置上的权重矩阵φclW(l)，并引入时空延迟算子f(t-c)，延迟算子用于表示某一时间、空间或时空位置上的值受到邻近时间、空间或时空位置值的影响程度，得到表达式为：
其中，λc用于表征第c个自相关项的空间阶数，φcl为在时间滞后c和空间滞后l上的自回归参数，W(l)为在空间位置l处的权重矩阵；
S4.4、将步骤S4.3得到的表达式，进一步增加入移动平均阶数b，用于以过去的残差项提升拟合效率，得到碳排放模型的表达式为：
其中，mc表示第c个移动平均项的空间阶数，θcl表示在时间滞后c和空间滞后l上的移动平均参数；
S5、对步骤S4构建的碳排放模型计算的预测值与实测值进行计算结果的校验，重复步骤S3至S5，直至误差范围在允许的范围内。
2.根据权利要求1所述的一种机动车行驶碳排放的预测方法，其特征在于，行驶状态数据集合中的数据包括车辆自身携带装备记录的数据和通过匹配获得的道路数据、气象数据，步骤S1的具体实现方法包括如下步骤：
S1.1、采集车辆自身携带装备记录的数据，包括车载GPS数据、车载自动诊断系统OBD记录的数据；
所述车载GPS数据包括车牌、时间戳、采样时的经纬度、定位质量指示、使用卫星数量、信号强度、水平精确度、海拔高度、瞬时速度、报警标志位、方向夹角、当前信息扩展信号位；
所述车载自动诊断系统OBD记录的数据包括温度数据、位置数据、状态数据、流量和浓度数据：所述温度数据包括水温、发动机油/变速箱油的油温、进气温度；位置数据包括节气门位置数据、油门踏板位置数据、风门电机位置数据、油浮子位置数据；所述状态数据包括电磁阀开关状态、压缩机开关状态、节温器开关状态、电子扇开关状态、刹车灯开关状态、档位开关位置；所述流量和浓度数据包括进气流量、喷油量、氧传感器数据；
S1.2、采集通过匹配获得的道路数据、气象数据；
所述道路数据依据车载GPS数据的每个时间戳记录的车辆位置经纬度匹配道路数据库，从而获得车辆行驶过程中每个时间戳对应的道路数据，主要包括道路类型、道路坡度、道路线形、道路限速值、道路状态监测数据；
所述气象数据依据车载GPS数据的每个时间戳以及车辆位置经纬度匹配气象数据库，从而获得车辆行驶过程中每个时间戳对应的气象数据，主要包括温度、湿度、降水量、风向；
S1.3、将步骤S1.1、步骤S1.2采集到的数据建立机动车行驶状态数据集合。
3.根据权利要求2所述的一种机动车行驶碳排放的预测方法，其特征在于，步骤S3的具体实现方法包括如下步骤：
S3.1、对步骤S2得到的xi，进行机动车行驶碳排放量贡献度计算，所述机动车行驶碳排放量贡献度依据方差计算，计算公式为：
其中，αi 2是自变量xi的方差，是自变量xi的均值，N是自变量的总量，i是N中的任意一个；
S3.2、当步骤S3.1计算的自变量xi的方差具有集聚现象时，进行自变量xi对分析结果的决定幂的计算，计算公式如下：
其中，Cxi是自变量xi对分析结果的决定幂，αD,j 2为分组j的分区方差，各分区依据步骤S3.1的计算公式获得；是自变量xi在整个空间区域内的整体方差，由步骤S3.1的计算公式获得，nD,j为分区数量；
S3.3、根据步骤S3.2计算得到的Cxi，选择(Cx1,Cx2,Cx3…Cxn)中的最大值对应的自变量为贡献度最高的自变量或者同时选择贡献度排名前列的自变量为贡献度最高的自变量，作为构建碳排放模型的机动车行驶状态与机动车行驶碳排放量映射关系数据集合中的自变量。
4.根据权利要求3所述的一种机动车行驶碳排放的预测方法，其特征在于，步骤S5利用平均绝对百分比误差公式计算碳排放模型分析结果与真实值间的差异，计算公式为：
其中，xk为基于碳排放模型计算的碳排放，为实测碳排放，n为测试样本总量。
5.电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1-4任一项所述的一种机动车行驶碳排放的预测方法的步骤。
6.计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-4任一项所述的一种机动车行驶碳排放的预测方法。
CN202310512463.5A 2023-05-09 2023-05-09 一种机动车行驶碳排放的预测方法、电子设备及存储介质 Active CN116229607B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310512463.5A CN116229607B (zh) 2023-05-09 2023-05-09 一种机动车行驶碳排放的预测方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310512463.5A CN116229607B (zh) 2023-05-09 2023-05-09 一种机动车行驶碳排放的预测方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN116229607A CN116229607A (zh) 2023-06-06
CN116229607B true CN116229607B (zh) 2023-08-01

Family

ID=86569938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310512463.5A Active CN116229607B (zh) 2023-05-09 2023-05-09 一种机动车行驶碳排放的预测方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116229607B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116628455B (zh) * 2023-07-25 2023-10-03 中路高科交通科技集团有限公司 一种城市交通碳排放监测与决策支持方法及系统
CN116776229B (zh) * 2023-08-17 2023-12-26 深圳市城市交通规划设计研究中心股份有限公司 面向碳排放因子的汽车行驶典型工况划分方法
CN117271992B (zh) * 2023-09-19 2024-03-26 东莞市东莞通股份有限公司 一种基于大数据的城市道路碳排放监测管理系统
CN117575166B (zh) * 2023-12-14 2024-05-28 中国公路工程咨询集团有限公司 一种基于深度学习的公路交通碳排放预测方法及装置
CN118094058B (zh) * 2024-04-19 2024-08-13 深圳市城市交通规划设计研究中心股份有限公司 一种机动车碳排放因子计算方法、电子设备及存储介质
CN118365346B (zh) * 2024-06-20 2024-09-03 四川省交通勘察设计研究院有限公司 一种车辆行驶过程碳排放量预测方法、装置和设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107730425A (zh) * 2017-09-11 2018-02-23 深圳市易成自动驾驶技术有限公司 碳排放量计算方法、装置及存储介质
CN113378305A (zh) * 2021-08-12 2021-09-10 深圳市城市交通规划设计研究中心股份有限公司 一种基于无人驾驶小车的车路协同测试方法、装置
CN114417614A (zh) * 2022-01-20 2022-04-29 悉地（苏州）勘察设计顾问有限公司 一种中心城区机动车空间管控措施下碳排放减排测算方法
CN114819305A (zh) * 2022-04-13 2022-07-29 山东高速云南发展有限公司 一种基于碳排放度量尺度下的路径规划方法
CN115169764A (zh) * 2022-09-08 2022-10-11 深圳市城市交通规划设计研究中心股份有限公司 一种可达性计算方法、电子设备及存储介质

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2931734B1 (fr) * 2008-05-28 2010-08-20 Peugeot Citroen Automobiles Sa Indicateur et procede d'indication d'emission de co2, vehicule et support d'enregistrement pour cet indicateur.
US20130054281A1 (en) * 2011-08-28 2013-02-28 GreenMiles Technologies LLC Methods and systems for rideshare
KR20130031749A (ko) * 2011-09-21 2013-03-29 동아대학교 산학협력단 탄소배출량을 기반으로 한 차량의 탄소가스 모니터링 시스템 및 장치
KR20160026217A (ko) * 2014-08-29 2016-03-09 주식회사 허즈앤티 탄소 저감형 도로의 시공을 위한 차량의 주행 조건과 도로의 종단면 경사에 따른 포터블 탄소배출량 측정 장치
KR101668753B1 (ko) * 2015-06-29 2016-11-09 한국건설기술연구원 대기 오염 관리 시스템
GB2585199A (en) * 2019-07-01 2021-01-06 Ford Global Tech Llc Methods of operating a motor vehicle
CN111680936B (zh) * 2020-08-12 2020-12-18 深圳市城市交通规划设计研究中心股份有限公司 一种交通碳排放量的监测方法、装置及终端设备
CN113239314A (zh) * 2021-04-09 2021-08-10 国网河北省电力有限公司沧州供电分公司 用于碳排放量预测的方法、装置、终端及计算机可读存储介质
EP4334863A1 (en) * 2021-05-07 2024-03-13 The Boston Consulting Group, Inc. Carbon emissions management system
KR20230010483A (ko) * 2021-07-12 2023-01-19 (주)오펠솔루션 차량 내 obd를 이용한 탄소배출 감축량 산정 시스템 및 그 방법
CN114461980A (zh) * 2021-10-11 2022-05-10 北京国家新能源汽车技术创新中心有限公司 动力电池全生命周期碳排放当量测算方法、装置及介质
CN114550482B (zh) * 2022-01-25 2023-08-01 中国人民武装警察部队工程大学 一种基于低碳目标的导航方法及停车场导航方法
CN114662282A (zh) * 2022-02-28 2022-06-24 华南理工大学 多因素碳排放核算方法和装置
CN114711787A (zh) * 2022-03-11 2022-07-08 无锡博智芯科技有限公司 一种基于神经网络的驾驶员心脏健康状态分类诊断方法
CN114627387A (zh) * 2022-03-22 2022-06-14 长沙理工大学 基于北斗定位和遥感图像检测的区域碳排放预测方法、设备及介质
KR102472552B1 (ko) * 2022-04-11 2022-12-01 주식회사 데이탐코리아 딥러닝을 활용한 차량의 에너지 소모량 및 탄소배출량 산출방법
CN114881356A (zh) * 2022-05-31 2022-08-09 江苏地质矿产设计研究院(中国煤炭地质总局检测中心) 基于粒子群算法优化bp神经网络的城市交通碳排预测方法
CN114882614B (zh) * 2022-07-11 2022-10-11 杭州春来科技有限公司 一种机动车碳排放监测方法及系统
CN116011169A (zh) * 2022-11-08 2023-04-25 重庆市交通规划研究院 基于rfid和obd数据的城市道路交通碳排放测算方法
CN115564152A (zh) * 2022-12-06 2023-01-03 南方电网数字电网研究院有限公司 基于stirpat模型的碳排放量预测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107730425A (zh) * 2017-09-11 2018-02-23 深圳市易成自动驾驶技术有限公司 碳排放量计算方法、装置及存储介质
CN113378305A (zh) * 2021-08-12 2021-09-10 深圳市城市交通规划设计研究中心股份有限公司 一种基于无人驾驶小车的车路协同测试方法、装置
CN114417614A (zh) * 2022-01-20 2022-04-29 悉地（苏州）勘察设计顾问有限公司 一种中心城区机动车空间管控措施下碳排放减排测算方法
CN114819305A (zh) * 2022-04-13 2022-07-29 山东高速云南发展有限公司 一种基于碳排放度量尺度下的路径规划方法
CN115169764A (zh) * 2022-09-08 2022-10-11 深圳市城市交通规划设计研究中心股份有限公司 一种可达性计算方法、电子设备及存储介质

Also Published As

Publication number Publication date
CN116229607A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN116229607B (zh) 一种机动车行驶碳排放的预测方法、电子设备及存储介质
Zhou et al. Development of a transient fuel consumption model
CN113515722B (zh) 一种道路交通排放与扬尘排放的实时监测方法与系统
CN109697854B (zh) 多维度的城市道路交通状态评估方法
JP7331184B2 (ja) 道路勾配情報を含む大型トラック標準的走行モードの構築方法
Lei et al. Microscopic emission and fuel consumption modeling for light-duty vehicles using portable emission measurement system data
CN112561410B (zh) 道路车辆的排放量确定方法、装置及电子设备
CN114882614B (zh) 一种机动车碳排放监测方法及系统
Ying et al. Modeling air quality during the California Regional PM10/PM2. 5 Air Quality Study (CRPAQS) using the UCD/CIT source-oriented air quality model–Part I. Base case model results
CN111832881A (zh) 基于路况信息预测电动车能耗的方法、介质和电子设备
CN109376331A (zh) 一种基于梯度提升回归树的城市公交车排放率估计方法
CN113407653A (zh) 一种排放清单构建方法、系统及可读存储介质
CN116558834A (zh) Pems排放分析方法、装置、计算机设备和存储介质
Wei et al. Evaluation of the precision and accuracy of cycle-average light duty gasoline vehicles tailpipe emission rates predicted by modal models
CN118311199A (zh) 一种营运车辆碳排放监测方法及系统
Yeow et al. Comparing commercial vehicle fuel consumption models using real-world data under calibration constraints
US6619107B1 (en) Simple method of measuring nitrogen oxide in running vehicles
CN116541654B (zh) 农用收获机械污染物排放量测算方法及装置
Kim et al. Data-driven parking decisions: Proposal of parking availability prediction model
Bell et al. Exploring the characteristics of a vehicle‐based temperature dataset for kilometre‐scale data assimilation
Wang et al. Road grade estimation based on power demand difference of heavy-duty diesel trucks for emission estimation
CN118094058B (zh) 一种机动车碳排放因子计算方法、电子设备及存储介质
Moore et al. Spatio-temporal and weather characterization of road loads of electrified heavy-duty commercial vehicles across US interstate roads
CN117454779B (zh) 道路交通移动源能耗预测方法、电子设备及存储介质
CN112711794B (zh) 车辆的热能耗评价方法、装置及具有其的车辆

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