基于車輛身份檢測數據的單車排放軌跡研究

林 穎,丁 卉,劉永紅*,林曉芳,沙志仁,繆神華,黃文峰

基于車輛身份檢測數據的單車排放軌跡研究

林 穎1,2,3,丁 卉1,2,3,劉永紅1,2,3*,林曉芳1,2,3,沙志仁4,繆神華1,2,3,黃文峰1,2,3

(1.中山大學智能工程學院,廣東 廣州 510006；2.廣東省交通環境智能監測與治理工程技術研究中心,廣東 廣州 510275；3.廣東省智能交通系統重點實驗室,廣東 廣州 510275；4.廣東方緯科技有限公司,廣東 廣州 510275)

為實現單車層面的動態排放軌跡追蹤,基于電警式卡口產生的逐秒過車記錄數據建立了車輛排放軌跡計算方法,通過提取動態軌跡中的運行參數及機動車保有量數據庫中的技術參數,并結合排放模型計算了2018年5月10日~6月9日安徽宣城市中心城區123條路段上共133,906輛車的44,672,343條軌跡的排放數據.研究結果顯示,出租車是CO的重要排放來源且交通興趣點附近路段排放強度較高;公交車和重型貨車是NO的重要排放來源,公交車工作日NO排放總量達1.3kg,約為重型貨車的7.5倍,且路線固定、排放分布隨發車班次周期循環;輕型貨車排放路線多圍繞貨運需求且多為晝間行駛,而重型貨車多選擇凌晨出行;通勤類私家車工作日晝出夜歸,路線固定且往返過程各污染物排放量均較穩定.對于全路網,CO、VOCs的高排放強度區域多集中于中心路網,NO、PM則多分布于外圍路網.

排放軌跡計算；典型車輛；時空特征；車輛身份檢測

隨著機動車保有量的持續增長,機動車污染已成為我國空氣污染的重要來源[1],對經濟發達及人口密集地區活動人群的健康造成極大威脅[2-3].近年來國家對機動車排氣污染防治越發重視,先后發布了《大氣污染防治行動計劃》[4]、《柴油貨車污染治理攻堅戰行動計劃》[5],與此同時從全國到地方也出臺了一系列以應對機動車排氣污染為目標的政策法規.在國家層面,通過制定新的在用車排放標準以及印發全國機動車環境管理能力建設標準要求[6],為機動車監管提供技術支撐與決策支持[7].在地方層面,從北上廣深等機動車保有量較大的一線城市到各中小型城市,地方政府逐漸開始制定對于高排放車輛的限行政策以及禁行政策[8-9].不同城市發展形態決定了不同的機動車污染成因[10],本地化、精細化的機動車污染治理政策需求日趨強烈[11],而建立重點車輛排放軌跡則是實現精細精準防控的關鍵.

現有研究中,多采用自上而下或自下而上的方法計算區域機動車排放總量或動態交通路網排放量以開展機動車排放特征、來源的研究.即通過獲取研究區域內機動車保有量、車流量、車型分布、年均行駛里程、平均行駛速度等參數分析排放來源及減排效果[12-13].Yang等[14]根據排放清單編制指南[15]中的方法建立了2014年京津冀地區的機動車排放清單,并對比多種設定排放情景.為實現精細化的政策制定與評估,部分研究選用了自下而上的排放計算方法.近年來自下而上排放計算的研究熱點仍集中于路段及車隊層面,Liu等[16]結合不同道路類型下逐小時交通流數據構建了2014年佛山市高時空分辨率路網排放清單,得到了不同區域不同時段內車隊排放的時空特征.Zhang等[17]利用南京市豐富的ITS (Intelligent Transportation System)數據資源,結合路段視頻監控數據、浮動車GPS(Global Positioning System)數據以及RFID(Radio Frequency Identification)等數據,建立了南京市逐小時路段水平的機動車動態排放清單.上述研究能實現小時尺度區域、路段或車隊的排放研究.

要實現單車尺度的排放量計算需要大量動態、精細的路網交通數據.現有許多研究利用VISUM[18-19]、AIMSUN[20]、Paramics[21]等交通仿真模型解決真實數據難以獲取的問題或結合模型仿真預測相關排放政策的實施效果.但隨著視頻電警式卡口不斷密集布設完善以及城市交通大腦的初步發展,使得不僅可獲得真實路段交通流量,也可建立每輛車的運行軌跡,使路網交通排放量精準計算成為可能.

安徽省宣城市具有交通數據豐富、交通設施覆蓋密集的優勢,因此本文基于對宣城市中心城區電警式卡口過車數據的采集,通過對車輛時空數據的提取及后處理,重構路網上車輛的行駛軌跡以實現對單輛車動態排放軌跡的追蹤,為實現動態化、精準化的路網車輛排放水平評估及重點排放來源分析打下基礎,為制定針對性的機動車減排管控措施提供重要的決策依據和技術支持.

1 研究方法

1.1 研究數據情況

安徽省宣城市區域化智能交通平臺的搭建為精準掌控當地每天的車輛出行數量、出行時間、所在路段并重構其行駛軌跡提供了重要條件.本研究以宣城市中心城區為研究區域,中心城區占地面積28km2,道路長度約100km,其信控路口的電警卡口覆蓋率高達76%,電警式卡口可以快速高效地檢測出通過相應路段車輛的車牌號碼、經過時間等信息.

研究區域路網及卡口分布如圖1所示,路網由宣城市中心城區的54條主干道、49個停車場及101個電警式卡口構成,根據卡口分布進一步劃分為123條路段(Link),相鄰兩路口的卡口間形成一條路段.本研究采集了上述123條路段2018年5月10日至6月9日的逐秒過車記錄數據,并對數據進行清洗和質控.

1.2 研究方法概述

研究方法結構圖如圖2所示,通過卡口過車數據的時空信息重構每輛車的出行軌跡,軌跡數據可精確到單輛車在路網內某條路段上的駛入駛出時刻;通過車輛管理所的機動車保有量數據補充車輛技術參數,匹配排放模型中的車輛類型;根據軌跡數據中自帶的時間、空間屬性,計算車輛在各路段運行軌跡的平均行程速度,進而獲得運行工況參數;將上述參數輸入排放模型獲得各污染物排放因子,結合路段長度計算單車軌跡排放量,以分析不同車輛排放軌跡的時空特征.

圖2 研究方法結構

1.3 道路移動源活動水平獲取

圖3 車輛出行軌跡示意

對車輛出行軌跡的重構依賴于分布在路網上的電警式卡口.卡口布局于停車場或各路段兩端,通過對車輛身份信息的識別,獲取每輛車通過單個卡口的時間;分析同一輛車先后通過同一路段兩端點處卡口的時間,得到單輛車在該路段的駛入、駛出時間及行駛方向;以每輛車為單位匯總其在路網上出現的時間、位置序列,即可初步重構路網上各車輛的行駛軌跡.

1.3.2 車輛運行速度計算 由1.3.1所述可知,表征車輛出行軌跡參數包括駛入駛出時間、所在路段及運行速度,其中駛入駛出時間和所在路段可在軌跡重構后獲得,而運行速度則是指每個軌跡單元中車輛在所屬路段上的平均行程速度.計算公式如下:

1.4 排放計算

1.4.1 車輛類型匹配 車輛技術水平數據是影響機動車排放量的重要參數.目前只能獲得宣城市本地車輛的技術參數,由宣城市機動車保有量數據庫提供.由于IVE模型中現有車型分類豐富,本研究參考IVE模型獲得車輛排放因子.考慮到與排放因子模型的對接,需對保有量數據庫中的車輛初次登記日期、排放標準等數據進行一定的換算和標準化.其中初次登記日期可轉化為車齡,再參考排放清單指南[15]中不同類型機動車的年均行駛里程換算各輛車的總行駛里程.通過對保有量數據庫中排放標準登記格式標準化,宣城市機動車排放控制水平為國Ⅰ~國Ⅴ.

對上述技術參數標準化后,即可根據車輛總質量、燃料類型、發動機排量、排放標準、總行駛里程等參數與排放模型進行車輛類型匹配.從重構后的車輛軌跡數據出發,以軌跡單元為單位,以車牌號碼與號牌種類為車輛唯一標識,將保有量數據庫中調取的車輛類型信息補充到相應車輛的各軌跡單元數據中.

1.4.2 排放因子確定 根據車輛類型參考IVE模型獲得基礎排放因子,再經過一系列修正得到不同技術參數和運行工況下的CO、NO、VOCs、PM污染物排放因子,計算公式如下:

1.4.3 運行排放量計算 結合所得不同技術參數和運行工況下的各污染物排放因子,利用公式(3)計算單輛車在單個軌跡單元的排放量.

亦可將一小時內各路段上的排放量求和,得到路網中的逐小時排放總量,計算式如下:

2 案例研究與討論

2.1 車輛運行特征

2.1.1 動態行駛軌跡表征 采用上述方法從單車層面構建了2018年5月10~6月9日路網上133,906輛本地車的動態行駛軌跡.結合ArcGIS技術將帶有時空屬性的車輛運行軌跡數據加載在路網上,可以清晰地展示單輛車不同時段內在路網上各路段的運行軌跡.考慮篇幅受限,隨機選取了一輛行駛里程較大、路線較為靈活的出租車A為例,該車在2018年5月16日13:00~14:00每15min的動態行駛軌跡,如圖4所示.其中,第二段軌跡中該出租車存在一些循環駕駛路徑,推斷該車可能處于空載狀態,此時該車圍繞著醫院、廣場、住宅小區等興趣點較密集的區域行駛,以此提高載客率.

2.1.2 總體流量特征分析 由圖5可見,交通流量的逐小時變化趨勢在工作日和非工作日有較大差異,以早晚時段中流量最大值所對應的小時表征早晚高峰,可以發現工作日呈現出明顯的早晚高峰現象,早高峰多出現在07:00~08:00而晚高峰多為17:00~18:00;非工作日早晚高峰現象較工作日不明顯,早高峰較工作日略有延遲,晚高峰基本一致;總體上工作日的早晚高峰日均流量分別比非工作日高出21.3%與9.9%,而非工作日的日均平峰期流量則略高于工作日,平均高出3.7%.

圖4 出租車A動態行駛軌跡(2018年5月16日13:00~14:00)

箭頭表示行駛方向

圖5 一周小時交通流量變化特征

2.2 車輛排放特征

2.2.1 小時排放特征分析 由上文可知,工作日和非工作日的交通流特征有較大差異,選取流量逐小時變化趨勢與月均曲線較吻合且在同一周內的2018年5月16日(周三)及2018年5月20日(周日)作為典型工作日及非工作日,分析兩個特征日的各污染物逐小時排放曲線,如圖6、圖7所示.可以發現,受交通流量典型日變化、工作日與非工作日差異的影響,工作日與非工作日的排放特征也有明顯差異,VOCs、CO、NO及PM在典型工作日的早晚高峰小時排放量比典型非工作日高出12.9%~24.0%,且非工作日各污染物早晚排放峰值差異化分布于08:00~09:00、16:00~17:00,因此將工作日與非工作日分開進行討論.工作日與非工作日各污染物的日間排放總量均超過80%.

對比了不同研究中主干道的日均排放強度,如表1所示.受城市發展水平影響,本研究所得排放強度相較其他兩市整體較低,但總體上呈現出工作日排放強度略大于非工作日的現象,高出約0.6%~ 10.2%.其中CO及VOCs排放強度明顯偏低,可能由于本研究僅面向宣城市中心城區且該區域對摩托車限行,而在Liu等[16]的研究中指出摩托車是CO及VOCs的主要排放來源,因此導致本研究CO與VOCs排放強度較佛山市偏低.

圖6 典型工作日各污染物逐小時排放曲線

圖7 典型非工作日各污染物逐小時排放曲線

表1 主干道日均排放強度與其他研究的對比

注: -為無數據.

2.2.2 排放軌跡特征分析 根據不同的使用性質選取了四類典型車輛:出租車、公交車、貨車和私家車,由于大部分貨車在中心城區存在限行情況而藍色號牌的輕型貨車卻不被限行,因此本研究分別分析了輕型貨車和重型貨車的排放特征.隨機挑選5部車輛分析其在典型工作日與非工作日的全天排放軌跡及其時空特征,被選為分析對象的各車詳細參數如表2所示.

(1)出租客運車輛

出租車B在典型工作日與非工作日的排放特征如圖8所示.由圖可知,空間上出租車運行范圍較大,單日行駛路段可覆蓋約51.9%的路網,典型工作日與非工作日的單日累積行駛里程分別為159.9km和166.1km;出租車的行駛路段多圍繞醫院、住宅小區等人員密集地區,且交通熱點附近路段平均速度較低導致其排放強度較高.該出租車通常固定時間上下班且非工作日的營運時長較工作日略有減少,整體運營時間集中于06:00~24:00之間;由于該車在非工作日夜間運行次數較少,排放量的時間分布在非工作日呈現出明顯的晝夜差異,CO的晝間排放量約為全天排放總量的84.6%.

表2 不同使用性質下各研究車輛參數

圖8 出租車B全天排放的時空分布

(a)、(b)為典型工作日與非工作日排放軌跡(排放軌跡以CO排放展示),(c)、(d)為典型工作日與非工作日各污染物小時排放量

(2)公交客運車輛

公交車C在工作日與非工作日的排放特征如圖9所示,兩者無明顯時空特征差異.與出租車的靈活性不同,公交車行駛路線基本固定,且作為公共交通工具需考慮其便民特性,因此路徑規劃時盡可能的涵蓋住宅小區、醫院、廣場、學校等市民出行需求較大的場所,部分路段采取了往返路線不同的策略;該公交車的行駛路段可覆蓋約26%的路網,約為出租車B的一半;由于該輛公交車非工作日較工作日提前一小時停止運營,工作日與非工作日的單日累積行駛里程分別為147km和126km,約為出租車的75.9%~91.9%.公交車C的工作日運營時間集中于06:00~20:00而非工作日則為06:00~19:00,相比于出租車B減少了夜間工作時長;受路徑固定影響,各班次行駛路況條件極為相似,因此排放量的時間分布整體上也呈現出一定的周期性規律,以小時排放量為表征單位時循環周期約為5h;將從始發站到終點站之間的一次完整行駛定義為單個班次,則單個班次運行排放的NO約為全天總排放量的8.9%.

圖9 公交車C全天排放的時空分布

(a)、(b)為典型工作日與非工作日排放軌跡(排放軌跡以NO排放展示),(c)、(d)為典型工作日與非工作日各污染物小時排放量

(3)貨運車輛

輕型貨車為藍色牌照的不限行貨車,可以在中心城區內行駛;由輕型貨車D的排放時空分布(圖10)可見,其停車點位附近多有大型超市、菜市場等分布,符合其短途貨物運輸的特征;其出行軌跡根據貨物運輸的需求不同而變化;對比工作日,非工作日輕型貨車的出行時長、出行次數和出行里程都有所下降,工作日與非工作日行駛路段的路網覆蓋率分別為32.5%和25.2%,單日累積行駛里程分別為43.6km和25.8km,均明顯低于出租車B和公交車C.該輕型貨車的活動時間多為晝間;從全天來看輕型貨車的出行時間雖然也具有一定的隨機性,但根據貨物運輸需求在一定時間范圍內會集中出行,且多選擇錯開早晚高峰期出行;如圖該貨車選擇的出行時段有08:00~10:00、13:00~17:00以及19:00~ 20:00.

由重型貨車E的排放時空分布(圖11)可見,重型貨車受限行政策影響,其活動范圍多圍繞中心城區外圍的路網分布;由于多為過境車輛,工作日與非工作日在研究區域內的行駛路段僅占路網的14.8%和12.1%.同樣受限行政策影響,重型貨車E的活動時間集中在01:00~07:00的凌晨時段;該車在研究路網上凌晨01:00~02:00行駛最為活躍,因此該時段NO排放量最高,分別占工作日與非工作日排放總量的60.0%和40.7%.受載重水平及排放標準等參數影響,重型貨車NO最高小時排放量約為輕型貨車C的6.8倍,對比公交車時這一參數則僅占公交車NO最高小時排放量69.9%,這是由于公交車反復起停導致路段平均速度偏低且在一個小時內幾乎連續運行,而重型貨車僅在一小時內的部分時段行駛.

圖10 輕型貨車D全天排放的時空分布

(a)、(b)為典型工作日與非工作日排放軌跡(排放軌跡以NO排放展示),(c)、(d)為典型工作日與非工作日各污染物小時排放量(4)非營運車輛

圖11 重型貨車E全天排放的時空分布

(a)、(b)為典型工作日與非工作日排放軌跡(排放軌跡以NO排放展示),(c)、(d)為典型工作日與非工作日各污染物小時排放量

圖12 私家車F工作日晝夜排放的時空分布

(a)、(b)為典型工作日晝間、夜間排放軌跡(排放軌跡以CO排放展示),(c)為典型工作日各污染物小時排放量

圖13 典型工作日5輛車各污染物排放總量

特別的,私家車F在典型非工作日2018年5月20日沒有出行記錄,且其在典型工作日的排放軌跡呈現出明顯的晝夜分界,因此分析時將該車在工作日晝間和夜間的排放軌跡分開進行討論.由圖12可以看出,該私家車行駛路線較為固定且晝間出發點與夜間返回點均為住宅小區所在區域, 為典型的通勤車輛;該車運行路段約覆蓋9.0%的研究路網;其工作日的單日累積行駛里程為15.5km.該車于07:00~ 08:00外出、17:00~18:00返回住所完成整個通勤過程;且排放水平在兩次行程中也較為穩定,往返過程中各承擔了約50%的工作日CO排放總量.

總的來看,在出行特征方面,出租車、公交車及重型貨車無明顯工作日與非工作日差異,輕型貨車工作日出行較為頻繁,通勤類私家車非工作日無出行記錄;貨車和私家車單日累積行駛里程約為出租車和公交車的9.3%~27.3%.在空間分布上,出租車與公交車多圍繞人群密集區域行駛,出租車軌跡隨機、公交車路線固定;輕型貨車則根據貨物運輸需求圍繞市場運行;重型貨車受限行政策影響多分布于城區外圍;私家車則選擇通勤路線.在排放時間特征方面,出租車與公交車運營時段長且穩定,出租車受不同路況等條件影響排放量的時間分布體現出隨機特點,公交車隨發車班次呈周期性分布;輕型貨車排放多分布于晝間,而重型貨車則傾向于凌晨出行;私家車在工作日呈現出晝出夜歸的典型通勤特點.以典型工作日為例分析上述5輛車各污染物的日排放總量,如圖13所示.公交車及重型貨車是NO的重要排放來源;柴油公交車因連續運行時間長且89.3%的路段平均速度低于30km/h,NO日排放總量約為重型貨車的7.5倍.出租車是CO的重要排放來源,出租車CO日排放總量為公交車的4.5倍.通過對車輛排放軌跡的精準掌控及其在不同時段、不同路段下排放的時空特征分析,以實現單車層面的重點排放來源管控,對精細化排放控制政策的制定具有重要的支撐作用.

2.2.3 排放強度特征分析 為實現對路網機動車排放強度的時空分析,本文挑選了典型工作日的最低及最高排放小時,將所有車輛排放數據匯總,以路段為單位在區域路網地圖上顯示各污染物集中排放的強度,如圖14、圖15所示.

圖14 典型工作日最低排放小時(2018年5月16日02:00~03:00)機動車排放強度空間分布

圖15 典型工作日最高排放小時(2018年5月16日07:00~08:00)機動車排放強度空間分布

從時間維度,對比典型工作日02:00~03:00及07:00~08:00的小時排放強度,CO、NO、VOCs、PM的最大路段排放強度在02:00~03:00分別為0.13kg/ (h·km)、0.25kg/(h·km)、0.01kg/(h·km)、0.02kg/(h·km);在07:00~08:00為1.80kg/(h·km)、2.37kg/(h·km)、0.21kg/(h·km)、0.47kg/(h·km),可見道路排放強度在一天中的小時變化顯著.

從空間角度,無論是最低還是最高排放小時,各污染物的高排放強度區域都呈現出相似的分布特征,即CO、VOCs集中于路網中心區域,而NO、PM則更傾向于分布在外圍路網.這可能是由于CO和VOCs的主要排放來源為出租車和輕型客車,其行駛軌跡多圍繞交通熱點密集的中心路網分布;而重型貨車作為NO和PM的主要排放來源,受限行政策影響其多活動于外圍路網.此外,對比02:00~03:00及07:00~08:00的NO排放強度分布可以發現,隨著晝間公交車開始運行,公交車線路密集的路網中心區域NO排放強度等級有了明顯的增強.

3 結論

3.1 5輛典型車輛的排放軌跡呈現出較大的時空特征差異.出租車行駛里程較大、運營時間較長且排放路線隨機、時間隨機,CO排放貢獻較高;公交車為NO主要排放源,行駛里程及運行時間略低于出租車且路線固定,排放呈現出一定的周期性;輕型貨車行駛里程較短,排放路線多圍繞運輸需求且多為晝間行駛;重型貨車多選擇凌晨出行,其行駛軌跡多分布于外圍路網;通勤類私家車工作日晝出夜歸,往返排放量較穩定.

3.2 全路網的路段排放強度存在明顯的小時變化特征,且各污染物的排放強度存在一定的空間分布差異,其中CO、VOCs的高排放強度區域多集中于中心路網,而NO、PM則多分布于外圍路網.

[1] 中華人民共和國環境保護部.中國機動車污染防治年報(2018版) [R]. 北京:中華人民共和國環境保護部, 2018. Ministry of Environmental Protection of the People’s Republic of China. China Vehicle Environmental Management Annual Report (2018) [R]. Beijing: Ministry of Environmental Protection of the People’s Republic of China, 2018.

[2] 單 麗,江 飛,賀曉婧,等.中國道路交通源大氣污染的健康影響評估 [J]. 中國環境管理, 2018,10(5):59-64. Shan L, Jiang F, He X J, et al. Health impact assessment of air pollution from road traffic sources in China [J]. Chinese Journal of Environmental Management, 2018,10(5):59-64.

[3] 宋兵躍,胡可臻,吳建平,等.不同交通模式下CO和NO的暴露水平研究 [J]. 中國環境科學, 2014,34(11):2734-2740. Song B Y, Hu K Z, Wu J P, et al. Exposure to CO and NOin different transport modes [J]. China Environmental Science, 2014,34(11):2734- 2740.

[4] 中華人民共和國國務院.國務院關于印發大氣污染防治行動計劃的通知 [EB/OL].http://www.gov.cn/zwgk/2013-09/12/content_ 2486773.htm, 2013-09-10/2019-08-01. The State Council of the People's Republic of China. Notice of the State Council on Issuing the Action Plan forPrevention and Control of Air Pollution [EB/OL]. http://www.gov.cn/zwgk/2013-09/12/content_ 2486773.htm, 2013-09-10/2019-08-01.

[5] 中華人民共和國生態環境部.關于印發《柴油貨車污染治理攻堅戰行動計劃》的通知 [EB/OL]. http://www.mee.gov.cn/xxgk2018/xxgk/ xxgk03/201901/t20190104_688587.html, 2019-01-04/2019-08-01. Ministry of Ecology and Environment of the People’s Republic of China. Notice on Issuing the Action Plan for Pollution Control of Diesel Trucks [EB/OL]. http://www.mee.gov.cn/xxgk2018/xxgk/ xxgk03/201901/t20190104_688587.html, 2019-01-04/2019-08-01.

[6] 中華人民共和國環境保護部.關于印發全國機動車環境管理能力建設標準的通知 [EB/OL]. http://www.mee.gov.cn/gkml/hbb/bwj/ 201411/t20141102_290976.htm, 2013-09-25/2019-08-01. Ministry of Environmental Protection of the People’s Republic of China. Notice on Issuing the National Standards for Capacity Building of Motor Vehicle Environmental Management [EB/OL]. http://www. mee.gov.cn/gkml/hbb/bwj/201411/t20141102_290976.htm, 2013-09-25/2019-08-01.

[7] 楊 博.機動車排放污染管理現狀問題分析 [J]. 建材與裝飾, 2018, (39):224. Yang B. Analysis on the present situation and existing problems of vehicle emission pollution management [J]. Construction Materials & Decoration, 2018,(39):224.

[8] 高 杰.機動車道路交通管理中的限制性政策探析 [J]. 黔南民族師范學院學報, 2015,35(6):98-101. Gao J. The analysis of restrictive policies in the road traffic management of the motor vehicle [J]. Journal of Qiannan Normal College for Nationalities, 2015,35(6):98-101.

[9] 朱怡靜.中外機動車管理政策對比分析 [C].//《環境工程》編委會、工業建筑雜志社有限公司.《環境工程》2018年全國學術年會論文集(中冊).《環境工程》編委會、工業建筑雜志社有限公司:《環境工程》編輯部, 2018:6. Zhu Y J. Vehicle regulation and policy comparisons between China and foreign countries [A].//Editorial Board of Environmental Engineering, Industrial Architecture Magazine Co., Ltd.: Papers Collection of 2018National Academic Annual Conference of Environmental Engineering (Volume 2) [C]. Editorial Board of Environmental Engineering, Industrial Architecture Magazine Co., Ltd.: Environmental Engineering, 2018:6.

[10] 易 蘭,周憶南,李朝鵬,等.城市機動車限行政策對霧霾污染治理的成效分析 [J]. 中國人口·資源與環境, 2018,28(10):81-87. Yi L, Zhou Y N, Li Z P, et al. Analysis of the effects of driving restriction policies in controlling haze pollution [J]. China Population, Resources and Environment, 2018,28(10):81-87.

[11] 劉躍軍.完善機動車調控政策精細化管理水平的幾點建議 [A].//中國智能交通協會.第十三屆中國智能交通年會大會論文集 [C]. 中國智能交通協會:中國智能交通協會, 2018:7. Liu Y J. Some suggestions on improving the fine management of urban traffic policy [C]//China Intelligent Transportation Systems Association: Papers Collection of the 13th China Intelligent Transportation Annual Conference. China Intelligent Transportation Systems Association, 2018:7.

[12] 楊 雯,王學軍,張倩茹.基于高精度清單的京津冀機動車控污政策研究 [J]. 中國環境科學, 2018,38(8):2803-2810. Yang W, Wang X J, Zhang Q R. Vehicle pollution control policy study on the Beijing-Tianjin-Hebei region, based on a high-precision emission inventory [J]. China Environmental Science, 2018,38(8): 2803-2810.

[13] 孫世達,姜 巍,高衛東.青島市機動車排放清單與空間分布特征 [J]. 中國環境科學, 2017,37(1):49-59. Sun S D, Jiang W, Gao W D. Vehicle emission inventory and spatial distribution in Qingdao [J]. China Environmental Science, 2017, 37(1):49-59.

[14] Yang W, Yu C, Yuan W, et al. High-resolution vehicle emission inventory and emission control policy scenario analysis, a case in the Beijing-Tianjin-Hebei (BTH) region, China [J]. Journal of Cleaner Production, 2018,203:530-539.

[15] 中華人民共和國環境保護部.道路機動車大氣污染物排放清單編制技術指南 [Z]. 北京:中華人民共和國環境保護部, 2014. Ministry of Environmental Protection of the People’s Republic of China. National Emission Inventory Guidebook for On-road Vehicles [Z]. Beijing: Ministry of Environmental Protection of the People’s Republic of China, 2014.

[16] Liu Y, Ma J, Li Li, et al. A high temporal-spatial vehicle emission inventory based on detailed hourly traffic data in a medium-sized city of China [J]. Environmental Pollution, 2018,236: 324-333.

[17] Zhang S, Niu T, Wu Ye, et al. Fine-grained vehicle emission management using intelligent transportation system data [J]. Environmental Pollution, 2018,241:1027-1037.

[18] Wu K, Chen Y, Ma J, et al. Traffic and emissions impact of congestion charging in the central Beijing urban area: A simulation analysis [J]. Transportation Research Part D: Transport and Environment, 2017,51(3):203-215.

[19] Pu Y, Yang C, Liu H, et al. Impact of license plate restriction policy on emission reduction in Hangzhou using a bottom-up approach [J]. Transportation Research Part D, 2015,34: 281-292.

[20] Samaras C, Tsokolis D, Toffolo S, et al. Improving fuel consumption and CO2emissions calculations in urban areas by coupling a dynamic micro traffic model with an instantaneous emissions model [J]. Transportation Research Part D: Transport and Environment, 2018, 65(12):772-783.

[21] Zhao Y, Sadek A W. Computationally-Efficient Approaches to Integrating the MOVES Emissions Model with Traffic Simulators [J]. Procedia Computer Science, 2013,19:882–887.

Research on vehicle emission trajectory based on vehicle identification data.

LIN Ying1,2,3, DING Hui1,2,3, LIU Yong-hong1,2,3*, LIN Xiao-fang1,2,3, SHA Zhi-ren4, MIAO Shen-hua1,2,3, HUANG Wen-feng1,2,3

(1.School of Intelligent Systems Engineering, Sun Yat-sen University, Guangzhou 510006, China；2.Guangdong Provincial Engineering Research Center for Traffic Environmental Monitoring and Control, Guangzhou 510275, China；3.Guangdong Provincial Key Laboratory of Intelligent Transport System, Guangzhou 510275, China；4.Guangdong Fundway Science and Technology Corporation Limited, Guangzhou 510275, China)., 2019,39(12)：4929~4940

To track the dynamic emission trajectory of an individual vehicle, a method for calculating the emission trajectory was established based on the second by second vehicle passing records from Electronic Police system. Taking the urban center of Xuancheng, Anhui Province as the study area, which has 123 road links, 44,672,343emission trajectories of 133,906 vehicles from May 10 to June 9 in 2018 were calculated using the operational parameters from the reconstructed trajectories, the technical parameters from the motor vehicle database, as well as the emission factors from International Vehicle Emission Model. The results show that, taxi contributed more to CO emissions and the emission intensity was high on the road links near points of interest. Bus and heavy-duty truck were the main sources of NOemissions. The total amount of NOemissions from bus on workday was nearly 1.3kg, which was about 7.5 times higher than that of the heavy-duty truck. For bus, the bus route was fixed and the temporal-spatial distribution of emissions showed a certain periodicity according to the bus frequency. The trajectory of light-duty truck was mainly determined by freight demand, which often travels during the day. On the other hand, the heavy-duty truck was more inclined to travel in the early morning. The commuting private car made regular travel during workdays, hence the pollutant emissions were relatively stable in the round-trip process. For the whole road network, the high emission intensity areas of CO and VOCs were concentrated in the central road network, while for NOand PM, they were mainly distributed in the peripheral road network.

emission trajectory；typical vehicle；temporal-spatial characteristic；vehicle identification

X51

A

1000-6923(2019)12-4929-12

林 穎(1995-),女,安徽合肥人,中山大學碩士研究生,主要從事交通與環境、機動車污染等相關研究.

2019-04-04

國家重點研發計劃項目(2018YFB1601100);國家重點研發計劃項目(2017YFC0212100);廣東省科技計劃項目(2017B010111007)

* 責任作者, 副教授, liu_its@163.com