CN111582580B - 一种考虑人群污染物暴露的出行路径规划方法 - Google Patents
一种考虑人群污染物暴露的出行路径规划方法 Download PDFInfo
- Publication number
- CN111582580B CN111582580B CN202010382166.XA CN202010382166A CN111582580B CN 111582580 B CN111582580 B CN 111582580B CN 202010382166 A CN202010382166 A CN 202010382166A CN 111582580 B CN111582580 B CN 111582580B
- Authority
- CN
- China
- Prior art keywords
- road section
- pollutant
- time
- database
- vehicle
- 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
Links
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 146
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000009792 diffusion process Methods 0.000 claims abstract description 50
- 239000000779 smoke Substances 0.000 claims abstract description 20
- 238000011160 research Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 53
- 239000000356 contaminant Substances 0.000 claims description 13
- 239000000203 mixture Substances 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000002093 peripheral effect Effects 0.000 claims description 9
- 230000003204 osmotic effect Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 239000000446 fuel Substances 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000035515 penetration Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000036387 respiratory rate Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 2
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
- G08G1/0125—Traffic data processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Chemical & Material Sciences (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种考虑人群污染物暴露的出行路径规划方法,通过计算机动车比功率(Vehicle Specific Power,VSP)分布获取路段机动车排放数据;在此基础上应用高斯稳态烟羽方程建立城市道路机动车污染物扩散分布模型,实时估算各路段污染物浓度时空变化特征;最后,对污染物浓度分布参数采取网格化处理,进而运用人群污染物暴露模型计算网格内特征人群的污染物暴露参数,并以此为权重应用运筹学方法建立低污染物暴露路径优化方法,输出得到最优路径、备选路径以及相应行程时间、污染物暴露值。本发明实施例从出行者角度出发,充分考虑行程时间、污染物暴露的协调关系,可为步行、骑行出行者提供低污染物暴露的出行路径,为出行者的出行决策提供参考依据。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及一种考虑人群污染物暴露的出行路径规划方法。
背景技术
低人群污染物暴露路径规划目前属于国内外新兴研究方向,其主要基于大气污染物排放及扩散模型、人群污染物暴露评价体系和运筹学方法等,通过对实际的城市路网环境进行仿真,从而分析获取出行者经行路段的人群污染物暴露水平,最终应用运筹学方法输出最优路径。
大气污染物排放模型主要有几个方向,如:平均速度类模型、行驶工况类模型和微观发动机模型。其中平均速度类模型由于局限于平均速度指标,数据精度较低,不适合进行城市道路的仿真。目前主要应用的是行驶工况类模型,该模型可反映动态交通状态下的能耗排放,可实现城市微观空气污染物的分析。大气扩散模型则集中于应用稳态烟羽模型,模型目前已经较为成熟。
人群污染物暴露评价主要有直接监测法和间接模拟法,直接监测法受制于设备,适用于小范围的高精度计算,间接模拟法则基于交通微环境污染物浓度结合人体各项指标进行仿真计算。
目前国内外在低人群污染物暴露路径规划上已经存在一定研究,但这些现有技术中的研究对于大气污染物浓度的获取主要采用了空气监测站的基础数据,同路网实际值存在较大差距,不能较好地反映城市路网尺度的污染物分布;此外,现有技术中的交通数据预测方法主要采用了静态预测,通过对用地功能对出行起讫点进行分析,从而间接获取路网流量等数据,存在一定误差,不利于进行实时的路径优化。
发明内容
本发明的实施例提供了一种考虑人群污染物暴露的出行路径规划方法,以克服现有技术的问题。
为了实现上述目的,本发明采取了如下技术方案。
一种考虑人群污染物暴露的出行路径规划方法,包括以下步骤:
步骤S1、基于浮动车速度数据、路段的流量采集设备收集的流量数据以及路网地理信息表数据,获取与路段相关的各项交通参数,构建路网交通状态模型和机动车特征数据库;
步骤S2、基于所述路网交通状态模型和机动车特征数据库,依据机动车比功率模型获取实时的机动车比功率VSP区间分布,计算并建立路段机动车各类污染物排放率数据库;
步骤S3、基于所述路段机动车各类污染物排放率数据库和当地气象数据库,应用高斯稳态烟羽方程计算路段及其周边地区污染物扩散情况,计算出路段及其周边区域的污染物浓度分布数据;
步骤S4、对所述路段及其周边区域的污染物浓度分布数据进行网格化处理,计算各网格内污染物浓度均值,根据各网格内污染物浓度均值和各人群类型行为特征,采用人群污染物暴露模型计算出各网格内特征人群污染物暴露参数;
步骤S5、根据各网格内特征人群污染物暴露参数,结合用户信息、行程时间和路网交通状态模型,采用运筹学方法规划出用户的最佳出行路径。
优选地,所述的步骤S2具体包括:
步骤S21:基于路网交通状态模型计算获取路段各车型基本VSP数据,路段各车型基本VSP数据的计算公式为:
整合现有的路段各车型的基本VSP数据构建现有VSP数据库;
步骤S22:利用路段各车型基本VSP数据,根据实时检测到的路段类型、平均速度区间、车重类型等路段和车辆特征数据生成路段的实时VSP分布数据库;
步骤S23:利用现有的机动车排放率数据库,根据实时检测到的车型构成,生成该车型构成条件下实时排放率数据库;
步骤S24:根据所述实时排放率数据库和所述路段的实时VSP分布数据库生成实时VSP分布-排放率数据库,计算各路段的特定平均速度区间下的平均排放率AvgER,计算公式为:
其中,VSPBinFrequencyi,j表示在平均速度区间i下第j个VSP区间的分布频率;n表示该平均速度区间下共有n种VSP区间;ER(VSPBini,j,v)表示在平均速度区间i下,第v种车型的车辆第j个VSP区间某种排放污染物的排放率,单位为:g/s;
步骤S25:根据各路段的特定平均速度区间下的平均排放率AvgER,计算所取更新时段T内各路段上的排放量,构建路段机动车污染物排放率数据库,计算公式为:
其中,Pi为路段i的污染物排放量,t为时段区间,T为更新时段,n为车型;
所述路段机动车污染物排放率数据库内存储各路段在不同时间的污染物排放量。
优选地,所述的步骤S3具体包括:
基于所述路段机动车各类污染物排放率数据库,结合路段所在区域的实际气象数据应用高斯稳态烟羽方程建立路段及其周边区域的污染物浓度分布模型,该路段及其周边区域的污染物浓度分布模型包括;
1:稳定边界层条件下,污染物浓度扩散的计算公式为:
其中,Cs(x,y,z)为根据所述路段机动车各类污染物排放率数据库获取的稳定边界层条件下坐标(x,y,z)处的污染物浓度,u为风速,Fy是横向分布函数,zieff是有效的稳定混合层高度,σzs是垂直方向扩散系数,hes是烟羽的高度,σy是水平色散系数;
2:对流边界层条件下,污染物浓度扩散的计算公式为:
Cc(x,y,z)=Cd(x,y,z)+Cp(x,y,z)+Cr(x,y,z)
Cc(x,y,z)为根据所述路段机动车各类污染物排放率数据库获取的对流边界层条件下坐标(x,y,z)处的污染物浓度,Cd(x,y,z)为坐标(x,y,z)处的直接烟羽扩散浓度,Cp(x,y,z)为坐标(x,y,z)处的渗透源烟羽扩散浓度,Cr(x,y,z)为坐标(x,y,z)处的间接烟羽扩散浓度;
3:直接烟羽扩散浓度的计算公式为:
其中,Cd(x,y,z)是直接烟羽扩散浓度,ψdj是烟羽高度,Δhd是直接烟羽扩散源的烟羽抬升高度,hs是考虑下沉的污染源高度,z是监测点高度,{z=zr,zp},分别表示水平和垂直方向的状态分量,j=1,2,等于1时表示上升气流,等于2时表示下降气流;
4:间接烟羽扩散浓度的计算公式为:
ψrj=ψdj-Δhi
其中Cr(x,y,z)是间接烟羽扩散浓度,Δhi是间接污染源烟羽抬升高度;
5:渗透源烟羽扩散浓度的计算公式为:
其中Cp(x,y,z)是渗透源烟羽扩散浓度,zieff是有效的稳定混合层高度,σzp是渗透扩散系数。
优选地,所述S4具体包括:
步骤S41:将所述路段及其周边区域划分为若干网格,基于所述路段及其周边区域的污染物浓度分布模型计算各网格内污染物浓度,计算公式为:
其中,i为网格编号,j为网格内采样点编号,Ci为网格i的平均污染物浓度,Ci为网格i内采样点j处污染物浓度;
步骤S42:基于人群污染物暴露模型,计算各网格特征人群的污染物个体暴露剂量,计算公式为:
Ep,i=Cp,i×Bk×Ti
其中,Ep,i为网格i内污染物p的个体暴露剂量,Cp,i为网格i内污染物p的浓度,Bk为特征人群k的呼吸速率,Ti为网格i内暴露时间;
步骤S43:基于人群出行特征,暴露时间的计算公式为:
其中,Ti为网格i内暴露时间,Li为网格i内路网长度,vk,n为特征人群k采用交通方式m的平均移动速率。
优选地,所述S5具体包括:
S51、输入用户的起点和终点,获取用户可接受最大出行距离延长比p,确定用户所属人群类型;
S52、根据用户信息、人群污染物暴露剂量和路网交通状态模型,计算确定各路段权重,计算公式为:
0≤w≤1
其中Costi为网格i的权重;Ep,i为网格i内污染物p的个体暴露剂量;Epmax为可通行网格中最大污染物暴露剂量;lij为网格i内通行距离,j=1,2,3,分别代表直行、左转、右转;l为网格宽度;w为相对比重,w=0时计算仅考虑道路长度影响,w=1时计算仅考虑暴露剂量影响;
S53、取w=0,应用Dijkstra算法基于各路段权重计算出最短路径长度Lmin;
S54、取w=1,并应用最大出行距离延长比p计算出最大路径长度Lmax,计算公式为:
Lmax=(1+p)Lmin
S55、应用Dijkstra算法基于各路段权重确定出最优路径,计算出最优路径的长度L;
S56、若L<Lmax,停止计算,输出最优路径;若L≥Lmax,设w=w-0.1,并回到步骤S55。
优选地,所述步骤S22中的利用路段各车型基本VSP数据,根据实时检测到的路段类型、平均速度区间、车重类型等路段和车辆特征数据生成实时路段的VSP分布数据库,具体包括:
从流量采集数据中获取路段类型、采集时间和每分钟内的平均速度,确定路段的平均速度区间;
对获取的路段类型和平均速度区间,按照现有VSP数据库的编码规则进行编码;
根据路段类型编码、平均速度区间编码,通过对现有VSP数据库查询,依照路段的频率分布生成路段的实时VSP分布数据库。
优选地,所述步骤S23中的利用现有的机动车排放率数据库,根据实时检测到的车型构成,生成该车型构成条件下实时排放率数据库,包括:
依据流量采集数据内的车型数据,获取各车型的比例、标准车重、燃油类型及排放标准;
根据车型分类和编码规则,将获取的车辆各类信息纳入实时车型构成数据库;
根据所述实时车型构成数据库,通过与现有的排放率数据库进行数据耦合,计算路段上各车型车辆在不同速度时所产生的排放量,生成实时排放率数据库,该实时排放率数据库内存储各路段上的各车型车辆在不同的平均速度时在单位时间内所能产生的污染物排放值。
优选地,所述流量采集设备包括:远程交通微波检测器RTMS或线圈或视频采集设备。
优选地,所述路段相关的各项交通参数包括:路段名称、编号、行车方向、速度、流量和时间。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例的基于人群污染物暴露的出行路径规划方法从出行者角度出发,充分考虑行程时间、污染物暴露的协调关系,可为步行、骑行出行者提供低污染物吸入的出行路径,为出行者的出行决策提供新的参考方式。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明实施例提供的一种考虑人群污染物暴露的出行路径规划方法的流程示意图;
图2为本发明实施例提供的实时VSP分布数据计算流程图;
图3为本发明实施例提供的路段机动车污染物排放量计算示意图;
图4为本发明实施例提供的高斯烟羽模型对流边界层示意图;
图5为本发明实施例提供的低人群污染物暴露路径规划流程图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明实施例提供一种考虑人群污染物暴露的出行路径规划方法,通过仿真计算获取城市道路及其周边地区的机动车污染物分布模型,计算用户出行时在不同位置可能产生的人群污染物暴露值,将低污染物暴露纳入路径决策因素,进而在保证绕行距离不超过限制的前提下提供给用户更为健康的出行路径,便于用户进行出行决策,更贴合实际生活需求。
图1为本发明实施例提供的一种考虑人群污染物暴露的出行路径规划方法的流程示意图,其包括以下步骤:
步骤S1、基于浮动车检测的速度数据、路段的流量采集设备收集的流量数据以及路网地理信息表数据,获取与路段相关的各项交通参数,构建路网交通状态模型和机动车特征数据库。上述浮动车是指安装了车载定位装置并在道路上正常行驶的机动车。
所述流量采集设备包括但不限于:RTMS(Remote Transportation MicrowaveSensor,远程交通微波检测器)或线圈或视频采集设备。
所述流量数据包括但不限于:检测路段编号、检测时间、车流量、平均速度、车型比例。
所述路网地理信息表数据包括但不限于:路段编号、路段名称、路段类型、路段起讫点坐标、路段长度、路段宽度和路段车道数。
上述路网交通状态模型基于所获取数据构建,其中包括但不限于:基于路网地理坐标和线形信息构建的地理信息***模型和基于道路编号实现的交通信息连接数据表。
上述机动车特征数据库基于路段的实测值构建,其中包括但不限于:机动车设备数据、机动车车型比例数据、机动车车龄数据和机动车燃油数据。
步骤S2、基于路网交通状态模型和机动车特征数据库,依据机动车比功率模型获取VSP(vehiclespecificpower,机动车比功率)区间分布,计算并建立路段机动车各类污染物排放率数据库;
所述各类污染物包括但不限于:PM2.5、PM10、CO、NOx、HC。
步骤S3、基于路段机动车各类污染物排放率数据库和当地气象数据库,应用高斯稳态烟羽方程计算路段及其周边地区污染物扩散情况,建立路段及其周边区域的污染物浓度分布模型。
所述当地气象数据库中包括但不限于:地表气象数据、探空气象数据。
步骤S4、对路段及其周边区域的污染物浓度分布数据进行网格化处理,计算各网格内污染物浓度均值,以此为指标并结合各人群类型的行为特征,采用人群污染物暴露模型计算各网格特征人群污染物暴露参数;
步骤S5、根据各网格特征人群污染物暴露参数,结合用户信息和路网交通状态模型,采用运筹学方法建立低污染物暴露路径优化方法,将人群污染物暴露参数与行程时间叠加作为权值,通过对所有确定路径进行权重比较,从而确定最优路径,并输出预测得到的最优路径、备选路径以及相应污染物暴露水平、行程时间预测值。
进一步地,上述步骤S2具体包括:
步骤S21:比功率是衡量汽车动力性能的一个综合指标,具体是指汽车发动机最大功率与汽车总质量之比。一般来讲,对同类型汽车而言,比功率越大,汽车的动力性越好。
基于路网交通状态模型计算获取路段各车型基本VSP数据;
路段各车型基本VSP数据的计算公式为:
整合现有的路段各车型的基本VSP数据构建现有VSP数据库。现有VSP数据库中所存储的数据包括但不限于:路段编号、路段名称、路段类型、采集时间、车辆类型及比例、平均速度和VSP区间。
其中,路段编号、路段名称、路段类型、采集时间、车辆类型及比例和平均速度等与路网交通状态模型内的编号和表示方式一致,VSP区间则根据实际需求进行间隔划分,并依照其平均速度值进行编码。在进行数据库数据查阅时,需依据对应路段、车型等编号进行定位和查找,以确定在特定速度下的路段VSP值。
步骤S22:图2为本发明实施例提供的实时VSP分布数据计算流程图。利用路段各车型基本VSP数据,根据实时检测到的路段类型、平均速度区间、车重类型等路段和车辆特征数据生成路段的实时VSP分布数据库,具体包括:
a:从流量采集数据中获取路段类型、采集时间和每分钟内的平均速度,确定路段的平均速度区间;
b:对获取的路段类型和平均速度区间,按照现有VSP数据库的编码规则进行编码;
c:根据步骤b中获取的路段类型编码、平均速度区间编码,通过对现有VSP数据库查询依照路段的频率分布,生成路段的实时VSP分布数据库。
实时VSP分布数据库中所存储的数据包括但不限于:路段编号、路段名称、路段类型、采集时间、车辆类型及比例、平均速度、VSP区间和VSP区间所占比例。其中,除VSP区间所占比例外,其余数据参照现有VSP数据库的编码规则进行;VSP区间所占比例则根据实际计算所得频率表示其比例值。在进行数据库数据查阅时,需依据对应编号进行定位和查找,以确定特定VSP区间的分布值。
步骤S23:利用现有的机动车排放率数据库,根据实时检测到的车型构成,生成该车型构成条件下实时排放率数据库;
a:依据流量采集数据内的车型数据,获取各车型的比例、标准车重、燃油类型及排放标准;
b:根据车型分类和编码规则,将获取的车辆各类信息纳入实时车型构成数据库;
c:根据步骤b中生成的实时车型构成数据库,通过与现有的排放率数据库进行数据耦合,计算路段上各车型车辆在不同速度时所产生的排放量,生成实时排放率数据库。其中实时排放率数据库内主要存储的是各路段上的各车型车辆在不同的平均速度时在单位时间内所能产生的污染物排放值。实时排放率数据库内的数据包括但不限于:路段编号、路段名称、采集时间、车型编号、平均速度、污染物排放率。
步骤S24:图3为本发明实施例提供的路段机动车污染物排放量计算示意图。根据实时排放率数据库和实时VSP分布数据库,生成实时VSP分布-排放率数据库,计算各路段的特定平均速度区间下的平均排放率AvgER,计算公式为:
其中,表示在平均速度区间i1下第j2个VSP区间的分布频率;n表示该平均速度区间下共有n种VSP区间;表示在平均速度区间i1下,第v种车型的车辆第j2个VSP区间某种排放污染物的排放率,单位为:g/s;
步骤S25:根据各路段的特定平均速度区间下的平均排放率AvgER,计算所取更新时段T内各路段上的排放量,构建路段机动车污染物排放率数据库,计算公式为:
路段机动车污染物排放率数据库主要存储了各路段在不同时间的污染物排放量,其数据包括但不限于:路段编号、路段名称、采集时间和排放率。
进一步地,所述步骤S3具体包括:
基于路段机动车各类污染物排放率数据库,结合路段所在区域的实际气象数据应用高斯稳态烟羽方程建立路段及其周边区域的污染物浓度分布模型,该模型的计算依照大气稳定度和边界层位置进行。上述路段及其周边区域的污染物浓度分布模型包括:
(1)稳定边界层条件下,污染物浓度扩散计算公式为:
其中,Cs(x,y,z)为根据所述路段机动车各类污染物排放率数据库获取的稳定边界层条件下坐标(x,y,z)处的污染物浓度,u为风速,Fy是横向分布函数,zieff是有效的稳定混合层高度,σzs是垂直方向扩散系数,hes是稳定边界层条件下烟羽的高度(堆叠高度加烟羽抬升高度),σy是水平色散系数。
(2)图4为本发明实施例提供的高斯烟羽模型对流边界层示意图。对流边界层条件下,污染物浓度扩散计算公式为:
Cc(x,y,z)=Cd(x,y,z)+Cp(x,y,z)+Cr(x,y,z)
Cc(x,y,z)为根据所述路段机动车各类污染物排放率数据库获取的对流边界层条件下坐标(x,y,z)处的污染物浓度,Cd(x,y,z)为坐标(x,y,z)处的直接烟羽扩散浓度,Cp(x,y,z)为坐标(x,y,z)处的渗透源烟羽扩散浓度,Cr(x,y,z)为坐标(x,y,z)处的间接烟羽扩散浓度。
(3)直接烟羽扩散浓度计算公式为:
其中,Cd(x,y,z)是直接烟羽扩散浓度,ψdj是对流边界层条件下烟羽直接扩散高度,Δhd是直接烟羽扩散源的烟羽抬升高度,hs是考虑下沉的污染源高度,z是监测点高度,{z=zr,zp},分别表示水平和垂直方向的状态分量,j=1,2,等于1时表示上升气流,等于2时表示下降气流。
(4)间接烟羽扩散浓度计算公式为:
ψrj=ψdj-Δhi
其中Cr(x,y,z)是间接烟羽扩散浓度,Δhi是间接污染源烟羽抬升高度。
(5)渗透源烟羽扩散浓度计算公式为:
其中Cp(x,y,z)是渗透源烟羽扩散浓度,zieff是有效的稳定混合层高度,σzp是渗透扩散系数。
进一步地,所述步骤S4具体包括:
步骤S42:基于人群污染物暴露模型,计算各网格特征人群的个体暴露剂量,计算公式为:
(1)将所述路段及其周边区域划分为若干网格,计算各网格内的污染物浓度,计算公式为:
其中,i为网格编号,j0为网格内采样点编号,Ci为网格i的平均污染物浓度,Cij0为网格i内采样点j0处污染物浓度;
(2)基于人群污染物暴露模型,计算各网格特征人群的污染物个体暴露剂量,计算公式为:
Ep,i=Cp,i×Bk×Ti
其中,Ep,i为网格i内污染物p的个体暴露剂量,Cp,i为网格i内污染物p的浓度,Bk为特征人群k的呼吸速率,Ti为网格i内暴露时间;
(3)基于人群出行特征,暴露时间的计算公式为:
进一步地,图5为本发明实施例提供的低人群污染物暴露路径规划流程图。所述步骤S5具体包括:
S51、输入用户的起点和终点,获取用户可接受最大出行距离延长比p0,确定用户所属人群类型;
S52、根据用户信息、污染物个体暴露剂量和路网交通状态模型,计算确定各路段权重,计算公式为:
0≤w≤1
其中Costi为网格i的权重;Ep,i为网格i内污染物p的个体暴露剂量;Epmax为可通行网格中最大污染物暴露剂量;为网格i内通行距离,j1=1,2,3,分别代表直行、左转、右转;lcell为网格宽度;w为相对比重,所述用户信息包括但不限于:出行倾向、年龄、性别、出行时间和出行方式等。
S53、取w=0,应用Dijkstra算法基于各路段权重Costi计算出最短路径长度Lmin;
其中,Dijkstra算法把带权图中的所有顶点分成两个集合S和V-S。集合S中存放已找到最短路径的顶点,V-S中存放当前还未找到最短路径的顶点。算法将按照最短路径长度递增的顺序逐个将V-S集合中的元素加入到S集合中,直至所有顶点都进入到S集合为止。具体的算法思想如下:
(1)初始时,集合S中仅包含源点v0,集合V-S中包含除源点v0以外的所有顶点,v0到V-S中各顶点的路径长度或者为某个权值(如果它们之间有弧相连),或者为无穷(没有弧相连);
(2)按照最短路径长度递增的次序,从集合V-S中选出顶点v0路径长度最短的顶点vk加入到S集合中;
(3)加入vk之后,为寻找下一个最短路径,必须修改从v0到集合V-S中剩余所有顶点vi的最短路径。若在路径上加入vk之后,使得v0到vi的路径长度比原来没有加入vk时的路径长度短,则修正v0到vi的路径长度为其中较短的;
(4)重复以上步骤,直至集合V-S中的顶点全部被加入到集合S中。
S54、取w=1,并应用最大出行距离延长比p0计算出最大路径长度Lmax,计算公式为:
Lmax=(1+p0)Lmmin
S55、应用Dijkstra算法基于各路段权重确定出最优路径,计算出最优路径的长度L;
S56、若L<Lmax,停止计算,输出最优路径;若L≥Lmax,设w=w-0.1,并回到步骤S55。
综上所述,本发明实施例提供了一种基于城市道路交通基础信息,通过计算机动车比功率(VSP)分布获取路段机动车排放数据;在此基础上应用高斯稳态烟羽方程建立城市道路机动车污染物扩散分布模型,实时反映各路段污染物浓度变化等特征;最后,对污染物分布模型采取网格化处理,基于人群污染物暴露模型计算网格内特征人群的污染物暴露指标,并以此为权重应用运筹学方法建立低污染物暴露路径导航优化方法,输出得到最优路径、备选路径以及相应行程时间、污染物暴露情况。
本发明实施例从出行者角度出发,充分考虑行程时间、污染物暴露的协调关系,可为步行、骑行出行者提供低污染物吸入的出行路径,为出行者的出行决策提供新的参考方式。
本发明实施例有效地解决了现有技术中存在的,仅考虑出行时间和出行距离,未考虑出行者在出行过程中所可能遭遇的污染物暴露,没有考虑最短路程可能存在的高污染物风险,导致提高出行者出行健康成本的问题。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及***实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种考虑人群污染物暴露的出行路径规划方法,其特征在于,包括以下步骤:
步骤S1、基于浮动车速度数据、路段的流量采集设备收集的流量数据以及路网地理信息表数据,获取与路段相关的各项交通参数,构建路网交通状态模型和机动车特征数据库;
步骤S2、基于所述路网交通状态模型和机动车特征数据库,依据机动车比功率模型获取实时的机动车比功率VSP区间分布,计算并建立路段机动车各类污染物排放率数据库;
步骤S3、基于所述路段机动车各类污染物排放率数据库和当地气象数据库,应用高斯稳态烟羽方程计算路段及其周边地区污染物扩散情况,计算出路段及其周边区域的污染物浓度分布数据;
步骤S4、对所述路段及其周边区域的污染物浓度分布数据进行网格化处理,计算各网格内污染物浓度均值,根据各网格内污染物浓度均值和各人群类型行为特征,采用人群污染物暴露模型计算出各网格内特征人群污染物暴露参数;
步骤S5、根据各网格内特征人群污染物暴露参数,结合用户信息、行程时间和路网交通状态模型,采用运筹学方法规划出用户的最佳出行路径,所述的步骤S3具体包括:
基于所述路段机动车各类污染物排放率数据库,结合路段所在区域的实际气象数据应用高斯稳态烟羽方程建立路段及其周边区域的污染物浓度分布模型,该路段及其周边区域的污染物浓度分布模型包括;
1:稳定边界层条件下,污染物浓度扩散的计算公式为:
其中,Cs(x,y,z)为根据所述路段机动车各类污染物排放率数据库获取的稳定边界层条件下坐标(x,y,z)处的污染物浓度,u为风速,Fy是横向分布函数,zieff是有效的稳定混合层高度,σzs是垂直方向扩散系数,hes是稳定边界层条件下烟羽高度,σy是水平色散系数;
2:对流边界层条件下,污染物浓度扩散的计算公式为:
Cc(x,y,z)=Cd(x,y,z)+Cp(x,y,z)+Cr(x,y,z)
Cc(x,y,z)为根据所述路段机动车各类污染物排放率数据库获取的对流边界层条件下坐标(x,y,z)处的污染物浓度,Cd(x,y,z)为坐标(x,y,z)处的直接烟羽扩散浓度,Cp(x,y,z)为坐标(x,y,z)处的渗透源烟羽扩散浓度,Cr(x,y,z)为坐标(x,y,z)处的间接烟羽扩散浓度;
3:直接烟羽扩散浓度的计算公式为:
其中,Cd(x,y,z)是直接烟羽扩散浓度,ψdj是对流边界层条件下烟羽直接扩散高度,Δhd是直接烟羽扩散源的烟羽抬升高度,hs是考虑下沉的污染源高度,z是监测点高度,j=1,2,等于1时表示上升气流,等于2时表示下降气流;
4:间接烟羽扩散浓度的计算公式为:
ψrj=ψdj-Δhi
其中Cr(x,y,z)是间接烟羽扩散浓度,Δhi是间接污染源烟羽抬升高度;
5:渗透源烟羽扩散浓度的计算公式为:
其中Cp(x,y,z)是渗透源烟羽扩散浓度,zieff是有效的稳定混合层高度;
所述S4具体包括:
步骤S41:将所述路段及其周边区域划分为若干网格,基于所述路段及其周边区域的污染物浓度分布模型计算各网格内污染物浓度,计算公式为:
其中,i为网格编号,j0为网格内采样点编号,Ci为网格i的平均污染物浓度,Cij0为网格i内采样点j0处污染物浓度;
步骤S42:基于人群污染物暴露模型,计算各网格特征人群的个体暴露剂量,计算公式为:
Ep,i=Cp,i×Bk×Ti
其中,Ep,i为网格i内污染物p的个体暴露剂量,Cp,i为网格i内污染物p的浓度,Bk为特征人群k的呼吸速率,Ti为网格i内暴露时间;
步骤S43:基于人群出行特征,暴露时间的计算公式为:
所述S5具体包括:
S51、输入用户的起点和终点,获取用户可接受最大出行距离延长比p0,确定用户所属人群类型;
S52、根据用户信息、污染物个体暴露剂量和路网交通状态模型,计算确定各路段权重,计算公式为:
0≤w≤1
其中Costi为网格i的权重;Ep,i为网格i内污染物p的个体暴露剂量;Epmax为可通行网格中最大污染物暴露剂量;为网格i内通行距离,j1=1,2,3,分别代表直行、左转、右转;lcell为网格宽度;w为相对比重,w=0时计算仅考虑道路长度影响,w=1时计算仅考虑暴露剂量影响;
S53、取w=0,应用Dijkstra算法基于各路段权重计算出最短路径长度Lmin;
S54、取w=1,并应用最大出行距离延长比p0计算出最大路径长度Lmax,计算公式为:
Lmax=(1+p0)Lmin
S55、应用Dijkstra算法基于各路段权重确定出最优路径,计算出最优路径的长度L;
S56、若L<Lmax,停止计算,输出最优路径;若L≥Lmax,设w=w-0.1,并回到步骤S55。
2.根据权利要求1所述的方法,其特征在于,所述的步骤S2具体包括:
步骤S21:基于路网交通状态模型计算获取路段各车型基本VSP数据,路段各车型基本VSP数据的计算公式为:
整合现有的路段各车型的基本VSP数据构建现有VSP数据库;
步骤S22:利用路段各车型基本VSP数据,根据实时检测到的路段和车辆特征数据生成路段的实时VSP分布数据库;
步骤S23:利用现有的机动车排放率数据库,根据实时检测到的车型构成,生成该车型构成条件下实时排放率数据库;
步骤S24:根据所述实时排放率数据库和所述路段的实时VSP分布数据库生成实时VSP分布-排放率数据库,计算各路段的特定平均速度区间下的平均排放率AvgER,计算公式为:
其中,表示在平均速度区间i1下第j2个VSP区间的分布频率;n表示该平均速度区间下共有n种VSP区间;表示在平均速度区间i1下,第v种车型的车辆第j2个VSP区间某种排放污染物的排放率,单位为:g/s;
步骤S25:根据各路段的特定平均速度区间下的平均排放率AvgER,计算所取更新时段T内各路段上的排放量,构建路段机动车污染物排放率数据库,计算公式为:
所述路段机动车污染物排放率数据库内存储各路段在不同时间的污染物排放量。
3.根据权利要求2所述的方法,其特征在于,所述步骤S22中的利用路段各车型基本VSP数据,根据实时检测到的路段和车辆特征数据生成路段的实时VSP分布数据库,具体包括:
从流量采集数据中获取路段类型、采集时间和每分钟内的平均速度,确定路段的平均速度区间;
对获取的路段类型和平均速度区间,按照现有VSP数据库的编码规则进行编码;
根据路段类型编码、平均速度区间编码,通过对现有VSP数据库查询,依照路段的频率分布生成路段的实时VSP分布数据库。
4.根据权利要求2所述的方法,其特征在于,所述步骤S23中的利用现有的机动车排放率数据库,根据实时检测到的车型构成,生成该车型构成条件下实时排放率数据库,包括:
依据流量采集数据内的车型数据,获取各车型的比例、标准车重、燃油类型及排放标准;
根据车型分类和编码规则,将获取的车辆各类信息纳入实时车型构成数据库;
根据所述实时车型构成数据库,通过与现有的排放率数据库进行数据耦合,计算路段上各车型车辆在不同速度时所产生的排放量,生成实时排放率数据库,该实时排放率数据库内存储各路段上的各车型车辆在不同的平均速度时在单位时间内所能产生的污染物排放值。
5.根据权利要求1所述的方法,其特征在于,所述流量采集设备包括:远程交通微波检测器RTMS或线圈或视频采集设备。
6.根据权利要求1所述的方法,其特征在于,所述路段相关的各项交通参数包括:路段名称、编号、行车方向、速度、流量和时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010382166.XA CN111582580B (zh) | 2020-05-08 | 2020-05-08 | 一种考虑人群污染物暴露的出行路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010382166.XA CN111582580B (zh) | 2020-05-08 | 2020-05-08 | 一种考虑人群污染物暴露的出行路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582580A CN111582580A (zh) | 2020-08-25 |
CN111582580B true CN111582580B (zh) | 2022-04-01 |
Family
ID=72124740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010382166.XA Active CN111582580B (zh) | 2020-05-08 | 2020-05-08 | 一种考虑人群污染物暴露的出行路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582580B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112071060B (zh) * | 2020-08-27 | 2022-07-26 | 华南理工大学 | 一种基于城市路网交通环境变化的应急救援路径规划方法 |
CN112765733B (zh) * | 2021-01-26 | 2022-06-03 | 三峡大学 | 一种缆机吊罐运输路径的多目标优化方法 |
CN112951425B (zh) * | 2021-03-10 | 2024-04-02 | 北京交通大学 | 一种机动车的尾气排放对人体健康影响的评估方法 |
CN113158125B (zh) * | 2021-03-31 | 2022-12-27 | 中汽研汽车检验中心(天津)有限公司 | 一种基于车联网的柴油车NOx排放评测方法 |
CN114236101B (zh) * | 2021-11-30 | 2023-11-28 | 东南大学 | 一种不测碳浓度计算船舶燃油硫含量方法 |
CN115860305B (zh) * | 2023-02-28 | 2023-05-05 | 北京科技大学 | 一种面向地图导航的树木花粉暴露度最小路径预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729183A (zh) * | 2013-12-29 | 2014-04-16 | 北京工业大学 | 基于智能手机的车辆绿色出行导航***设计 |
CN108389417A (zh) * | 2018-04-24 | 2018-08-10 | 西南交通大学 | 一种考虑空气污染暴露的混合用户出行诱导方法 |
CN108871362A (zh) * | 2018-06-12 | 2018-11-23 | 山东理工大学 | 一种汽车动态环保出行路径规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170091350A1 (en) * | 2015-09-24 | 2017-03-30 | Alexander Bauer | Near real-time modeling of pollution dispersion |
-
2020
- 2020-05-08 CN CN202010382166.XA patent/CN111582580B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729183A (zh) * | 2013-12-29 | 2014-04-16 | 北京工业大学 | 基于智能手机的车辆绿色出行导航***设计 |
CN108389417A (zh) * | 2018-04-24 | 2018-08-10 | 西南交通大学 | 一种考虑空气污染暴露的混合用户出行诱导方法 |
CN108871362A (zh) * | 2018-06-12 | 2018-11-23 | 山东理工大学 | 一种汽车动态环保出行路径规划方法 |
Non-Patent Citations (2)
Title |
---|
"基于交通运行指数的速度分布聚类与排放测算";靳秋思,张远景,宋国华,程颖,于雷;《交通信息与安全》;20161231;第34卷(第6期);全文 * |
Wu, Yizheng ; Rowangould, Dana 等."Modeling health equity in active transportation planning".《Transportation Research: Part D》.2019, * |
Also Published As
Publication number | Publication date |
---|---|
CN111582580A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582580B (zh) | 一种考虑人群污染物暴露的出行路径规划方法 | |
KR101668753B1 (ko) | 대기 오염 관리 시스템 | |
CN110298500B (zh) | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 | |
CN106651100B (zh) | 基于车联网优选车载监测点的空气质量评估***及方法 | |
CN105608697B (zh) | 基于遥感气溶胶和萤火虫群算法的空气污染源识别方法 | |
CN114280695A (zh) | 一种空气污染物监测预警方法及云平台 | |
US20170091350A1 (en) | Near real-time modeling of pollution dispersion | |
Gualtieri et al. | Predicting urban traffic air pollution: a GIS framework | |
CN110346517B (zh) | 一种智慧城市工业大气污染可视化预警方法及其*** | |
CN105206056B (zh) | 道路交通污染源智能预测方法及*** | |
CN106202533B (zh) | 街道峡谷机动车尾气污染物浓度估算*** | |
CN108256714A (zh) | 一种基于车联网大数据的行车轨迹实时风险评估模型 | |
CN106897826A (zh) | 一种交通事故风险评估方法及*** | |
CN110441478A (zh) | 一种河流生态环境数据在线监测方法、***及存储介质 | |
CN114881356A (zh) | 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 | |
US20220335822A1 (en) | Method of determining the amount of pollutant emissions from a vehicle over a road network section | |
CN111259539B (zh) | 一种道路pm2.5精细化污染分布的模拟方法、***及计算机存储介质 | |
CN107180534A (zh) | 支持向量回归机融合的高速公路路段平均速度估计方法 | |
CN115759329A (zh) | 基于卷积神经网络的景区游客人数预测方法 | |
Dhyani et al. | Performance evaluation of CALINE 4 model in a hilly terrain–a case study of highway corridors in Himachal Pradesh (India) | |
CN114822709A (zh) | 大气污染多粒度精准成因分析方法及装置 | |
Hao et al. | Modal activity-based vehicle energy/emissions estimation using sparse mobile sensor data | |
CN110968919B (zh) | 一种基于ArcGIS的路段行车险态评价方法 | |
Lee et al. | Modified grey model for estimating traffic tunnel air quality | |
CN112434259B (zh) | 一种类比电路功耗的路网交通能耗分析方法 |
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 |