基于二次卡爾曼濾波修正的尾氣排放分布

林建新， 云 旭， 李京冕， 商鵬飛

(1.北京建筑大學(xué)北京市城市交通基礎(chǔ)設(shè)施建設(shè)工程技術(shù)研究中心， 北京 100044；2.北京建筑大學(xué)首都世界城市順暢交通協(xié)同創(chuàng)新中心， 北京 100044)

隨著城市快速發(fā)展、機(jī)動(dòng)車保有量逐年增加，交通擁堵導(dǎo)致的尾氣排放問(wèn)題日益嚴(yán)重. 數(shù)據(jù)表明，尾氣排放占大氣污染的20%～30%，其中包括一氧化碳、碳?xì)浠衔?、氮氧化合物和顆粒物[1]. 目前建立尾氣量化模型是輔助決策者制定策略的主要方法，主要分為宏觀、中觀、微觀3個(gè)層次[2]，相對(duì)于發(fā)達(dá)國(guó)家，中國(guó)尾氣排放模型體系尚不完善，燃料燃燒、發(fā)動(dòng)機(jī)運(yùn)行狀態(tài)等因素導(dǎo)致機(jī)動(dòng)車尾氣排放差異顯著. 近年來(lái)國(guó)內(nèi)對(duì)尾氣排放與環(huán)境因素關(guān)系、機(jī)動(dòng)車工況條件對(duì)于尾氣排放敏感性及交通量對(duì)于尾氣排放影響相關(guān)研究不斷涌現(xiàn)，而基于機(jī)動(dòng)車比功率(vehicle specific power，VSP)的排放測(cè)算方法由于與污染物排放具有較好一致性，且獲得、計(jì)算相對(duì)便捷及物理可解釋性等特點(diǎn)[3]，廣泛被學(xué)者研究使用. Song等[4]通過(guò)分析逐秒速度數(shù)據(jù)和油耗，提出VSP分布可用于計(jì)算單位時(shí)間的油耗，但未實(shí)現(xiàn)對(duì)連續(xù)交通網(wǎng)絡(luò)數(shù)據(jù)采集. 李笑語(yǔ)等[5]利用基于射頻識(shí)別技術(shù)(radio frequency identification，RFID)和視頻識(shí)別數(shù)據(jù)獲取南京市450個(gè)主次干路基站實(shí)時(shí)動(dòng)態(tài)交通數(shù)據(jù)，朱倩茹等[6]運(yùn)用GPS浮動(dòng)車數(shù)據(jù)分析廣州市機(jī)動(dòng)車排放量分布特征，方法上由于逐秒數(shù)據(jù)精準(zhǔn)采集受限，網(wǎng)絡(luò)尾氣排放量化受到制約. 宋國(guó)華等[7]發(fā)現(xiàn)不同平均速度下，VSP分布正態(tài)分布特性，結(jié)合污染物排放提出不同速度區(qū)間下的形式周期修正因子[8]. 雖然VSP與平均速度的關(guān)系體系相對(duì)完善，但通過(guò)模型標(biāo)定高質(zhì)量的交通需求數(shù)據(jù)，進(jìn)而得到平均速度，結(jié)合工況進(jìn)行機(jī)動(dòng)車尾氣排放分析還有進(jìn)一步深入研究的價(jià)值和意義.

1 問(wèn)題分析

總的來(lái)看，建立宏觀尾氣模型是解決尾氣排放問(wèn)題的一種途徑，但模型建立的關(guān)鍵點(diǎn)在于獲取與排放因子相匹配并能反映道路實(shí)際行駛特征的交通活動(dòng)數(shù)據(jù). 利用集計(jì)分析方法得到區(qū)域內(nèi)的尾氣排放分布情況時(shí)，由于數(shù)據(jù)的時(shí)空分辨率不高，無(wú)法得到路網(wǎng)中各個(gè)路段不同時(shí)間的尾氣污染及分布情況，精確獲取VSP中全路網(wǎng)平均速度也相對(duì)困難. Cook等[9]基于交通需求模型(travel demand model，TDM)獲取逐時(shí)的路段流量，姚志良等[10]選取了北京市的典型路段，記錄了逐秒的車輛位置和速度，Iqbal等[11]選擇代表性的道路調(diào)查機(jī)動(dòng)車行駛里程和交通量數(shù)據(jù). 但是，通過(guò)調(diào)研或人工采集法只可獲取靜態(tài)數(shù)據(jù)，其覆蓋道路少，準(zhǔn)確度低，數(shù)據(jù)量不大，導(dǎo)致計(jì)算排放的結(jié)果會(huì)產(chǎn)生較大誤差. 同時(shí)靜態(tài)數(shù)據(jù)不具備周期更新特點(diǎn)，其數(shù)據(jù)有效性及滯后性仍存在較大問(wèn)題.

路網(wǎng)化的尾氣排放分布問(wèn)題屬于宏觀范疇，其量化不僅與交通流宏觀特性有關(guān)，還與車輛的行駛工況密切相關(guān). 按照“交通需求推演—VSP參數(shù)確定—交通排放”的思路，解析交通需求與尾氣排放的機(jī)理和關(guān)鍵因素，利用二次卡爾曼濾波法改進(jìn)交通流量需求預(yù)測(cè)方法，提高斷面交通流量數(shù)據(jù)和動(dòng)態(tài)起訖點(diǎn)(origin destination，OD)精度，再通過(guò)交通需求推演的方法獲取路段平均速度，建立平均速度與VSP的關(guān)系模型，獲取代表車型的時(shí)間- 速度曲線量化分析區(qū)域內(nèi)尾氣排放分布，實(shí)現(xiàn)對(duì)各路段、不同時(shí)段的交通排放監(jiān)控.

2 基于卡爾曼濾波的交通流量預(yù)測(cè)模型改進(jìn)

在動(dòng)態(tài)交通預(yù)測(cè)理論中卡爾曼濾波法應(yīng)用較廣泛. 卡爾曼濾波器用反饋控制的方法估計(jì)過(guò)程狀態(tài)[12]，其過(guò)程可分為2個(gè)部分：時(shí)間更新方程和測(cè)量更新方程. 時(shí)間更新方程負(fù)責(zé)及時(shí)向前推算當(dāng)前狀態(tài)變量和誤差協(xié)方差估計(jì)的值，為下一個(gè)時(shí)間狀態(tài)構(gòu)造先驗(yàn)估計(jì)；測(cè)量更新方程負(fù)責(zé)反饋，利用預(yù)估過(guò)程的先驗(yàn)估計(jì)反饋當(dāng)前狀態(tài)的后驗(yàn)估計(jì)，并根據(jù)這種預(yù)估- 校正算法對(duì)時(shí)間、狀態(tài)進(jìn)行同步更新，并根據(jù)反饋結(jié)果自行校準(zhǔn)誤差[13-14].

由于卡爾曼濾波具有線性無(wú)偏最小均方差性等特點(diǎn)，故在短時(shí)交通預(yù)測(cè)中應(yīng)用廣泛. 但在交通流數(shù)據(jù)采集實(shí)踐中發(fā)現(xiàn)，擁擠網(wǎng)絡(luò)中應(yīng)用卡爾曼濾波進(jìn)行短時(shí)預(yù)測(cè)會(huì)產(chǎn)生較大的誤差[15]. 因此，本文將改進(jìn)模型獲得全狀態(tài)下準(zhǔn)確的短時(shí)交通流預(yù)測(cè)結(jié)果，為實(shí)現(xiàn)以交通需求為手段的尾氣排放強(qiáng)度化分析提供支撐.

2.1 基于卡爾曼濾波理論的傳統(tǒng)預(yù)測(cè)模型

設(shè)QL(f+k)表示路段L上f時(shí)刻以后k個(gè)時(shí)間段的車流量，Qin(f)表示流入交通量，Qout(f)表示流出交通量，在交通系統(tǒng)中考慮交通流的連續(xù)性，根據(jù)流體守恒定律可得

(1)

即

Q(f)=Q(f-1)+[Qin(f)×Qout(f)]Δf

(2)

假設(shè)流入流出交通量受前3個(gè)時(shí)刻交通量的影響，即

Qin(f)=C11Qin(f-1)+C12Qin(f-2)+C13Qin(f-3)

(3)

Qout(f)=C21Qout(f-1)+C22Qout(f-2)+
C23Qout(f-3)

(4)

式中C為各歷史時(shí)刻的流入流出量對(duì)現(xiàn)交通量的影響因子. 將式(3)(4)分別帶入式(2)中，得

Q(f)=H0v(f-1)+H1v(f-2)+H2v(f-3)

(5)

式中：H0=[C11-C12]Δf、H1=[C21-C22]Δf、H2=[C31-C33]Δf為時(shí)變參數(shù)組成得時(shí)變向量；v(k)=[Qin(f)Qout(f)]T為流入流出交通量組成的向量.

由此得到考慮歷史數(shù)據(jù)的交通量預(yù)測(cè)模型應(yīng)為

Q*(f+1)=H0v(f)+H1v(f-1)+H2v(f-2)+ω(f)

(6)

考慮該預(yù)測(cè)模型為時(shí)間序列的回歸模型. 待定參數(shù)Hi可用狀態(tài)空間的形式將其表示，由此應(yīng)用卡爾曼濾波理論進(jìn)行狀態(tài)變量的估計(jì)及計(jì)算，將交通流理論中各參數(shù)進(jìn)行了變換

A(f)=[vT(f),vT(f-1),vT(f-2)]

(7)

X(f)=(H0,H1,H2)T

(8)

(9)

由此可得

X(f)=B(f)X(f-1)+u(f-1)

(10)

Z(f)=A(f)X(f)+w(f)

(11)

利用卡爾曼濾波理論得到方程組

(12)

P(f|f-1)=B(f-1)P(f-1)BT(f-1)+V(f-1)

(13)

K(f)=P(f|f-1)AT(f)[A(f)P(f|f-1)AT(f)+
R(f)]-1

(14)

(15)

P(f)=[I-K(f)A(f)]P(f|f-1)

(16)

應(yīng)用卡爾曼濾波模型對(duì)交通流進(jìn)行預(yù)測(cè)時(shí)預(yù)測(cè)步驟.

步驟1設(shè)定初始參數(shù)

設(shè)定模型初始參數(shù)值，如圖1所示，將狀態(tài)轉(zhuǎn)移矩陣初始值B(1)設(shè)為M維單位矩陣；過(guò)程噪聲相關(guān)矩陣V(f)設(shè)置為M維的隨機(jī)噪聲矩陣，在MATLAB中定義為cov(randn(m,m))；由于預(yù)測(cè)的是一維時(shí)間序列，故將R(f)設(shè)置為一維隨機(jī)數(shù)，在MATLAB中定義為randn(1,1)； 在實(shí)際測(cè)量過(guò)程中很難確定系統(tǒng)狀態(tài)向量的初始值X0，但由于卡爾曼濾波在迭代中不斷對(duì)估計(jì)值進(jìn)行預(yù)測(cè)并修正，因此預(yù)測(cè)模型會(huì)逐漸趨于穩(wěn)定，初值的選取對(duì)系統(tǒng)最終結(jié)果影響也會(huì)衰減. 故可將系統(tǒng)狀態(tài)向量初值與觀測(cè)向量初值設(shè)置相等，將初始協(xié)方差矩陣P0設(shè)置為零矩陣.

設(shè)置狀態(tài)轉(zhuǎn)移矩陣B(f)：狀態(tài)轉(zhuǎn)移矩陣在平穩(wěn)時(shí)間序列模型的情況下，如果知道其值便可根據(jù)狀態(tài)空間方程描述非平穩(wěn)情況，但在交通系統(tǒng)中無(wú)法獲取狀態(tài)矩陣，且交通系統(tǒng)可以認(rèn)為是一個(gè)慢變系統(tǒng)，因此可將狀態(tài)轉(zhuǎn)移矩陣B(f)設(shè)置為單位陣.

步驟2卡爾曼濾波法遞推預(yù)測(cè)

選取一條道路作為實(shí)驗(yàn)對(duì)象，以15 min為周期. 卡爾曼濾波預(yù)測(cè)值與觀測(cè)的真實(shí)值的比較如圖2所示.

卡爾曼濾波相對(duì)誤差如圖3所示.

由圖2、3結(jié)果可知，與真實(shí)值對(duì)比，在濾波穩(wěn)定期其相對(duì)誤差均在10%以內(nèi). 預(yù)測(cè)結(jié)果可為后續(xù)工作提供高精準(zhǔn)度數(shù)據(jù).

2.2 OD矩陣修正

動(dòng)態(tài)交通分配，通過(guò)采集實(shí)時(shí)交通數(shù)據(jù)資料不斷更新出行分布. 利用交通分配得到路段實(shí)時(shí)交通量，由于根據(jù)斷面流量的部分樣本數(shù)據(jù)反推OD存在誤差導(dǎo)致結(jié)果不準(zhǔn)確，造成了誤差的積累，使分配結(jié)果準(zhǔn)確度降低且錯(cuò)誤持續(xù)疊加[16]，因此，應(yīng)用卡爾曼濾波進(jìn)一步修正，以獲取高精度OD矩陣，進(jìn)行推演預(yù)測(cè).

卡爾曼濾波法修正OD矩陣. 為使計(jì)算結(jié)果更接近真實(shí)值，為平滑處理交通流量的原始數(shù)據(jù)，使用采集的鄰近2周同時(shí)間段交通流量作為歷史數(shù)據(jù)作為歷史規(guī)律比對(duì)基數(shù)，引入最初OD反推矩陣作為初始值，利用相應(yīng)時(shí)段最優(yōu)歷史值的偏差作為狀態(tài)變量，路段流量作為觀測(cè)變量.

矩陣形式下的狀態(tài)轉(zhuǎn)移方程為

(17)

觀測(cè)方程為

(18)

從標(biāo)定結(jié)果可以看出，隨車流密度增大，斷面觀測(cè)流量的占比權(quán)重也隨之增大；歷史數(shù)據(jù)權(quán)重占比呈現(xiàn)明顯的雙峰. 由圖4、5可知，阻塞流狀態(tài)下，交通流密度較大，后車速度受前車制約性強(qiáng)，車輛行駛自由度小，車輛穩(wěn)定性差，顯示出較大的波動(dòng)性，在擁擠狀態(tài)下交通流呈現(xiàn)走走停停的狀態(tài)，對(duì)于短時(shí)的交通流預(yù)測(cè)不利，基于原始線性模型的卡爾曼濾波對(duì)于此狀態(tài)適用性不強(qiáng)，故擁擠狀態(tài)下權(quán)重占比會(huì)增大.

從計(jì)算結(jié)果可以看出，在架設(shè)雷達(dá)檢測(cè)器的斷面上，利用改進(jìn)卡爾曼濾波修正的OD矩陣進(jìn)行推演的結(jié)果與實(shí)際觀測(cè)交通量比較，計(jì)算其平均相對(duì)誤差為8.89%，最大相對(duì)誤差為15.2%.

卡爾曼濾波在預(yù)測(cè)相對(duì)穩(wěn)定的系統(tǒng)時(shí)，在經(jīng)歷了濾波初期的訓(xùn)練期之后預(yù)測(cè)效果很好，其根據(jù)每一次計(jì)算的誤差進(jìn)行不斷校正以此使誤差減小. 但由于濾波初期狀態(tài)向量不準(zhǔn)確，即初始狀態(tài)向量設(shè)定為假定值，使初期誤差增大，故出現(xiàn)最大相對(duì)誤差較大的情況. 但平均相對(duì)誤差滿足精度要求[17-20]. 實(shí)驗(yàn)結(jié)果表明該方法可行，并據(jù)此建立精準(zhǔn)的交通需求預(yù)測(cè)模型.

3 交通排放模型

交通需求預(yù)測(cè)保證了數(shù)據(jù)的準(zhǔn)確性，為尾氣排放模型的建立提供了良好的數(shù)據(jù)來(lái)源. 但不同地區(qū)的地理狀況、環(huán)境因素、車輛組成的影響決定了應(yīng)用尾氣排放模型時(shí)工況特征參數(shù)的地區(qū)差異性. 通過(guò)調(diào)查地區(qū)的特征參數(shù)及對(duì)參數(shù)的簡(jiǎn)化處理，應(yīng)用更適合處于發(fā)展中國(guó)家復(fù)雜的機(jī)車組成結(jié)構(gòu)的IVE尾氣排放模型進(jìn)行量化分析.

3.1 VSP分布率的獲取

在交通排放量化過(guò)程中，VSP對(duì)油耗排放有明確的物理意義和很好的相關(guān)性，基于VSP研究的理論方法也逐漸被應(yīng)用于此類研究中. Jiménez-Palacios[21]提出的利用速度及加速度獲得輕型車VSP計(jì)算公式

VSP=v(1.1a+0.132)+0.000 302v3

(19)

式中：v為實(shí)時(shí)速度，m/s；a為實(shí)時(shí)加速度，m/s2.

由于逐秒的交通流數(shù)據(jù)困難，宋國(guó)華等[7]研究表明：當(dāng)平均行程速度大于20 km/h時(shí)，VSP分布服從正態(tài)分布，分布均值為對(duì)應(yīng)平均行程速度值的勻速VSP值，分布的標(biāo)準(zhǔn)差可用平均行程速度的冪函數(shù)描述，實(shí)例驗(yàn)證表明，研究建立的VSP分布模型可用于道路油耗的測(cè)算. 其VSP分布嚴(yán)格服從正態(tài)分布，概率密度函數(shù)公式為

(20)

式中：μ為均值；σ為標(biāo)準(zhǔn)差.μ與σ均可由平均速度獲取，其計(jì)算公式為

(21)

σ=0.832s0.396 1

(22)

式中s為平均行程速度，km/h.

基于以上研究方法，便可建立VSP分布模型與平均速度相關(guān)性. 將2.2節(jié)中交通需求分配得到的路段平均速度代入式(19)中即可計(jì)算出該平均速度或平均速度區(qū)間下的VSP分布率.

3.2 工況特征參數(shù)獲取

簡(jiǎn)易機(jī)動(dòng)車行駛工況法特征參數(shù)獲取[22]：在考慮城市道路布局、交通組成方式、土地利用形式以及居民出行習(xí)慣等多種因素后，確定了市域代表性路段，并以此作為該地區(qū)機(jī)動(dòng)車行駛工況的典型路線.

表1 典型機(jī)動(dòng)車行駛路段長(zhǎng)度 Table 1 Typical link length of vehicles driving km

針對(duì)該典型路段，主要集中在夏、冬2個(gè)季節(jié)的早、中、晚3個(gè)時(shí)間段進(jìn)行篩選(7:00—9:00、11:30—13:00和17:00—19:00)，從總體數(shù)據(jù)中隨機(jī)抽取不同的行駛周期組成900～1 000 s的數(shù)據(jù)段作為備選機(jī)動(dòng)車行駛工況，以平均速度(v1)、平均行駛速度(v2)、平均加/減速度(A/D)、怠速比例(Pi)、加/減速比例(Pa/Pd)、勻速比例(Pc)、相對(duì)正加速度、正加速度動(dòng)能和每100 m速度振蕩次數(shù)等11個(gè)特征參數(shù)為行駛特征參數(shù)及市域的機(jī)動(dòng)車行駛特征參數(shù).

表2 機(jī)動(dòng)車行駛工況特征參數(shù)

計(jì)算得到的機(jī)動(dòng)車行駛特征參數(shù)，對(duì)應(yīng)各車型的時(shí)間速度曲線如圖7所示.

3.3 排放模型的選取及應(yīng)用

根據(jù)中國(guó)實(shí)際情況，選取更適合處于發(fā)展中國(guó)家復(fù)雜的機(jī)車組成結(jié)構(gòu)的基于機(jī)動(dòng)車行駛工況的IVE模型.

IVE模型具有排放物種類多、機(jī)動(dòng)車燃料種類多及可計(jì)算不停運(yùn)行狀態(tài)下的排放量等特點(diǎn). 其計(jì)算方法在本質(zhì)上與MOBILE模型的方法類似，即利用模型內(nèi)嵌的基準(zhǔn)排放因子乘以一系列修正參數(shù)從而得到當(dāng)?shù)爻鞘忻糠N技術(shù)類型機(jī)動(dòng)車的排放因子，基本計(jì)算過(guò)程[23]為

Qt=BtK1tK2tK3t…Knt

(23)

(24)

(25)

K=Emea/Eive

(26)

式中：Qt為修正后的基準(zhǔn)排放因子；Bt為基準(zhǔn)排放因子；Q是整個(gè)車隊(duì)的平均排放因子；ft為某技術(shù)類型車輛的動(dòng)態(tài)組成百分比；fdt為某技術(shù)類型車輛行駛或停機(jī)的百分比組成；UFTP為L(zhǎng)A4工況的平均速度(常數(shù))；D為車輛行駛距離；UC為特定行駛工況的平均速度；K1tK2tK3t…Knt為一系列修正系數(shù)；Kdt為車輛動(dòng)態(tài)組成修正系數(shù)；t表示車輛技術(shù)類型；K表示修正系數(shù)，Emea表示機(jī)動(dòng)車污染物的車載排放測(cè)試值單位；Emea表示IVE模型基本排放因子值.

通過(guò)對(duì)觀測(cè)點(diǎn)雷達(dá)采集的數(shù)據(jù)使用TransCAD分析，可知該時(shí)段某一路段的平均速度，將所得車流的平均速度與上述機(jī)動(dòng)車車型行駛工況進(jìn)行匹配，引入速度相對(duì)誤差的概念[24]

(27)

在對(duì)每個(gè)區(qū)域進(jìn)行問(wèn)卷調(diào)查，得到居民行車習(xí)慣修正參數(shù)后，計(jì)算速度相對(duì)誤差，將小于或等于10%的數(shù)據(jù)認(rèn)為是同一車型機(jī)動(dòng)車，然后將對(duì)應(yīng)的工況參數(shù)帶入IVE尾氣模型計(jì)算出此時(shí)的尾氣排放強(qiáng)度，并將數(shù)據(jù)導(dǎo)入到MATLAB中得出尾氣排放強(qiáng)度云圖，如圖8所示.

在對(duì)某測(cè)點(diǎn)進(jìn)行了抽樣調(diào)查后，分別得到一氧化碳(CO)及氮氧化物(NOx)模型值與實(shí)地測(cè)量值對(duì)比結(jié)果，見(jiàn)表3、4.

由表3、4可以看出，模型排放強(qiáng)度計(jì)算值普遍小于排放測(cè)試結(jié)果，模型預(yù)測(cè)的CO平均相對(duì)誤差為14%，NOx平均相對(duì)誤差為23%，原因是由于實(shí)驗(yàn)場(chǎng)景和器材的限制，無(wú)法對(duì)車隊(duì)啟動(dòng)次數(shù)、尾氣排放量等參數(shù)精確測(cè)量，本實(shí)驗(yàn)通過(guò)測(cè)量測(cè)站臨近范圍內(nèi)的排放因子平均值作為經(jīng)過(guò)該測(cè)站車隊(duì)排放強(qiáng)度的總和，但測(cè)站的周圍環(huán)境因素(如工廠、住宅、排放因子擴(kuò)散等)所傳播的碳、氮氧化物皆對(duì)測(cè)定的實(shí)驗(yàn)結(jié)果產(chǎn)生影響.

表3 某主干路測(cè)點(diǎn)尾氣排放強(qiáng)度預(yù)測(cè)值與觀測(cè)值對(duì)比

表4 某主干路測(cè)點(diǎn)尾氣排放強(qiáng)度誤差分析

以CO排放強(qiáng)度為例，由圖9、10兩張分布圖對(duì)比分析得出，隨著交通量增加，道路尾氣排放強(qiáng)度出現(xiàn)峰值的概率增加，但受到機(jī)動(dòng)車工況、通行車輛類型等多種因素影響，如交通需求量雖大，但道路V/C比不大時(shí)，相對(duì)擁堵所產(chǎn)生的尾氣排放強(qiáng)度較少. 尾氣排放強(qiáng)度與交通量并不存在必然的因果關(guān)系，而應(yīng)當(dāng)考慮多種影響條件，如城市內(nèi)部道路支干路較多，產(chǎn)生尾氣不宜擴(kuò)散，則將產(chǎn)生較大的尾氣排放強(qiáng)度堆積. 而城市外圍地區(qū)，道路較為稀疏，雖然交通量較大，但尾氣排放強(qiáng)度未產(chǎn)生淤積.

4 結(jié)論

1) 利用VSP分布模型將交通需求與尾氣排放量化計(jì)算建立聯(lián)系，以15 min為預(yù)測(cè)周期進(jìn)行交通需求預(yù)測(cè)得到全路網(wǎng)平均速度等交通流信息，求解機(jī)動(dòng)車比功率，確定機(jī)動(dòng)車比功率在不同速度區(qū)間下分布，最后利用標(biāo)定后的IVE模型計(jì)算區(qū)域內(nèi)尾氣排放量，為量化尾氣排放提供了一種可行的方法.

2) 利用以雷達(dá)檢測(cè)器采集的交通量作為數(shù)據(jù)的來(lái)源，數(shù)據(jù)獲取簡(jiǎn)單. 只需滿足OD反推的斷面數(shù)據(jù)量即可預(yù)測(cè)區(qū)域內(nèi)尾氣分布，相比于全路段觀測(cè)，需要較少的斷面數(shù)據(jù)量；通過(guò)典型路段選取，確定機(jī)動(dòng)車行駛特征參數(shù)，建立網(wǎng)絡(luò)化尾氣模型，提高了尾氣排放因子量化精度，同時(shí)結(jié)合交通需求可以實(shí)現(xiàn)尾氣排放因子數(shù)據(jù)的周期預(yù)測(cè).

3) 交通檢測(cè)器點(diǎn)位布設(shè)優(yōu)化，能夠影響OD矩陣估計(jì)的準(zhǔn)確性，進(jìn)而影響尾氣排放預(yù)測(cè)的準(zhǔn)確性. 此外，結(jié)合多車型模擬排放因子在大氣中的擴(kuò)散過(guò)程，有助于提高機(jī)動(dòng)車污染物的排放測(cè)算精度，也是未來(lái)的主要研究方向.