基于浮動車數據的機動車排放實時測算模型

郝艷召，宋國華，邱兆文，王宏圖

（1.長安大學汽車學院，陜西 西安 710064；2.北京交通大學交通運輸學院，北京 100044；3.長春市城鄉規劃設計研究院，吉林 長春 130033）

基于浮動車數據的機動車排放實時測算模型

郝艷召1*，宋國華2，邱兆文1，王宏圖3

（1.長安大學汽車學院，陜西 西安 710064；2.北京交通大學交通運輸學院，北京 100044；3.長春市城鄉規劃設計研究院，吉林 長春 130033）

根據浮動車檢測技術可針對單車采集，所收集數據中的平均速度按照采樣間隔連續的特點，利用道路實測數據建立了面向其應用的輕型車尾氣排放實時測算模型.模型中引入平均速度增量（ASI）指標對平均速度進行細分，并以其來反映相同平均速度下的排放變化.結果表明，與實測數據相比，模型對CO2的計算誤差在10%以內；NOx、HC和CO的計算誤差在15%以內.同時提出了模型使用方法，可以實現對路網中交通尾氣污染的實時測算和動態評估.

機動車排放；實時測算；浮動車；平均速度增量

對交通尾氣排放進行實時測算和動態顯示能夠幫助環境管理者及時掌握區域機動車尾氣污染狀況和快速發現重污染點段，并盡快制定出合理的管控策略；同時也能夠為居民的日常出行提供參考.而要實現該目的，則需要路網中不同路段的實時交通數據和與之相配套的機動車排放實時測算模型.

開展尾氣排放測算的交通數據包括路段車流量和車速2個參數，目前廣泛使用的微波和線圈檢測技術可以實時獲取上述信息；但這2種技術均基于固定點采集，獲得的車速參數為斷面平均速度而非行程速度［1］，與排放測算需要的行程速度不匹配.浮動車數據（FCD）采集技術具有路網覆蓋范圍廣并且實時采集的特點，能夠得到單個浮動車的行程速度［2］，因此在路網實時運行狀態評估和交通事件檢測［3-4］等方面得到了廣泛應用；如將其與機動車排放模型相結合，則使得實時測算路網交通尾氣污染成為可能.

在機動車排放測算模型方面，目前國外已經開發了多個排放模型，如歐洲的COPERT模型，美國的MOBILE模型、IVE模型和MOVES模型等［5］；但這些模型內嵌的排放數據均來自本國的實車測試，由于車輛技術狀況和測試標準不同，將其用于我國時會產生一定的誤差［6］.此外一些學者也基于國內實測數據開發了多個排放模型，如楊方［7］以機動車比功率（VSP）、速度和加速度作為影響參數建立了輕型車排放模型MEM-P；王云鵬等［8］以速度作為自變量，運用多項式擬合建立了單車實際道路尾氣模型；劉歡［9］建立了以VSP為變量的柴油車排放模型；郭棟等［10］選取速度、加速度作為輸入參數，分別采用回歸和神經網絡法建立了輕型車排放模型.

國內所建排放模型的共同特點是主要考慮了車輛行駛對尾氣排放的影響，所需輸入參數均為逐秒速度，或需要由逐秒速度直接轉化而來.但是由于通信成本和數據處理量的限制，FCD的采集頻率大多不是逐秒［11］，最終得到的行程速度為采樣時間內的平均值，無法同現有排放模型銜接.雖然逐秒速度比平均速度能夠更全面的反映車輛微觀的行駛變化，但是由于目前無法獲得大范圍路網中行駛車輛的逐秒速度，使得這些模型應用于路網交通尾氣污染實時測算時受到限制.而FCD具有較高的時空分辨率，是現有技術條件下實時獲取大范圍路網中車輛行駛數據的一種較好手段.基于此，本文充分考慮FCD的采集、處理原理和字段特征，建立面向其應用的機動車排放模型，從而實現對交通尾氣污染的實時測算和動態評估.

1 研究方法

1.1 浮動車數據字段特征

從數據采集和處理角度，FCD可分為原始數據和處理數據兩類.其中FCD原始數據直接由GPS設備獲得，數據字段包括浮動車編號、記錄日期和時間、瞬時速度和經緯度信息等；由于采樣間隔較大，車輛的瞬時速度并不是逐秒連續的.之后將原始數據按照經緯度進行地圖匹配，并進行一系列運算后得到FCD處理數據［12］；最終得到的數據字段包括浮動車編號、記錄日期和時間、路段編號、平均速度、行駛比例等；其中路段編號指采樣時段內浮動車所經過路段的編號；平均速度指采樣時段內浮動車的平均行程速度；行駛比例表示采樣時段內浮動車行駛距離占該路段長度的比例.

由于FCD并不是逐秒采集，因此無法滿足現有模型的輸入需求.另一方面，該技術實現了針對單車進行實時跟蹤采集，所得交通信息雖然逐秒不連續，但卻按照固定采樣間隔存在連續性；本文即基于該特點開展后續的建模研究.

1.2 實測數據處理與分析

由于FCD只有平均速度，缺乏對應的排放數據，因此本文利用車載檢測技術［7］進行了30輛輕型車的行駛和排放數據收集；車型均為輕型汽油電噴車，其中國I車13輛，國II車7輛，國III車10輛.收集基于道路實測，采樣頻率為逐秒，原始數據字段包含車輛逐秒的速度、加速度、經緯度和對應的排放信息.

1.2.1 數據處理 為了與FCD相匹配，需要將實測數據按照一定的時間間隔劃分行駛片段，具體如圖1所示.之后再對該片段內的逐秒數據進行集計，最終得到與FCD一致的平均速度和對應的平均排放.此外還需對同一輛車的數據按照時間先后進行編號，以保持數據的連續性.

對于時間間隔的選取，何兆成等［12］認為只有采樣時間間隔不大于60s，車輛才有可能在同一個路段上留下至少2個定位點，以保證單一浮動車平均速度的計算精度.因此，本文以1min間隔來劃分行駛片段.

圖1 行駛片段劃分Fig.1 Driving segment division

1.2.2 數據分析 （1）平均速度增量：由于車輛行駛的持續性和延續性，各個行駛片段并不是獨立的.對于某輛車來說，其前一片段中的行駛狀態會直接影響到當前片段的行駛情況.以此類推，當前片段的行駛狀態也會影響到下一片段的行駛；而通過逆向思維，可以認為下一片段的行駛狀態可以反向表征當前片段的行駛特征.

基于此，為了更好的區分相同平均速度下車輛的行駛特征和排放差異，本文提出平均速度增量（ASI）的概念.其中前平均速度增量（Fore_ASI，FASI）指當前行駛片段i同其前一行駛片段i-1的平均速度之差；后平均速度增量（Post_ASI，PASI）指下一行駛片段i+1同當前行駛片段i的平均速度之差，單位均為km/h.最終根據FASI和PASI為正或負，將相同平均速度下的行駛片段分為以下4類：

①前正后正：FASI＞0且PASI＞0；

②前負后負：FASI≤0且PASI≤0；

③前負后正：FASI≤0且PASI＞0；

④前正后負：FASI＞0且PASI≤0.

（2） 不同ASI條件下排放比較：為了分析相同平均速度、不同ASI條件下車輛的平均排放是否存在差異，隨機挑選一輛測試車，以CO2為例進行對比分析，如圖2所示.該圖所選4個行駛片段的平均速度均在30～32km/h之間，而其對應的CO2平均排放卻高低不同；其中FASI≤0且PASI≤0條件下最低，FASI＞0且PASI＞0條件下最高，其余兩種情況的排放居于中間；而FASI≤0且PASI＞0條件下的排放又稍高于FASI＞0且PASI≤0條件.由此可以看出采用ASI進行相同平均速度下車輛行駛狀態的細分可以較好的反映出對應平均排放的變化.

圖2 不同ASI條件下排放比較Fig.2 Comparison of average emissions under different ASI conditions? FASI＜0，PASI＜0?FASI＜0，PASI＞0FASI＞0，PASI＜0 ?FASI＞0，PASI＞0

2 模型建立與驗證

2.1 建模方法

首先將數據分為建模和模型驗證兩部分，各自的樣本量見表1.考慮到快速路和非快速路上車輛的行駛狀態有著本質的不同，本文將行駛片段按照道路類型分為2類，之后再按照ASI條件進一步細分為4類.最后選取平均速度、FAS和PASI為自變量，采用逐步回歸的最小二乘估計建立模型，所考慮的污染物包括NOx、HC、CO和CO2.

表1 行駛片段樣本量Table 1 Data Sample Sizes of Driving Segment

統計建模按照所采用的數據可分為2種，第1種直接采用散點數據建模；第2種則將散點數據按照一定區間集計平均后，再基于平均值建模.考慮到散點數據所包含的信息更為全面，本文采用第一種方法.此外由于各污染物的平均排放率絕對值較小，為了保證所建立模型的計算值非負，本文采用指數模型形式，如下式所示.

式中：Ave_ERi為i種污染物的平均排放率，g/s； β0～β6為回歸系數，無量綱；v為平均速度，km/h； FASI和PASI分別為當前行駛片段的前平均速度增量和后平均速度增量，km/h.

2.2 模型建立

建模過程中需要對所建模型進行各項檢驗，包括擬合優度檢驗、顯著性檢驗和基本假設檢驗.檢驗中發現與存在一定的共線性，但考慮到對于僅用于預測的模型，只要保證自變量相關類型在預測期間保持不變，即使存在共線性也可獲得較好的預測效果［13］；因此當增加的自變量對模型的調整復決定系數提高很大時（大于0.01），即使存在共線性，仍選擇保留該自變量.當模型存在異方差時，則進一步采用加權最小二乘估計進行改進［14］.最終得到輕型車在快速路和非快速路上的排放模型如表2和表3所示.

2.3 模型驗證

利用預留的非建模實測數據來分析所建立模型的計算精度.由于模型的開發目的并不是用于單車，而是對路段上的車隊排放進行計算，因此采用的驗證數據是隨機挑選的多個車輛的數據.此外考慮到目前對交通尾氣污染進行評估時所采用的時間分辨率最高一般為小時，而1h內固定路段上的平均速度變化范圍一般在10km/h左右；因此首先將行駛片段以10km/h為步長進行區間劃分，進而分析不同平均速度區間下的模型計算精度，具體如表4和表5所示.可以看出，CO2排放計算誤差基本控制在10%以內；而CO排放受到三元催化器的影響，計算精度有所下降，但誤差也基本控制在15%以內，NOx和HC的計算誤差與CO類似.因此可以認為本文所建立的排放模型具有較好的計算精度.

表2 輕型車-快速路模型Table 2 Emission models for light duty vehicles on expressways

表3 輕型車-非快速路模型Table 3 Emission models for light duty vehicles on non-expressways

表4 輕型車快速路模型計算精度Table 4 Calculation accuracy - light duty vehicles on expressways

表5 輕型車非快速路模型計算精度Table 5 Calculation accuracy - light duty vehicles on non-expressways

3 模型應用

本文所建立模型直接以FCD中的平均速度作為輸入，由于FCD采集的實時性，可以實現對路網交通尾氣污染的實時測算和動態評估；同時由于FCD覆蓋路網范圍很大，還可以依托其建立高時空分辨率的機動車排放清單，對區域交通尾氣污染進行時空分布研究.需要說明的是，本文所建模型適用于對路網中不同路段上車隊整體排放的測算，并不適用于針對單車的逐秒排放測算.模型應用如下式所示：

式中： EIj為路段j上的尾氣排放強度，kg/km；EFij為路段j上車型i的排放因子，g/（km·車）；TVij為分析時段內路段j上車型i的交通流量，輛；n為車型分類數.

式中：ERijk為路段j上浮動車k的平均排放率，g/s；Tijk為浮動車k在路段j上的行駛時間，s；Dijk為浮動車k在路段j上的行駛距離，km；m為分析時段內路段j上通過的浮動車數量，輛.

下面應用所建立的模型對北京市北四環學院橋-健翔橋之間路段的交通尾氣污染時變規律進行分析，選取時間為某工作日早6：00至晚22：00，選取的污染物為NOx、HC和CO.下面概述其計算步驟：

1） 根據路段編號篩選出研究路段上的FCD，并通過浮動車編號和記錄時間尋找相鄰的行駛片段，分別計算出FASI和PASI；

2） 依據公式（3）計算分車型排放因子，其中ERijk由模型計算得到，Tijk和Dijk由行駛比例字段結合路段長度和平均速度計算得到；分析時間間隔設為1h，即m為1h內研究路段上通過的浮動車總數；此外案例將車輛分為輕型車和重型車兩種，由于數據有限，本文未對重型車進行排放建模，故參考《在用車綜合排放因子表》［15］按照一定的比例系數基于輕型車排放因子折算得到.

3） 依據公式（2）計算研究路段上各小時的交通尾氣排放強度，其中各車型交通流量由安置在研究路段的微波檢測器自動檢測得到.

圖3 分析路段上3種污染物的時變規律Fig.3 Temporal changes of emissions on the analytical road

最終的計算結果如圖3所示.可以看出，該路段上污染物的排放強度在時間上均呈現雙峰變化規律，這與城市中的日常交通出行規律相近；其中第1個尾氣污染高峰范圍較寬，包含7：00-10：00共3h；而第2個高峰范圍較窄，基本只包含17：00～18：00的1h.此外從交通流向來看，同一時段內環和外環NOx的排放強度相差不大；而HC和CO的排放強度則上午是外環高于內環，下午是內環高于外環.

由于時間和成本限制，建模時采用的排放數據覆蓋車型有限，后續會繼續開展不同類型車輛的排放測試，以對模型進行完善和擴展.

4 結論

4.1 機動車在相同平均速度下的行駛狀態存在一定差異，進而影響到尾氣排放.本文通過引入平均速度增量指標，并按照道路類型進行分類，能夠較好的反映出相同平均速度下車輛的排放差異；這也有助于提高所建立排放模型的計算精度.

4.2 利用道路實測數據建立了面向FCD應用的輕型車尾氣排放測算模型，實現了對路網中交通尾氣污染的實時測算和動態評估.模型中采用的平均速度為1min平均值，能夠更好的反映出行駛狀態對尾氣排放的細微影響；驗證結果表明：所建立模型對 CO2的計算誤差在10%以內；NOx、HC和CO的計算誤差在15%以內.

4.3 提出了針對路網交通尾氣污染開展實時測算和評估的模型應用方法，并對北京市典型路段的交通尾氣污染時變規律進行了分析.分析結果表明：該路段污染物排放強度在時間上呈雙峰變化規律，與城市中的日常交通出行規律相近；從交通流向來看，同一時段內環和外環NOx排放強度相差不大；而HC和CO排放強度則上午是外環高于內環，下午是內環高于外環.

［1］鄭建湖，王明華.動態交通信息采集技術比較分析 ［J］. 交通標準化， 2009，10（4）：42-47.

［2］姜桂艷，常安德，吳超騰.基于GPS浮動車的交通信息采集方法［J］. 吉林大學學報（工學版）， 2010，40（4）：971-975.

［3］翁劍成，周 翔，翟雅嶠，等.浮動車數據在城市宏觀交通特性研究中的應用 ［J］. 武漢理工大學學報（交通科學與工程版），2008，32（5）：806-809.

［4］余 柳，于 雷，戚 懿，等.基于浮動車數據的城市快速路交通事件檢測算法研究 ［J］. 交通運輸系統工程與信息， 2008， 8（4）：36-41.

［5］馬因韜，劉啟漢，雷國強，等.機動車排放模型的應用及其適用性比較 ［J］. 北京大學學報：自然科學版， 2008，44（2）：308-316.

［6］王岐東，霍 紅，姚志良，等.基于工況的城市機動車排放模型DCMEM的開發 ［J］. 環境科學， 2008，29（11）：3285-390.

［7］楊 方.基于PEMS的輕型車熱穩狀態下微觀尾氣排放模型［D］. 北京：北京交通大學， 2005.

［8］王云鵬，沙學鋒，李世武，等.城市道路車輛排放測試與模擬 ［J］.中國公路學報， 2006，19（5）：88-92.

［9］Liu H， He K B， Lents J. A methodology for developing a micro-emission model based on on-board heavy duty truck tests in China ［C］//87th Transportation Research Board Annual Meeting CD-ROM， Washington， D.C.， USA， 2008.

［10］郭 棟，高 松，王曉原，等.輕型車微觀排放模型的建立與比較分析 ［J］. 中南大學學報（自然科學版）， 2012，43（10）：4123-4128.

［11］吳世全.基于浮動車數據交通參數提取技術探討 ［J］. 測繪與空間地理信息， 2013，36（7）：133-136.

［12］何兆成，盧瑞琪，聶佩林.基于浮動車定位數據的高速公路區間平均速度估計 ［J］. 公路交通科技， 2011，28（6）：128-135.

［13］賈俊平，何曉群，金勇進.統計學 ［M］. 北京：中國人民大學出版社， 2009.

［14］何曉群，劉文卿.應用回歸分析 ［M］. 北京：中國人民大學出版社， 2001.

［15］環境保護部機動車排污監控中心.關于機動車排放因子的通知［EB/OL］. http：//www.vecc-sepa.org.cn/index/1212ningjie/yinzi. htm， 2006.

Real-time calculation model for vehicle emissions based on floating car data.

HAO Yan-zhao1*， SONG Guo-hua2，QIU Zhao-wen1， WANG Hong-tu3
（1.School of Automobile， Chang'an University， Xi'an 710064， China；2.School of Traffic and Transportation， Beijing Jiaotong University， Beijing 100044， China；3.Changchun Institute of Urban Planning and Design， Changchun 130033， China）.

China Environmental Science， 2015，35（2）：396～402

Floating car detection technology can collect data for single car， and the average speed in the data is continuous according to constant sampling interval. In view of this feature， a real-time emission model for light duty vehicles was established using road test data. In the process of modeling， one parameter of average speed increment （ASI） was applied to classify the average speed， and reflect emission changes under the same average speed. Compared with the test values，the calculation errors of the model are less than 10% for CO2， and are less than 15% for NOx， HC and CO. Further， a model application method was proposed， which can calculate the traffic exhaust pollutions in real time.

vehicle emissions；real-time calculation；floating car；average speed increment

X511

A

1000-6923（2015）02-0396-07

郝艷召（1981-），男，河北石家莊人，長安大學汽車學院講師，博士，主要從事交通環境管理與控制研究.發表論文20余篇.

2014-05-28

國家自然科學基金（51208033，51478045）；陜西省科技統籌創新工程項目（2012KTZB03-01）；中央高校基本科研業務費專項資金（0009-2014G1221022）

* 責任作者， 講師， haoyz@chd.edu.cn