融合多源数据的高速公路路段车流碳排放精细测算方法

doi:10.12141/j.issn.1000-565X.220627

华南理工大学学报(自然科学版) ›› 2023, Vol. 51 ›› Issue (7): 100-108.doi: 10.12141/j.issn.1000-565X.220627

所属专题： 2023年交通运输工程

融合多源数据的高速公路路段车流碳排放精细测算方法

林培群¹ 张扬¹ 罗芷晴¹ 林旭坤¹^,² 周楚昊¹

^1.华南理工大学土木与交通学院，广东广州 510640
^2.广东省交通运输厅综合规划处，广东广州 510101

收稿日期:2022-09-26 出版日期:2023-07-25 发布日期:2023-01-20
通信作者: 周楚昊（1994-），男，博士后，主要从事车联网、交通大数据等的研究。 E-mail:ctzch＿uomi@mail.scut.edu.cn
作者简介:林培群（1980-），男，博士，教授，主要从事交通大数据、智能交通等的研究。E-mail:pqlin@scut.edu.cn
基金资助:
国家自然科学基金资助项目(52072130);广东省自然科学基金资助项目(2020A1515010349)

Precise Calculation Method of Traffic Carbon Emission in Expressway Segment Integrating Multi-Source Data

LIN Peiqun¹ ZHANG Yang¹ LUO Zhiqing¹ LIN Xukun¹^,² ZHOU Chuhao¹

^1.School of Civil Engineering and Transportation，South China University of Technology，Guangzhou 510640，Guangdong，China
^2.Comprehensive Planning Division，Department of Transportation of Guangdong Province，Guangzhou 510101，Guangdong，China

Received:2022-09-26 Online:2023-07-25 Published:2023-01-20
Contact: 周楚昊（1994-），男，博士后，主要从事车联网、交通大数据等的研究。 E-mail:ctzch＿uomi@mail.scut.edu.cn
About author:林培群（1980-），男，博士，教授，主要从事交通大数据、智能交通等的研究。E-mail:pqlin@scut.edu.cn
Supported by:
the National Natural Science Foundation of China(52072130);the Natural Science Foundation of Guangdong Province(2020A1515010349)

摘要/Abstract

摘要：

在“双碳”政策的时代背景下，交通行业碳减排任务艰巨，但目前面临车辆碳排放测算精度不高的问题。为实现车辆碳排放的精细测算，文中提出了一种融合多源数据的高速公路路段车流碳排放精细测算方法。首先，运用KD-树算法将运营车辆的GPS坐标与高速公路道路点坐标搜索匹配，实现对运营车辆的实时监测。然后，建立车辆碳排放测算模型，进而设计相关的计算流程。最后，以虎门大桥主桥段为例进行路段断面碳排放测算，通过VISSIM仿真及相关对比实验，验证了文中所提出的算法的科学性和可靠性。结果表明：按车辆类型分类，微型小型客车的碳排放最高，占比达74.36%；按燃料类型分类，汽油车的碳排放最高，占比达80.50%；新能源汽车运行车次数占12.60%，但碳排放仅占4.27%，因此大力发展新能源货车是推进高速公路碳减排的重点。研究还发现，将交通饱和度控制在0.32~0.38时，当量标准车的平均碳排放较少；当交通饱和度大于0.62时，当量标准车平均碳排放显著增加。文中研究结果可以为交通管理部门制定相关策略提供理论依据。

关键词: 碳排放, 高速公路, KD-树算法, 交通饱和度, VISSIM仿真

Abstract:

In the context of “dual-carbon” policy, the task of carbon emission reduction in transportation industry is arduous, but the vehicle carbon emission currently cannot be measured accurately at present. In order to realize the fine calculation of carbon emission, this paper proposes a precise calculation method of traffic carbon emission in expressway segment based on multi-source data. Firstly, KD-tree algorithm is used to match the GPS data of operational vehicles with the road points, thus implementing the real-time monitoring of dynamic vehicles. Then, the calculation model of vehicle carbon emission in road segment is established, and the relevant calculation process is designed. Finally, the main section of Humen Bridge is taken as an example to calculate the carbon emission of the section. Through VISSIM simulation and relative comparison experiments, the science and reliability of the proposed algorithm are verified. The results show that, for different vehicle types, the carbon emission of minibus is the highest, accounting for 74.36%; and that, for different fuel types, the carbon emission of gasoline automobile is the highest, accounting for 80.50%. The new energy vehicles in operation account for 12.60% of the total vehicles but the corresponding carbon emission only accounts for 4.27%, which means that energetically developing new energy trucks is the key to the carbon emission reduction of expressways. It is also found that, when the traffic saturation is controlled at 0.32~0.38, the average carbon emission of equivalent standard vehicle is lower; while when the traffic saturation is greater than 0.62, the average carbon emission of standard vehicle increases significantly. These conclusions provide theoretical basis for traffic management departments to formulate relevant strategies.

Key words: carbon emissions, expressway, KD-tree algorithm, traffic saturation, VISSIM simulation

中图分类号:

U491

林培群, 张扬, 罗芷晴, 等. 融合多源数据的高速公路路段车流碳排放精细测算方法[J]. 华南理工大学学报(自然科学版), 2023, 51(7): 100-108.

LIN Peiqun, ZHANG Yang, LUO Zhiqing, et al. Precise Calculation Method of Traffic Carbon Emission in Expressway Segment Integrating Multi-Source Data[J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(7): 100-108.

图/表 11

图1

图2

表1

表2

表3

表4

图3

图4

图5

图6

图7

参考文献 16

1	张诗青，王建伟，郑文龙．中国交通运输碳排放及影响因素时空差异分析［J］．环境科学学报，2017，37（12）：4787-4797．
	ZHANG Shiqing， WANG Jianwei， ZHENG Wenlong ．Spatio-temporal difference of transportation carbon emission and its influencing factors in China［J］．Acta Scientiae Circumstantiae，2017，37（12）：4787-4797．
2	FRIEDLINGSTEIN P， O’SULLIVAN M， JONES M，et al ．Global carbon budget 2020［J］．Earth System Science Data，2020，12（4）：3269-3340．
3	Committee on Climate Change ．Building a low-carbon economy： the UK’s contribution to tackling climate change［R］．London：Committee on Climate Change，2008：251-301．
4	Intergovernmental Panel on Climate Change ．2006 IPCC guidelines for national greenhouse gas inventories［M］．Hayama：Institute for Global Environmental Strategies （IGES），2006．
5	吴开亚，何彩虹，王桂新，等．上海市交通能源消费碳排放的测算与分解分析［J］．经济地理，2012，32（11）：45-51．
	WU Kai-ya， HE Cai-hong， WANG Gui-xin，et al ．Shanghai transport energy consumption carbon emissions measurement and decomposition analysis［J］．Journal of Economic Geography，2012，32（11）：45-51．
6	欧阳斌，凤振华，李忠奎，等．交通运输能耗与碳排放测算评价方法及应用——以江苏省为例［J］．软科学，2015，29（1）：139-144．
	OUYANG Bin， FENG Zhen-hua， LI Zhong-kui，et al ．Transportation energy consumption and carbon emission measurement and application：a case study of Jiangsu Province［J］．Soft Science，2015，29（1）：139-144．
7	CHENG Y， LAI C，TEH J ．Memetic algorithm for fuel economy and low emissions parallel hybrid electric vehicles［C］∥Proceedings of the 2017 IEEE 8th International Conference on Awareness Science and Technology （iCAST）．［S.l.］：［s.n.］，2017．
8	LE M， HAIYAN C ．Study on transportation energy carbon emission based on system dynamics［C］∥Proceedings of the 2021 9th International Conference on Traffic and Logistic Engineering （ICTLE）．［S.l.］：［s.n.］，2021：102-107．
9	张清，陶小马，杨鹏，等．特大型城市客运交通碳排放与减排对策研究［J］．中国人口·资源与环境，2012，22（1）：35-42．
	ZHANG Qing， TAO Xiaoma， YANG Peng，et al ．Research on carbon emission and emission reduction strategy of passenger transport in mega-city［J］．China Population，Resources and Environment，2012，22（1）：35-42．
10	BENTLEY J L ．Multidimensional binary search trees used for associative searching［J］．Communications of the ACM，1975，18（9）：509-517．
11	胡健，刘祥敏，毛伊敏，等．基于KD树和混沌蜉蝣优化的并行谱聚类算法［J/OL］．（2022-03-15）［2022-04-15］．．
	HU Jian， LIU Xiangmin， MAO Yimin，et al ．Based on KD tree and ephemera of chaos optimization of parallel spectral clustering algorithm［J/OL］．（2022-03-15）［2022-04-15］．．
12	刘娟娟．基于VSP分布的油耗和排放的速度修正模型研究［D］．北京：北京交通大学，2010．
13	中华人民共和国国家发展改革委员会．陆上交通运输企业温室气体排放核算方法与报告指南（试行）［EB/OL］．（2015-07-06）［2022-04-15］．．
14	许晓辉，陈幸福．高速公路合流区信号灯限流策略优化与仿真——以虎门大桥为例［J］．中国交通信息化，2020（5）：123-127，138．
	XU Xiaohui， CHEN Xingfu ．Optimization and simulation of traffic limiting strategy for signal lights in expressway confluence area：a case study of Humen Bridge［J］．China Transportation Informatization，2020（5）：123-127，138．
15	中华人民共和国交通运输部中华人民共和国公安部国家安全生产监督管理总局．道路运输车辆动态监督管理办法［EB/OL］．（2014-01-28）［2022-04-15］.．
16	景立竹，许金良，韩跃杰，等．基于v/C比的高速公路基本路段车辆碳排放预测模型研究［J］．交通信息与安全，2018，36（6）：98-105．
	JING Lizhu， XU Jinliang， HAN Yuejie，et al ．Research on vehicle carbon emission prediction model based on v/C ratio［J］．Traffic Information and Safety，2018，36（6）：98-1 05．

分类	车辆规格
大型客车	车长大于等于6 m或者乘坐人数大于等于20人的客车，包括公交车
中型客车	车长小于6 m且乘坐人数为10至19人的客车
微型小型客车	车长小于6 m且乘坐人数小于等于9人的客车（含轿车）
重型载货汽车及专项作业车	总质量大于等于12 t的货车或专项作业车
中型载货汽车及专项作业车	车长大于等于6 m或者总质量大于等于4.5 t且小于12 t的货车及专项作业车
微型轻型载货汽车及专项作业车	车长小于6 m且总质量小于4.5 t的货车及专项作业车

能源类型	换算单位	换算系数
汽油	1 L	1.07
柴油	1 L	1.25
电	1 kW·h	0.12
液化石油气	1 t	1.24
压缩天然气	1 m³	1.33
液化天然气	1 kg	1.76
乙醇汽油	1 L	1.07
燃料油	1 kg	1.43

数据源	主要字段	数据示意
高速公路门架数据	门架号	4DD56B
	行驶方向	南行
	通过时间	2021-06-28 9：53：12
	车牌号	粤L5***9
	车辆类型	小型轿车
机动车登记数据	车牌号	粤TT***1B
	车辆类型	小型轿车
	车辆型号	BMW320Li
	燃料种类	汽油
	发证日期	2018-11-13 16：34：28
运营车辆GPS数据	车牌号	粤AC***60
	经度	113.141 981 36
	纬度	23.138 622 382
	行驶速度	93 km/h
	记录时间	2022-05-07 00：00：02
车辆数据	车辆型号	BMW320i
	燃料类型	汽油
	排放标准	国Ⅵ
	发动机型号	B48B20C
	最大功率	115 kW
	百公里油耗	6.9 L/100 km

日期	车次数	标准煤耗/t	碳排放量/t
2021-07-05	97310	56.1	122.8
2021-07-06	83245	44.6	99.3
2021-07-07	87715	48.1	106.6
2021-07-08	87049	47.6	105.0
2021-07-09	107566	61.0	133.7
2021-07-10	103882	58.8	129.0
2021-07-11	108804	61.6	136.9
2021-07-12	103872	58.6	130.3
2021-07-13	90879	50.5	110.9
2021-07-14	88332	48.4	106.5
2021-07-15	88242	49.9	109.4
2021-07-16	101454	57.5	126.2
2021-07-17	102117	56.8	124.7
2021-07-18	107472	60.7	133.2

[1]	黄炎, 符锌砂, 曾彦杰, 等. 基于激光雷达里程计的高速公路三维建模方法[J]. 华南理工大学学报(自然科学版), 2023, 51(7): 129-138.
[2]	林培群, 龚敏平, 周楚昊. 面向运输风险识别的高速公路货车用户画像方法[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 1-9.
[3]	周楚昊, 林培群, 闫明月. 基于自监督学习的交通数据补全算法[J]. 华南理工大学学报(自然科学版), 2023, 51(4): 101-114.
[4]	吴娇蓉, 黄正文, 邓泳淇. 都市圈分层空间结构的交通网络密度发展规律[J]. 华南理工大学学报(自然科学版), 2023, 51(2): 111-121.
[5]	姜雨, 王雅莎, 薛清文, 等. 基于碳排放的航空器时空滑行优化研究[J]. 华南理工大学学报(自然科学版), 2023, 51(10): 152-159.
[6]	胡兴华, 陈兴辉, 汪然, 等. 随机特性下考虑碳排放的公交优先控制优化模型[J]. 华南理工大学学报(自然科学版), 2023, 51(10): 160-170.
[7]	胡郁葱, 韦湖, 曾强. 基于空间广义有序Probit模型的高速公路事故严重程度分析[J]. 华南理工大学学报(自然科学版), 2023, 51(1): 114-122.
[8]	杨洋, 胡嫣然, 袁振洲, 等. 高速公路交通事故时空影响动态效应的传播分析[J]. 华南理工大学学报(自然科学版), 2023, 51(1): 123-133.
[9]	吴艳霞, 周彤, 黄帅, 等. 基于驾驶员注意力分布模型的路侧环境安全性研究[J]. 华南理工大学学报(自然科学版), 2022, 50(9): 49-57.
[10]	林旭坤, 张扬, 罗芷晴, 等. 高速公路网车辆碳排放测算方法研究[J]. 华南理工大学学报(自然科学版), 2022, 50(9): 22-28.
[11]	郭淼, 赵晓华, 姚莹, 等. 基于驾驶行为和交通运行状态的事故风险研究[J]. 华南理工大学学报(自然科学版), 2022, 50(9): 29-38.
[12]	何永明, 冯佳, 权聪, 等. 基于联合仿真的超高速公路车辆制动避撞系统[J]. 华南理工大学学报(自然科学版), 2022, 50(10): 19-28.
[13]	漆巍巍, 马思维, 周南杰. 高速公路分合流区车流元胞模型的构建及应用[J]. 华南理工大学学报(自然科学版), 2022, 50(10): 11-18.
[14]	王晓飞刘永李思雨. 公路空间曲率连续性衰退与事故频数影响关联模型[J]. 华南理工大学学报(自然科学版), 2021, 49(8): 26-34.
[15]	林培群夏雨周楚昊. 引入时空特征的高速公路行程时间预测方法[J]. 华南理工大学学报(自然科学版), 2021, 49(8): 1-11.

融合多源数据的高速公路路段车流碳排放精细测算方法

Precise Calculation Method of Traffic Carbon Emission in Expressway Segment Integrating Multi-Source Data

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 16

相关文章 15

编辑推荐

Metrics

本文评价