信号交叉口机动车排放因子影响因素分析

姚荣涵，龙 梦，张文松，孙 立

(大连理工大学 交通运输学院，辽宁 大连 116024)

近年来，各大城市机动车保有量增长引发不容忽视的交通拥堵和环境污染问题，机动车排放的测定与控制成为交通领域关注的热点.机动车排放的影响因素很多，如燃油类型、道路类型、信号控制类型、交通需求、污染物种类、排放过程等[1].

国内外许多学者对机动车排放影响因素进行了研究.早期，Frey等[2]将行驶工况分为怠速、加速、减速和匀速4类，提出了排放因子估计方法，并确定了每种行驶工况的平均排放因子.为测定不同类型车辆排放各种污染物的情况，有学者利用自行设计的机动车车载实时排放测试系统,研究了机动车排放因子的分布特征及速度、加速度等参数对排放因子的影响规律[3]；还有学者通过隧道实验,得到了轻型汽油车基于燃油的氨气排放率和基于里程的氨气排放因子[4]；另有学者基于机动车比功率,建立了城市公共汽车驾驶周期，根据组合瞬时排放数据与逐秒活动数据,计算了不同拥挤水平下的延误修正系数，进而建立了估计公共汽车排放的延误修正模型[5-6].另外，一些研究人员使用MOVES软件,对大型货车和小型客车的排放因子进行了数值模拟，并与试验车辆的实际测试结果进行了对比[7]；还有一些研究人员利用微观交通仿真模型和交通排放模型,研究了信号协调对排放、延误、停车次数、噪声等的影响[8-9].相比之下，仅有少量研究分析了道路坡度对机动车排放的影响.Fonseca等[10]和Gallus等[11]测试了停/起系统、驾驶风格和道路坡度对乘用车辆废气排放的影响，结果表明CO2排放因子随坡度增加而增大,CO2和NOx排放量随坡度增加而线性增加.

上述研究说明，不同类型的机动车排放的污染物种类或者同一污染物的排放因子往往不同.已有研究分析了道路坡度对特定类型机动车、特定污染物基于里程的排放因子和排放量的影响；也有研究分析了信号控制类型对机动车排放的影响，但通常假设道路水平(即坡度为0)；有课题组[12-13]曾发现，信号交叉口处机动车在红灯和绿灯期间的排放因子明显不同，但尚未关注采样分辨率、道路坡度等对排放因子的影响.鉴于此，本文作者利用VISSIM软件建模获取交通流数据，采用机动车比功率分区数据计算红绿灯期间和信号周期内的排放因子，同时结合VISSIM和MOVES软件计算信号周期内排放因子，再应用多元统计分析方法探讨机动车类型、污染物种类、交通需求、道路坡度等因素对3类机动车、3种污染物排放因子的定量影响.

1 理论方法与实验环境

1.1 排放因子

基于机动车比功率(Vehicle Specific Power，VSP)的微观测算方法是目前公认的、最准确的估计交通排放的方法，因为该方法所得交通排放可以剔除交通环境中除机动车外的其他因素.

假设若干个交叉口采用协调的预设信号控制方式，根据机动车比功率得到的红绿灯期间和信号周期内某种污染物的排放因子[13]为

mod(t-oη,C)∉[GSηj+ls,

GEηj+ls)&Aηjζ(t)=ω

(1)

mod(t-oη,C)∈[GSηj+ls,

GEηj+ls)&Aηjζ(t)=ω

(2)

(3)

式中：Eηjζk(t)=eωγk·τ,VSPηjζ(t)∈[LVSPωγ,UVSPωγ) angAηjζ(t)=ω；VSPηjζ(t)=vηjζ(t)[1.1aηjζ(t)+9.8sin(θηj)]+0.132vηjζ(t)+0.000302[vηjζ(t)]3；EFRηjωk、EFGηjωk、EFηjωk分别为交叉口η车道组j上ω类机动车在红灯期间、绿灯期间、信号周期内排放污染物k的因子，简称红灯期间、绿灯期间、信号周期内排放因子，mg/(s·veh)；Eηjζk(t)为时刻t交叉口η车道组j上车辆ζ排放污染物k的质量，mg；eωγk为ω类机动车的比功率位于分区γ时污染物k的排放因子，mg/(s·veh)；τ为速度-加速度数据的采样分辨率，s；VSPηjζ(t)、vηjζ(t)、aηjζ(t)分别为时刻t交叉口η车道组j上车辆ζ的比功率、速度、加速度，单位分别为 kW/t、m/s、m/s2；Aηjζ(t)为时刻t交叉口η车道组j上车辆ζ的类别属性；θηj为交叉口η车道组j的道路坡度；LVSPωγ、UVSPωγ分别为ω类机动车比功率分区γ的下限、上限，kW/t；NRηjω(t)、NGηjω(t)、Nηjω(t)分别为时刻t交叉口η车道组j上红灯期间、绿灯期间、信号周期内驶离停车线的ω类机动车数；mod(t-oη,C)为t-oη除以C的余数，s；oη为交叉口η的绿时差，s；C为周期时长，s；GSηj、GEηj分别为交叉口η车道组j的绿灯起亮、结束时刻，s；ls为启动损失时间，s.

1.2 研究方案

式(1)～(3)表明，机动车排放因子影响因素包括机动车类型、污染物种类、采样分辨率、道路坡度等.见图1，利用VISSIM、Matlab、MOVES软件，研究采用因素轮换法、正交实验设计、多元统计分析，基于机动车比功率分析等因素对机动车排放因子的具体影响.

图1 研究思路Fig.1 Research framework

1.3 实验环境

仿真实验区域包括大连市红凌路-金柳路交叉口A、红凌路-泊林映山交叉口B、红凌路-叠翠骏景交叉口C、红凌路-锦绣暖山交叉口D，其布局见图2.

图2 交叉口布局Fig. 2 Intersection layout

表1列出了早高峰MN、平峰MD、晚高峰EN的交通需求.图3给出了信号相位方案，M1、M3、M5、M7为西、北、东、南进口的左转车流，M2、M6、M8为东、西、北进口的直行车流，右转车流均不受信号控制.参考文献[14]，选取最小化车辆延误、最小化交通排放、最小化车辆延误与交通排放3种信号配时方法(记为OP_D、OP_E、OP_DE)，共获得9种协调信号控制方案，记为OP_D_MN、OP_D_MD、OP_D_EN、OP_E_MN、OP_E_MD、OP_E_EN、OP_DE_MN、OP_DE_MD、OP_DE_EN.

表1 交通需求

如前所述，红绿灯期间和信号周期内的排放因子依赖于VSP分区数据.小汽车、中型车、公交车的VSP分区数据采用文献[15]的研究结果，其燃油类型分别为汽油、汽油、柴油.此外，文献[15]使用的测试车辆都按时参加年检，因而其排放均不超标.这里不讨论车辆尾气后处理装置引起的排放因子变化.

图3 信号相位方案Fig.3 Signal phase plan

2 实验设计与结果分析

2.1 数据处理方法

文献[2]证明,机动车排放因子与行驶工况有很大关系;文献[3-6]说明,机动车类型、燃油类型、污染物种类对其排放因子有决定性影响;文献[1，7]认为机动车类型和燃油类型存在一定的组合关系;文献[8-9]讨论了信号协调对机动车排放的影响.根据文献[15]，就使用某种燃油的某类机动车排放的某种污染物而言，其排放因子取决于比功率，而比功率又依赖于速度、加速度、道路坡度.考虑信号交叉口交通流的运动规律，当所有车道组的道路坡度均为0时，文献[12-13]的研究结果发现：机动车排放因子不仅依赖于机动车类型、燃油类型、污染物种类，而且对信号灯色极为敏感；每条车道组的排放因子绿灯期间均高于红灯期间；红绿灯期间的排放因子均表现出较强的稳定性，这些排放因子对交通需求水平、信号控制方案均不敏感.

由于某类机动车通常使用某种燃油，以机动车类型、污染物种类、交通需求水平、信号控制方案、信号灯色为划分指标，再区分交叉口、车道组，根据式(1)～(3)分别计算红绿灯期间和信号周期内的排放因子.通过分析3类排放因子对各个影响因素的灵敏性，识别敏感性因素和非敏感性因素，以各个敏感性因素为划分指标，然后对所得的3类排放因子进行集计处理，获得不考虑非敏感性因素情况下的3类排放因子.

2.2 最佳采样分辨率

以往研究通常针对测试车辆，采集逐秒速度-加速度数据以及各污染物排放数据，然后划分VSP分区并计算相应的排放因子.如果道路上所有车辆的速度-加速度数据都可以采集，此时采样分辨率不仅影响测算排放因子的精度，而且影响测算排放因子的复杂度.假设道路水平，考虑上述9种协调信号控制方案.然后，采集速度-加速度数据时考虑3种分辨率(即1、5、10 s)进行全面实验，计算各级各类排放因子，并统计各方案的文件大小、计算时间、计算量、离差平方和(见表2).文件大小指采用多步仿真所得速度-加速度数据所占用的计算机存储空间，计算时间和计算量分别指标定红绿灯期间排放因子所花费的计算机时间和处理速度-加速度的数据条数.任意一种分辨率的速度-加速度数据由VISSIM软件经过5次运行采集所得，文件大小、计算时间、计算量均为5次仿真结果的总和，每条车道组的红绿灯期间排放因子为5次仿真结果的平均值.根据概率统计，红绿灯期间排放因子的离差平方和为

(4)

通过分析各级各类排放因子发现，排放因子对机动车类型、燃油类型、污染物种类、信号灯色较敏感，而对交通需求水平、信号控制方案、采样分辨率不敏感，除采样分辨率外，其规律与前期研究一致[12-13].

表2显示，降低采样分辨率能压缩文件大小及红绿灯期间排放因子的计算时间和计算量，但会使红绿灯期间排放因子的离差平方和有所波动.此处计算时间是在同等条件下测得，当计算机操作系统、Matlab软件版本或安装程序对内存的占用情况等发生变化时，同一组数据所需的计算时间可能大相径庭.

表2 文件大小、计算时间、计算量与离差平方和

前期研究表明[12-13]，绿灯期间的排放因子高于红灯期间的排放因子，两者依赖于机动车类型、燃油类型、污染物种类,而对交通需求水平、信号控制方案不敏感.通常，分辨率越高，计算精度越高，但计算量越大.离差平方和是各数据点与数据均值点之差(即数据偏差)的平方和.此处假设坡度为0，因此离差平方和越小,说明计算精度越高.一般来说，研究人员希望在保证计算精度的前提下尽量减少计算量，为此引入以下性能指标，即

PI=SSD×CW

(5)

式中：PI为权衡计算精度与计算量的性能指标，简称性能指标；CW为计算量.

图4对比了3种分辨率对应的各方案性能指标.性能指标越小，说明采用的分辨率在实践中越合适.图4显示，1、5、10 s分辨率对应的性能指标最大、居中、最小.当实时速度-加速度数据可得时，采用10 s分辨率比较合适，既能保证计算精度，又能大大减少计算量.

图4 不同采样分辨率下性能指标与研究方案对比Fig.4 Performance index versus research approaches scenarios under different sampling resolutions

2.3 特定坡度的排放因子

文献[10-11]表明，道路坡度对机动车排放因子有一定影响.一般来说，一条道路在一定范围内坡度稳定不变，当一个方向为上坡时，其反方向为下坡，上坡坡度与下坡坡度互为相反数.考虑信号配时方法、东西向坡度、南北向坡度分别设3种水平，采用正交实验设计安排9种实验.这里东西(南北)向坡度为c%，表示由西(北)向东(南)的坡度为+c%，由东(南)向西(北)的坡度为-c%.选取水平道路作为参考，再安排3种实验.表3列出了实验组和对照组的各种属性，这12种实验分别测试3种交通需求水平，共形成36种子实验.首先，对每种子实验，由VISSIM软件运行5次，得到5组速度-加速度数据，使用每组数据分别计算机动车排放因子，再求取平均值；然后，根据坡度值对36种子实验的排放因子进行分组统计，得到不同坡度对应的排放因子.

表3 道路坡度对排放因子影响的实验方案

如前所述，排放因子依赖于由速度、加速度、道路坡度所决定的比功率[15].事实上，当其他条件不变时，道路坡度会对车辆速度、加速度的时变分布有一定影响.对于特定的车道组，每辆车的速度、加速度每时每刻都在发生变化，某类机动车、某种污染物的排放因子是单位时间内每辆该类机动车排放这种污染物的质量.因此，这里不讨论速度、加速度对机动车排放因子的影响.前期研究[12-13]还说明，当所有车道组的道路坡度均为0时，红绿灯期间的排放因子不仅对交通需求水平、信号控制方案不敏感，而且对交叉口、车道组不敏感.所以，对于道路坡度相同的车道组，将所得各级各类排放因子进行集计处理，可获得表征该坡度值的相应排放因子.

具体来说，特定坡度对应的红绿灯期间和信号周期内排放因子的计算公式为

(6)

(7)

(8)

为定量评价道路坡度的影响，引入排放因子的相对误差，即

这里选取路网中代表进口道的15条路段，使用式(6)～(11)计算每条路段的红绿灯期间和信号周期内的排放因子及相对误差.图5对比了不同坡度下各类车辆、各种污染物的红绿灯期间排放因子及其相对误差，其中Car、MSV、Bus为小汽车、中型车、公交车，G、R为绿灯期间、红灯期间，CO、HC、NOx为一氧化碳、碳氢化合物、氮氧化合物.图5(a)显示，随坡度增加，中型车绿灯期间CO平均排放因子以及公交车绿灯期间CO和NOx平均排放因子逐渐增加，而其他情况时变化不明显.图5(b)显示，对于绿灯期间的排放因子，上坡使其变大，且随上坡坡度增加而不断增大，下坡使其变小，且随下坡坡度增加而不断减小；对于红灯期间的排放因子，并无统一规律.

图5 不同道路坡度下红绿灯期间排放因子的对比Fig.5 Comparison of emission factors during red and green lights under different road grades

图6给出了不同坡度下每类车辆、每种污染物的信号周期内排放因子的相对误差.结果显示，信号周期内排放因子随坡度增加而变大.

图6 不同道路坡度下信号周期内排放因子的相对误差Fig.6 Relative errors of emission factors in a signal cycle under different road grades

2.4 影响因素分析

针对表3涉及36种子实验分别仿真5次，以每次仿真所得为输入数据，计算每类车辆、每种污染物的排放因子.每次仿真采用不同的随机种子，仿真次数或随机种子表征交通流随机性.一方面，选取路网中代表进出口道的39条路段，使用本方法、MOVES软件分别计算每条路段信号周期内的排放因子；另一方面，选取路网中代表进口道的15条路段，使用本方法计算每条路段红绿灯期间的排放因子.

考虑仿真次数、信号控制方案、交通需求、路段编号、道路坡度5个因素，区分机动车类型、污染物种类，统计9类信号周期内的排放因子(记为Car.CO、Car.HC、Car.NOx、MSV.CO、MSV.HC、MSV.NOx、Bus.CO、Bus.HC、Bus.NOx)、18类红绿灯期间的排放因子(记为Car.G.CO、Car.G.HC、Car.G.NOx、Car.R.CO、Car.R.HC、Car.R.NOx、MSV.G.CO、MSV.G.HC、MSV.G.NOx、MSV.R.CO、MSV.R.HC、MSV.R.NOx、Bus.G.CO、Bus.G.HC、Bus.G.NOx、Bus.R.CO、Bus.R.HC、Bus.R.NOx)，前者共获得7 020组实验数据，后者共获得2700组实验数据(记为数据集0).

首先，使用一般线性模型对数据集0进行方差分析，结果发现在5%的显著性水平下仿真次数对排放因子没有显著性影响；以信号控制方案、交通需求、路段编号、道路坡度为分组变量，对数据集0进行分类汇总，得到数据集1.其次，使用一般线性模型对数据集1进行方差分析，结果发现在5%的显著性水平下，信号控制方案、交通需求对排放因子没有显著性影响，而路段编号、道路坡度对排放因子有显著性影响；以路段编号、道路坡度为分组变量，对数据集1进行分类汇总，得到数据集2.然后，以路段编号、道路坡度为变量进行因子分析，提取到1个公共因子；以道路坡度为分组变量，对数据集2进行分类汇总，得到数据集3.最后，以道路坡度为自变量，分别以每类车辆、每种污染物的信号周期内的排放因子或红绿灯期间的排放因子为因变量，利用曲线估计法得到因变量与自变量的函数关系；结果显示各类排放因子都可以表达为道路坡度的三次多项式，其拟合系数见表4.由该表可见，在36例中，排放因子的判决系数小于0.9的仅有6例，小于0.8的仅2例.

从以上统计分析结果以及表4所示拟合系数来看，影响机动车排放因子的敏感性因素包括机动车类型、燃油类型、污染物种类、信号灯色、道路坡度，其非敏感性因素包括交通需求水平、信号控制方案、交通流随机性.除道路坡度和交通流随机性外，其规律与前述研究一致.另外，尽管小汽车和中型车都使用汽油，但是机动车类型的差异使得各类排放因子具有明显的差别.

进一步分析，表4所描述的红绿灯期间、信号周期内的排放因子与道路坡度的函数关系均可概括为图7所示的两类曲线.无论哪类机动车、哪种污染物，3类排放因子与道路坡度的关系曲线具有一定相似性.限于篇幅，图7中仅给出几条代表性曲线.一类曲线显示，随着坡度增加，排放因子呈明显增加的趋势；另一类曲线显示，随着坡度增加，排放因子呈略有下降的趋势.由于排放因子为道路坡度的三次多项式，相对于水平道路，较小的上坡或下坡可能使某类车辆、某种污染物在红灯期间、绿灯期间或信号周期内的排放因子下降.

表4 多项式拟合系数

注：a为由本方法所得实验数据拟合的系数，b为由MOVES软件所得实验数据拟合的系数.

图7 排放因子与道路坡度的关系曲线

3 结论

1)以水平道路为例，在考虑交通需求、信号配时方法、机动车类型、污染物种类分别设3种水平的条件下，相比1、5 s的采样分辨率，10 s的采样分辨率能保证计算精度，且减少计算量.这说明,当速度-加速度数据量足够时，采用合适的采样分辨率能够保证计算精度,且提高计算效率.

2)采用最佳采样分辨率，在考虑信号配时方法、东西向及南北向坡度3个影响因素分别设3种水平的条件下，依据坡度值对实验组和对照组所得的排放因子进行分组统计.结果显示,对于进口道路段，与水平道路相比，绿灯期间和信号周期内的排放因子在上坡路段上随坡度增加而不断增大，但在下坡路段上随坡度增加而不断减少.这说明,在进口道路段上,机动车排放因子随坡度增加而增大.

3)针对进口道和出口道路段，使用本方法和MOVES软件各自计算的每条路段的各类排放因子，利用多元统计分析对实验数据进行逐层汇总后发现，每类车辆、每种污染物在红灯期间、绿灯期间或信号周期内的排放因子均可表达为道路坡度的三次多项式.这表明,机动车排放因子与道路坡度存在三次多项式的函数关系.

4)以上实验结果显示，影响机动车排放因子的敏感性因素包括机动车类型、燃油类型、污染物种类、信号灯色、道路坡度，其非敏感性因素包括交通需求水平、信号控制方案、采样分辨率、交通流随机性.

本研究证实,交叉口机动车排放因子的关键影响因素不是交通需求、信号控制方案、采样分辨率,而是机动车类型(含燃油类型)、污染物种类、信号灯色、道路坡度.由于道路坡度仅取了7个典型值，对于更大的上坡或下坡，排放因子是否仍然是道路坡度的三次多项式还需证实.此外，对于其他类型车辆、其他种类污染物，排放因子与道路坡度的函数关系是否仍然有效也需检验.在工程实践中，建议对道路网进行精细化设计与处理,以便准确描述不同路段的道路坡度和交通流组成，进而最优化信号控制方案,以便使车辆延误和交通排放尽可能降至最低.