CN117454729A - 一种大气污染贡献度预测方法、装置及可读存储介质 - Google Patents
一种大气污染贡献度预测方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN117454729A CN117454729A CN202311504343.7A CN202311504343A CN117454729A CN 117454729 A CN117454729 A CN 117454729A CN 202311504343 A CN202311504343 A CN 202311504343A CN 117454729 A CN117454729 A CN 117454729A
- Authority
- CN
- China
- Prior art keywords
- predicted
- atmospheric
- target
- pollutants
- contribution
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 196
- 231100000719 pollutant Toxicity 0.000 claims abstract description 196
- 238000012544 monitoring process Methods 0.000 claims abstract description 111
- 230000007613 environmental effect Effects 0.000 claims abstract description 71
- 238000009792 diffusion process Methods 0.000 claims abstract description 66
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 239000000446 fuel Substances 0.000 claims description 18
- 239000000356 contaminant Substances 0.000 claims description 16
- 239000000809 air pollutant Substances 0.000 claims description 14
- 231100001243 air pollutant Toxicity 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003915 air pollution Methods 0.000 abstract description 15
- 238000011160 research Methods 0.000 description 28
- 239000013618 particulate matter Substances 0.000 description 25
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 22
- 229910002091 carbon monoxide Inorganic materials 0.000 description 22
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 10
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 239000003570 air Substances 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 229910002089 NOx Inorganic materials 0.000 description 3
- 239000012080 ambient air Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 238000003326 Quality management system Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Fluid Mechanics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种大气污染贡献度预测方法、装置及可读存储介质,包括:首先,基于待预测环境监测站确定待预测区域及时段;然后获取该区域内的机动车道路并确定各车型在待预测时段的流量信息。根据这些流量信息,计算每个道路上不同污染物的排放源强。根据待预测区域大小,确定目标大气扩散模型。利用该模型预测待预测区域所有车型对环境监测站的总体大气污染物贡献浓度。最后,确定目标车型,并通过计算与预测得出目标车型对环境监测站的大气污染物贡献率。本方法综合考虑所有车型、实际道路条件和交通流量等因素,预测结果准确性高,为控制和减少大气污染提供了科学依据。
Description
技术领域
本发明涉及污染监管技术领域,具体而言,涉及一种大气污染贡献度预测方法、装置及可读存储介质。
背景技术
当前,随着城市交通的发展,机动车辆尾气排放已成为大气污染的重要来源之一。为了有效地控制和减少大气污染,需要对各种污染源进行定量评估和分析,其中包括对机动车辆排放的污染物贡献度进行准确预测。然而,传统的预测方法通常只考虑了单一或少数几种车型的影响,而没有全面考虑所有车型对大气污染的综合贡献。此外,传统的预测方法也往往忽略了环境监测站周围的实际道路条件和交通流量等因素,导致预测结果的准确性有待提高。为此,需要一种更加科学、全面和精确的大气污染贡献度预测方法。
发明内容
本发明的目的在于提供一种大气污染贡献度预测方法、装置及可读存储介质。
第一方面,本发明实施例提供一种大气污染贡献度预测方法,包括:
基于待预测环境监测站,确定所述待预测环境监测站对应的待预测区域以及待预测时段;
获取所述待预测区域包括的多个机动车道路,并确定出在所述待预测时段每个所述机动车道路不同车型的流量信息;
基于所述流量信息,计算得到每个所述机动车道路不同污染物的排放源强;
根据所述待预测区域的大小,确定出目标大气扩散模型;
基于每个所述机动车道路不同污染物的排放源强,通过所述目标大气扩散模型预测得到所述待预测区域对应的所有车型对所述待预测环境监测站的总体大气污染物贡献浓度;
确定目标车型,并计算得到参考车型对应的参考机动车道路不同污染物的排放源强,其中,所述参考车型为所述所有车型除所述目标车型以外的所有车型;
基于所述参考机动车道路不同污染物的排放源强,通过所述目标大气扩散模型预测得到所述待预测区域对应的参考车型对所述待预测环境监测站的参考大气污染物贡献浓度;
基于所述总体大气污染物贡献浓度和所述参考大气污染物贡献浓度,计算得到所述目标车型对所述待预测环境监测站的目标大气污染物贡献浓度;
基于所述目标大气污染物贡献浓度,确定所述目标车型对所述待预测环境监测站的大气污染物贡献率。
在一种可能的实施方式中,所述基于待预测环境监测站,确定所述待预测环境监测站对应的待预测区域以及待预测时段,包括:
获取所述待预测环境监测站的经纬度信息,以所述经纬度信息作为中点,按照预设范围进行划分,确定所述待预测区域;
获取所述待预测环境监测站采集的大气污染物浓度,结合预设重点关注时段,确定出所述待预测时段。
在一种可能的实施方式中,所述获取所述待预测区域包括的多个机动车道路,并确定出在所述待预测时段每个所述机动车道路不同车型的流量信息,包括:
获取所述待预测区域包括的多个机动车道路;
在所述多个机动车道路中存在异常机动车道路时,获取所述待预测区域的道路信息,所述异常机动车道路为无法确定出在所述待预测时段不同车型的流量信息的机动车道路;
将所述待预测区域的道路信息和剩余机动车道路对应的在所述待预测时段不同车型的流量信息,输入预先构建的车流时空序列预测模型,得到所述异常机动车道路对应的在所述待预测时段不同车型的流量信息,所述剩余机动车道路为所述多个机动车道路除所述异常机动车道路以外的机动车道路。
在一种可能的实施方式中,所述基于所述流量信息,计算得到每个所述机动车道路不同污染物的排放源强,包括:
基于所述流量信息,通过公式:
计算得到每个所述机动车道路不同污染物的排放源强,其中,Ep,h,t,n为道路n车型t第h小时的机动车污染物p排放强度,Th,t,n为道路n车型t第h小时的总车流量,Fe,f,t为车型t排放标准e燃料类型f的车辆所占比例,EFp,e,f,t为车型t排放标准e燃料类型f的车辆污染物p的排放因子,Ep,h,n为道路n第h小时的机动车污染物p排放强度,所述排放源强包括Ep,h,t,n和Ep,h,n。
在一种可能的实施方式中,所述根据所述待预测区域的大小,确定出目标大气扩散模型,包括:
若所述待预测区域的大小小于第一预设范围,则将稳态高斯扩散模型作为所述目标大气扩散模型;
若所述待预测区域的大小大于所述第一预设范围且小于第二预设范围,则将非稳态拉格朗日扩散模型作为所述目标大气扩散模型。
在一种可能的实施方式中,所述基于每个所述机动车道路不同污染物的排放源强,通过所述目标大气扩散模型预测得到所述待预测区域对应的所有车型对所述待预测环境监测站的总体大气污染物贡献浓度,包括:
采集所述目标大气扩散模型对应的所述待预测区域的模型气象数据;
基于所述模型气象数据和每个所述机动车道路不同污染物的排放源强,通过所述目标大气扩散模型预测得到所述待预测区域对应的所有车型对所述待预测环境监测站的初始大气污染物贡献浓度;
将所述待预测环境监测站采集的大气污染物浓度、所述待预测区域的道路信息、每个所述机动车道路不同污染物的排放源强以及所述初始大气污染物贡献浓度输入预先构建的贡献浓度修正模型,得到所述所有车型对所述待预测环境监测站的总体大气污染物贡献浓度,所述贡献浓度修正模型的目标变量的约束条件为所述总体大气污染物贡献浓度小于所述大气污染物浓度。
在一种可能的实施方式中,所述基于所述总体大气污染物贡献浓度和所述参考大气污染物贡献浓度,计算得到所述目标车型对所述待预测环境监测站的目标大气污染物贡献浓度,包括:
基于所述总体大气污染物贡献浓度和所述参考大气污染物贡献浓度的差值,作为所述目标车型对所述待预测环境监测站的目标大气污染物贡献浓度;
所述基于所述目标大气污染物贡献浓度,确定所述目标车型对所述待预测环境监测站的大气污染物贡献率,包括:
基于所述目标大气污染物贡献浓度除以所述大气污染物浓度,得到所述目标车型对所述待预测环境监测站的大气污染物贡献率。
第二方面,本发明实施例提供一种大气污染贡献度预测装置,包括:
获取模块,用于基于待预测环境监测站,确定所述待预测环境监测站对应的待预测区域以及待预测时段;获取所述待预测区域包括的多个机动车道路,并确定出在所述待预测时段每个所述机动车道路不同车型的流量信息;
计算模块,用于基于所述流量信息,计算得到每个所述机动车道路不同污染物的排放源强;根据所述待预测区域的大小,确定出目标大气扩散模型;
预测模块,用于基于每个所述机动车道路不同污染物的排放源强,通过所述目标大气扩散模型预测得到所述待预测区域对应的所有车型对所述待预测环境监测站的总体大气污染物贡献浓度;确定目标车型,并计算得到参考车型对应的参考机动车道路不同污染物的排放源强,其中,所述参考车型为所述所有车型除所述目标车型以外的所有车型;基于所述参考机动车道路不同污染物的排放源强,通过所述目标大气扩散模型预测得到所述待预测区域对应的参考车型对所述待预测环境监测站的参考大气污染物贡献浓度;基于所述总体大气污染物贡献浓度和所述参考大气污染物贡献浓度,计算得到所述目标车型对所述待预测环境监测站的目标大气污染物贡献浓度;基于所述目标大气污染物贡献浓度,确定所述目标车型对所述待预测环境监测站的大气污染物贡献率。
第三方面,本发明实施例提供一种计算机设备,所述计算机设备包括处理器及存储有计算机指令的非易失性存储器,所述计算机指令被所述处理器执行时,所述计算机设备执行第一方面至少一种可能的实施方式中所述的大气污染贡献度预测方法。
第三方面,本发明实施例提供一种可读存储介质,所述可读存储介质包括计算机程序,所述计算机程序运行时控制所述可读存储介质所在计算机设备执行第一方面至少一种可能的实施方式中所述的大气污染贡献度预测方法。
相比现有技术,本发明提供的有益效果包括:采用本发明实施例提供的一种大气污染贡献度预测方法、装置及可读存储介质,通过基于待预测环境监测站确定待预测区域及时段;然后获取该区域内的机动车道路并确定各车型在待预测时段的流量信息。根据这些流量信息,计算每个道路上不同污染物的排放源强。根据待预测区域大小,确定目标大气扩散模型。利用该模型预测待预测区域所有车型对环境监测站的总体大气污染物贡献浓度。最后,确定目标车型,并通过计算与预测得出目标车型对环境监测站的大气污染物贡献率。本方法综合考虑所有车型、实际道路条件和交通流量等因素,预测结果准确性高,为控制和减少大气污染提供了科学依据。
附图说明
为了更清楚地说明本发明实施例的技术方案,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发明的某些实施例,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为本发明实施例提供的大气污染贡献度预测方法的步骤流程示意图;
图2为本发明实施例提供的大气污染贡献度预测装置的结构示意框图;
图3为本发明实施例提供的计算机设备的结构示意框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明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发明的实施例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作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。
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。
在本发明的描述中,需要理解的是,术语“上”、“下”、“内”、“外”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该申请产品使用时惯常摆放的方位或位置关系,或者是本领域技术人员惯常理解的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,“设置”、“连接”等术语应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接连接,也可以通过中间媒介间接连接,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图,对本发明的具体实施方式进行详细说明。
为了解决前述背景技术中的技术问题,图1为本公开实施例提供的大气污染贡献度预测方法的流程示意图,下面对该大气污染贡献度预测方法进行详细介绍。
步骤S201,基于待预测环境监测站,确定所述待预测环境监测站对应的待预测区域以及待预测时段;
步骤S202,获取所述待预测区域包括的多个机动车道路,并确定出在所述待预测时段每个所述机动车道路不同车型的流量信息;
步骤S203,基于所述流量信息,计算得到每个所述机动车道路不同污染物的排放源强;
步骤S204,根据所述待预测区域的大小,确定出目标大气扩散模型;
步骤S205,基于每个所述机动车道路不同污染物的排放源强,通过所述目标大气扩散模型预测得到所述待预测区域对应的所有车型对所述待预测环境监测站的总体大气污染物贡献浓度;
步骤S206,确定目标车型,并计算得到参考车型对应的参考机动车道路不同污染物的排放源强,其中,所述参考车型为所述所有车型除所述目标车型以外的所有车型;
步骤S207,基于所述参考机动车道路不同污染物的排放源强,通过所述目标大气扩散模型预测得到所述待预测区域对应的参考车型对所述待预测环境监测站的参考大气污染物贡献浓度;
步骤S208,基于所述总体大气污染物贡献浓度和所述参考大气污染物贡献浓度,计算得到所述目标车型对所述待预测环境监测站的目标大气污染物贡献浓度;
步骤S209,基于所述目标大气污染物贡献浓度,确定所述目标车型对所述待预测环境监测站的大气污染物贡献率。
在本发明实施例中,假设待预测环境监测站位于某城市的工业区,需要预测明天早上8点到下午2点的大气污染贡献度。根据监测站的位置和时间范围,确定预测区域为工业区内的半径10公里范围,并确定待预测时段为明天早上8点到下午2点。利用先进的排放模型结合每类车型的流量数据,计算得出A街在待预测时段内二氧化氮、一氧化碳等污染物的排放量。假设每辆轿车的二氧化氮排放量为2克/分钟,一氧化碳排放量为10克/分钟,公交车的二氧化氮排放量为5克/分钟,一氧化碳排放量为30克/分钟,货车的二氧化氮排放量为10克/分钟,一氧化碳排放量为50克/分钟。根据待预测区域的地理特征、气象条件和环境背景,选择适合该区域的大气扩散模型。利用排放源强数据和选定的大气扩散模型,通过模拟计算得出待预测区域内不同污染物的浓度分布。例如,根据的大气扩散模型,预测得到A街上不同污染物的浓度分布,如二氧化氮浓度为100μg/m3,一氧化碳浓度为500μg/m3。选择其中一类车型(如轿车)作为目标车型,其他车型(公交车、货车)作为参考车型,并根据每类车型在参考道路上的流量数据和排放模型,计算得到各自的排放源强。例如,选定轿车作为目标车型,在A街上计算得到每辆轿车的二氧化氮排放源强为1克/分钟,一氧化碳排放源强为5克/分钟。同样,对于公交车和货车,根据其在A街上的流量数据和排放模型,分别计算得到每辆公交车的二氧化氮排放源强为0.5克/分钟,一氧化碳排放源强为2克/分钟,每辆货车的二氧化氮排放源强为1克/分钟,一氧化碳排放源强为5克/分钟。利用参考车型的排放源强数据和所选的大气扩散模型,推算出参考车型对待预测环境监测站周围空气中各污染物的贡献浓度。以A街上的轿车为例,根据CALPUFF模型模拟计算得到该参考车型对待预测环境监测站附近的二氧化氮浓度为50μg/m3,一氧化碳浓度为250μg/m3。根据总体大气污染物贡献浓度以及参考大气污染物贡献浓度,计算得到目标车型(轿车)对待预测环境监测站的大气污染物贡献浓度。假设总体大气污染物贡献浓度为300μg/m3,参考大气污染物贡献浓度为100μg/m3,则目标车型对待预测环境监测站的大气污染物贡献浓度为300μg/m3-100μg/m3=200μg/m3。将目标车型的大气污染物排放量与待预测环境监测站的总大气污染物浓度进行比较,并计算出目标车型对待预测环境监测站的大气污染物贡献率的百分比或相对值。
在一种可能的实施方式中,前述步骤S201可以通过以下方式实施。
(1)获取所述待预测环境监测站的经纬度信息,以所述经纬度信息作为中点,按照预设范围进行划分,确定所述待预测区域;
(2)获取所述待预测环境监测站采集的大气污染物浓度,结合预设重点关注时段,确定出所述待预测时段。
在本发明实施例中,假设我们有一个环境监测站位于城市的中心位置,该监测站的经纬度信息可以通过GPS定位或其他定位技术获得。例如,该监测站的经度为120.5678度,纬度为35.1234度。基于所述待预测环境监测站的经纬度信息,可以采用预设的范围来划定待预测区域。例如,以该监测站为中心,预设半径为10公里的圆形区域作为待预测区域。假设待预测环境监测站每小时记录一次大气污染物浓度数据。我们收集了过去24小时内的监测数据。这些数据包括PM2.5、PM10、NO2和CO等大气污染物的浓度值。假设我们在分析中重点关注工作日早晚高峰时段的大气污染情况。根据城市的通勤时间和交通流量模式,我们选择每个工作日早上7点到9点以及下午5点到7点作为待预测时段。通过以上步骤,我们可以得出待预测环境监测站对应的待预测区域和待预测时段,为后续分析和预测提供准确的数据依据。这样可以更好地了解和评估目标区域内特定时段的大气污染情况。
在一种可能的实施方式中,前述步骤S202可以通过以下步骤执行实施。
(1)获取所述待预测区域包括的多个机动车道路;
(2)在所述多个机动车道路中存在异常机动车道路时,获取所述待预测区域的道路信息,所述异常机动车道路为无法确定出在所述待预测时段不同车型的流量信息的机动车道路;
(3)将所述待预测区域的道路信息和剩余机动车道路对应的在所述待预测时段不同车型的流量信息,输入预先构建的车流时空序列预测模型,得到所述异常机动车道路对应的在所述待预测时段不同车型的流量信息,所述剩余机动车道路为所述多个机动车道路除所述异常机动车道路以外的机动车道路。
在本发明实施例中,假设我们关注的是一个城市的交通拥堵情况。待预测区域涵盖了该城市内的主要道路网,包括高速公路、城市干道和次要街道等。我们对这些道路进行标识和记录,以便后续分析和预测。在待预测区域的多个机动车道路中,可能会出现某些道路无法准确获取在待预测时段不同车型的流量信息的情况。这可能是因为该道路上的传感器故障或数据缺失。我们需要针对这些异常机动车道路获取其道路信息,例如道路名称、长度、车道数等。假设我们已经收集了待预测时段内除异常机动车道路之外的所有机动车道路上不同车型的流量信息。这些数据可以包括每个车道上不同类型车辆的数量或流量。我们将这些道路的信息和流量数据作为输入,同时将异常机动车道路的道路信息提供给预先构建的车流时空序列预测模型。在预测模型中,可以用时间序列分析、机器学习或深度学习等方法来预测异常机动车道路在待预测时段内不同车型的流量。该模型可以考虑历史流量数据、天气状况、节假日等因素进行预测。然后,根据模型的输出,我们可以得到异常机动车道路在待预测时段内不同车型的流量信息。通过以上步骤,我们可以利用车流时空序列预测模型来填补异常机动车道路的流量数据,实现对待预测时段内所有机动车道路不同车型的流量信息的预测。这样能够更全面地了解和分析待预测区域的交通情况,为交通管理和规划提供有价值的数据支持。
在一种可能的实施方式中,前述步骤S203可以通过以下步骤执行实施。
(1)基于所述流量信息,通过公式:
计算得到每个所述机动车道路不同污染物的排放源强,其中,Ep,h,t,n为道路n车型t第h小时的机动车污染物p排放强度,Th,t,n为道路n车型t第h小时的总车流量,Fe,f,t为车型t排放标准e燃料类型f的车辆所占比例,EFp,e,f,t为车型t排放标准e燃料类型f的车辆污染物p的排放因子,Ep,h,n为道路n第h小时的机动车污染物p排放强度,所述排放源强包括Ep,h,t,n和Ep,h,n。
在本发明实施例中,假设我们正在研究某城市的交通污染情况。我们收集了在不同道路上不同时间段内不同车型的车流量数据,并具有关于车辆类型、燃料类型以及排放标准的相关信息。现在我们需要计算每个机动车道路上不同污染物的排放源强。假设我们选择分析某个道路上早上8点到9点这一小时内的机动车污染物排放情况。根据公式和已有的车流量数据,我们可以计算该小时内不同车型的机动车污染物排放强度。例如,对于该道路上的轿车车型,在8点到9点的总车流量为100辆,排放标准为Euro 5,使用汽油作为燃料,相应的排放因子为0.02g/km。那么根据公式,我们可以计算出该小时内轿车排放的污染物强度为(100×0.02)=2g。假设我们有多个机动车道路需要进行排放源强计算。对于每个道路,我们将根据公式和相应的流量信息计算出该道路上不同污染物的排放源强。例如,针对道路A和道路B,我们可以分别计算出它们在特定小时内各污染物的排放源强。
在一种可能的实施方式中,前述步骤S204可以通过以下方式执行实施。
(1)若所述待预测区域的大小小于第一预设范围,则将稳态高斯扩散模型作为所述目标大气扩散模型;
(2)若所述待预测区域的大小大于所述第一预设范围且小于第二预设范围,则将非稳态拉格朗日扩散模型作为所述目标大气扩散模型。
假设我们关注的是一个城市的空气质量预测。待预测区域可以是该城市及其周边地区的范围。根据待预测区域的大小,我们需要确定适合的目标大气扩散模型。假设待预测区域的范围是一个较小的社区或工业园区。这种情况下,由于区域较小,可以采用稳态高斯扩散模型(例如ADMS/AERMOD模型)作为目标大气扩散模型。稳态高斯扩散模型基于高斯分布假设,适用于小范围内的空气污染物扩散预测。假设待预测区域范围扩大到整个城市或跨越多个城市的范围。此时,待预测区域较大,无法满足稳态高斯扩散模型的假设条件。因此,我们需要采用非稳态拉格朗日扩散模型(例如CALPUFF模型)作为目标大气扩散模型。非稳态拉格朗日扩散模型考虑了更多的复杂因素,例如地形、风速和方向等,适用于较大范围内的空气污染物扩散预测。
在一种可能的实施方式中,前述步骤S205可以通过以下步骤执行实施。
(1)采集所述目标大气扩散模型对应的所述待预测区域的模型气象数据;
(2)基于所述模型气象数据和每个所述机动车道路不同污染物的排放源强,通过所述目标大气扩散模型预测得到所述待预测区域对应的所有车型对所述待预测环境监测站的初始大气污染物贡献浓度;
(3)将所述待预测环境监测站采集的大气污染物浓度、所述待预测区域的道路信息、每个所述机动车道路不同污染物的排放源强以及所述初始大气污染物贡献浓度输入预先构建的贡献浓度修正模型,得到所述所有车型对所述待预测环境监测站的总体大气污染物贡献浓度,所述贡献浓度修正模型的目标变量的约束条件为所述总体大气污染物贡献浓度小于所述大气污染物浓度。
在本发明实施例中,假设我们正在开发一个城市交通管理系统,其中包括空气质量监测功能。我们选择某个城市的主要道路网络作为待预测区域,并在该区域内部署了气象传感器网络,实时收集温度、湿度、风速和风向等气象数据。在上述城市交通管理系统中,我们通过整合实时的道路交通信息和车辆类型数据,结合之前采集到的模型气象数据,使用目标大气扩散模型来预测待预测区域内不同车型对附近环境监测站的初始大气污染物贡献浓度。例如,针对某个交叉路口,我们可以根据该路口周边道路的车流量、车速以及不同车型的排放标准,预测出每种车型对环境监测站的初始污染物贡献。在城市空气质量管理系统中,我们通过待预测环境监测站实时采集的大气污染物浓度数据,以及之前预测得到的初始大气污染物贡献浓度、待预测区域的道路信息和每个机动车道路不同污染物的排放源强度,将这些数据输入到贡献浓度修正模型中。该模型通过考虑实际监测数据和预测结果的差异,进行修正计算,得到所有车型对待预测环境监测站的总体大气污染物贡献浓度。约束条件可设置为确保总体贡献浓度不超过环境监测站设定的大气污染物浓度限制。通过以上步骤,我们可以在城市交通管理系统中利用目标大气扩散模型和贡献浓度修正模型,结合实时采集的数据,对特定区域内不同类型车辆对环境监测站的大气污染物贡献进行预测和评估,以便制定相应的交通规划或污染治理策略。
在一种可能的实施方式中,前述步骤S208可以通过以下步骤执行实施。
(1)基于所述总体大气污染物贡献浓度和所述参考大气污染物贡献浓度的差值,作为所述目标车型对所述待预测环境监测站的目标大气污染物贡献浓度;
在一种可能的实施方式中,前述步骤S209可以通过以下步骤实现。
(1)基于所述目标大气污染物贡献浓度除以所述大气污染物浓度,得到所述目标车型对所述待预测环境监测站的大气污染物贡献率。
在本发明实施例中,假设我们正在研究某城市的交通排放对环境空气质量的影响。我们首先使用之前步骤中计算得到的总体大气污染物贡献浓度和预设的参考大气污染物贡献浓度进行比较。假设总体大气污染物贡献浓度为100μg/m3,而参考大气污染物贡献浓度为50μg/m3。根据差值(100μg/m3-50μg/m3=50μg/m3),我们可以计算出目标车型对待预测环境监测站的目标大气污染物贡献浓度为50μg/m3。假设我们的目标是评估某城市主要交通干道上不同车型对环境监测站的具体贡献。在前面的步骤中,我们计算出目标车型对待预测环境监测站的目标大气污染物贡献浓度为50μg/m3。接下来,我们将这个浓度除以实际环境监测站的大气污染物浓度,假设环境监测站记录到的大气污染物浓度为100μg/m3。通过计算(50μg/m3/100μg/m3=0.5),我们可以确定目标车型对待预测环境监测站的大气污染物贡献率为50%。综上所述,在这个技术方案中,我们使用总体大气污染物贡献浓度和参考大气污染物贡献浓度之间的差值作为目标车型对待预测环境监测站的目标大气污染物贡献浓度,并基于该浓度与实际环境监测站的大气污染物浓度之比,确定目标车型对待预测环境监测站的大气污染物贡献率。通过该方法,我们可以评估不同车型对环境空气质量的影响程度,并采取相应的措施来改善污染情况。
下面提供一种气污染贡献度预测方法的整体流程实施例。
步骤A,确定研究范围、研究时段。
获取目标国控站(即待预测环境监测站)经纬度,确定研究范围(即待预测区域,可以为矩形区域)。其中研究范围需涵盖国控站、机动车道路等,使国控站尽可能靠近研究范围中心区域,推荐研究范围≤100km*100km(研究范围可包括多个国控站,必须包含1个)。应当理解的是,国控站是具有法定监测职责和权威性的环境空气站,监测二氧化硫(SO2)、二氧化氮(NO2)、可吸入颗粒物(PM10)、一氧化碳(CO)、臭氧(O3)、细颗粒物(PM2.5),主要用于评价国家或地区的整体空气质量状况,为区域大气污染防治提供有效数据支撑。
基于重点关注时段空气质量状况、国控站大气污染物浓度(需包括PM10、PM2.5、CO、NO2),确定研究时段(研究时段以小时为单位)。例如,可以选择大气重污染过程时段或关注的某种污染物浓度较大的时段。
步骤B,确定研究范围机动车道路,划分机动车类型。
获取研究范围内机动车道路信息(长度、宽度、车道数据)、地形特征,将研究范围内机动车道路编号1、2、…n。
划分机动车类型。将机动车类型划分为小型客车、中型客车、大型客车、轻型货车、中型货车、重型货车、公交车、出租车8类(每类编号为t)。
步骤C,获取研究时段逐小时每条机动车道路不同车型的流量信息。
可从相关管理部门获取,在无法获取的情况下,可分别在机动车道路布设交通流量观测设备(包括视频监控器、视频支架、移动电源、内存卡、读卡器等),监测逐小时每条机动车道路不同车型的流量(单位:辆),统计机动车道路的总车流量,不同车型的流量。
若研究范围内某条道路研究时段逐小时不同车型的流量信息较难获取或观测,将区域内所有道路长度、宽度、车道数据(单双向、左转、直行、右转)、研究时段内其他道路不同车型逐时车流量信息作为输入,结合卷积神经网络(CNN)(空间模块)和长短时神经网络(LSTM)(时间模块)算法建立时空序列预测模型,输出某条道路研究时段逐小时不同车型的流量信息。
步骤D,计算研究时段逐小时每条机动车道路不同污染物的排放源强。
利用实地调研、文献查询、资料收集等方法,获取每条机动车道路不同车型的排放标准和燃料类型的车辆所占比例、不同车型不同排放标准不同燃料类型的排放因子。
基于逐小时每条机动车道路不同车型流量、排放标准、燃料类型、不同污染物的排放因子计算研究时段逐小时每条机动车道路不同污染物的排放源强。
其中,Ep,h,t,n为道路n车型t第h小时的机动车污染物p排放强度,Th,t,n为道路n车型t第h小时的总车流量,Fe,f,t为车型t排放标准e燃料类型f的车辆所占比例,EFp,e,f,t为车型t排放标准e燃料类型f的车辆污染物p的排放因子,Ep,h,n为道路n第h小时的机动车污染物p排放强度,所述排放源强包括Ep,h,t,n和Ep,h,n,污染物p包括PM10、PM2.5、CO、NOx。
步骤E,确定预测不同车型对区域国控站贡献率的大气扩散模型。
基于研究范围大小,确定预测不同车型对区域国控站贡献率的大气扩散模型。如果研究范围≤50km,推荐使用ADMS/AERMOD模型;如果研究范围大于50km且≤100km,推荐使用CALPUFF模型。
步骤F,获取研究时段预测模型所需的气象数据。
基于研究时段和所选预测模型,收集所需的气象数据。气象数据优先选择距离国控站最近或气象特征基本一致的气象站的逐时地面气象数据,其中,ADMS/AERMOD模型气象数据至少包括风速、风向、总云量和干球温度;CALPUFF模型,气象数据至少包括风速、风向、干球温度、地面气压、相对湿度、云量、云底高度。
若难以获取气象站的逐时地面气象数据,可以采用经过验证的WRF中尺度气象模式模拟研究区域研究时段的气象数据。
步骤G,预测及修正研究范围机动车道路所有车型对区域国控站大气污染物贡献浓度。
基于步骤D计算的Ep,h,n、步骤E确定的大气扩散模型、步骤F获取的模型气象数据,对模型进行参数设置(包括研究时段、机动车排放源强、气象数据、模型模拟参数、NOx与NO2转换系数等),预测研究范围机动车道路所有车型对国控站大气污染物(PM10、PM2.5、CO、NO2)贡献浓度。为尽可能消除大气污染扩散模型的预测误差,为提高大气污染扩散模型的预测准确度,利用机器学习算法修正模型预测结果。
将步骤A的区域国控站大气污染物(PM10、PM2.5、CO、NO2)浓度、步骤B的区域地形特征、步骤D计算的Ep,h,n、步骤F的气象数据、大气污染扩散模型预测的机动车道路所有车型对国控站大气污染物(PM10、PM2.5、CO、NO2)贡献浓度作为输入,建立基于决策树的集成学习算法XGBoost建立贡献浓度修正模型,得到修正的逐小时机动车道路所有车型对国控站大气污染物贡献浓度(目标变量的约束条件为(修正后的所有车型对国控站大气污染物贡献浓度<步骤A的区域国控站大气污染物浓度))。
步骤H,确定目标车型,预测及修正研究范围机动车道路除目标车型外对区域国控站大气污染物贡献浓度。
确定目标车型(可为以上8中的任何一种),基于步骤D所计算的Ep,h,n和Ep,h,t,n确定不同机动车道路除目标车型外的不同污染物的排放源强。
基于除目标车型外的不同污染物的排放源强、步骤E确定的大气扩散模型、步骤F获取的模型气象数据,对模型进行参数设置(包括研究时段、机动车排放源强、气象数据、模型模拟参数、NOx与NO2转换系数等),预测研究范围机动车道路除目标车型外对国控站大气污染物(PM10、PM2.5、CO、NO2)贡献浓度。
将步骤A的区域国控站大气污染物(PM10、PM2.5、CO、NO2)浓度、步骤B的区域地形特征、步骤H计算的除目标车型外的不同污染物的排放源强、步骤F的气象数据、大气污染扩散模型预测的机动车道路除目标车型外对国控站大气污染物(PM10、PM2.5、CO、NO2)贡献浓度作为输入,建立基于决策树的集成学习算法XGBoost建立贡献浓度修正模型,得到修正的逐小时机动车道路除目标车型外对国控站大气污染物贡献浓度(目标变量的约束条件(除目标车型外对国控站大气污染物贡献浓度<步骤G修正的所有车型对国控站大气污染物贡献浓度<步骤A的区域国控站大气污染物浓度))。
步骤I,确定目标车型对区域国控站大气污染物贡献浓度。
目标车型对区域国控站大气污染物(PM10、PM2.5、CO、NO2)贡献浓度=修正的所有车型的国控站大气污染物贡献浓度(步骤G)-修正的除目标车型外的国控站大气污染物贡献浓度(步骤H)。
步骤J,确定目标车型对区域国控站大气污染物贡献率。
基于步骤A的区域国控站大气污染物(PM10、PM2.5、CO、NO2)浓度,步骤I的目标车型对区域国控站大气污染物贡献浓度,计算目标车型对区域国控站大气污染物贡献率(逐时),识别逐时贡献率较大的车型,总结不同时段不同车型对国控站大气污染物贡献特征,针对不同车型不同时段制定差异化的管控措施(如提高重点车型新能源、清洁能源应用比例;限制贡献较大的传统燃油车型的行驶时段),实现重点时段重点车型的精细化管控。将步骤I计算的所有目标车型对区域国控站大气污染物贡献率加和,得到机动车对区域国控站大气污染物贡献率,研究其时间变化趋势,为区域机动车污染治理、大气污染防治、公共健康研究提供科学支撑。
目标车型对区域国控站大气污染物贡献率=目标车型对区域国控站大气污染物贡献浓度(步骤I)/区域国控站大气污染物浓度(步骤A)*100%
请结合参阅图2,图2为本发明实施例提供的一种大气污染贡献度预测装置110,大气污染贡献度预测装置110包括:
获取模块1101,用于基于待预测环境监测站,确定所述待预测环境监测站对应的待预测区域以及待预测时段;获取所述待预测区域包括的多个机动车道路,并确定出在所述待预测时段每个所述机动车道路不同车型的流量信息;
计算模块1102,用于基于所述流量信息,计算得到每个所述机动车道路不同污染物的排放源强;根据所述待预测区域的大小,确定出目标大气扩散模型;
预测模块1103,用于基于每个所述机动车道路不同污染物的排放源强,通过所述目标大气扩散模型预测得到所述待预测区域对应的所有车型对所述待预测环境监测站的总体大气污染物贡献浓度;确定目标车型,并计算得到参考车型对应的参考机动车道路不同污染物的排放源强,其中,所述参考车型为所述所有车型除所述目标车型以外的所有车型;基于所述参考机动车道路不同污染物的排放源强,通过所述目标大气扩散模型预测得到所述待预测区域对应的参考车型对所述待预测环境监测站的参考大气污染物贡献浓度;基于所述总体大气污染物贡献浓度和所述参考大气污染物贡献浓度,计算得到所述目标车型对所述待预测环境监测站的目标大气污染物贡献浓度;基于所述目标大气污染物贡献浓度,确定所述目标车型对所述待预测环境监测站的大气污染物贡献率。
需要说明的是,前述大气污染贡献度预测装置110的实现原理可以参考前述大气污染贡献度预测方法的实现原理,在此不再赘述。应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,大气污染贡献度预测装置110可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上大气污染贡献度预测装置110的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所描述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(application specific integrated circuit,ASIC),或,一个或多个微处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列(fieldprogrammable gate array,FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(centralprocessingunit,CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,SOC)的形式实现。
本发明实施例提供一种计算机设备100,计算机设备100包括处理器及存储有计算机指令的非易失性存储器,计算机指令被处理器执行时,计算机设备100执行前述的大气污染贡献度预测装置110。如图3所示,图3为本发明实施例提供的计算机设备100的结构框图。计算机设备100包括大气污染贡献度预测装置110、存储器111、处理器112及通信单元113。
为实现数据的传输或交互,存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接。例如,可通过一条或多条通讯总线或信号线实现这些元件相互之间电性连接。大气污染贡献度预测装置110包括至少一个可以软件或固件(firmware)的形式存储于存储器111中或固化在计算机设备100的操作系统(operating system,OS)中的软件功能模块。处理器112用于执行存储器111中存储的大气污染贡献度预测装置110,例如大气污染贡献度预测装置110所包括的软件功能模块及计算机程序等。
本发明实施例提供一种可读存储介质,可读存储介质包括计算机程序,计算机程序运行时控制可读存储介质所在计算机设备执行前述的大气污染贡献度预测方法。
出于说明目的,前面的描述是参考具体实施例而进行的。但是,上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导,众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用,从而使本领域技术人员最佳地利用本公开,并利用具有不同修改的各种实施例以适于预期的特定应用。出于说明目的,前面的描述是参考具体实施例而进行的。但是,上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导,众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用,从而使本领域技术人员最佳地利用本公开,并利用具有不同修改的各种实施例以适于预期的特定应用。
Claims (10)
1.一种大气污染贡献度预测方法,其特征在于,包括:
基于待预测环境监测站,确定所述待预测环境监测站对应的待预测区域以及待预测时段;
获取所述待预测区域包括的多个机动车道路,并确定出在所述待预测时段每个所述机动车道路不同车型的流量信息;
基于所述流量信息,计算得到每个所述机动车道路不同污染物的排放源强;
根据所述待预测区域的大小,确定出目标大气扩散模型;
基于每个所述机动车道路不同污染物的排放源强,通过所述目标大气扩散模型预测得到所述待预测区域对应的所有车型对所述待预测环境监测站的总体大气污染物贡献浓度;
确定目标车型,并计算得到参考车型对应的参考机动车道路不同污染物的排放源强,其中,所述参考车型为所述所有车型除所述目标车型以外的所有车型;
基于所述参考机动车道路不同污染物的排放源强,通过所述目标大气扩散模型预测得到所述待预测区域对应的参考车型对所述待预测环境监测站的参考大气污染物贡献浓度;
基于所述总体大气污染物贡献浓度和所述参考大气污染物贡献浓度,计算得到所述目标车型对所述待预测环境监测站的目标大气污染物贡献浓度;
基于所述目标大气污染物贡献浓度,确定所述目标车型对所述待预测环境监测站的大气污染物贡献率。
2.根据权利要求1所述的方法,其特征在于,所述基于待预测环境监测站,确定所述待预测环境监测站对应的待预测区域以及待预测时段,包括:
获取所述待预测环境监测站的经纬度信息,以所述经纬度信息作为中点,按照预设范围进行划分,确定所述待预测区域;
获取所述待预测环境监测站采集的大气污染物浓度,结合预设重点关注时段,确定出所述待预测时段。
3.根据权利要求1所述的方法,其特征在于,所述获取所述待预测区域包括的多个机动车道路,并确定出在所述待预测时段每个所述机动车道路不同车型的流量信息,包括:
获取所述待预测区域包括的多个机动车道路;
在所述多个机动车道路中存在异常机动车道路时,获取所述待预测区域的道路信息,所述异常机动车道路为无法确定出在所述待预测时段不同车型的流量信息的机动车道路;
将所述待预测区域的道路信息和剩余机动车道路对应的在所述待预测时段不同车型的流量信息,输入预先构建的车流时空序列预测模型,得到所述异常机动车道路对应的在所述待预测时段不同车型的流量信息,所述剩余机动车道路为所述多个机动车道路除所述异常机动车道路以外的机动车道路。
4.根据权利要求1所述的方法,其特征在于,所述基于所述流量信息,计算得到每个所述机动车道路不同污染物的排放源强,包括:
基于所述流量信息,通过公式:
计算得到每个所述机动车道路不同污染物的排放源强,其中,Ep,h,t,n为道路n车型t第h小时的机动车污染物p排放强度,Th,t,n为道路n车型t第h小时的总车流量,Fe,f,t为车型t排放标准e燃料类型f的车辆所占比例,EFp,e,f,t为车型t排放标准e燃料类型f的车辆污染物p的排放因子,Ep,h,n为道路n第h小时的机动车污染物p排放强度,所述排放源强包括Ep,h,t,n和Ep,h,n。
5.根据权利要求1所述的方法,其特征在于,所述根据所述待预测区域的大小,确定出目标大气扩散模型,包括:
若所述待预测区域的大小小于第一预设范围,则将稳态高斯扩散模型作为所述目标大气扩散模型;
若所述待预测区域的大小大于所述第一预设范围且小于第二预设范围,则将非稳态拉格朗日扩散模型作为所述目标大气扩散模型。
6.根据权利要求1所述的方法,其特征在于,所述基于每个所述机动车道路不同污染物的排放源强,通过所述目标大气扩散模型预测得到所述待预测区域对应的所有车型对所述待预测环境监测站的总体大气污染物贡献浓度,包括:
采集所述目标大气扩散模型对应的所述待预测区域的模型气象数据;
基于所述模型气象数据和每个所述机动车道路不同污染物的排放源强,通过所述目标大气扩散模型预测得到所述待预测区域对应的所有车型对所述待预测环境监测站的初始大气污染物贡献浓度;
将所述待预测环境监测站采集的大气污染物浓度、所述待预测区域的道路信息、每个所述机动车道路不同污染物的排放源强以及所述初始大气污染物贡献浓度输入预先构建的贡献浓度修正模型,得到所述所有车型对所述待预测环境监测站的总体大气污染物贡献浓度,所述贡献浓度修正模型的目标变量的约束条件为所述总体大气污染物贡献浓度小于所述大气污染物浓度。
7.根据权利要求1所述的方法,其特征在于,所述基于所述总体大气污染物贡献浓度和所述参考大气污染物贡献浓度,计算得到所述目标车型对所述待预测环境监测站的目标大气污染物贡献浓度,包括:
基于所述总体大气污染物贡献浓度和所述参考大气污染物贡献浓度的差值,作为所述目标车型对所述待预测环境监测站的目标大气污染物贡献浓度;
所述基于所述目标大气污染物贡献浓度,确定所述目标车型对所述待预测环境监测站的大气污染物贡献率,包括:
基于所述目标大气污染物贡献浓度除以大气污染物浓度,得到所述目标车型对所述待预测环境监测站的大气污染物贡献率。
8.一种大气污染贡献度预测装置,其特征在于,包括:
获取模块,用于基于待预测环境监测站,确定所述待预测环境监测站对应的待预测区域以及待预测时段;获取所述待预测区域包括的多个机动车道路,并确定出在所述待预测时段每个所述机动车道路不同车型的流量信息;
计算模块,用于基于所述流量信息,计算得到每个所述机动车道路不同污染物的排放源强;根据所述待预测区域的大小,确定出目标大气扩散模型;
预测模块,用于基于每个所述机动车道路不同污染物的排放源强,通过所述目标大气扩散模型预测得到所述待预测区域对应的所有车型对所述待预测环境监测站的总体大气污染物贡献浓度;确定目标车型,并计算得到参考车型对应的参考机动车道路不同污染物的排放源强,其中,所述参考车型为所述所有车型除所述目标车型以外的所有车型;基于所述参考机动车道路不同污染物的排放源强,通过所述目标大气扩散模型预测得到所述待预测区域对应的参考车型对所述待预测环境监测站的参考大气污染物贡献浓度;基于所述总体大气污染物贡献浓度和所述参考大气污染物贡献浓度,计算得到所述目标车型对所述待预测环境监测站的目标大气污染物贡献浓度;基于所述目标大气污染物贡献浓度,确定所述目标车型对所述待预测环境监测站的大气污染物贡献率。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器及存储有计算机指令的非易失性存储器,所述计算机指令被所述处理器执行时,所述计算机设备执行权利要求1-7中任意一项所述的大气污染贡献度预测方法。
10.一种可读存储介质,其特征在于,所述可读存储介质包括计算机程序,所述计算机程序运行时控制所述可读存储介质所在计算机设备执行权利要求1-7中任意一项所述的大气污染贡献度预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311504343.7A CN117454729B (zh) | 2023-11-13 | 2023-11-13 | 一种大气污染贡献度预测方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311504343.7A CN117454729B (zh) | 2023-11-13 | 2023-11-13 | 一种大气污染贡献度预测方法、装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117454729A true CN117454729A (zh) | 2024-01-26 |
CN117454729B CN117454729B (zh) | 2024-04-19 |
Family
ID=89594635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311504343.7A Active CN117454729B (zh) | 2023-11-13 | 2023-11-13 | 一种大气污染贡献度预测方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117454729B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117871790A (zh) * | 2024-03-11 | 2024-04-12 | 四川国蓝中天环境科技集团有限公司 | 基于多种数据融合的路边监测站数据分析和交通溯源方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109524130A (zh) * | 2018-11-01 | 2019-03-26 | 北京英视睿达科技有限公司 | 车辆对污染物浓度贡献率的确定方法及装置 |
CN111696369A (zh) * | 2020-04-10 | 2020-09-22 | 北京数城未来科技有限公司 | 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法 |
CN113360850A (zh) * | 2021-06-17 | 2021-09-07 | 东莞市环境监测中心站 | 一种大气污染物线源溯源分析方法 |
CN114692355A (zh) * | 2022-04-29 | 2022-07-01 | 交通运输部规划研究院 | 耦合WRF与OpenFOAM模型的机动车污染扩散模拟方法及系统 |
CN114757807A (zh) * | 2022-06-13 | 2022-07-15 | 江苏省生态环境监测监控有限公司 | 多模式融合的大气污染物实际排放量在线核算方法 |
CN114819704A (zh) * | 2022-05-16 | 2022-07-29 | 山东天星北斗信息科技有限公司 | 一种移动源污染物排放溯源方法及系统 |
US20220335822A1 (en) * | 2021-04-14 | 2022-10-20 | IFP Energies Nouvelles | Method of determining the amount of pollutant emissions from a vehicle over a road network section |
CN116070839A (zh) * | 2022-12-23 | 2023-05-05 | 成都市机动车排气污染防治技术保障中心 | 一种多源数据的道路微环境空气质量贡献溯源方法 |
CN116187095A (zh) * | 2023-04-19 | 2023-05-30 | 安徽中科蓝壹信息科技有限公司 | 一种道路交通扬尘环境影响评价方法及装置 |
CN116739222A (zh) * | 2023-08-14 | 2023-09-12 | 中科三清科技有限公司 | 确定道路移动源的污染物浓度贡献值的方法与装置 |
-
2023
- 2023-11-13 CN CN202311504343.7A patent/CN117454729B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109524130A (zh) * | 2018-11-01 | 2019-03-26 | 北京英视睿达科技有限公司 | 车辆对污染物浓度贡献率的确定方法及装置 |
CN111696369A (zh) * | 2020-04-10 | 2020-09-22 | 北京数城未来科技有限公司 | 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法 |
US20220335822A1 (en) * | 2021-04-14 | 2022-10-20 | IFP Energies Nouvelles | Method of determining the amount of pollutant emissions from a vehicle over a road network section |
CN113360850A (zh) * | 2021-06-17 | 2021-09-07 | 东莞市环境监测中心站 | 一种大气污染物线源溯源分析方法 |
CN114692355A (zh) * | 2022-04-29 | 2022-07-01 | 交通运输部规划研究院 | 耦合WRF与OpenFOAM模型的机动车污染扩散模拟方法及系统 |
CN114819704A (zh) * | 2022-05-16 | 2022-07-29 | 山东天星北斗信息科技有限公司 | 一种移动源污染物排放溯源方法及系统 |
CN114757807A (zh) * | 2022-06-13 | 2022-07-15 | 江苏省生态环境监测监控有限公司 | 多模式融合的大气污染物实际排放量在线核算方法 |
CN116070839A (zh) * | 2022-12-23 | 2023-05-05 | 成都市机动车排气污染防治技术保障中心 | 一种多源数据的道路微环境空气质量贡献溯源方法 |
CN116187095A (zh) * | 2023-04-19 | 2023-05-30 | 安徽中科蓝壹信息科技有限公司 | 一种道路交通扬尘环境影响评价方法及装置 |
CN116739222A (zh) * | 2023-08-14 | 2023-09-12 | 中科三清科技有限公司 | 确定道路移动源的污染物浓度贡献值的方法与装置 |
Non-Patent Citations (4)
Title |
---|
XIANGRUI MENG等: "Characterization of spatio-temporal distribution of vehicle emissions using web-based real-time traffic data", pages 1 - 10, Retrieved from the Internet <URL:《网页在线公开:https://www.sciencedirect.com/science/article/pii/S0048969719362230》> * |
张德礼;夏晓梅;殷玮;胡环;李源恒;: "城市道路机动车不同车型对二次扬尘的贡献率", 上海理工大学学报, no. 05, 15 October 2010 (2010-10-15), pages 45 - 48 * |
张永林等: "典型城市道路交通加密监测点大气污染特征及影响因素", 《环境工程技术学报》, vol. 13, no. 3, 31 May 2023 (2023-05-31), pages 929 - 939 * |
沈岩等: "基于COPERT 模型北京市机动车大气污染物和 二氧化碳排放研究", 《环境程技术学报》, vol. 11, no. 6, 26 November 2021 (2021-11-26), pages 1075 - 1082 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117871790A (zh) * | 2024-03-11 | 2024-04-12 | 四川国蓝中天环境科技集团有限公司 | 基于多种数据融合的路边监测站数据分析和交通溯源方法 |
CN117871790B (zh) * | 2024-03-11 | 2024-05-17 | 四川国蓝中天环境科技集团有限公司 | 基于多种数据融合的路边监测站数据分析和交通溯源方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117454729B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shahbazi et al. | Investigating the influence of traffic emission reduction plans on Tehran air quality using WRF/CAMx modeling tools | |
Amirjamshidi et al. | Development of simulated driving cycles for light, medium, and heavy duty trucks: Case of the Toronto Waterfront Area | |
Ho et al. | Developing Singapore Driving Cycle for passenger cars to estimate fuel consumption and vehicular emissions | |
CN111696369B (zh) | 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法 | |
Borge et al. | Comparison of road traffic emission models in Madrid (Spain) | |
Zhang et al. | High-resolution simulation of link-level vehicle emissions and concentrations for air pollutants in a traffic-populated eastern Asian city | |
Lyu et al. | Review of the studies on emission evaluation approaches for operating vehicles | |
Fontes et al. | Are HOV/eco-lanes a sustainable option to reducing emissions in a medium-sized European city? | |
López-Martínez et al. | Modelling the fuel consumption and pollutant emissions of the urban bus fleet of the city of Madrid | |
CN111612670B (zh) | 一种构建机动车排放清单的方法、装置和计算机设备 | |
CN117454729B (zh) | 一种大气污染贡献度预测方法、装置及可读存储介质 | |
Yang et al. | Supporting an integrated transportation infrastructure and public space design: A coupled simulation method for evaluating traffic pollution and microclimate | |
Lee et al. | A mobile sensor network to map carbon dioxide emissions in urban environments | |
CN116187095B (zh) | 一种道路交通扬尘环境影响评价方法及装置 | |
CN113360850B (zh) | 一种大气污染物线源溯源分析方法 | |
Miskell et al. | Use of a handheld low-cost sensor to explore the effect of urban design features on local-scale spatial and temporal air quality variability | |
US20220335822A1 (en) | Method of determining the amount of pollutant emissions from a vehicle over a road network section | |
Song et al. | Green accessibility: Estimating the environmental costs of network-time prisms for sustainable transportation planning | |
Amoatey et al. | Evaluation of vehicular pollution levels using line source model for hot spots in Muscat, Oman | |
Shahbazi et al. | Impact of mobile source emission inventory adjustment on air pollution photochemical model performance | |
Kan et al. | Understanding space-time patterns of vehicular emission flows in urban areas using geospatial technique | |
Tiedong et al. | Applying floating car data in traffic monitoring | |
Smit et al. | Road traffic emission and fuel consumption modelling: trends, new developments and future challenges | |
Rapaport | The Stockholm environmental zone, a method to curb air pollution from bus and truck traffic | |
WO2021117072A1 (en) | Dynamic mapping and method of tracking atmoshperic pollutants |
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 |