CN106683024A - 一种基于排放源强相似性的机动车尾气遥测设备布点方法 - Google Patents
一种基于排放源强相似性的机动车尾气遥测设备布点方法 Download PDFInfo
- Publication number
- CN106683024A CN106683024A CN201611267870.0A CN201611267870A CN106683024A CN 106683024 A CN106683024 A CN 106683024A CN 201611267870 A CN201611267870 A CN 201611267870A CN 106683024 A CN106683024 A CN 106683024A
- Authority
- CN
- China
- Prior art keywords
- road
- emission source
- source intensity
- similarity
- cluster
- 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 42
- 230000008569 process Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000012467 final product Substances 0.000 claims 1
- 238000005259 measurement Methods 0.000 description 7
- 238000009434 installation Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000003915 air pollution Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011900 installation process Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Immunology (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Combustion & Propulsion (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Medicinal Chemistry (AREA)
- Biochemistry (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于排放源强相似性的机动车尾气遥测设备布点方法,步骤为:计算交通路网中每两条道路的排放源强相似度;根据排放源强相似度确定每条道路的k近邻;根据每条道路的k近邻寻找互为k近邻的道路;互为k近邻的道路之间聚成一簇,应用广度优先搜索法确定聚类结果;从每簇中选择一条符合布设遥测设备条件的道路作为布点道路,所得的布点道路集合即为最终的布点方案。而未布设设备道路的排放源强可根据他们与同一簇中已布设设备道路之间的一元线性关系来推算。本发明可有效优化机动车尾气遥测***中设备的点位设置,从而在保证全路网所有道路排放源强可获得的情况下,最小化遥测设备的数量。
Description
技术领域
本发明涉及一种城市路网机动车尾气遥测设备布点方法,属于公共设施选址技术领域。
背景技术
随着我国城镇化进程的发展,人民生活水平逐步提升,居民出行需求大量增多,造成我国机动车保有量的大幅度增加。在满足人们出行需求的同时,机动车造成的空气污染亦日趋严重。统计表明,机动车尾气排放占据城市总空气污染的50-80%,已经成为城市主要空气污染源之一。因此对于机动车尾气排放的控制与治理,已成为改善我国城市空气质量的重要环节。为治理机动车尾气污染,环保部门亟需掌握城市路网各道路上的尾气排放状况,从而采取有针对性的措施减少尾气排放。遥测检测技术是一种有效的机动车尾气检测手段,可在短时间内完成对大量在路机动车的尾气排放水平进行普查,通过在路网上广泛布设机动车尾气遥测设备可实现全路网各道路的尾气排放状况估计。但是由于城市规模的不断扩大,城市交通路网发展迅速,覆盖范围越来越广,路网密度越来越大,道路数量及其庞大,如果要在每条道路上都布设遥测设备,所需成本将过高。所以,如何在交通网络中选取合适的道路进行遥测设备布设,从而可估计全网络的机动车尾气排放状况成为一个关键技术。
排放源源强指单位时间内道路上在路机动车尾气排放污染物的排放量,采用源强评价道路污染程度有重要价值,不仅可以分析单条道路的污染情况,也可由此分析机动车尾气对城市各区域的污染贡献。由于城市路网是一个有机整体,道路在交叉口处相连接,而路网交叉口的流入车辆数目等于流出车辆数目,因此道路机动车流量之间存在关联,而道路排放源强与车流量又有密切关系,可以确定的是,在城市路网中存在一些道路的排放源强之间有相关性。另一方面,由于居民出行的周期性和相似性,道路上的机动车尾气排放量在时间及空间上都存在一些相似性。
在本发明之前,申请号201510214145.6公开了一种城市路网机动车尾气实时遥感监测基址选取方法,该方法是通过尾气遥测设备的点位优化从而使得城市路网上的遥测设备可检测到尽量多的车辆,该方法侧重于个体车辆排放水平的普查,而对于交通网络中道路总体排放源强的估计却效果欠佳。
发明内容
本发明技术解决问题:克服现有技术的不足,提供一种基于排放源强相似性的机动车尾气遥测设备布点方法,可有效优化机动车尾气遥测***中设备的点位设置,从而在保证全路网所有道路排放源强可获得的情况下,最小化遥测设备的数量。
本发明技术解决方案:一种基于排放源强相似性的机动车尾气遥测设备布点方法,通过对城市路网中各道路的排放源强的历史信息进行相似性分析,确定每两条道路的排放源强相似度,然后采用聚类方法将相似的道路进行聚类,在每一簇中选取一条道路进行遥测设备的布设,那么其他道路的排放源强就可根据其与已布设道路之间的相关关系进行推算。
具体包括以下步骤:
1)计算交通路网中每两条道路的排放源强相似度;
由于道路排放源强与车流量有密切关系,而交通路网中的道路机动车流量之间存在关联,因此可以确定的是,在城市路网中存在一些道路的排放源强之间有相似性。下一步需要确定的是路网上哪些道路的排放源强有相似性,相似的程度有多大。这种相似的程度采用相关系数来表示:
其中,ρX,Y代表道路X,Y排放源强之间的相关系数,cov(X,Y)表示X,Y的协方差,X代表道路X的排放源强数组,Y代表道路Y的排放源强数组,和分别表示道路X和道路Y排放源强数组的平均值,θ表示从1到n的正整数,n为样本数量。
为使得所计算的相关系数具有代表性,必须有大量样本数据支持,即n的值应选取的稍大一些,例如选择3天的每小时排放源强历史数据。需要注意的是,道路之间的相似度无法由一组历史数据的相关系数完全表示,应尽可能选择多组同时间段的历史数据进行计算,以保证相关系数的稳定性。
2)根据步骤1)的计算结果,对道路vi,其中i=1,2,…,m,m是交通路网中道路的总数量,将路网中所有其他道路vj(1≤j≤m,且j≠i)按照与vi的排放源强相似度从大到小排列,前k条道路即作为道路vi的k近邻,其中k为正整数;
根据计算出的排放源强相似度,对道路vi,其中i=1,2,…,m,m是交通路网中道路的总数量,将路网中所有其他道路vj(1≤j≤m,且j≠i)按照与vi的排放源强相似度从大到小排列,前k条道路即作为道路vi的k近邻。k值可选择从0到m-1,其中m是交通路网中道路的总数量,随着k的值增大,聚类数越来越小,需布设遥测设备的道路也越来越少。可以使k从0开始逐步增大,并比较k取每个值时的聚类数,直到得到理想的结果时所对应的k值即为最终取值。k的选取也可根据欲布设的遥测设备数量来决定,随着k值的增大,当得到的聚类数等于欲布设的遥测设备数量时,此时的聚类结果即为最终的聚类结果;
3)根据步骤2得到的道路vi的k近邻,其中i=1,2,…,m,m是交通路网中道路的总数量,寻找互为k近邻的道路,使用一个无向图G=(V,E)来描述道路之间的互为k近邻关系,其中V={v1,v2,…,vm}是无向图G的顶点集合,vi表示交通路网中的道路,i=1,2,…,m,m是交通路网中道路的总数量;当且仅当vp和vq互为k近邻时(p,q=1,2,…,m,且p≠q),vp和vq之间存在无向边;
步骤2中得到交通路网每条道路的k近邻,如果道路vp为道路vq的k近邻,同时道路vq为道路vp的k近邻,则称vp和vq互为k近邻(p,q=1,2,…,m,且p≠q)。可以使用一个无向图G=(V,E)来描述道路之间的互为k近邻关系,其中V={v1,v2,…,vm}是无向图G的顶点集合,vi(i=1,2,…,m)表示交通路网中的道路,m是交通路网中道路的总数量;当且仅当vp和vq互为k近邻时,vp和vq之间存在无向边。
4)步骤3)中互为k近邻的道路聚成一簇,应用广度优先搜索法确定所有道路v1,v2,…,vp中哪些道路可以聚成一簇,从而得到所有簇即为聚类结果;
在步骤3)中互为k近邻的道路聚成一簇,即无向图G的每个连通子图中包含的顶点所对应的道路聚集成一簇,G中包含的连通子图数量即为聚类数。下面采用广度优先搜索法来遍历该无向图,得到最终的聚类结果。广度优先搜索法的过程如下:从图G中的某一起始点出发,例如v1,依次访问v1的所有未访问过的邻接顶点,即与v1互为k近邻的顶点,然后再依次访问这些顶点的未访问过的邻接顶点,重复这一过程,直到不存在另外的邻接顶点,那么所有被访问过的顶点即是一簇;然后从另一未被访问过的顶点出发,重复上述过程,直到所有顶点都被访问完,即遍历结束之后就可得到最终的聚类结果。
在实际交通路网中,有一些道路比较符合布设遥测设备的条件,例如,建有高架桥或人行天桥的道路。由于遥测设备中的摄像机需要安装在道路上方,高架桥或人行天桥可直接用来安装摄像机,从而缩短安装周期,减少安装过程对正常交通的影响,并一定程度上降低安装成本。然而还有一些道路是不适合布设遥测设备的,例如,位于工厂等污染区域的道路和交通量巨大的道路。如果将遥测设备布设在污染区域,设备的检测数据会受到周围环境中污染物的影响,因此会产生偏差。交通量巨大的道路在城市交通路网中极为重要,而遥测设备的安装会阻断交通,对居民出行产生严重影响,因此尽量不进行遥测设备的布设。在每簇中选择布点道路时应充分考虑道路环境是否符合遥测设备的布设条件。
对于未布设设备的道路,其排放源强可根据布点道路上遥测设备所测得的排放源强数据进行推算。本发明使用一元线性关系来描述同一簇中布点道路和未布设设备道路的排放源强之间的关系,即Y=aX+b的形式,通过两条道路X和Y的历史排放源强数据回归出两个参数a和b,根据这种关系就可得到未布设设备道路的排放源强。
本发明与现有技术相比的优点在于:
(1)在本发明之前,申请号201510214145.6公开了一种城市路网机动车尾气实时遥感监测基址选取方法,该方法是通过尾气遥测设备的点位优化从而使得城市路网上的遥测设备可检测到尽量多的车辆,该方法侧重于个体车辆排放水平的普查,而对于交通网络中道路总体排放源强的估计却效果欠佳。本发明通过对城市路网中各道路的排放源强的历史信息进行相似性分析,确定每两条道路的排放源强相似度,然后采用聚类方法将相似的道路进行聚类,在每一簇中选取一条道路进行遥测设备的布设,而其他道路的排放源强就可根据其与布点道路之间的相关关系进行推算,从而实现全路网道路排放源强的估计。
(2)本发明中所采用的聚类算法原理简单且易于实现,通过k值的选取可得到多种布点方案,从而决策者可根据本地区路网的实际情况以及布设遥测设备的预算从中选择真正适应本地区的最终方案。
(3)本发明在需布设遥测设备的数量确定之后,在最终决定布设设备的道路的过程中,给予决策者充分的选择空间,决策者可根据专家的经验以及对本地区路网的了解选取合适道路进行布设。
(4)由于遥测设备可进行对道路机动车尾气排放源强的实时检测,因此采用本发明提出的遥测设备布点方法可对全路网各道路的排放源强进行实时估计,为环保部门的政策制定提供数据支持。
附图说明
图1为布点方法流程图;
图2为交通网络示意图;
图3为6条道路互为k近邻关系的无向图。
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,以下对本发明进行进一步详细说明。
如图1所示,本发明具体实施如下:
由于路网中道路上的排放源强存在相似性,需确定的是路网上哪些道路的排放源强有相似性,相似的程度有多大。这种相似的程度采用相关系数来表示:
其中,ρX,Y代表道路X,Y排放源强之间的相关系数,cov(X,Y)表示X,Y的协方差,X代表道路X的排放源强数组,Y代表道路Y的排放源强数组,和分别表示道路X和道路Y排放源强数组的平均值,θ表示从1到n的正整数,n为样本数量。
为使得所计算的相关系数具有代表性,必须有大量样本数据支持,即n的值应选取的稍大一些,例如可以选择3天的每小时排放源强历史数据。需要注意的是,道路之间的相似度无法由一组历史数据的相关系数完全表示,应尽可能选择多组同时间段的历史数据进行计算,以保证相关系数的稳定性。
根据计算出的道路排放源强相似度,对道路vi,其中i=1,2,…,m,m是交通路网中道路的总数量,将路网中所有其他道路vj(1≤j≤m,且j≠i)按照与vi的排放源强相似度从大到小排列,前k条道路即作为道路vi的k近邻,其中k为正整数。k值可选择从0到m-1,其中m是交通路网中道路的总数量,随着k的值增大,聚类数越来越小,需布设遥测设备的道路也越来越少。可以使k从0开始逐步增大,并比较k取每个值时的聚类数,直到得到理想的结果时所对应的k值即为最终取值。k的选取也可根据欲布设的遥测设备数量来决定,随着k值的增大,当得到的聚类数等于欲布设的遥测设备数量时,此时的聚类结果即为最终的聚类结果。
得到交通路网道路vi的k近邻之后,其中i=1,2,…,m,m是交通路网中道路的总数量,如果道路vp为道路vq的k近邻,同时道路vq为道路vp的k近邻,则称vp和vq互为k近邻(p,q=1,2,…,m,且p≠q)。可以使用一个无向图G=(V,E)来描述道路之间的互为k近邻关系,其中V={v1,v2,…,vm}是无向图G的顶点集合,vi(i=1,2,…,m)表示交通路网中的道路,m是交通路网中道路的总数量;当且仅当vp和vq互为k近邻时,vp和vq之间存在无向边。在无向图G中,每个连通子图中包含的顶点所对应的道路聚集成一簇,则无向图G中包含的连通子图数量即为聚类数。
下面采用广度优先搜索法来遍历该无向图,得到最终的聚类结果。广度优先搜索法的过程如下:从图G中的某一起始点出发,例如v1,依次访问v1的所有未访问过的邻接顶点,即与v1互为k近邻的顶点,然后再依次访问这些顶点的未访问过的邻接顶点,重复这一过程,直到不存在另外的邻接顶点,那么所有被访问过的顶点即是一簇;然后从另一未被访问过的顶点出发,重复上述过程,直到所有顶点都被访问完,即遍历结束之后就可得到最终的聚类结果,从每一簇中选择一条符合布设遥测设备条件的道路作为布点道路,所得的布点道路集合即为最终的布点方案。
由于在实际交通路网中,有一些道路比较符合布设遥测设备的条件,例如,建有高架桥或人行天桥的道路。由于遥测设备中的摄像机需要安装在道路上方,高架桥或人行天桥可直接用来安装摄像机,从而缩短安装周期,减少安装过程对正常交通的影响,并一定程度上降低安装成本。然而还有一些道路是不适合布设遥测设备的,例如,位于工厂等污染区域的道路和交通量巨大的道路。如果将遥测设备布设在污染区域,设备的检测数据会受到周围环境中污染物的影响,因此会产生偏差。交通量巨大的道路在城市交通路网中极为重要,而遥测设备的安装会阻断交通,对居民出行产生严重影响,因此尽量不进行遥测设备的布设。在得到聚类结果之后,从每簇选择布点道路时应充分考虑路网实际情况,从而确定最终的布点方案。
根据已布设遥测设备的道路所测得的排放源强可以根据相似性推算出其他未布设设备道路的排放源强。这里本发明使用一元线性关系来描述同一簇中已布设设备道路和未布设设备道路的排放源强之间的关系,即Y=aX+b的形式,通过两条道路X和Y的历史排放源强数据回归出两个参数a和b,根据这种关系就可得到未布设设备道路的排放源强。
下面使用一个实例来说明本发明提出的布点方法的具体流程:如图2所示的一个简单的交通路网,包含6条道路。通过对这6条道路排放源强历史数据的分析计算,得到下表每两条道路之间的相关系数:
ρ | v1 | v2 | v3 | v4 | v5 | v6 |
v1 | 1 | 0.95 | 0.92 | 0.76 | 0.63 | 0.47 |
v2 | 0.95 | 1 | 0.86 | 0.79 | 0.84 | 0.56 |
v3 | 0.92 | 0.86 | 1 | 0.85 | 0.81 | 0.69 |
v4 | 0.76 | 0.79 | 0.85 | 1 | 0.83 | 0.87 |
v5 | 0.63 | 0.84 | 0.81 | 0.83 | 1 | 0.79 |
v6 | 0.47 | 0.56 | 0.69 | 0.87 | 0.79 | 1 |
选择k=2,则这6条道路的k近邻关系如下:v1的k近邻为v2和v3;v2的k近邻为v1和v3;v3的k近邻为v1和v2;v4的k近邻为v3和v6;v5的k近邻为v3和v4;v6的k近邻为v4和v5。
根据以上的k近邻关系得到互为k近邻的道路有:v1、v2和v3;v4和v6;v5不存在与其互为k近邻的道路,用无向图来描述这种关系即如图3所示。在这个简单的实例中,易得聚类结果为:6条道路分为3簇,分别是:v1、v2和v3;v4和v6;v5。该路网需要布设遥测设备的数量为3,考虑到第一簇中v1道路上建有人行天桥,因此在该道路上进行遥测设备布设可减少成本;第二簇中v6处于工厂区域,因此尽量不在该道路布设遥测设备,选择v4作为布点道路;而v5单独成一簇,须在此道路布设遥测设备。
布设遥测设备的道路排放源强可根据遥测设备的检测数据进行计算得出,而未布设道路可通过建立其与布设道路排放源强之间的一元线性关系进行推算。例如在本实例中,v4和v6聚为一簇,v6的排放源强可根据实时测得的v4的排放源强推出。下表为一天24小时v4和v6的排放源强数据,以CO(kg·h-1)排放源强为例:
0:00-1:00 | 8.4 | 24.2 | 8:00-9:00 | 28.6 | 79.8 | 16:00-17:00 | 15.3 | 47.8 |
1:00-2:00 | 4.7 | 10.6 | 9:00-10:00 | 27.4 | 68.4 | 17:00-18:00 | 21.6 | 76.3 |
2:00-3:00 | 2.2 | 9.4 | 10:00-11:00 | 24.8 | 64.4 | 18:00-19:00 | 22.4 | 55.2 |
3:00-4:00 | 0.8 | 4.8 | 11:00-12:00 | 26.5 | 88.1 | 19:00-20:00 | 25.7 | 58.7 |
4:00-5:00 | 1.3 | 16.1 | 12:00-13:00 | 20.8 | 60.7 | 20:00-21:00 | 24.3 | 64.9 |
5:00-6:00 | 3.0 | 31.8 | 13:00-14:00 | 23.9 | 84.9 | 21:00-22:00 | 18.9 | 70.4 |
6:00-7:00 | 6.5 | 49.3 | 14:00-15:00 | 19.7 | 85.7 | 22:00-23:00 | 15.3 | 89.2 |
7:00-8:00 | 20.7 | 86.4 | 15:00-16:00 | 14.4 | 63.6 | 23:00-24:00 | 11.4 | 36.7 |
通过回归分析建立两者之间的一元线性关系,即y=2.47x+15.3。其中,x代表道路v4的排放源强,y代表道路v6的排放源强。根据这一关系可实时推测道路v6的排放源强。
综上,本发明可有效优化机动车尾气遥测监测***中设备的点位设置,从而在保证全路网所有道路排放源强可获得的情况下,最小化遥测设备的数量。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (3)
1.一种基于排放源强相似性的机动车尾气遥测设备布点方法,其特征在于步骤如下:
步骤1:计算交通路网中每两条道路的排放源强相似度;
步骤2:根据步骤1的计算结果,对道路vi,其中i=1,2,…,m,m是交通路网中道路的总数量,将路网中所有其他道路vj按照与vi的排放源强相似度从大到小排列,前k条道路即作为道路vi的k近邻,其中k,j为正整数,1≤j≤m,且j≠i;
步骤3:根据步骤2得到的道路vi的k近邻,寻找互为k近邻的道路,使用一个无向图G=(V,E)来描述道路之间的互为k近邻关系,其中V={v1,v2,…,vm}是无向图G的顶点集合,vi表示交通路网中的道路,i=1,2,…,m;当且仅当vp和vq互为k近邻时,vp和vq之间存在无向边,其中p,q=1,2,…,m,且p≠q;
步骤4:将步骤3中互为k近邻的道路聚成一簇,应用广度优先搜索法确定所有道路v1,v2,…,vm中某些道路能够聚成簇,从而得到所有簇即为聚类结果;
步骤5:对于步骤4所得的聚类结果,从每簇选择一条符合布设遥测设备条件的道路作为布点道路,所得的布点道路集合即为最终的布点方案。
2.根据权利要求1所述的基于排放源强相似性的机动车尾气遥测设备布点方法,其特征在于:所述步骤1中,计算交通路网中每两条道路的排放源强相似度的方法是通过相关系数的计算确定,两条道路排放源强的相似程度如下:
其中,ρx,Y代表道路X,Y排放源强之间的相关系数,cov(X,Y)表示X,Y的协方差,X代表道路X的排放源强数组,Y代表道路Y的排放源强数组,和分别表示道路X和道路Y排放源强数组的平均值,θ表示从1到n的正整数,n为样本数量。
3.根据权利要求1所述的基于排放源强相似性的机动车尾气遥测设备布点方法,其特征在于:所述步骤4中,确定聚类结果的方法如下:
从无向图G的顶点的道路v1出发,依次访问道路v1的所有未访问过的邻接顶点,即与道路v1互为k近邻的顶点,然后再依次访问这些顶点的未访问过的邻接顶点,重复这一过程,直到不存在另外的邻接顶点,那么所有被访问过的顶点即是一簇;然后从另一未被访问过的顶点出发,重复上述过程,直到所有顶点都被访问完,得到所有簇,即遍历结束之后即得到聚类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611267870.0A CN106683024B (zh) | 2016-12-31 | 2016-12-31 | 一种基于排放源强相似性的机动车尾气遥测设备布点方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611267870.0A CN106683024B (zh) | 2016-12-31 | 2016-12-31 | 一种基于排放源强相似性的机动车尾气遥测设备布点方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106683024A true CN106683024A (zh) | 2017-05-17 |
CN106683024B CN106683024B (zh) | 2020-04-03 |
Family
ID=58848801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611267870.0A Active CN106683024B (zh) | 2016-12-31 | 2016-12-31 | 一种基于排放源强相似性的机动车尾气遥测设备布点方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106683024B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108122185A (zh) * | 2017-12-19 | 2018-06-05 | 杭州电子科技大学 | 考虑布控区域边界点的移动污染源排放遥测站点选址方法 |
CN108337226A (zh) * | 2017-12-19 | 2018-07-27 | 中国科学院声学研究所 | 嵌入式智能终端异常数据的检测方法和嵌入式智能终端 |
CN113222217A (zh) * | 2021-04-15 | 2021-08-06 | 中国科学技术大学先进技术研究院 | 基于离散排放标签的柴油车排放连续值预测方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6455851B1 (en) * | 2000-03-28 | 2002-09-24 | Air Instruments And Measurement, Inc. | Spectroscopic remote sensing exhaust emission monitoring system |
CN104485749A (zh) * | 2015-01-07 | 2015-04-01 | 山东鲁能智能技术有限公司 | 一种变电站一体化电源监控辅助对测点设置方法 |
CN104504603A (zh) * | 2014-12-03 | 2015-04-08 | 住房和城乡***城乡规划管理中心 | 一种城市园林数字化***及选址方法 |
CN104835099A (zh) * | 2015-04-29 | 2015-08-12 | 中国科学技术大学 | 一种城市路网机动车尾气实时遥感监测基址选取方法 |
CN105550784A (zh) * | 2016-01-20 | 2016-05-04 | 中科宇图科技股份有限公司 | 一种空气质量监测站优化布点方法 |
-
2016
- 2016-12-31 CN CN201611267870.0A patent/CN106683024B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6455851B1 (en) * | 2000-03-28 | 2002-09-24 | Air Instruments And Measurement, Inc. | Spectroscopic remote sensing exhaust emission monitoring system |
CN104504603A (zh) * | 2014-12-03 | 2015-04-08 | 住房和城乡***城乡规划管理中心 | 一种城市园林数字化***及选址方法 |
CN104485749A (zh) * | 2015-01-07 | 2015-04-01 | 山东鲁能智能技术有限公司 | 一种变电站一体化电源监控辅助对测点设置方法 |
CN104835099A (zh) * | 2015-04-29 | 2015-08-12 | 中国科学技术大学 | 一种城市路网机动车尾气实时遥感监测基址选取方法 |
CN105550784A (zh) * | 2016-01-20 | 2016-05-04 | 中科宇图科技股份有限公司 | 一种空气质量监测站优化布点方法 |
Non-Patent Citations (2)
Title |
---|
WENJUN LV ETC: "Remote Sensing and Artificial Neural Network Estimation of On-Road Vehicle Emissions", 《2016 INTERNATIONAL CONFERENCE ON ADVANCED ROBOTICS AND MECHATRONICS》 * |
申卫国: "城市交通道路氮氧化物监测与评价方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108122185A (zh) * | 2017-12-19 | 2018-06-05 | 杭州电子科技大学 | 考虑布控区域边界点的移动污染源排放遥测站点选址方法 |
CN108337226A (zh) * | 2017-12-19 | 2018-07-27 | 中国科学院声学研究所 | 嵌入式智能终端异常数据的检测方法和嵌入式智能终端 |
CN108122185B (zh) * | 2017-12-19 | 2021-10-08 | 杭州电子科技大学 | 考虑布控区域边界点的移动污染源排放遥测站点选址方法 |
CN113222217A (zh) * | 2021-04-15 | 2021-08-06 | 中国科学技术大学先进技术研究院 | 基于离散排放标签的柴油车排放连续值预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN106683024B (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106205114B (zh) | 一种基于数据融合的高速公路路况信息实时获取方法 | |
CN102136190B (zh) | 城市公交客运事件应急响应调度管理***及方法 | |
CN105355049B (zh) | 一种基于宏观基本图的高速公路运行状态评价方法 | |
Chen et al. | Analysis of factors affecting the severity of automated vehicle crashes using XGBoost model combining POI data | |
Sayegh et al. | Understanding how roadside concentrations of NOx are influenced by the background levels, traffic density, and meteorological conditions using Boosted Regression Trees | |
Pinto et al. | Traffic data in air quality modeling: a review of key variables, improvements in results, open problems and challenges in current research | |
CN102110365B (zh) | 基于时空关系的路况预测方法和*** | |
CN103646187B (zh) | 一种统计周期内车辆出行路线及od矩阵获取方法 | |
Lai et al. | Development of city-specific driving cycles for transit buses based on VSP distributions: Case of Beijing | |
Cui et al. | Identifying mismatch between urban travel demand and transport network services using GPS data: A case study in the fast growing Chinese city of Harbin | |
CN108122069A (zh) | 基于海量交通数据居民出行起点终点矩阵提取方法 | |
Pu et al. | Impact of license plate restriction policy on emission reduction in Hangzhou using a bottom-up approach | |
CN106448132A (zh) | 一种常规公交服务指数实时评价***及评价方法 | |
CN106845768A (zh) | 基于生存分析参数分布的公交车旅行时间模型构建方法 | |
CN103065468A (zh) | 交通信息的评估方法和装置 | |
Nesamani et al. | Estimating impacts of emission specific characteristics on vehicle operation for quantifying air pollutant emissions and energy use | |
Huzayyin et al. | A representative urban driving cycle for passenger vehicles to estimate fuel consumption and emission rates under real-world driving conditions | |
CN106683024A (zh) | 一种基于排放源强相似性的机动车尾气遥测设备布点方法 | |
CN118025203A (zh) | 一种融合复杂网络和图Transformer的自动驾驶车辆行为预测方法及*** | |
CN113593220A (zh) | 一种基于宏观基本图的路网承载力估计方法 | |
Shafabakhsh et al. | Investigation and sensitivity analysis of air pollution caused by road transportation at signalized intersections using IVE model in Iran | |
Yu et al. | Quantification and management of urban traffic emissions based on individual vehicle data | |
CN106530710A (zh) | 一种面向管理者的高速公路交通指数预测方法和*** | |
Faria et al. | Assessing energy consumption impacts of traffic shifts based on real-world driving data | |
Liu et al. | Assessing the impacts of connected-and-autonomous vehicle management strategy on the environmental sustainability of urban expressway system |
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 | ||
CP02 | Change in the address of a patent holder |
Address after: No.443 Huangshan Road, Shushan District, Hefei City, Anhui Province 230022 Patentee after: University of Science and Technology of China Address before: 230026 Jinzhai Road, Baohe District, Hefei, Anhui Province, No. 96 Patentee before: University of Science and Technology of China |
|
CP02 | Change in the address of a patent holder |