2. 深圳大学土木工程学院空间信息智能感知与服务深圳市重点实验室, 广东 深圳 518060
2. Shenzhen Key Laboratory of Spatial Smart Sensing and Services, College of Civil Engineering, Shenzhen University, Shenzhen 518060, China
城市化的加速发展带来了交通与环境污染问题,报告显示20%~30%的温室气体来自城市交通运输网络[1],机动车污染已成为我国空气污染的重要来源,是造成灰霾、光化学烟雾污染的重要原因,城市交通的能耗和排放成为了国内外研究热点和挑战。
应用排放模型估算城市机动车排放因子及排放总量,是机动车污染控制研究的一个重要方向[2]。近几十年来,大量能耗、排放估计模型得到发展,如美国环保局开发的MOVES模型,欧洲环境署(EEA)开发的COPERT模型,美国加州空气资源局(CARB)开发的EMFAC模型与国际可持续发展研究中心(ISSRC)与加州大学河边分校开发的IVE模型[3-7]。在这些排放估计模型中,污染物排放量主要取决于车辆负载与加速度、速度等行驶参数。由于我国路况复杂,台架测试困难,还未开发出适用于国内的排放模型,目前已有研究大多是将COPERT、IVE等国外排放估计模型进行排放因子的中国本地化调整[8-13],已有研究表明,COPERT模型计算获得的排放因子更接近中国机动车实际排放情况[2]。位置大数据已经蔓延到所有科学研究与工程应用领域,获得广泛关注[14]。GPS轨迹数据作为位置大数据的重要成分,蕴含着丰富的关于车辆运动状态的信息。文献[15-16]对GPS轨迹进行重建并还原并估计道路排放量;文献[17]利用高频GPS轨迹数据,以车辆加速度为代入参数估计了新加坡城区的路网机动车排放量;文献[18-19]利用轨迹平均速度结合COPERT模型分别估计了区域和路网的排放;文献[11]利用VISSIM模拟的方法,利用MOVES模型估计了信号交叉口产生的排放。
以上利用车辆移动轨迹估计排放的研究大多从GPS轨迹中提取出速度、加速度等参数,结合已有排放模型估计区域或路网的排放量,而忽略了车辆本身的停留/移动行为特征。本文通过引入时间地理学中的时空路径概念来分析车辆时空行为特征。时间地理学[20]研究的一个核心问题是如何把各种相关要素有机、直观地表示在空间和时间轴上[21]。时空路径是时间地理学的核心概念之一,通过在水平地图上添加垂直的时间轴建立了个体时空三维坐标系,从而直观地描述了个体在时空间的移动特征和行为模式。时空路径不仅能够表达车辆个体在时间、空间上的移动轨迹,还能隐含地表现其他运动参数,如倾斜程度表征移动速度等,而被广泛地应用于个体活动特征以及群体行为模式的挖掘[22-24]。本文提出一种时空路径支持下的油耗与排放估计方法,该方法首先在时空集成的三维坐标系下建立个体车辆的时空路径并从中识别移动/停留行为,然后根据时空路径段与提取的运动参数结合COPERT模型估计每一时空路径段上的车辆的能耗和排放,最后提出一种时空路径的N维表达模型,将车辆的运动特征与时空路径段的能耗与排放统一进行可视化,进一步丰富了时空路径的表达内容。
1 时空路径支持下的车辆能耗/排放估计 1.1 个体时空路径的建立与移动/停留行为识别时空路径是时间地理学的核心概念之一,描述了时空集成三维正交坐标系的个体移动轨迹,其中空间维展示了个体的位置转移,时间维描述移动轨迹发生的时间顺序,如图 1所示。
个体时空路径由一系列按照时序排列的轨迹点Pi组成,每个轨迹点Pi为位置与时间二元组,相邻两轨迹点组成一个时空路径段STPS si
基于时间地理学中个体在各STPS上匀速移动的假设[24],STPSsi的速度如式(3)所示
在三维时空坐标系下,每个STPS至少表示移动(mobile activity,MA)或停留(stationary activity,SA)中的一种行为。如图 1所示,由一个位置转移到另一个位置表示移动行为MA,由倾斜线段(实线)表示;在一个固定位置发生的是停留行为SA,由垂直线段(虚线)表示。移动行为与停留行为的定义如下
式中,Loc(S)、Loc(E)为STPS的起止位置点;TS、TE为STPS的起止时间。考虑定位误差影响,停留行为的起止点间距Loc(E) -Loc(S)小于距离阈值δ。
1.2 基于车辆时空路径的能耗与排放估计在获得车辆停留和移动两种行为的基础上,本文采用COPERT模型估计车辆的油耗和排放。COPERT模型是一种典型的数学关系模型,通过对固定工况上的台架测试进行回归,建立污染排放因子与速度之间的数学关系,采用平均速度修正因子来计算实地工况车辆行驶的排放因子,最终通过计算得到的排放因子乘以车辆行驶里程得到污染物的排放总量。已有研究表明,COPERT模型具有很强的应用型与交互性,能够对一辆车的排放和整个城市的排放进行估计,COPERT模型计算获得的排放因子更接近中国机动车的实际排放情况[2]。由于COPERT模型的开发地欧洲与我国有相同的测试工况,相近发动机技术,并能兼容我国目前和未来一段时间内的机动车排放控制标准,因此本文选择COPERT进行车辆油耗/排放的估计。在区分车型、燃料类型以及行驶环境的基础上,COPERT模型中最重要的参数是车辆行驶速度,因此本文计算车辆在每一时空路径段的平均速度从而估计车辆的油耗和排放。
本文首先分析车辆不同活动状态,对于移动行为的STPS(MA),利用车辆技术参数、燃油参数以及移动参数(平均速度)估计车辆在该STPS上的能耗与排放。对于停留行为的STPS(SA),其停留行为的实际运行状态可以是发动机熄火或发动机运行两种状态。对于发动机熄火状态下的停留行为,车辆不消耗燃料也不释放排放物,对应油耗与排放为零;而对于发动机运行状态下的停留行为,为了维持发动机的运转,车辆消耗燃料同时释放排放物,应根据相应参数估计能耗和排放。本文根据停留行为的停留时长推测车辆运行状态,根据我国《大气污染防治法》“鼓励机动车停车3 min熄火”,将停留时长低于3分钟的停留行为视为发动机启动状态,如图 2(a)所示,将停留时长超过3 min的视为发动机熄火,如图 2(b)所示。
在确定每个STPS车辆运行状态的基础上,本文基于COPERT模型估计能耗、排放。传统应用COPERT模型进行车辆能耗与排放估计的研究将车辆行驶全程的平均速度与距离作为参数进行代入估计,且不区分车辆的具体运行状态,而本文在分析车辆运行状态的基础上基于每个STPS估计车辆行驶的能耗和排放。
1.2.1 能耗估计首先基于COPERT模型按STPS分段估计能耗。对于1.4 L~2.0 L油气排量的小轿车,按式(6)估计能耗,其中FC为各STPS上的能耗因子(g/km),V为各STPS的平均速度
发动机熄火状态下的停留行为排放为0,在发动机运行状态下,COPERT模型定义的排放量包括3个部分
式中,ETOTAL是某种污染物的总排放量;EHOT为热稳定状态下的排放;ECOLD为发动机冷启动(从熄火到启动)状态下的排放;EEVAP是燃油蒸发排放。热稳定排放是排放物的主要组成部分,在欧Ⅲ排放标准下,以排量1.4~2.0 L的汽油机小客车为例,其热稳定排放因子如表 1所示[3],其中,V为车辆行驶平均速度。
排放类别 | 排放类型 | 排放因子 |
EHOTg(km·辆)-1 | CO | (71.7+11.4V)/(1+35.4V-0.248V2) |
NOX | (0.092 9-0.001 49V+6.53e-6V2)/(1-0.012 2V+3.97e-5V2) |
1.3 车辆能耗与排放可视化分析
在应用COPERT模型估计车辆STPS的能耗与排放的基础上,本文提出一种基于时空路径的N维表达模型,将车辆的运动特征与STPS的能耗与排放统一进行可视化。N维表达模型将个体在时间、空间维度上的特征以及移动参数、个体属性(如人或车辆、年龄、性别)等多个维度信息统一表达在个体时空路径上。若一个时空路径由M个STPS组成,每一个STPS包含时间time、位置location、速度speed、油耗consumption、排放emissions等N维信息,则该个体的时空路径P可由(8)式表达
图 3为时空坐标系下的N维时空路径模型,其中不同颜色的矩形代表STPS的不同维度。
最后,使用本文提出的N维模型展示各STPS的能耗、排放量。如图 4所示,对于移动行为或处于发动机启动状态下的停留行为,其STPS具有能耗、排放量;而对于处于发动机熄火状态下的停留行为,无能耗、排放量。
2 试验与讨论
试验中首先记录一辆试验车的轨迹和真实油耗,利用本文提出的基于STPS的COPERT模型估计其油耗,并与传统方法中利用所有车辆的平均速度作为参数估计能耗和排放量[13]进行比较。然后选取武汉市一个路网子区域,利用提出方法估计路网油耗和排放,并分析其时空分布。
2.1 个体车辆的能耗、排放估计由于真实排放量和油耗量难以获得,本文采集一辆汽油车于2016年3月23日至3月25日的GPS轨迹,采样间隔为10 s,并记录真实油耗用于验证本文估计方法的准确度。图 5(a)为车辆GPS轨迹,图 5(b)为生成的车辆时空路径,车辆型号、燃料类型与真实油耗值等信息如表 2所示。
由于COPERT模型是基于平均速度的模型,以往利用COPERT模型估计能耗和排放研究中,将车辆整条轨迹的平均速度作为排放估计的速度参数进行代入,从而估计出排放量[13]。本文首先计算各STPS的平均速度并确定行为类型(移动行为或停留行为),再根据1.2节方法分析判断停留行为的运行状态(发动机熄火状态或启动状态),利用COPERT模型估计各STPS的能耗值,最后将移动行为与发动机启动状态下停留行为的能耗值相加得到总能耗值。表 3为整条轨迹的实际能耗与基于平均速度方法[13]的估计值的对比结果。
从表 3中可知,基于平均速度的方法先计算了整条STPS的平均速度(22.23 km/h),再结合行驶距离估计能耗,能耗估计结果为57.25 kg。本文提出的基于STPS的方法计算各STPS的平均速度,再分段估计能耗,能耗估计结果为34.02 kg。与实际能耗对比,两种估计方法精度分别为71.02%和83.67%,前者能耗估计结果偏高,后者偏低,基于平均速度的方法将轨迹中所有行为纳入估计,包括熄火状态下的停留行为,因而估计值偏高,而本文提出的方法更好地还原了车辆运行状态,因而精度更高,结果说明了本文提出的方法估计车辆油耗更接近真实情况。
最后,将一段时空路径的平均速度、能耗与排放用集成的N维模型表示,如图 6所示。
2.2 区域道路网络的能耗、排放时空分布分析
本节采用武汉市2015年7月28日共10 527辆机动车的GPS轨迹数据,基于STPS估计试验路网片区内能耗与排放。图 7为试验区域路网,包含3条主干路(武珞路、雄楚大道与珞狮路)、2条次干路(石牌岭路、丁字桥路)和3条支路(洪达路,工大路与洪兴路)。
首先将GPS轨迹点与路网匹配,然后利用轨迹点的时间、位置信息建立个体车辆时空路径,再分STPS计算平均速度并使用COPERT模型估计能耗和排放,最后考虑每条路段上的交通量,得到路段的能耗与排放量。在ESRI ArcScene 10.1平台下显示不同时段的能耗、排放估计结果,如图 8-图 10所示,其中路段上墙体高度表征该路段上能耗和排放量。
图 8-图 10展示了试验区域内能耗、CO和NOx排放的的以下方面的空间分布特征:①能耗量远高于CO和NOx排放量,并且NOx排放量低于CO的排放量,这与燃料燃烧的化学过程相关;②由于主干路上车流量最大,因此主干路的能耗、排放比其他路段高;③同一路段的能耗与排放表现出异质性。雄楚大道中段和武珞路东段(近珞狮路)上能耗、排放量最高,但在与石牌岭路交叉处能耗、排放急剧降低,石牌岭路表现出为两条主干路明显的分流作用。此外,图 8-图 10还展示了一天内能耗、排放的时间变化规律。在早高峰7:00-9:00时段,武珞路东段与雄楚大道中段拥堵严重,车流量大、车速低导致能耗、排放高;中午11:00-13:00时段,车流量减小,车速提高,能耗、排放降低;晚高峰19:00-21:00时段,主干路又出现交通拥堵,能耗、排放增加。图 8-图 10的结果说明本文提出的估计方法能够有效获取能耗、排放的时空分布特征。
3 结论本文提出一种时空路径支持下的车辆能耗与排放估计方法。该方法基于个体时空路径,考虑每个时空路径段的运动状态,提取时空路径中的停留/移动行为来估计车辆的能耗与热稳定排放,并提出一种时空路径的N维表达模型将车辆的运动特征与时空路径段的能耗与排放统一可视化。试验中分别对一辆车的轨迹和武汉路网片区中10 527辆汽车GPS轨迹估计其油耗、排放,并分析其时空分布。结果显示本文提出的时空路径支持下的车辆油耗与排放估计方法在估计精度与可视化方面优于传统基于平均速度的估计方法,能够更加直观地表达车辆能耗与排放信息。后续研究将包括道路网络中污染物排放(包括PM2.5等)的细化估计与分析、提高时空GIS对能耗和排放的分析与表达能力等。
[1] | IPCC.The Fifth Assessment Report of IPCC[EB/OL].2013.http://report.mitigation2014.org/spm/ipcc_wg3_ar5_summary-for-policymakers_approved.pdf. |
[2] |
马因韬, 刘启汉, 雷国强, 等.
机动车排放模型的应用及其适用性比较[J]. 北京大学学报(自然科学版), 2008, 44(2): 308–316.
MA Yintao, LIU Qihan, LEI Guoqiang, et al. Application of Vehicular Emission Models and Comparison of Their Adaptability[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2008, 44(2): 308–316. |
[3] | NTZIACHRISTOS L, SAMARAS Z, EGGLESTON S, et al.COPERT Ⅲ Computer Programme to Calculate Emissions from Road Transport, Methodology and Emission Factors (Version 2.1)[R].Copenhagen:European Environment Agency(EEA), 2000. |
[4] | SHARMA P, KHARE M. Modelling of Vehicular Exhausts-A Review[J]. Transportation Research Part D:Transport and Environment, 2001, 6(3): 179–198. DOI:10.1016/S1361-9209(00)00022-5 |
[5] | RAKHA H, AHN K, TRANI A. Comparison of MOBILE5a, MOBILE6, VT-MICRO, and CMEM Models for Estimating Hot-stabilized Light-Duty Gasoline Vehicle Emissions[J]. Canadian Journal of Civil Engineering, 2003, 30(6): 1010–1021. DOI:10.1139/l03-017 |
[6] | ABO-QUDAIS S, ABU QDAIS H. Performance Evaluation of Vehicles Emissions Prediction Models[J]. Clean Technologies and Environmental Policy, 2005, 7(4): 279–284. DOI:10.1007/s10098-005-0279-x |
[7] | USEPA.Motor Vehicle Emission Simulator (MOVES):User Guide for MOVES2010b[R].Report EPA-420-B-12-001b, 2012. |
[8] |
廖瀚博, 余志, 周兵, 等.
广州市机动车尾气排放特征研究[J]. 环境科学与技术, 2012, 35(1): 134–138, 163.
LIAO Hanbo, YU Zhi, ZHOU BING, et al. Characteristics of Motor Vehicle Exhaust Emission in Guangzhou[J]. Environmental Science & Technology, 2012, 35(1): 134–138, 163. |
[9] |
车汶蔚, 郑君瑜, 钟流举.
珠江三角洲机动车污染物排放特征及分担率[J]. 环境科学研究, 2009, 22(4): 456–461.
CHE Wenwei, ZHENG Junyu, ZHONG Liuju. Vehicle Exhaust Emission Characteristics and Contributions in the Pearl River Delta Region[J]. Research of Environmental Sciences, 2009, 22(4): 456–461. |
[10] |
董红召, 徐勇斌, 陈宁.
基于IVE模型的杭州市机动车实际行驶工况下排放因子的研究[J]. 汽车工程, 2011, 33(12): 1034–1038.
DONG Hongzhao, XU Yongbin, CHEN Ning. A Research on the Vehicle Emission Factors of Real World Driving Cycle in Hangzhou City Based on IVE Model[J]. Automotive Engineering, 2011, 33(12): 1034–1038. |
[11] |
高云峰, 胡华.
基于比功率法的信号控制交叉口排队车辆尾气排放估计[J]. 中国公路学报, 2015, 28(4): 101–108.
GAO Yunfeng, HU Hua. Estimation of Queued Vehicle Emissions at Signalized Intersections Based on Vehicle Specific Power Approach[J]. China Journal of Highway and Transport, 2015, 28(4): 101–108. |
[12] |
郝艳召, 王宏图, 宋国华, 等.
中观机动车尾气模型在中国的适用性[J]. 长安大学学报(自然科学版), 2016, 36(1): 112–119.
HAO Yanzhao, WANG Hongtu, SONG Guohua, et al. Suitability of Meso-level Vehicle Emission Model in China[J]. Journal of Chang'an University (Natural Science Edition), 2016, 36(1): 112–119. |
[13] |
樊守彬, 田灵娣, 张东旭, 等.
北京市机动车尾气排放因子研究[J]. 环境科学, 2015, 36(7): 2374–2380.
FAN Shoubin, TIAN Lingdi, ZHANG Dongxu, et al. Emission Factors of Vehicle Exhaust in Beijing[J]. Environmental Science, 2015, 36(7): 2374–2380. |
[14] |
李德仁, 张良培, 夏桂松.
遥感大数据自动分析与数据挖掘[J]. 测绘学报, 2014, 43(12): 1211–1216.
LI Deren, ZHANG Liangpei, XIA Guisong. Automatic Analysis and Mining of Remote Sensing Big Data[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(12): 1211–1216. DOI:10.13485/j.cnki.11-2089.2014.0187 |
[15] | YANG Qichi, BORIBOONSOMSIN K, BARTH M.Arterial Roadway Energy/Emissions Estimation Using Modal-Based Trajectory Reconstruction[C]//Proceedings of the 14th International IEEE Conference on Intelligent Transportation Systems (ITSC).Washington, DC:IEEE, 2011:809-814 |
[16] | SUN Zhanbo, HAO Peng, BAN Xuegang, et al. Trajectory-based Vehicle Energy/Emissions Estimation for Signalized Arterials Using Mobile Sensing Data[J]. Transportation Research Part D:Transport and Environment, 2015, 34: 27–40. DOI:10.1016/j.trd.2014.10.005 |
[17] | NYHAN M, SOBOLEVSKY S, KANG Chaogui, et al. Predicting Vehicular Emissions in High Spatial Resolution Using Pervasively Measured Transportation Data and Microscopic Emissions Model[J]. Atmospheric Environment, 2016, 140: 352–363. DOI:10.1016/j.atmosenv.2016.06.018 |
[18] | LUO Xiao, DONG Liang, DOU Yi, et al. Analysis on Spatial-Temporal Features of Taxis' Emissions From Big Data Informed Travel Patterns:A Case of Shanghai, China[J]. Journal of Cleaner Production, 2017, 142: 926–935. DOI:10.1016/j.jclepro.2016.05.161 |
[19] | SHANG Jingbo, ZHENG Yu, TONG Wenzhu, et al.Inferring Gas Consumption and Pollution Emission of Vehicles Throughout A City[C]//Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.New York:ACM, 2014:1027-1036. |
[20] | HÄGERSTRAAND T. What about People in Regional Science?[J]. Papers in Regional Science, 1970, 24(1): 7–24. |
[21] |
柴彦威, 刘志林, 李峥嵘, 等.
中国城市的时空间结构[M]. 北京: 北京大学出版社, 2002: 10-11.
CHAI Yanwei, LIU Zhilin, LI Zhengrong, et al. Time-space Structure of Chinese Cities[M]. Beijing: Peking University Press, 2002: 10-11. |
[22] | KWAN M P. Interactive Geovisualization of Activity-travel Patterns Using Three-dimensional Geographical Informa-tion Systems:A Methodological Exploration With A Large Data Set[J]. Transportation Research Part C:Emerging Technologies, 2000, 8(1-6): 185–203. DOI:10.1016/S0968-090X(00)00017-6 |
[23] | YU Hongbo, SHAW S L. Exploring Potential Human Activities in Physical and Virtual Spaces:A Spatio-temporal GIS Approach[J]. International Journal of Geographical Information Science, 2008, 22(4): 409–430. DOI:10.1080/13658810701427569 |
[24] | YIN Ling, SHAW S L. Exploring Space-time Paths in Physical and Social Closeness Spaces:A Space-Time GIS Approach[J]. International Journal of Geographical Information Science, 2015, 29(5): 742–761. DOI:10.1080/13658816.2014.978869 |