CN113344759B - 一种移动源污染排放的分析方法 - Google Patents
一种移动源污染排放的分析方法 Download PDFInfo
- Publication number
- CN113344759B CN113344759B CN202110736540.6A CN202110736540A CN113344759B CN 113344759 B CN113344759 B CN 113344759B CN 202110736540 A CN202110736540 A CN 202110736540A CN 113344759 B CN113344759 B CN 113344759B
- Authority
- CN
- China
- Prior art keywords
- mobile source
- node
- source pollution
- emission
- pollution emission
- 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
- 238000004458 analytical method Methods 0.000 title abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000010586 diagram Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 8
- 239000003344 environmental pollutant Substances 0.000 claims description 16
- 231100000719 pollutant Toxicity 0.000 claims description 16
- 230000001364 causal effect Effects 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 101100182248 Caenorhabditis elegans lat-2 gene Proteins 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 8
- 238000011160 research Methods 0.000 abstract description 8
- 230000003993 interaction Effects 0.000 abstract description 3
- 238000005065 mining Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000002787 reinforcement Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000010998 test method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013028 emission testing Methods 0.000 description 2
- VJYFKVYYMZPMAB-UHFFFAOYSA-N ethoprophos Chemical compound CCCSP(=O)(OCC)SCCC VJYFKVYYMZPMAB-UHFFFAOYSA-N 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- BUCXEFZXWKUCCY-UHFFFAOYSA-N 4-methyl-3-(2-phenylethyl)-1,2,4-oxadiazol-5-one Chemical compound O1C(=O)N(C)C(CCC=2C=CC=CC=2)=N1 BUCXEFZXWKUCCY-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000002229 photoelectron microspectroscopy Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000012163 sequencing technique 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
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Remote Sensing (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种移动源污染排放的分析方法,包括以下步骤:S1:将城市分为多个区域,生成多个区域的移动源污染排放数据;S2:将城市各个区域抽象为节点,区域之间的联系抽象为边,构建城市移动源污染排放网络图;S3:挖掘城市移动源污染排放网络中的关键节点;S4:建立移动源污染排放监管模型,提供交通管制措施策略。本发明中的移动源污染排放的分析方法,能够针对移动源污染排放数据的变化特点,从网络动力学的角度表征移动源污染排放传播过程,开展整体、区域和节点层次的特性研究,智能化挖掘动态时空大数据背后隐藏的交互关系和传播规律,为城市环境精细化管理提供可靠的数据支持和科学的决策依据。
Description
技术领域
本发明涉及环境监测技术领域,具体而言,涉及一种移动源污染排放的分析方法。
背景技术
通过检测道路移动源污染,可以实时评估分析移动源在实际道路条件下的排放情况,为城市移动源污染排放的时空变化态势预警,为排放监管提供数据支撑。现有的道路移动源污染排放数据获取方法主要有尾气遥测法,车载排放测试法和机动车污染排放模型法。
尾气遥测法利用移动源污染排放中的不同成分污染物对不同波长的红外线或紫外线的吸收作用,测定各污染物的相对体积分数从而计算各污染物排放浓度。尾气遥测法可以在不影响道路车辆运行状况下,测定道路车辆尾气排放。但是由于尾气遥测站点的建造维护费用高昂,城市中布设的监测点位十分稀疏,无法实现全路段监测,同时监测结果受环境影响较大。
车载排放测试法通过在检测车辆安装便携式车载排放测试***(portableemission measurement system,PEMS),实时测量车辆运行在实际道路时排放的污染。虽然车载排放测试法可以精确测量车辆污染排放,但是其安装设备造价昂贵,测试耗费时间长,且涉及用户隐私问题,无法在所有车辆安装。
机动车污染排放模型法利用实验室台架测试模拟机动车在各种行驶工况下的尾气排放,利用台架测试数据建立机动车污染排放因子估算模型,并结合车辆道路行驶工况数据计算机动车道路行驶移动源污染排放量。通过实验室台架对机动车污染物排放状况进行测定获得排放数据,并建立污染物排放因子模型。在车辆排放的时空分布方面,现已公开的有利用基于网络的实时交通数据来表征车辆排放的时空分布,但其只包含主干道的排放信息,且空间分布不够细致,只能体现中心高、四周低的空间分布。
现有道路移动源污染排放数据的获取主要存在以下缺点:
1)由于移动源污染监测站点的建造维护费用高昂,现有监测点位稀疏,难以通过布设检测设备实现全区域移动源实时监测;
2)移动源污染时空分布变化因素复杂繁多,现有移动源排放数据分辨率不高、数据量不足;
3)污染传播过程的强波动性、非控制性及各类因素交互作用,使污染变化趋势和地区间的关系难以描述。
发明内容
针对上述技术问题,本发明的目的在于提供一种移动源污染排放的分析方法,以复杂网络为研究工具,构建移动源污染排放网络模型,研究面向移动源污染排放网络的关键节点挖掘算法,开展基于时空数据挖掘的城市移动源污染排放综合监管研究。
本发明提供的移动源污染排放的分析方法,包括以下步骤:
S1:将城市分为多个区域,生成多个区域的移动源污染排放数据;
S2:将城市各个区域抽象为节点,区域之间的联系抽象为边,构建城市移动源污染排放网络图;
S3:挖掘城市移动源污染排放网络中的关键节点;
S4:建立移动源污染排放监管模型,提供交通管制措施策略。
进一步,所述步骤S1包括:
步骤S11、将城市按照经纬度分为10*10个区域;
步骤S12、对每个区域内车辆的GPS数据进行处理,计算每个区域内,每辆车在每个时间步内的车辆行驶距离、行驶时间以及平均速度;
步骤S13、采用COPERT模型结合得到的车辆行驶距离及平均速度生成每个区域内每个时间步内的移动源污染排放数据。
进一步,所述步骤S12中,假设地球为标准椭球体,每辆车的GPS位置从(lng1,lat1)到(lng2,lat2),在每个时间步内行驶距离的计算包括:
其中,S为每辆车在每个时间步内的车辆行驶距离;
R为标准椭球体的平均半径,取值为6378.137Km;
a和b分别是纬度差和经度差;
a=radlat1-radlat2,b=radlng1-radlng2。
进一步,所述步骤13中,包括每辆车行驶单位距离产生的排放总量以及每个区域在每个时间步内的排放总量;
每辆车行驶单位距离产生的排放总量的计算包括:
其中,EF为排放系数,表示每辆车行驶单位距离产生的排放总量(g/km);v为平均速度(km/h),a、b、c、d、e为COPERT模型中不同污染物的计算系数;
每个区域在每个时间步内的排放总量的计算包括:
其中,Γ为每个时间步内在第i个区域所有车辆的集合,j为车辆编号,S为行驶距离。
进一步,所述步骤S1与步骤S2之间还包括:通过收敛交叉映射方法检测不同区域移动排放时间序列之间的因果联系。
进一步,所述步骤S3包括:
步骤S31、将区域节点的度与信息熵相结合,表示城市移动源污染排放网络中某一节点的全局重要性;
步骤S32、计算节点自身与其他节点的自重要性;
步骤S33、融合全局重要性及自重要性,挖掘城市移动源污染排放网络中的关键节点。
进一步,所述步骤S4中移动源污染排放监管模型的建立包括:
步骤S41、数据预处理;
步骤S42、离线模拟训练。
进一步,所述步骤S41中,根据采集的原始GPS轨迹数据以及路网、兴趣点数据,移动源污染排放监管模型将其处理成用于生成移动源污染排放序列的历史数据集。
进一步,所述步骤S42中,基于步骤S41中真实数据生成的样本,训练基于深度Q网络的监管模型。
进一步,所述步骤S4中,交通管制措施策略包括车流量限制策略及车流行驶速度限制策略。
本发明中的移动源污染排放的分析方法,能够针对移动源污染排放数据的变化特点,从网络动力学的角度表征移动源污染排放传播过程,开展整体、区域和节点层次的特性研究,智能化挖掘动态时空大数据背后隐藏的交互关系和传播规律,为城市环境精细化管理提供可靠的数据支持和科学的决策依据。
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为本发明中移动源污染排放的分析方法的流程框架图;
图2为关键节点挖掘算法的流程框架图;
图3为移动源污染排放监管模型的流程框架图。
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。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
参见图1,本发明提供的移动源污染排放的分析方法,主要包括:首先将城市按照经纬度分为10*10个区域,使用车流数据结合排放模型生成多个区域的移动源污染排放数据。
其次,将城市各个区域抽象为节点,提取区域移动源污染排放之间的联系作为边,建立移动源污染排放网络模型。从网络模型中发现污染物的传播规律。
再次,研究一种关键节点挖掘算法,从网络模型中挖掘出重点污染区域。
最后,建立移动源污染排放监管模型,提供交通管制措施策略。
在多个区域的移动源污染排放数据的生成过程中,为了计算区域移动排放,首先对车辆全球定位***(GPS)数据进行处理:
(1)移除位于指定矩形区域之外的那些GPS轨迹。
(2)把研究区域分为10*10个区域。
(3)计算每个研究区域内,每辆车一个时间步内的车辆行驶距离s,行驶时间t,平均速度v。
假设地球为标准椭球体,平均半径R是6378.137Km。一辆车的GPS位置从(lng1,lat1)到(lng2,lat2)。则移动距离计算如下:
a=radlat1-radlat2,b=radlng1-radlng2。
得到每个时间步车辆行驶距离和平均速度后,下一步生成移动源污染排放数据。考虑到国内移动源污染排放标准主要参照欧洲标准,本专利采用欧洲环境署研发的COPERT模型结合交通流数据,生成大量移动源污染排放时空数据。
根据COPERT模型,排放系数由以下公式计算得到:
EF为排放系数,表示一辆车行驶单位距离产生的排放总量(g/km)。其中,v是平均速度(km/h),a、b、c、d、e是排放模型中不同污染物的计算系数,默认值下表所示。
区域i中每个时间步内的排放总量为:
其中,Γ为每个时间步内在第i个区域所有车辆的集合,j为车辆编号,j遍历Γ,S为行驶距离,区域i中的排放总量Ei=Σ每辆车的排放量。
在具体实施中,可以将北京或者其他城市按照经纬度划分为10*10个区域,将车流量数据和路网数据相结合,生成多个区域的移动源污染排放数据清单。考虑到国内移动源污染排放标准主要参照欧洲标准,本方法拟采用欧洲环境署研发的COPERT模型,结合交通流数据,生成大量移动源污染排放时空数据序列。然后,根据不同区域之间的相互关系,研究由现实世界的移动源污染排放变化,映射为抽象的传播网络模型的方法,构建基于复杂网络的区域移动源污染排放网络模型。除了采用COPERT模型,生成移动源污染排放数据过程中,使用美国环保署开发的MOBILE模型替代COPERT模型也可实现本发明的技术目的。
在构建城市移动源污染排放网络图中,将城市各个区域抽象为节点,区域之间的联系抽象为边,构建一个城市移动源污染排放网络图,具体方案如下:
1)因果联系
用收敛交叉映射(Convergent Cross Mapping,CCM)方法检测不同区域移动排放时间序列之间的因果联系,克服了皮尔森系数法处理非线性关系可靠性不足的缺点。收敛交叉映射(CCM)是一种基于非线性状态空间重构的方法,能有效地揭示时间序列数据中两个变量之间的因果关系。两个时间序列的双向耦合可以用一个收敛图表示。如果一个时间序列对另一个时间序列的影响表现为一条随时间序列长度增加而收敛的曲线,则因果关系被检测到;如果曲线没有显示出收敛的趋势,那么就不存在因果关系。
将两个时间序列{X}=[X(1),...,X(L)]和{Y}=[Y(1),...,Y(L)]定义为X和Y。Mx由{X}重构生成,它是滞后坐标向量x(t)=<X(t),X(t-τ),...,X(t-(E-1)τ)>从t=1+(E-1)τ到t=L的集合。E是重构维度,τ是滞后值,MY用同样的方法生成。然后,使用MX和MY进行相互预测。随着库长度的增加,预测能力应该趋向收敛。最终,将预测能力收敛的值作为评价两个时间序列因果联系的分数。分数介于0到1之间,分数越大,因果联系越强。参数设置为:τ=2,E=3。
2)构建网络
Sij是节点i影响节点j的分数,Sij是相反的。如果Sij>0.6,建立一条有向边从节点i指向节点j。网络被表示为G=(V,E,A),其中V节点集,E是边集,A是邻接矩阵。邻接矩阵A中,Aij的值表示节点i指向节点j的分数。
在城市移动源污染排放网络中的关键节点的挖掘中,复杂网络中的关键节点是影响网络功能和结构的一些重要节点。挖掘移动排放网络中的关键节点可以从传播的角度发现对城市移动排放影响较大的区域。这些节点往往包含重要交通枢纽或污染严重区,对其他节点造成严重影响。本方法从移动源污染排放网络的特点出发,研究一种适用于有向加权图的综合算法,不仅考虑了节点的全局信息,也考虑节点局部的重要性,通过挖掘出的重污染节点,分析污染物信息扩散机制,指导各区域移动源污染的治理。关键节点挖掘的原理框图参见图2。
1)全局重要性
提出一种将度与信息熵相结合的算法,用来表示城市移动源污染排放网络中某一节点的全局重要性。与无向图不同,有向图具有向外的连接和向内的连接。体现在度的计算上,有两种度:出度dout和入度din。节点的入度是从它的邻居指向它的边的数目,节点的出度是节点的边指向它的邻居的数目。考虑节点的入度和出度对节点有不同的影响,通过参数θ调节入度和出度的权重。节点的度通过以下公式计算得出:
信息熵包含着某节点的相邻节点信息。如果与节点i相邻的节点都很重要,则该节点也很重要。通过引入信息熵,节点的全局重要性由以下公式得出:
2)自重要性
自重要性是指节点自身与其它节点的连接情况。通过以下公式计算自重要性,可以补充被全局重要性忽视的信息。
引入自然对数e,并将网络中的节点数n作为平衡系数,以避免过度估计自身的重要性。
3)排序标准
通过上述公式,将自重要性与全局重要性融合,挖掘复杂网络中的关键节点,β用于调节自重要性Ei与全局重要性Si的权重。
在检测不同区域移动源污染排放之间因果联系过程中,除了采用使用收敛交叉映射方法,通过格兰杰因果方法也可实现本发明中检测不同区域移动源污染排放之间因果联系的技术效果。
移动源污染排放监管模型如图3所示,基于深度强化学习的移动源污染排放监管模型主要包含两部分:离线学习和在线决策,其中,离线学习包含数据预处理和离线模拟训练两阶段。
1)数据预处理
根据移动源污染遥测***采集的原始GPS轨迹数据(包含平均速度和行驶距离)以及路网、兴趣点POI数据,模型将其处理成用于生成移动源污染排放序列的历史数据集。
2)离线模拟训练
基于真实数据生成的样本,训练模型。具体来说,训练基于深度Q网络(Deep Q-Network,DQN)的监管模型,用于估计最优长期回报值函数,从而得到相应的移动源污染监管策略网络。
3)在线决策
经过离线学习后,得到训练好的监管策略模型,其可以提供合理的交通管制措施策略,包括车流量限制和车流行驶速度限制策略,从而实现移动源污染排放监管的辅助决策。
通过分析交通污染排放时序变化特征,设计混合环境行动状态空间,构建移动源污染监管强化学习模型;定义污染排放组合收益回报函数,设计深度回报估值网络,实现行动状态值函数估计;构建污染排放序列经验样本池,训练长期回报估值网络;通过动态更新价值网络参数,实现道路移动源污染排放的辅助决策。
本发明中的移动源污染排放的分析方法,通过提出基于复杂网络的移动源污染排放模型,生成高分辨率移动源污染排放清单,解决因监测点位不足造成的数据稀疏问题;拟合移动源污染体系内部的各类影响因素,生成移动源污染排放模型;
探究移动源污染排放之间的传播影响关系和行为特征。构建关键节点挖掘算法,根据网络拓扑特性分析结构中的隐藏规律,挖掘重污染区域,为环境治理提供建议;
构建基于深度强化学***均速度进行限制措施,从而降低道路移动源污染排放。
目前的深度学习算法中存在某些困境,如缺少可解释性等,本发明创造性地提出采用收敛交叉映射方法代替皮尔森系数法,研究不同区域移动源污染排放之间的因果联系和传播过程,可以更准确地了解污染变化趋势,阻断污染物传播。
当前,在节点重要度领域,尤其是有向加权网络中对排序结果缺乏公认的评价标准,通过本方法中的构建关键节点挖掘算法,从复杂网络中心性参数和传播特点出发,挖掘网络中关键位置的重污染节点,对于城市内开展污染治理行动以及监测站的选址都有着宝贵的参考价值。
针对传统移动源污染监管中的模型依赖问题,提出基于深度强化学习的移动源污染监管方法。通过设计混合环境状态与组合收益回报函数,构建基于深度回报估值网络的移动源污染监管强化学习模型;通过对长期回报估值网络的离线训练,构建移动源污染监管策略模型,可以有效降低移动源污染排放,对公众健康、环境治理等具有重要的科学意义和实践价值。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种移动源污染排放的分析方法,其特征在于,包括以下步骤:
S1:将城市分为多个区域,生成多个区域的移动源污染排放数据;
S2:将城市各个区域抽象为节点,区域之间的联系抽象为边,构建城市移动源污染排放网络图;
S3:挖掘城市移动源污染排放网络中的关键节点;
所述步骤S3包括:
步骤S31、将区域节点的度与信息熵相结合,表示城市移动源污染排放网络中某一节点的全局重要性;
节点的度通过以下公式计算得出:
其中,di表示节点的度,dout表示出度,din表示入度,θ表示调节入度和出度的权重参数,Aij的值表示节点i指向节点j的分数;
节点的全局重要性由以下公式计算得出:
其中,Ei表示节点的全局重要性,Γi是节点i的相邻节点集合;
步骤S32、计算节点自身与其他节点的自重要性;
自重要性通过以下公式计算得出:
其中,Si表示节点自身与其他节点的自重要性,e为自然对数,n为网络中的节点数;
步骤S33、融合全局重要性及自重要性,挖掘城市移动源污染排放网络中的关键节点,通过以下公式计算得出;
其中,Ri表示排序标准,β表示用于调节自重要性Ei与全局重要性Si的权重;
S4:建立移动源污染排放监管模型,提供交通管制措施策略。
2.根据权利要求1所述的移动源污染排放的分析方法,其特征在于,所述步骤S1包括:
步骤S11、将城市按照经纬度分为10*10个区域;
步骤S12、对每个区域内车辆的GPS数据进行处理,计算每个区域内,每辆车在每个时间步内的车辆行驶距离、行驶时间以及平均速度;
步骤S13、采用COPERT模型结合得到的车辆行驶距离及平均速度生成每个区域内每个时间步内的移动源污染排放数据。
3.根据权利要求2所述的移动源污染排放的分析方法,其特征在于,所述步骤S12中,假设地球为标准椭球体,每辆车的GPS位置从(lng1,lat1)到(lng2,lat2),在每个时间步内行驶距离的计算包括:
其中,S为每辆车在每个时间步内的车辆行驶距离;
R为标准椭球体的平均半径,取值为6378.137Km;
将纬度和经度转换为弧度值的形式;
a和b分别是纬度差和经度差;
a=radlat1-radlat2,b=radlng1-radlng2。
4.根据权利要求2所述的移动源污染排放的分析方法,其特征在于,所述步骤S13中,包括每辆车行驶单位距离产生的排放总量以及每个区域在每个时间步内的排放总量;
每辆车行驶单位距离产生的排放总量的计算包括:
其中,EF为排放系数,表示每辆车行驶单位距离产生的排放总量,单位为g/km;v为平均速度,单位为km/h,a、b、c、d、e为COPERT模型中不同污染物的计算系数;
每个区域在每个时间步内的排放总量的计算包括:
其中,Γ为每个时间步内在第i个区域所有车辆的集合,j为辆编号,S为行驶距离。
5.根据权利要求1所述的移动源污染排放的分析方法,其特征在于,所述步骤S1与步骤S2之间还包括:通过收敛交叉映射方法检测不同区域移动排放时间序列之间的因果联系。
6.根据权利要求1所述的移动源污染排放的分析方法,其特征在于,所述步骤S4中移动源污染排放监管模型的建立包括:
步骤S41、数据预处理;
步骤S42、离线模拟训练。
7.根据权利要求6所述的移动源污染排放的分析方法,其特征在于,所述步骤S41中,根据采集的原始GPS轨迹数据以及路网、兴趣点数据,移动源污染排放监管模型将其处理成用于生成移动源污染排放序列的历史数据集。
8.根据权利要求7所述的移动源污染排放的分析方法,其特征在于,所述步骤S42中,基于步骤S41中真实数据生成的样本,训练基于深度Q网络的监管模型。
9.根据权利要求1所述的移动源污染排放的分析方法,其特征在于,所述步骤S4中,交通管制措施策略包括车流量限制策略及车流行驶速度限制策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110736540.6A CN113344759B (zh) | 2021-06-30 | 2021-06-30 | 一种移动源污染排放的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110736540.6A CN113344759B (zh) | 2021-06-30 | 2021-06-30 | 一种移动源污染排放的分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344759A CN113344759A (zh) | 2021-09-03 |
CN113344759B true CN113344759B (zh) | 2023-04-25 |
Family
ID=77481777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110736540.6A Active CN113344759B (zh) | 2021-06-30 | 2021-06-30 | 一种移动源污染排放的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344759B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115758711B (zh) * | 2022-11-11 | 2023-05-30 | 中国环境科学研究院 | 一种基于污染传输路径的大气污染溯源方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10948471B1 (en) * | 2017-06-01 | 2021-03-16 | Picarro, Inc. | Leak detection event aggregation and ranking systems and methods |
CN112949713A (zh) * | 2021-03-01 | 2021-06-11 | 武汉工程大学 | 一种基于复杂网络的集成学习的文本情感分类方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462592B (zh) * | 2014-12-29 | 2017-07-07 | 东北大学 | 基于不确定语义的社交网用户行为关系推演***及方法 |
CN107730425A (zh) * | 2017-09-11 | 2018-02-23 | 深圳市易成自动驾驶技术有限公司 | 碳排放量计算方法、装置及存储介质 |
US10819684B2 (en) * | 2017-11-24 | 2020-10-27 | International Business Machines Corporation | Cognitive blockchain for internet of things |
CN109165690A (zh) * | 2018-09-03 | 2019-01-08 | 安徽优思天成智能科技有限公司 | 一种城市路网尾气污染分布预测的方法及*** |
CN110363350B (zh) * | 2019-07-15 | 2023-10-10 | 西华大学 | 一种基于复杂网络的区域空气污染物分析方法 |
CN111666646B (zh) * | 2020-05-25 | 2023-03-28 | 上海市环境监测中心(上海长三角区域空气质量预测预报中心) | 基于复杂网络的大气污染传输关键节点的识别方法及*** |
CN112116198B (zh) * | 2020-08-04 | 2023-06-20 | 西安交通大学 | 数据驱动的流程工业状态感知网络关键节点筛选方法 |
CN112819218B (zh) * | 2021-01-27 | 2022-05-06 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 高分辨率城市移动源污染时空预测方法、***及存储介质 |
-
2021
- 2021-06-30 CN CN202110736540.6A patent/CN113344759B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10948471B1 (en) * | 2017-06-01 | 2021-03-16 | Picarro, Inc. | Leak detection event aggregation and ranking systems and methods |
CN112949713A (zh) * | 2021-03-01 | 2021-06-11 | 武汉工程大学 | 一种基于复杂网络的集成学习的文本情感分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113344759A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650825B (zh) | 一种机动车尾气排放数据融合*** | |
CN106845371B (zh) | 一种城市路网机动车尾气排放遥感监控*** | |
CN111080029B (zh) | 基于多路段时空相关的城市交通路段速度预测方法及*** | |
CN105243435B (zh) | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 | |
CN110111574B (zh) | 一种基于流量树分析的城市交通不平衡评价方法 | |
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 | |
CN107945510B (zh) | 一种考虑交通需求和道路网络运行效率的路段检测方法 | |
CN116853272A (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*** | |
CN107832910B (zh) | 一种评价道路交通特征对一氧化碳排放浓度影响的方法 | |
Huang et al. | Physics-informed deep learning for traffic state estimation: Illustrations with LWR and CTM models | |
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 | |
CN113011455B (zh) | 一种空气质量预测svm模型构建方法 | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
CN113344759B (zh) | 一种移动源污染排放的分析方法 | |
Huber et al. | Modelling bicycle route choice in German cities using open data, MNL and the bikeSim web-app | |
Singh et al. | Modelling and analysis of urban traffic noise system using algebraic graph theoretic approach | |
Ye et al. | A study of destination selection model based on link flows | |
Lingqiu et al. | A LSTM based bus arrival time prediction method | |
Yasarer et al. | Performance Evaluation of Jointed Concrete Pavements on Mississippi Highways via Artificial Neural Network | |
Padrón et al. | Realistic traffic model for urban environments based on induction loop data | |
Ma et al. | Finding optimal reconstruction plans for separating trucks and passenger vehicles systems at urban intersections considering environmental impacts | |
Li et al. | Optimizing generation of anchor points for route choice modeling by community detection | |
Jain et al. | Urban growth assessment using CA Markov model: A case study of Dehradun City | |
Hu et al. | Comprehensive diagnosis model of environmental impact caused by expressway vehicle emission | |
Singh et al. | Modelling of urban traffic noise using a systems approach |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210903 Assignee: Beijing Wuwei Zhixin Technology Co.,Ltd. Assignor: Beijing University of Civil Engineering and Architecture Contract record no.: X2024980003406 Denomination of invention: An analysis method for mobile source pollution emissions Granted publication date: 20230425 License type: Common License Record date: 20240325 |
|
EE01 | Entry into force of recordation of patent licensing contract |