基于车辆身份检测数据的单车排放轨迹研究

林 颖,丁 卉,刘永红*,林晓芳,沙志仁,缪神华,黄文峰

基于车辆身份检测数据的单车排放轨迹研究

林 颖1,2,3,丁 卉1,2,3,刘永红1,2,3*,林晓芳1,2,3,沙志仁4,缪神华1,2,3,黄文峰1,2,3

(1.中山大学智能工程学院,广东 广州 510006；2.广东省交通环境智能监测与治理工程技术研究中心,广东 广州 510275；3.广东省智能交通系统重点实验室,广东 广州 510275；4.广东方纬科技有限公司,广东 广州 510275)

为实现单车层面的动态排放轨迹追踪,基于电警式卡口产生的逐秒过车记录数据建立了车辆排放轨迹计算方法,通过提取动态轨迹中的运行参数及机动车保有量数据库中的技术参数,并结合排放模型计算了2018年5月10日~6月9日安徽宣城市中心城区123条路段上共133,906辆车的44,672,343条轨迹的排放数据.研究结果显示,出租车是CO的重要排放来源且交通兴趣点附近路段排放强度较高;公交车和重型货车是NO的重要排放来源,公交车工作日NO排放总量达1.3kg,约为重型货车的7.5倍,且路线固定、排放分布随发车班次周期循环;轻型货车排放路线多围绕货运需求且多为昼间行驶,而重型货车多选择凌晨出行;通勤类私家车工作日昼出夜归,路线固定且往返过程各污染物排放量均较稳定.对于全路网,CO、VOCs的高排放强度区域多集中于中心路网,NO、PM则多分布于外围路网.

排放轨迹计算；典型车辆；时空特征；车辆身份检测

随着机动车保有量的持续增长,机动车污染已成为我国空气污染的重要来源[1],对经济发达及人口密集地区活动人群的健康造成极大威胁[2-3].近年来国家对机动车排气污染防治越发重视,先后发布了《大气污染防治行动计划》[4]、《柴油货车污染治理攻坚战行动计划》[5],与此同时从全国到地方也出台了一系列以应对机动车排气污染为目标的政策法规.在国家层面,通过制定新的在用车排放标准以及印发全国机动车环境管理能力建设标准要求[6],为机动车监管提供技术支撑与决策支持[7].在地方层面,从北上广深等机动车保有量较大的一线城市到各中小型城市,地方政府逐渐开始制定对于高排放车辆的限行政策以及禁行政策[8-9].不同城市发展形态决定了不同的机动车污染成因[10],本地化、精细化的机动车污染治理政策需求日趋强烈[11],而建立重点车辆排放轨迹则是实现精细精准防控的关键.

现有研究中,多采用自上而下或自下而上的方法计算区域机动车排放总量或动态交通路网排放量以开展机动车排放特征、来源的研究.即通过获取研究区域内机动车保有量、车流量、车型分布、年均行驶里程、平均行驶速度等参数分析排放来源及减排效果[12-13].Yang等[14]根据排放清单编制指南[15]中的方法建立了2014年京津冀地区的机动车排放清单,并对比多种设定排放情景.为实现精细化的政策制定与评估,部分研究选用了自下而上的排放计算方法.近年来自下而上排放计算的研究热点仍集中于路段及车队层面,Liu等[16]结合不同道路类型下逐小时交通流数据构建了2014年佛山市高时空分辨率路网排放清单,得到了不同区域不同时段内车队排放的时空特征.Zhang等[17]利用南京市丰富的ITS (Intelligent Transportation System)数据资源,结合路段视频监控数据、浮动车GPS(Global Positioning System)数据以及RFID(Radio Frequency Identification)等数据,建立了南京市逐小时路段水平的机动车动态排放清单.上述研究能实现小时尺度区域、路段或车队的排放研究.

要实现单车尺度的排放量计算需要大量动态、精细的路网交通数据.现有许多研究利用VISUM[18-19]、AIMSUN[20]、Paramics[21]等交通仿真模型解决真实数据难以获取的问题或结合模型仿真预测相关排放政策的实施效果.但随着视频电警式卡口不断密集布设完善以及城市交通大脑的初步发展,使得不仅可获得真实路段交通流量,也可建立每辆车的运行轨迹,使路网交通排放量精准计算成为可能.

安徽省宣城市具有交通数据丰富、交通设施覆盖密集的优势,因此本文基于对宣城市中心城区电警式卡口过车数据的采集,通过对车辆时空数据的提取及后处理,重构路网上车辆的行驶轨迹以实现对单辆车动态排放轨迹的追踪,为实现动态化、精准化的路网车辆排放水平评估及重点排放来源分析打下基础,为制定针对性的机动车减排管控措施提供重要的决策依据和技术支持.

1 研究方法

1.1 研究数据情况

安徽省宣城市区域化智能交通平台的搭建为精准掌控当地每天的车辆出行数量、出行时间、所在路段并重构其行驶轨迹提供了重要条件.本研究以宣城市中心城区为研究区域,中心城区占地面积28km2,道路长度约100km,其信控路口的电警卡口覆盖率高达76%,电警式卡口可以快速高效地检测出通过相应路段车辆的车牌号码、经过时间等信息.

研究区域路网及卡口分布如图1所示,路网由宣城市中心城区的54条主干道、49个停车场及101个电警式卡口构成,根据卡口分布进一步划分为123条路段(Link),相邻两路口的卡口间形成一条路段.本研究采集了上述123条路段2018年5月10日至6月9日的逐秒过车记录数据,并对数据进行清洗和质控.

1.2 研究方法概述

研究方法结构图如图2所示,通过卡口过车数据的时空信息重构每辆车的出行轨迹,轨迹数据可精确到单辆车在路网内某条路段上的驶入驶出时刻;通过车辆管理所的机动车保有量数据补充车辆技术参数,匹配排放模型中的车辆类型;根据轨迹数据中自带的时间、空间属性,计算车辆在各路段运行轨迹的平均行程速度,进而获得运行工况参数;将上述参数输入排放模型获得各污染物排放因子,结合路段长度计算单车轨迹排放量,以分析不同车辆排放轨迹的时空特征.

图2 研究方法结构

1.3 道路移动源活动水平获取

图3 车辆出行轨迹示意

对车辆出行轨迹的重构依赖于分布在路网上的电警式卡口.卡口布局于停车场或各路段两端,通过对车辆身份信息的识别,获取每辆车通过单个卡口的时间;分析同一辆车先后通过同一路段两端点处卡口的时间,得到单辆车在该路段的驶入、驶出时间及行驶方向;以每辆车为单位汇总其在路网上出现的时间、位置序列,即可初步重构路网上各车辆的行驶轨迹.

1.3.2 车辆运行速度计算 由1.3.1所述可知,表征车辆出行轨迹参数包括驶入驶出时间、所在路段及运行速度,其中驶入驶出时间和所在路段可在轨迹重构后获得,而运行速度则是指每个轨迹单元中车辆在所属路段上的平均行程速度.计算公式如下:

1.4 排放计算

1.4.1 车辆类型匹配 车辆技术水平数据是影响机动车排放量的重要参数.目前只能获得宣城市本地车辆的技术参数,由宣城市机动车保有量数据库提供.由于IVE模型中现有车型分类丰富,本研究参考IVE模型获得车辆排放因子.考虑到与排放因子模型的对接,需对保有量数据库中的车辆初次登记日期、排放标准等数据进行一定的换算和标准化.其中初次登记日期可转化为车龄,再参考排放清单指南[15]中不同类型机动车的年均行驶里程换算各辆车的总行驶里程.通过对保有量数据库中排放标准登记格式标准化,宣城市机动车排放控制水平为国Ⅰ~国Ⅴ.

对上述技术参数标准化后,即可根据车辆总质量、燃料类型、发动机排量、排放标准、总行驶里程等参数与排放模型进行车辆类型匹配.从重构后的车辆轨迹数据出发,以轨迹单元为单位,以车牌号码与号牌种类为车辆唯一标识,将保有量数据库中调取的车辆类型信息补充到相应车辆的各轨迹单元数据中.

1.4.2 排放因子确定 根据车辆类型参考IVE模型获得基础排放因子,再经过一系列修正得到不同技术参数和运行工况下的CO、NO、VOCs、PM污染物排放因子,计算公式如下:

1.4.3 运行排放量计算 结合所得不同技术参数和运行工况下的各污染物排放因子,利用公式(3)计算单辆车在单个轨迹单元的排放量.

亦可将一小时内各路段上的排放量求和,得到路网中的逐小时排放总量,计算式如下:

2 案例研究与讨论

2.1 车辆运行特征

2.1.1 动态行驶轨迹表征 采用上述方法从单车层面构建了2018年5月10~6月9日路网上133,906辆本地车的动态行驶轨迹.结合ArcGIS技术将带有时空属性的车辆运行轨迹数据加载在路网上,可以清晰地展示单辆车不同时段内在路网上各路段的运行轨迹.考虑篇幅受限,随机选取了一辆行驶里程较大、路线较为灵活的出租车A为例,该车在2018年5月16日13:00~14:00每15min的动态行驶轨迹,如图4所示.其中,第二段轨迹中该出租车存在一些循环驾驶路径,推断该车可能处于空载状态,此时该车围绕着医院、广场、住宅小区等兴趣点较密集的区域行驶,以此提高载客率.

2.1.2 总体流量特征分析 由图5可见,交通流量的逐小时变化趋势在工作日和非工作日有较大差异,以早晚时段中流量最大值所对应的小时表征早晚高峰,可以发现工作日呈现出明显的早晚高峰现象,早高峰多出现在07:00~08:00而晚高峰多为17:00~18:00;非工作日早晚高峰现象较工作日不明显,早高峰较工作日略有延迟,晚高峰基本一致;总体上工作日的早晚高峰日均流量分别比非工作日高出21.3%与9.9%,而非工作日的日均平峰期流量则略高于工作日,平均高出3.7%.

图4 出租车A动态行驶轨迹(2018年5月16日13:00~14:00)

箭头表示行驶方向

图5 一周小时交通流量变化特征

2.2 车辆排放特征

2.2.1 小时排放特征分析 由上文可知,工作日和非工作日的交通流特征有较大差异,选取流量逐小时变化趋势与月均曲线较吻合且在同一周内的2018年5月16日(周三)及2018年5月20日(周日)作为典型工作日及非工作日,分析两个特征日的各污染物逐小时排放曲线,如图6、图7所示.可以发现,受交通流量典型日变化、工作日与非工作日差异的影响,工作日与非工作日的排放特征也有明显差异,VOCs、CO、NO及PM在典型工作日的早晚高峰小时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异化分布于08:00~09:00、16:00~17:00,因此将工作日与非工作日分开进行讨论.工作日与非工作日各污染物的日间排放总量均超过80%.

对比了不同研究中主干道的日均排放强度,如表1所示.受城市发展水平影响,本研究所得排放强度相较其他两市整体较低,但总体上呈现出工作日排放强度略大于非工作日的现象,高出约0.6%~ 10.2%.其中CO及VOCs排放强度明显偏低,可能由于本研究仅面向宣城市中心城区且该区域对摩托车限行,而在Liu等[16]的研究中指出摩托车是CO及VOCs的主要排放来源,因此导致本研究CO与VOCs排放强度较佛山市偏低.

图6 典型工作日各污染物逐小时排放曲线

图7 典型非工作日各污染物逐小时排放曲线

表1 主干道日均排放强度与其他研究的对比

注: -为无数据.

2.2.2 排放轨迹特征分析 根据不同的使用性质选取了四类典型车辆:出租车、公交车、货车和私家车,由于大部分货车在中心城区存在限行情况而蓝色号牌的轻型货车却不被限行,因此本研究分别分析了轻型货车和重型货车的排放特征.随机挑选5部车辆分析其在典型工作日与非工作日的全天排放轨迹及其时空特征,被选为分析对象的各车详细参数如表2所示.

(1)出租客运车辆

出租车B在典型工作日与非工作日的排放特征如图8所示.由图可知,空间上出租车运行范围较大,单日行驶路段可覆盖约51.9%的路网,典型工作日与非工作日的单日累积行驶里程分别为159.9km和166.1km;出租车的行驶路段多围绕医院、住宅小区等人员密集地区,且交通热点附近路段平均速度较低导致其排放强度较高.该出租车通常固定时间上下班且非工作日的营运时长较工作日略有减少,整体运营时间集中于06:00~24:00之间;由于该车在非工作日夜间运行次数较少,排放量的时间分布在非工作日呈现出明显的昼夜差异,CO的昼间排放量约为全天排放总量的84.6%.

表2 不同使用性质下各研究车辆参数

图8 出租车B全天排放的时空分布

(a)、(b)为典型工作日与非工作日排放轨迹(排放轨迹以CO排放展示),(c)、(d)为典型工作日与非工作日各污染物小时排放量

(2)公交客运车辆

公交车C在工作日与非工作日的排放特征如图9所示,两者无明显时空特征差异.与出租车的灵活性不同,公交车行驶路线基本固定,且作为公共交通工具需考虑其便民特性,因此路径规划时尽可能的涵盖住宅小区、医院、广场、学校等市民出行需求较大的场所,部分路段采取了往返路线不同的策略;该公交车的行驶路段可覆盖约26%的路网,约为出租车B的一半;由于该辆公交车非工作日较工作日提前一小时停止运营,工作日与非工作日的单日累积行驶里程分别为147km和126km,约为出租车的75.9%~91.9%.公交车C的工作日运营时间集中于06:00~20:00而非工作日则为06:00~19:00,相比于出租车B减少了夜间工作时长;受路径固定影响,各班次行驶路况条件极为相似,因此排放量的时间分布整体上也呈现出一定的周期性规律,以小时排放量为表征单位时循环周期约为5h;将从始发站到终点站之间的一次完整行驶定义为单个班次,则单个班次运行排放的NO约为全天总排放量的8.9%.

图9 公交车C全天排放的时空分布

(a)、(b)为典型工作日与非工作日排放轨迹(排放轨迹以NO排放展示),(c)、(d)为典型工作日与非工作日各污染物小时排放量

(3)货运车辆

轻型货车为蓝色牌照的不限行货车,可以在中心城区内行驶;由轻型货车D的排放时空分布(图10)可见,其停车点位附近多有大型超市、菜市场等分布,符合其短途货物运输的特征;其出行轨迹根据货物运输的需求不同而变化;对比工作日,非工作日轻型货车的出行时长、出行次数和出行里程都有所下降,工作日与非工作日行驶路段的路网覆盖率分别为32.5%和25.2%,单日累积行驶里程分别为43.6km和25.8km,均明显低于出租车B和公交车C.该轻型货车的活动时间多为昼间;从全天来看轻型货车的出行时间虽然也具有一定的随机性,但根据货物运输需求在一定时间范围内会集中出行,且多选择错开早晚高峰期出行;如图该货车选择的出行时段有08:00~10:00、13:00~17:00以及19:00~ 20:00.

由重型货车E的排放时空分布(图11)可见,重型货车受限行政策影响,其活动范围多围绕中心城区外围的路网分布;由于多为过境车辆,工作日与非工作日在研究区域内的行驶路段仅占路网的14.8%和12.1%.同样受限行政策影响,重型货车E的活动时间集中在01:00~07:00的凌晨时段;该车在研究路网上凌晨01:00~02:00行驶最为活跃,因此该时段NO排放量最高,分别占工作日与非工作日排放总量的60.0%和40.7%.受载重水平及排放标准等参数影响,重型货车NO最高小时排放量约为轻型货车C的6.8倍,对比公交车时这一参数则仅占公交车NO最高小时排放量69.9%,这是由于公交车反复起停导致路段平均速度偏低且在一个小时内几乎连续运行,而重型货车仅在一小时内的部分时段行驶.

图10 轻型货车D全天排放的时空分布

(a)、(b)为典型工作日与非工作日排放轨迹(排放轨迹以NO排放展示),(c)、(d)为典型工作日与非工作日各污染物小时排放量(4)非营运车辆

图11 重型货车E全天排放的时空分布

(a)、(b)为典型工作日与非工作日排放轨迹(排放轨迹以NO排放展示),(c)、(d)为典型工作日与非工作日各污染物小时排放量

图12 私家车F工作日昼夜排放的时空分布

(a)、(b)为典型工作日昼间、夜间排放轨迹(排放轨迹以CO排放展示),(c)为典型工作日各污染物小时排放量

图13 典型工作日5辆车各污染物排放总量

特别的,私家车F在典型非工作日2018年5月20日没有出行记录,且其在典型工作日的排放轨迹呈现出明显的昼夜分界,因此分析时将该车在工作日昼间和夜间的排放轨迹分开进行讨论.由图12可以看出,该私家车行驶路线较为固定且昼间出发点与夜间返回点均为住宅小区所在区域, 为典型的通勤车辆;该车运行路段约覆盖9.0%的研究路网;其工作日的单日累积行驶里程为15.5km.该车于07:00~ 08:00外出、17:00~18:00返回住所完成整个通勤过程;且排放水平在两次行程中也较为稳定,往返过程中各承担了约50%的工作日CO排放总量.

总的来看,在出行特征方面,出租车、公交车及重型货车无明显工作日与非工作日差异,轻型货车工作日出行较为频繁,通勤类私家车非工作日无出行记录;货车和私家车单日累积行驶里程约为出租车和公交车的9.3%~27.3%.在空间分布上,出租车与公交车多围绕人群密集区域行驶,出租车轨迹随机、公交车路线固定;轻型货车则根据货物运输需求围绕市场运行;重型货车受限行政策影响多分布于城区外围;私家车则选择通勤路线.在排放时间特征方面,出租车与公交车运营时段长且稳定,出租车受不同路况等条件影响排放量的时间分布体现出随机特点,公交车随发车班次呈周期性分布;轻型货车排放多分布于昼间,而重型货车则倾向于凌晨出行;私家车在工作日呈现出昼出夜归的典型通勤特点.以典型工作日为例分析上述5辆车各污染物的日排放总量,如图13所示.公交车及重型货车是NO的重要排放来源;柴油公交车因连续运行时间长且89.3%的路段平均速度低于30km/h,NO日排放总量约为重型货车的7.5倍.出租车是CO的重要排放来源,出租车CO日排放总量为公交车的4.5倍.通过对车辆排放轨迹的精准掌控及其在不同时段、不同路段下排放的时空特征分析,以实现单车层面的重点排放来源管控,对精细化排放控制政策的制定具有重要的支撑作用.

2.2.3 排放强度特征分析 为实现对路网机动车排放强度的时空分析,本文挑选了典型工作日的最低及最高排放小时,将所有车辆排放数据汇总,以路段为单位在区域路网地图上显示各污染物集中排放的强度,如图14、图15所示.

图14 典型工作日最低排放小时(2018年5月16日02:00~03:00)机动车排放强度空间分布

图15 典型工作日最高排放小时(2018年5月16日07:00~08:00)机动车排放强度空间分布

从时间维度,对比典型工作日02:00~03:00及07:00~08:00的小时排放强度,CO、NO、VOCs、PM的最大路段排放强度在02:00~03:00分别为0.13kg/ (h·km)、0.25kg/(h·km)、0.01kg/(h·km)、0.02kg/(h·km);在07:00~08:00为1.80kg/(h·km)、2.37kg/(h·km)、0.21kg/(h·km)、0.47kg/(h·km),可见道路排放强度在一天中的小时变化显著.

从空间角度,无论是最低还是最高排放小时,各污染物的高排放强度区域都呈现出相似的分布特征,即CO、VOCs集中于路网中心区域,而NO、PM则更倾向于分布在外围路网.这可能是由于CO和VOCs的主要排放来源为出租车和轻型客车,其行驶轨迹多围绕交通热点密集的中心路网分布;而重型货车作为NO和PM的主要排放来源,受限行政策影响其多活动于外围路网.此外,对比02:00~03:00及07:00~08:00的NO排放强度分布可以发现,随着昼间公交车开始运行,公交车线路密集的路网中心区域NO排放强度等级有了明显的增强.

3 结论

3.1 5辆典型车辆的排放轨迹呈现出较大的时空特征差异.出租车行驶里程较大、运营时间较长且排放路线随机、时间随机,CO排放贡献较高;公交车为NO主要排放源,行驶里程及运行时间略低于出租车且路线固定,排放呈现出一定的周期性;轻型货车行驶里程较短,排放路线多围绕运输需求且多为昼间行驶;重型货车多选择凌晨出行,其行驶轨迹多分布于外围路网;通勤类私家车工作日昼出夜归,往返排放量较稳定.

3.2 全路网的路段排放强度存在明显的小时变化特征,且各污染物的排放强度存在一定的空间分布差异,其中CO、VOCs的高排放强度区域多集中于中心路网,而NO、PM则多分布于外围路网.

[1] 中华人民共和国环境保护部.中国机动车污染防治年报(2018版) [R]. 北京:中华人民共和国环境保护部, 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] 单 丽,江 飞,贺晓婧,等.中国道路交通源大气污染的健康影响评估 [J]. 中国环境管理, 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] 宋兵跃,胡可臻,吴建平,等.不同交通模式下CO和NO的暴露水平研究 [J]. 中国环境科学, 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] 中华人民共和国国务院.国务院关于印发大气污染防治行动计划的通知 [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] 中华人民共和国生态环境部.关于印发《柴油货车污染治理攻坚战行动计划》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] 中华人民共和国环境保护部.关于印发全国机动车环境管理能力建设标准的通知 [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] 杨 博.机动车排放污染管理现状问题分析 [J]. 建材与装饰, 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.机动车道路交通管理中的限制性政策探析 [J]. 黔南民族师范学院学报, 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] 朱怡静.中外机动车管理政策对比分析 [C].//《环境工程》编委会、工业建筑杂志社有限公司.《环境工程》2018年全国学术年会论文集(中册).《环境工程》编委会、工业建筑杂志社有限公司:《环境工程》编辑部, 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 兰,周忆南,李朝鹏,等.城市机动车限行政策对雾霾污染治理的成效分析 [J]. 中国人口·资源与环境, 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] 刘跃军.完善机动车调控政策精细化管理水平的几点建议 [A].//中国智能交通协会.第十三届中国智能交通年会大会论文集 [C]. 中国智能交通协会:中国智能交通协会, 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] 杨 雯,王学军,张倩茹.基于高精度清单的京津冀机动车控污政策研究 [J]. 中国环境科学, 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] 孙世达,姜 巍,高卫东.青岛市机动车排放清单与空间分布特征 [J]. 中国环境科学, 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] 中华人民共和国环境保护部.道路机动车大气污染物排放清单编制技术指南 [Z]. 北京:中华人民共和国环境保护部, 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 颖(1995-),女,安徽合肥人,中山大学硕士研究生,主要从事交通与环境、机动车污染等相关研究.

2019-04-04

国家重点研发计划项目(2018YFB1601100);国家重点研发计划项目(2017YFC0212100);广东省科技计划项目(2017B010111007)

* 责任作者, 副教授, liu_its@163.com