CN116628455A - 一种城市交通碳排放监测与决策支持方法及系统 - Google Patents

Abstract

本发明公开了一种城市交通碳排放监测与决策支持方法及系统，其中方法通过整合多种数据来源，如交通流量、道路信息、车辆信息等，并利用深度学习技术准确识别个体出行方式，实现对城市交通碳排放的高精度监测。进一步地，本发明还提供了数据可视化和决策支持工具，帮助政府、企业和个人更好地理解和管理城市交通碳排放，从而降低碳排放总量。本发明在现有技术的基础上进行了有效改进和优化，显著提高了城市交通碳排放监测和管理的效率与准确性。

Description

一种城市交通碳排放监测与决策支持方法及系统

技术领域

本发明一般地涉及碳排放监测技术领域。更具体地，本发明涉及一种城市交通碳排放监测与决策支持方法及系统。

背景技术

随着全球气候变化问题日益严重，各国政府和社会都在积极寻求减少温室气体排放的方法。其中，交通部门的碳排放是全球温室气体排放的重要来源之一。为了更好地监测和管理城市交通碳排放，提高城市低碳发展水平，各类交通碳排放监测方法和技术应运而生。

现有技术中，例如中国发明专利202310043601.X中公开了一种基于出行链大数据的低碳出行碳减排量核验方法及系统，其基于出行链大数据的低碳出行碳减排量核验方法及系统，该方法包括：步骤1)获取出行数据的样本数据；步骤2)当样本数据为步行数据，转入步骤3)；当样本数据为自行车数据，转入步骤4)；当样本数据为电动自行车数据，转入步骤5)；步骤3)采用步行出行距离的核验方法对样本数据进行核验及去重得到最终有效出行距离；根据最终有效出行距离计算步行的碳排放量；步骤4)采用自行车出行距离的核验方法对样本数据进行核验及去重得到最终有效出行距离；根据最终有效出行距离计算自行车的碳排放量；步骤5)采用电动自行车出行距离的核验方法对样本数据进行核验及去重得到最终有效出行距离；计算电动自行车的碳排放量。

然而，现有技术存在以下技术问题：（1）数据源单一：现有的交通碳排放监测方法主要依赖于交通运输行业各类型车辆卫星定位数据、刷卡刷码票务数据和问卷调查等传统数据来源，导致监测的范围有限，同时因为只依赖交通运输行业数据导致结果的时效性和精确度有进一步提升空间。（2）交通方式识别不准确：现有技术很难对不同出行方式的碳排放进行区分，从而影响碳排放计算的准确性。（3）模型复杂性高：部分现有的交通碳排放监测方法采用复杂数学模型，计算过程繁琐，难以应用于实时监测和决策支持。（4）泛化能力差：部分现有的碳排放监测方法针对特定城市进行定制，难以应用于其他城市或地区。

发明内容

为了至少解决上述背景技术部分所描述的技术问题，本发明提出了一种城市交通碳排放监测与决策支持方法及系统。利用本发明的方案，在城市各类交通方式卫星定位数据等信息部分缺失情况下通过使用手机信令等数据刻画百姓多交通方式出行量提升城市交通真实碳排放情况还原的准确度。鉴于此，本发明在如下的多个方面提供解决方案。

本发明的第一方面提供了一种城市交通碳排放监测与决策支持方法，包括：数据收集与预处理步骤，收集及预处理多源出行数据，所述多源出行数据包括移动运营商手机信令数据、交通运输行业管理部门的共享单车定位数据、网约车定位数据、公交和轨道一卡通交易数据；个体出行链计算步骤，基于所述手机信令数据提取用户在时间和空间上的活动信息，使用DBSCAN聚类算法将所述活动信息划分为多段出行链；交通方式特征画像与识别步骤，基于所述交通运输行业管理部门的共享单车定位数据、网约车定位数据、公交和轨道一卡通交易数据，利用支持向量机为不同交通方式构建特征画像，收集已知交通方式的数据并为数据打标签，构建1D-CNN模型进行交通方式识别，获得识别结果；汇聚各出行方式的出行量和出行距离步骤，根据所述识别结果统计各个出行方式的出行量和出行距离；碳排放计算步骤，确定各交通方式的二氧化碳排放因子，根据所述出行量和出行距离计算各交通方式的碳排放量；城市交通碳排放监测步骤，汇总各交通方式的碳排放量，实时更新城市交通碳排放数据，提供城市交通碳排放趋势分析；决策支持步骤，根据所述城市交通碳排放监测结果，为政府部门和相关企业提供决策支持。

在一个实施例中，所述使用DBSCAN聚类算法将所述活动信息划分为多段出行链，包括：S1：定义邻域半径Eps和最小点数MinPts；S2：对每一个未标记的手机信令点p，计算其邻域内的点的数量，即在Eps距离内的点的数量，通过以下公式计算：N _p = {q∈ D | dist(p,q) ≤ Eps }，其中，D表示全部的手机信令数据集，dist(p,q)代表手机信令点p和q之间的距离；S3：当N _p 大于等于MinPts时，将手机信令点p标记为核心点，并创建新的聚类，所有在Eps距离内的其他点也将被标记为该聚类的一部分；S4：当N _p 小于MinPts时，将手机信令点p标记为噪声；S5：重复步骤二至步骤四，直到所有的手机信令点都被标记为某个聚类的一部分或被标记为噪声。

在一个实施例中，所述利用支持向量机为不同交通方式构建特征画像，包括：根据所述行业管理部门的网约车定位数据、公交和轨道一卡通交易数据，分别提取公交出行、出租车出行、小汽车出行和轨道出行的实际数据，基于所述实际数据分别为每种交通方式建立特征向量F _i = [v _i , t _i , s _i , T _i , r _i , a _i , θ _i , c _i ]，基于所述特征向量为每种交通方式建立一组特征数据集，所述实际数据包含行驶速度v _i 、停留时间t _i 、轨迹形状s _i 、出行时间段T _i 、道路类型r _i 、加速度a _i 、转弯角度θ _i 和路段拥堵程度c _i ；将所述特征数据集划分为训练集和测试集，通过基于随机森林的加权RFE（wRFE）进行特征选择以获取关键特征子集F''；针对所述关键特征子集F''，基于支持向量机（SVM）进行特征画像构建。

在一个实施例中，所述通过基于随机森林的加权RFE（wRFE）进行特征选择，包括：S1：基于随机森林算法对训练集中的每个特征进行评估，计算各特征的重要性权重ω，ω计算公式如下：ω = (1/T) *∑RF _t (F)，其中，T代表随机森林中树的总数，RF _t (F)表示在随机森林中第t棵树的特征F的重要性；S2：设定一个权重系数λ，并使用所述权重系数λ和所述重要性权重ω对特征向量F进行加权处理，生成加权特征向量F'，F'计算公式如下：F'=λ* F * ω，在确定最优的λ值时，根据特征的重要性权重ω的分布情况来设定λ，并辅助通过交叉验证的方法来选择最优的λ值；S3：对于加权特征向量F'，使用基于随机森林的加权递归特征消除（wRFE）方法，逐步筛选并剔除那些贡献较小的特征，得到最具区分度的特征子集F''，所述得到最具区分度的特征子集F''具体包括：在每一轮迭代中，wRFE方法首先计算F'中每个特征的得分，然后剔除得分最低的特征，具体的得分计算公式和特征剔除规则如下：（1）计算每个特征的得分Score _i ，公式如下：Score _i = ω _i * λ* |F' _i |，其中Score _i 是第i个特征的得分，ω _i 是第i个特征的重要性权重，λ是根据3.1.2.2的方法设定的权重系数，F' _i 是第i个特征在加权特征向量F'中的值；（2）将所有特征按照得分从高到低排序，将得分最低的特征从F'中剔除，得到新的特征向量F''；（3）重复步骤（1）-（2），直到特征子集F''中分最高的特征与得分最低的特征的得分差距小于预设的阈值δ。

在一个实施例中，所述基于支持向量机（SVM）进行特征画像构建，包括：S1：基于SVM算法计算各特征在F''中的重要性I，通过将SVM模型在训练集上的预测结果与真实结果进行比较，计算每个特征对预测结果的贡献，重要性I的计算公式为：I = (1/K) *∑SVM _k (F'') ，其中，K表示SVM的数量，SVM _k (F'')表示SVM分类模型对第k个样本的预测输出；S2：根据I和特征在样本中的表现，所述表现包括特征的均值、方差等，对各个特征进行加权，构建出特征画像P，计算公式为：P =∑(I * f) ，其中， f为特征在样本中的表现。

在一个实施例中，所述收集已知交通方式的数据并为数据打标签，包括：针对公交出行、出租车出行、小汽车出行和轨道出行，收集已知交通方式的出行数据；为每条已知交通方式的数据打上对应的标签以获得标签数据，包括设定公交出行为0，出租车出行为1，小汽车出行为2，轨道出行为3。

在一个实施例中，所述构建1D-CNN模型进行交通方式识别，包括：将所述最具区分度的特征子集F''和所述标签数据整合，形成训练数据集D，所述数据集D的每一个数据点由特征向量F''和对应的交通方式标签组成，表达式为（F'', label）；将数据集D按照7:3的比例划分为训练集D_train和测试集D_test；构建1D-CNN模型，具体包括；（1）构建一个一维卷积神经网络1D-CNN模型，所述1D-CNN模型包含多个卷积层、非线性激活函数、池化层以及全连接层，每层都负责提取和转换数据的不同特征；（2）设置网络的超参数，包括学习率η、批次大小B、迭代次数N；（3）将所述训练集D_train输入到1D-CNN模型中进行训练；在每次迭代中，模型会通过前向传播来计算预测结果，然后通过反向传播来更新模型参数，以最小化预测结果与实际标签之间的损失；损失函数计算公式如下：，其中，m是样本数量，y _i 是实际标签，y' _i 是预测结果；参数更新使用梯度下降法，公式如下：θ = θ- η∇J(θ) ，其中，η表示学习率，θ表示模型参数。

在一个实施例中，所述根据所述识别结果统计各个出行方式的出行量和出行距离，包括：统计个体每种出行方式的出行次数进行，得到各个出行方式的出行量，所述出行方式包括公交、出租汽车、小汽车和轨道；对每种交通方式，分别将每个个体的出行次数按照时间顺序排列，形成出行次数向量N _i = [n ₁, n ₂, ..., n _t ]，其中n _t 表示在第t个时间点的出行次数；对所述出行次数向量求和，得到每种交通方式的总出行量N _i =∑n _t ；计算各个出行方式的总出行距离。

在一个实施例中，所述根据所述出行量和出行距离计算各交通方式的碳排放量，包括：根据各种交通方式的能源消耗特性和排放特性，确定各交通方式的二氧化碳排放因子EF _i ；将所述总出行距离和所述总出行量分别使用如下Z-score标准化公式进行标准化：z= (x - μ)/σ，其中x为原始数据，μ为数据的均值，σ为数据的标准差；将每种交通方式经过标准化后的总出行量和总出行距离整合为数据矩阵，其中每一行代表一个交通方式，第一列为出行量N _i ，第二列为出行距离d _i ；基于所述二氧化碳排放因子EF _i 和所述数据矩阵，使用以下公式计算各交通方式的碳排放量C _i ：C _i = d _i * EF _i * N _i ，其中，C _i ：第i种交通方式的碳排放量；d _i ：第i种交通方式的平均出行距离；EF _i ：第i种交通方式的二氧化碳排放因子；N _i ：第i种交通方式的出行量。

本发明的第二方面，还提供了一种城市交通碳排放监测与决策支持系统，运行上述任一项所述的城市交通碳排放监测与决策支持方法。

与现有技术相比，本发明通过将手机信令数据和交通运输行业数据进行融合，提升了方法的普适性；本发明通过使用DBSCAN聚类算法将所述活动信息划分为多段出行链并构建1D-CNN模型进行交通方式识别，提升了出行方式识别的准确性。综上，本发明克服了现有技术的诸多不足，为城市交通碳排放的实时监测和决策支持提供了有效解决。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：

图1是示出根据本发明实施例的整体方法流程图；

图2是示出根据本发明实施例的数据收集、预处理与个体出行链计算流程图；

图3是示出根据本发明实施例的交通方式特征画像、识别与汇聚出行量距离流程图；

图4是示出根据本发明实施例的碳排放计算与城市交通碳排放监测决策支持流程图。

具体实施方式

下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域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方式，都属于本发明保护的范围。

应当理解，本发明的权利要求、说明书及附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。本发明的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施方式的目的，而并不意在限定本发明。如在本发明说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本发明说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当... 时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

下面结合附图来详细描述本发明的具体实施方式。

本发明的第一方面，提供了一种城市交通碳排放监测与决策支持方法。如图1所示，是示出根据本发明实施例的城市交通碳排放监测与决策支持整体方法流程图，本发明的碳排放监测与决策支持方法可概括为包含步骤以下步骤：

数据收集与预处理步骤，收集及预处理多源出行数据，所述多源出行数据包括移动运营商手机信令数据、交通运输行业管理部门的共享单车定位数据、网约车定位数据、公交和轨道一卡通交易数据；

个体出行链计算步骤，基于所述手机信令数据提取用户在时间和空间上的活动信息，使用DBSCAN聚类算法将所述活动信息划分为多段出行链；

交通方式特征画像与识别步骤，基于所述交通运输行业管理部门的共享单车定位数据、网约车定位数据、公交和轨道一卡通交易数据，利用支持向量机为不同交通方式构建特征画像，收集已知交通方式的数据并为数据打标签，构建1D-CNN模型进行交通方式识别；

汇聚各出行方式的出行量和出行距离步骤，根据所述识别结果统计各个出行方式的出行量和出行距离；

碳排放计算步骤，确定各交通方式的二氧化碳排放因子，根据所述出行量和出行距离计算各交通方式的碳排放量；

城市交通碳排放监测步骤，汇总各交通方式的碳排放量，实时更新城市交通碳排放数据，提供城市交通碳排放趋势分析；

决策支持步骤，根据所述城市交通碳排放监测结果，为政府部门和相关企业提供决策支持。

本发明公开的城市交通碳排放监测与决策支持方法基于大数据和深度学习技术。该方法能够准确地识别个体出行方式，并统计各种交通方式的出行量和出行距离，从而计算城市交通的碳排放量。通过实时监测和分析城市交通碳排放数据，本发明为政府部门和相关企业提供决策支持，以实现城市交通碳排放的减少。

如图1所示，本发明的城市交通碳排放监测系统的关键步骤包括数据收集与预处理、个体出行链计算、交通方式特征画像与识别、汇聚各出行方式的出行量和出行距离、碳排放计算、城市交通碳排放监测以及决策支持。图2描述了本发明的数据收集与预处理的详细步骤，如图2所示，本发明的数据收集与预处理包括数据来源、数据清洗、格式转换和数据融合，同时展示了个体出行链计算的过程，包括信令数据处理和使用DBSCAN聚类算法将用户在时间和空间上的连续活动划分为一段段的出行链。图3展示了交通方式特征画像与识别的关键步骤，如图3所示，交通方式特征画像与识别的关键步骤包括数据准备、特征提取、特征选择、特征画像、标签数据准备和交通方式识别模型构建。同时，描述了统计各出行方式的出行量和出行距离的过程。图4展示了碳排放计算的关键步骤，如图4所示，碳排放计算的关键步骤包括确定二氧化碳排放因子和计算各出行方式的碳排放量。此外，描述了城市交通碳排放监测和决策支持的过程，包括汇总碳排放量、实时监测和为政府部门和相关企业提供决策支持。

在本发明的一优选实施中，按照以下步骤1-步骤8执行上述城市交通碳排放监测与决策支持方法：

步骤1：数据收集与预处理

1.1 收集数据：收集移动运营商手机信令数据、交通运输行业管理部门的共享单车定位数据、网约车定位数据、公交和轨道一卡通交易数据等多源出行数据。

1.2 数据预处理：对收集到的数据进行预处理，包括数据清洗（去除异常值和缺失值）、格式转换（统一时间格式和坐标系）和数据融合（将来自不同数据源的数据按照时间和空间信息进行关联）。

步骤2：个体出行链计算

2.1 信令数据处理：基于手机信令数据，提取用户在时间和空间上的活动信息。

2.2 基于DBSCAN聚类算法的个体出行链计算： 引入一种基于DBSCAN聚类算法的个体出行链计算方法。DBSCAN，全称为Density-Based Spatial Clustering ofApplications with Noise，是一种基于密度的聚类算法，适用于探测任何形状的密度聚类，且对噪声具有良好的容忍度。在该方法中，每个手机信令点在空间中被视为一个点p。利用DBSCAN算法，我们将用户在时间和空间上的连续活动划分为一段段的出行链。每个簇表示在时间和空间上相近的一组数据点，这些数据点可以认为属于同一段出行链。簇中的数据点数量可能不同，表示出行链的长度或者在某个地点停留的人数有所区别。

2.2.1 首先定义两个参数，邻域半径（Eps）和最小点数（MinPts）。Eps是定义邻域的距离阈值，MinPts则是一个点的邻域中至少需要包含的点的数量。Eps和MinPts的选择采用k-距离图的方法。先计算所有点的第k个最近邻的距离，并按距离进行排序，然后在图中找到“弯曲”的地方，即距离突然增大的地方，将其作为 Eps 的值。对于MinPts的值，一般选择为2的维度次方。

2.2.2 对每一个未标记的手机信令点p，计算其邻域内的点的数量。邻域内的点的数量，即在Eps距离内的点的数量，可以用以下公式来计算：

N _p = {q∈ D | dist(p,q) ≤ Eps }

其中，D表示全部的手机信令数据集，dist(p,q)代表手机信令点p和q之间的距离。

2.2.3 判断N _p 是否大于等于MinPts，如果满足该条件，则将手机信令点p标记为核心点，并创建新的聚类。所有在Eps距离内的其他点也将被标记为该聚类的一部分。

2.2.4 如果N _p 小于MinPts，那么就将手机信令点p标记为噪声。

2.2.5 重复步骤二至步骤四，直到所有的手机信令点都被标记为某个聚类的一部分或被标记为噪声。

步骤3：交通方式特征画像与识别

3.1交通方式特征画像

3.1.1 数据准备：根据行业管理部门的网约车定位数据、公交和轨道一卡通交易数据，为公交出行、出租车出行、小汽车出行和轨道出行分别提取大量实际数据。这些数据包含关于行驶速度（v _i ）、停留时间（t _i ）、轨迹形状（s _i ）、出行时间段（T _i ）、道路类型（r _i ）、加速度（a _i ）、转弯角度（θ _i ）和路段拥堵程度（c _i ）等特征的信息。然后，对数据进行清洗和标准化处理，将这些特征整合成一个特征向量（F _i = [v _i , t _i , s _i , T _i , r _i , a _i , θ _i , c _i ]），为每种交通方式建立一组特征数据集。

3.1.2 特征选择：在此步骤中，首先将数据集划分为训练集和测试集。这是为了保证模型在新的、未见过的数据上也能有好的表现，防止过拟合。然后，引入了一种基于随机森林的加权RFE（wRFE）特征选择算法。

3.1.2.1 基于随机森林算法对训练集中的每个特征进行评估，计算各特征的重要性权重ω。这是根据该特征在随机森林中每棵树中对分类准确度的贡献来计算的，这反映了每个特征在区分不同交通方式上的能力，权重ω将会影响我们如何对每个特征进行加权处理。ω计算公式如下：

ω = (1/T) *∑RF _t (F)

其中，T代表随机森林中树的总数，RF _t (F)表示在随机森林中第t棵树的特征F的重要性。

3.1.2.2 设定一个权重系数λ，并使用它和ω对特征向量F进行加权处理，生成一个加权特征向量F'，F'计算公式如下：

F'=λ* F * ω

在确定最优的λ值时，根据特征的重要性权重ω 的分布情况来设定λ，并辅助通过交叉验证的方法来选择最优的λ值。

3.1.2.3 对于加权特征向量F'，使用基于随机森林的加权递归特征消除（wRFE）方法，逐步筛选并剔除那些贡献较小的特征，得到最具区分度的特征子集F''。在每一轮迭代中，wRFE方法首先计算F'中每个特征的得分，然后剔除得分最低的特征，具体的得分计算公式和特征剔除规则如下：

（1）计算每个特征的得分Score _i ，公式如下：

Score _i = ω _i * λ* |F' _i |

其中Score _i 是第i个特征的得分，ω _i 是第i个特征的重要性权重，λ是根据3.1.2.2的方法设定的权重系数，F' _i 是第i个特征在加权特征向量F'中的值。

（2）将所有特征按照得分从高到低排序，将得分最低的特征从F'中剔除，得到新的特征向量F''。

这个过程将重复进行，直到特征子集F''中分最高的特征与得分最低的特征的得分差距小于预设的阈值δ。关于阈值δ的设定，使用交叉验证方法，在训练集上进行k折交叉验证，为每个δ值训练一个模型，计算每个模型的验证得分。选择使得交叉验证得分最高的那个δ值作为最佳阈值。

3.1.3 特征画像构建：在获取到关键特征子集F''后，进一步引入一种基于支持向量机（SVM）的特征画像构建方法。

3.1.3.1 基于SVM算法计算各特征在F''中的重要性I，通过将SVM模型在训练集上的预测结果与真实结果进行比较，计算每个特征对预测结果的贡献来完成，重要性I的计算公式为：

I = (1/K) *∑SVM _k (F'')

其中，K表示SVM的数量，SVM _k (F'') 表示SVM分类模型对第k个样本的预测输出。

3.1.3.2 根据I和特征在样本中的表现（例如，特征的均值、方差等），对各个特征进行加权，构建出特征画像P，计算公式为：

P =∑(I * f)

其中，f为特征在样本中的表现。这种方法对特征进行了更精细的权重分配，并结合了特征在样本中的表现，因此可以更准确地反映特征的重要性，形成各种交通方式的特征画像，这些特征画像将在后续的交通方式识别中起到关键作用。

3.2 标签数据准备

3.2.1 收集已知交通方式的数据：针对公交出行、出租车出行、小汽车出行和轨道出行，收集已知交通方式的出行数据。这些数据可以通过行业管理部门的网约车定位数据、公交和轨道一卡通交易数据等途径获取。

3.2.2 为数据打标签：为每条已知交通方式的数据打上对应的标签，例如：公交出行为0，出租车出行为1，小汽车出行为2，轨道出行为3。这些带标签的数据将用于训练和验证交通方式识别模型。

3.3 交通方式识别模型构建

3.3.1 准备训练数据：将步骤3.1中筛选出的关键特征F''（即最具区分度的特征子集）和步骤3.2中的标签数据整合，形成训练数据集D。数据集D的每一个数据点由特征向量F''和对应的交通方式标签组成，如（F'', label）。将数据集D划分为训练集D_train和测试集D_test，按照7:3的比例进行划分，以便在后续步骤中评估模型性能。

3.3.2 构建1D-CNN模型：

3.3.2.1 设计网络结构：设计一个一维卷积神经网络（1D-CNN）结构，它能有效地处理交通方式识别问题。该网络包含多个卷积层、非线性激活函数、池化层以及全连接层，每层都负责提取和转换数据的不同特征，这些特征有助于识别交通方式。

3.3.2.2 设定超参数：设置网络的超参数，包括学习率η、批次大小B、迭代次数N。为了选择最优的超参数，采用网格搜索法来寻找最优的超参数组合，具体方法如下：

3.3.2.2.1 设定超参数范围：首先，设定每个超参数的可能取值范围，学习率η在[0.001, 0.1]，批次大小B在[10, 100]，迭代次数N在[100, 1000]。

3.3.2.2.2 创建参数网格：在每个超参数的取值范围内，组成所有超参数组合，形成一个参数网格。

3.3.2.2.3 交叉验证评估：对于参数网格中的每一种超参数组合，使用交叉验证法对其进行评估。即将训练集D_train分成K份（K通常取5或10），然后进行K次训练和验证，每次选取1份作为验证集，其余K-1份作为训练集。计算每种超参数组合在K次验证中的平均得分。

3.3.2.2.4 选择最优组合：最后，选择平均得分最高的那种超参数组合作为最优超参数。找到一组可以在交通方式识别问题中获得最佳性能的超参数。

3.3.2.3 训练模型：将训练集D_train输入到1D-CNN模型中进行训练。在每次迭代中，模型会通过前向传播来计算预测结果，然后通过反向传播来更新模型参数，以最小化预测结果与实际标签之间的损失。损失函数通常使用交叉熵损失，其公式如下：

其中，m是样本数量，y _i 是实际标签，y' _i 是预测结果。参数更新使用梯度下降法，公式如下：

θ = θ- η∇J(θ)

其中，η表示学习率，θ表示模型参数。

3.4 识别结果评估与优化

3.4.1 评估模型性能：通过计算模型在测试集上的准确率、查准率、查全率等指标，评估模型的识别性能。同时，使用混淆矩阵来直观地展示模型在各个交通方式上的分类效果。

3.4.2 优化模型：如果模型在测试集上的性能不足以满足实际应用需求，通过以下步骤对模型进行优化。

3.4.2.1 调整网络结构：增加或减少卷积层的数量、调整卷积核的大小、改变全连接层的节点数等，以改进模型的性能。

3.4.2.2 增加新特征：如果当前的特征无法充分描述数据的特性，考虑增加新的特征，可包括基于原有的特征构造的交互项、高阶项等。

3.4.2.3 调整超参数：继续使用网格搜索方法，对新的参数范围或更细粒度的参数网格进行搜索，以找到更好的超参数组合。

3.4.2.4 K折交叉验证：在每一次优化后，都使用K折交叉验证法来评估模型性能。即将训练集D_train分成K份（K通常取5或10），然后进行K次训练和验证，每次选取1份作为验证集，其余K-1份作为训练集。这样可以更准确地评估模型在未见过的数据上的性能，以确保我们的模型优化方向是正确的。

3.4.2.5 优化迭代：重复3.4.2.1至3.4.2.4的步骤，直至模型的识别准确率满足实际需求。

3.4.3 模型泛化能力评估：为了确保模型在实际应用中的稳定性和泛化能力，可以使用额外的独立数据集对模型进行评估。根据评估结果，进一步调整模型参数，提高模型在实际应用中的可靠性。

步骤4：汇聚各出行方式的出行量和出行距离

4.1 统计出行量：根据步骤3中识别的个体出行方式，对每种出行方式的出行次数进行统计，形成各个出行方式（公交、出租汽车、小汽车和轨道）的出行量。

4.1.1 生成出行次数向量：对每种交通方式，将每个个体的出行次数按照时间顺序排列，形成出行次数向量N _i = [n ₁, n ₂, ..., n _t ]，其中n _t 表示在第t个时间点的出行次数。

4.1.2 计算出行量：对出行次数向量进行求和，得到每种交通方式的总出行量N _i =∑n _t 。得到各个出行方式的出行量。

4.2 统计出行距离：根据步骤3中识别的个体出行方式，计算各个出行方式的总出行距离。

步骤5：碳排放计算

5.1 确定二氧化碳排放因子：根据各种交通方式的能源消耗特性和排放特性，查阅相关研究文献和政府报告，确定各交通方式的二氧化碳排放因子。

5.2 计算各出行方式的碳排放量

5.2.1 准备计算所需数据：整理步骤4中得到的各出行方式的出行量和出行距离。

5.2.1.1 数据标准化：将出行距离和出行量转换为同一规模，这样可以避免由于量纲和量级不同导致的计算误差。使用Z-score标准化，公式为：

z = (x - μ)/σ

其中x为原始数据，μ为数据的均值，σ为数据的标准差。

5.2.1.2 整合数据：将每种交通方式的出行量和出行距离整合为一个数据矩阵，每一行代表一个交通方式，第一列为出行量（N _i ），第二列为出行距离（d _i ）。

5.2.2 应用排放因子进行计算：根据步骤5.1中确定的二氧化碳排放因子（EF _i ），使用以下公式计算各交通方式的碳排放量（C _i ）：

C _i = d _i * EF _i * N _i

C _i ：第i种交通方式的碳排放量；

d _i ：第i种交通方式的平均出行距离；

EF _i ：第i种交通方式的二氧化碳排放因子；

N _i ：第i种交通方式的出行量。

步骤6：城市交通碳排放监测

6.1 汇总碳排放量：将各交通方式的碳排放量汇总，得到城市总体交通碳排放量。

6.2 实时监测：实时更新城市交通碳排放数据，提供城市交通碳排放趋势分析。

步骤7：决策支持

根据城市交通碳排放监测结果，为政府部门和相关企业提供决策支持。包括但不限于优化公共交通规划、推广低碳交通方式、调整城市交通出行结构、制定碳排放减排政策等。具体功能如下：

7.1提供城市交通碳排放量分布图，识别碳排放热点区域，便于政府部门进行有针对性的治理。

7.2分析不同交通方式的碳排放量，为政府部门提供优化公共交通资源配置的依据，如调整公交线路、增加轨道交通设施等。

7.3评估各类交通政策对碳排放量的影响，为政府部门提供政策制定的科学依据。例如，评估限行政策、出行优惠政策、推广电动汽车或优化公共交通系统等对碳排放量的影响。

7.4提供行业碳排放报告，为相关企业提供碳排放管理参考，推动企业采取更环保的出行方式，如鼓励使用电动汽车、加强车辆维护等。

步骤8：系统实现与部署

8.1 开发城市交通碳排放监测系统，将以上各个步骤整合为一个完整的解决方案。系统可包括数据收集与处理模块、交通方式识别模块、碳排放计算模块、监测与决策支持模块等。

8.2 部署系统到云端服务器或专用数据中心，确保系统稳定高效运行，支持实时监测城市交通碳排放情况。

8.3 提供用户友好的界面，使政府部门和相关企业能够方便地查询城市交通碳排放数据，获取决策支持。

本发明的第二方面还提供了一种城市交通碳排放监测与决策支持系统，运行上述任一项所述的城市交通碳排放监测与决策支持方法。

综上，本发明具有以下技术效果：

（1）数据源丰富：本发明采用多源数据融合，整合多种来源的数据，提高了对城市交通碳排放的监测精度和实时性。

（2）个体出行方式识别准确：本发明采用深度学习方法，对个体的出行方式进行准确识别，从而提高碳排放计算的准确性。

（3）计算效率高：本发明采用简洁高效的模型和算法，能够快速计算各交通方式的碳排放量，适用于实时监测和决策支持。

（4）普适性强：本发明的方法具有较高的泛化能力，可广泛应用于不同城市的交通碳排放监测和决策支持。

虽然本说明书已经示出和描述了本发明的多个实施方式，但对于本领域技术人员显而易见的是，这样的实施方式是仅以示例的方式提供的。本领域技术人员在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解在实践本发明的过程中，可以采用本文所描述的本发明实施方式的各种替代方案。所附权利要求书旨在限定本发明的保护范围，并因此覆盖这些权利要求范围内的模块组成、等同或替代方案。

Claims (10)

1.一种城市交通碳排放监测与决策支持方法，其特征在于，包括：

数据收集与预处理步骤，收集及预处理多源出行数据，所述多源出行数据包括移动运营商手机信令数据、交通运输行业管理部门的共享单车定位数据、网约车定位数据、公交和轨道一卡通交易数据；

个体出行链计算步骤，基于所述手机信令数据提取用户在时间和空间上的活动信息，使用DBSCAN聚类算法将所述活动信息划分为多段出行链；

交通方式特征画像与识别步骤，基于所述交通运输行业管理部门的共享单车定位数据、网约车定位数据、公交和轨道一卡通交易数据，利用支持向量机为不同交通方式构建特征画像，收集已知交通方式的数据并为数据打标签，构建1D-CNN模型进行交通方式识别，获取识别结果；

汇聚各出行方式的出行量和出行距离步骤，根据所述识别结果统计各个出行方式的出行量和出行距离；

碳排放计算步骤，确定各交通方式的二氧化碳排放因子，根据所述出行量和出行距离计算各交通方式的碳排放量；

城市交通碳排放监测步骤，汇总各交通方式的碳排放量，实时更新城市交通碳排放数据，提供城市交通碳排放趋势分析；

决策支持步骤，根据所述城市交通碳排放监测结果，为政府部门和相关企业提供决策支持。

2.根据权利要求1所述的城市交通碳排放监测与决策支持方法，其特征在于，所述使用DBSCAN聚类算法将所述活动信息划分为多段出行链，包括：

S1：定义邻域半径Eps和最小点数MinPts；

S2：对每一个未标记的手机信令点p，计算其邻域内的点的数量，即在Eps距离内的点的数量，通过以下公式计算：

N _p = {q∈ D | dist(p,q) ≤ Eps }

其中，D表示全部的手机信令数据集，dist(p,q)代表手机信令点p和q之间的距离；

S3：当N _p 大于等于MinPts时，将手机信令点p标记为核心点，并创建新的聚类，所有在Eps距离内的其他点也将被标记为该聚类的一部分；

S4：当N _p 小于MinPts时，将手机信令点p标记为噪声；

S5：重复步骤二至步骤四，直到所有的手机信令点都被标记为某个聚类的一部分或被标记为噪声。

3.根据权利要求1所述的城市交通碳排放监测与决策支持方法，其特征在于，所述利用支持向量机为不同交通方式构建特征画像，包括：

根据所述行业管理部门的网约车定位数据、公交和轨道一卡通交易数据，分别提取公交出行、出租车出行、小汽车出行和轨道出行的实际数据，基于所述实际数据分别为每种交通方式建立特征向量F _i = [v _i , t _i , s _i , T _i , r _i , a _i , θ _i , c _i ]，基于所述特征向量为每种交通方式建立一组特征数据集，所述实际数据包含行驶速度v _i 、停留时间t _i 、轨迹形状s _i 、出行时间段T _i 、道路类型r _i 、加速度a _i 、转弯角度θ _i 和路段拥堵程度c _i ；

将所述特征数据集划分为训练集和测试集，通过基于随机森林的加权RFE（wRFE）进行特征选择以获取关键特征子集F''；

针对所述关键特征子集F''，基于支持向量机（SVM）进行特征画像构建。

4.根据权利要求3所述的城市交通碳排放监测与决策支持方法，其特征在于，所述通过基于随机森林的加权RFE（wRFE）进行特征选择，包括：

S1：基于随机森林算法对训练集中的每个特征进行评估，计算各特征的重要性权重ω，ω计算公式如下：

ω = (1/T) *∑RF _t (F)

其中，T代表随机森林中树的总数，RF _t (F)表示在随机森林中第t棵树的特征F的重要性；

S2：设定一个权重系数λ，并使用所述权重系数λ和所述重要性权重ω对特征向量F进行加权处理，生成加权特征向量F'，F'计算公式如下：

F'=λ* F *ω

在确定最优的λ值时，根据特征的重要性权重ω的分布情况来设定λ，并辅助通过交叉验证的方法来选择最优的λ值；

S3：对于加权特征向量F'，使用基于随机森林的加权递归特征消除（wRFE）方法，逐步筛选并剔除那些贡献较小的特征，得到最具区分度的特征子集F''，所述得到最具区分度的特征子集F''具体包括：

在每一轮迭代中，wRFE方法首先计算F'中每个特征的得分，然后剔除得分最低的特征，具体的得分计算公式和特征剔除规则如下：

（1）计算每个特征的得分Score _i ，公式如下：

Score _i = ω _i * λ* |F' _i |

其中Score _i 是第i个特征的得分，ω _i 是第i个特征的重要性权重，λ是根据3.1.2.2的方法设定的权重系数，F' _i 是第i个特征在加权特征向量F'中的值；

（2）将所有特征按照得分从高到低排序，将得分最低的特征从F'中剔除，得到新的特征向量F''；

（3）重复步骤（1）-（2），直到特征子集F''中分最高的特征与得分最低的特征的得分差距小于预设的阈值δ。

5.根据权利要求3所述的城市交通碳排放监测与决策支持方法，其特征在于，所述基于支持向量机（SVM）进行特征画像构建，包括：

S1：基于SVM算法计算各特征在F''中的重要性I，通过将SVM模型在训练集上的预测结果与真实结果进行比较，计算每个特征对预测结果的贡献，重要性I的计算公式为：

I = (1/K) *∑SVM _k (F'')

其中，K表示SVM的数量，SVM _k (F'')表示SVM分类模型对第k个样本的预测输出；

S2：根据I和特征在样本中的表现，所述表现包括特征的均值、方差等，对各个特征进行加权，构建出特征画像P，计算公式为：

P =∑(I * f)

其中，f为特征在样本中的表现。

6.根据权利要求4所述的城市交通碳排放监测与决策支持方法，其特征在于，所述收集已知交通方式的数据并为数据打标签，包括：

针对公交出行、出租车出行、小汽车出行和轨道出行，收集已知交通方式的出行数据；

为每条已知交通方式的数据打上对应的标签以获得标签数据，包括设定公交出行为0，出租车出行为1，小汽车出行为2，轨道出行为3。

7.根据权利要求6所述的城市交通碳排放监测与决策支持方法，其特征在于，所述构建1D-CNN模型进行交通方式识别，包括：

将所述最具区分度的特征子集F''和所述标签数据整合，形成训练数据集D，所述数据集D的每一个数据点由特征向量F''和对应的交通方式标签组成，表达式为（F'', label）；将数据集D按照7:3的比例划分为训练集D_train和测试集D_test；

构建1D-CNN模型，具体包括；

（1）构建一个一维卷积神经网络1D-CNN模型，所述1D-CNN模型包含多个卷积层、非线性激活函数、池化层以及全连接层，每层都负责提取和转换数据的不同特征；

（2）设置网络的超参数，包括学习率η、批次大小B、迭代次数N；

（3）将所述训练集D_train输入到1D-CNN模型中进行训练；在每次迭代中，模型会通过前向传播来计算预测结果，然后通过反向传播来更新模型参数，以最小化预测结果与实际标签之间的损失；损失函数计算公式如下：

；

其中，m是样本数量，y _i 是实际标签，y' _i 是预测结果；参数更新使用梯度下降法，公式如下：

θ = θ- η∇J(θ)

其中，η表示学习率，θ表示模型参数。

8.根据权利要求1所述的城市交通碳排放监测与决策支持方法，其特征在于，所述根据所述识别结果统计各个出行方式的出行量和出行距离，包括：

统计个体每种出行方式的出行次数进行，得到各个出行方式的出行量，所述出行方式包括公交、出租汽车、小汽车和轨道；

对每种交通方式，分别将每个个体的出行次数按照时间顺序排列，形成出行次数向量N _i = [n ₁, n ₂, ..., n _t ]，其中n _t 表示在第t个时间点的出行次数；

对所述出行次数向量求和，得到每种交通方式的总出行量N _i =∑n _t ；

计算各个出行方式的总出行距离。

9.根据权利要求8所述的城市交通碳排放监测与决策支持方法，其特征在于，所述根据所述出行量和出行距离计算各交通方式的碳排放量，包括：

根据各种交通方式的能源消耗特性和排放特性，确定各交通方式的二氧化碳排放因子EF _i ；

将所述总出行距离和所述总出行量分别使用如下Z-score标准化公式进行标准化：

z = (x - μ)/σ

其中x为原始数据，μ为数据的均值，σ为数据的标准差；

将每种交通方式经过标准化后的总出行量和总出行距离整合为数据矩阵，其中每一行代表一个交通方式，第一列为出行量N _i ，第二列为出行距离d _i ；

基于所述二氧化碳排放因子EF _i 和所述数据矩阵，使用以下公式计算各交通方式的碳排放量C _i ：

C _i = d _i * EF _i * N _i

其中，C _i ：第i种交通方式的碳排放量；d _i ：第i种交通方式的平均出行距离；EF _i ：第i种交通方式的二氧化碳排放因子；N _i ：第i种交通方式的出行量。

10.一种城市交通碳排放监测与决策支持系统，其特征在于，运行如权利要求1-9任一项所述的城市交通碳排放监测与决策支持方法。