EN中文

Journal of Geo-information Science >

2023 , Vol. 25 >Issue 11: 2191 - 2203

DOI: https://doi.org/10.12082/dqxxkx.2023.230300

Construction of a Micro Model for CO2 Emissions from CNG Taxi Based on Trajectory Data and Deep Learning Method and Evaluation of Carbon Reduction Benefits

  • LIU Qi , 1, 2 ,
  • CHEN Biyu , 1, 2, * ,
  • LI Xinyi 1, 2
Expand
  • 1. State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China
  • 2. GeoComputation Center for Social Sciences, Wuhan University, Wuhan 430079, China
*CHEN Biyu, E-mail:

Received date: 2023-05-31

  Revised date: 2023-09-02

  Online published: 2023-11-02

Supported by

National Key Research and Development Program of China(2021YFB3900900)

National Natural Science Foundation of China(42271473)

Natural Science Foundation of Hubei Province of China(2020CFA054)

Fold

Abstract

Many large cities have been actively promoting the policy of "replacing oil with gas" for taxis. Taxis are converted from traditional gasoline consumption to Compressed Natural Gas (CNG) to achieve energy conservation and emission reduction goals. To accurately evaluate the carbon dioxide (CO2) emission reduction benefits of CNG taxis, taking Wuhan as an example, a vehicle microscopic CO2 emission model based on deep learning method and trajectory data was proposed to investigate the spatial-temporal characteristics of CO2 emissions of taxis under different fuel scenarios. Considering the driving feature sequence and fuel type of vehicles, the Portable Emission Measurement System (PEMS) was used to collect vehicle CO2 emission data in the road test experiment, then we constructed a vehicle microscopic CO2 emission model by the BiLSTM algorithm and further verified its accuracy. Based on the proposed CO2 emission model and the trajectory data of 15 752 Wuhan taxis, the CO2 emissions throughout the entire lifecycle of urban taxis by 92# gasoline and CNG were estimated respectively to quantify the CO2 emission reduction benefits of CNG taxis. The results show that the proposed model had a higher accuracy than common regression algorithms such as SVR and LSTM, and the predictions matched well with real vehicle CO2 emission changes, meeting the accuracy for a large-scale estimation of urban taxi CO2 emissions. In addition, the accuracy of taxi CO2 emission estimation based on deep learning methods was also higher than that of physical microscopic models such as IVE and CMEM. Especially, when using CNG as vehicle fuel, the physical models had significant computational errors due to not involving technical parameters. The empirical results show that, taxi CO2 emissions using CNG were reduced by 22.05% during the PTW process and by 49.45% during the WTP process, compared to emissions using 92 # gasoline. Our results reveal both the temporal and spatial patterns of taxi CO2 emission as well as the CO2 emission reduction benefits of CNG taxis. The outperformance of deep learning methods over other methods for estimating vehicle CO2 emissions provides new ideas for large-scale and high-precision estimation of vehicle emissions. The CO2 emission reduction benefits of using CNG as fuel in taxis are significant, which provides a reference for the government to formulate relevant energy-saving and CO2 emission reduction policies.

Key words： CO2 emissions; CNG taxi; vehicle trajectory data; deep learning; energy saving and emission reduction; spatiotemporal analysis; oil to gas; energy lifecycle

Cite this article

LIU Qi , CHEN Biyu , LI Xinyi . Construction of a Micro Model for CO2 Emissions from CNG Taxi Based on Trajectory Data and Deep Learning Method and Evaluation of Carbon Reduction Benefits[J]. Journal of Geo-information Science, 2023 , 25(11) : 2191 -2203 . DOI: 10.12082/dqxxkx.2023.230300

1 引言

随着我国汽车保有量的快速提升，交通行业二氧化碳（Carbon Dioxide, CO2）排放量急剧增长。据统计，汽车等交通运输部门的CO2排放约占全球总CO2排放量的四分之一[1-2]，是造成温室效应的主要原因之一。降低道路交通CO2排放已经列入到我国碳达峰、碳中和战略规划中，为此我国为节能减排做了一系列努力[3]，例如很多大城市积极推行出租车“油改气”政策：鼓励出租车由传统的消耗汽油改装成使用压缩天然气（Compressed Natural Gas, CNG），以实现节能减排的目标[4-5]。出租车作为城市交通重要组成部分，对其实现全方位的节能减排可为城市绿色交通的发展做出重要贡献[6-7]。研究高精度的车辆CO2排放模型对于定量评价城市节能减排政策的节能环保效益具有重要意义。
国内外学者针对车辆CO2排放估算研究开展了很多工作，传统的CO2排放模型主要分为宏观模型和微观模型，宏观模型如MOVES(Motor Vehicle Emission Simulator)模型[8]、COPERT (Computer Program To Calculate Emissions From Road Transport)模型[9]等，主要以城市路网各路段的平均速度为主要特征估算大尺度下的CO2排放，忽略了现实中车辆驾驶的实际工况和不同路段路况的差异而导致精度不够高。微观模型考虑了更精细的车辆参数包括车型、质量、发动机参数、速度、加速度等，能够更精准地估计车辆的排放，早期一些学者利用底盘测功机的方法在实验室环境下测试车辆的CO2排放[10-11]，但是没有考虑车辆的实际驾驶工况。一些学者利用便携式排放测量系统（Portable Emissions Measurement Systems, PEMS）通过实际路测实验[12-13]，在车辆上安装PEMS设备，实时收集车辆的排放。使用PEMS尽管考虑了实际驾驶工况，但是由于设备昂贵且安装复杂，大范围地使用PEMS测算城市中出租车的CO2排放难以实现。
定位技术的高速发展以及GPS采样技术的日渐成熟，使得收集出租车的轨迹数据变得容易，出租车 GPS 数据包含了车辆在行驶过程中详细而丰富的运动状态信息[14⇓-16]，为大范围估算城市内出租车的CO2排放提供了契机。一些学者结合物理微观模型在车辆排放估算方面做了很多工作[16]，例如赵永明等[17]利用排放物理模型估算车辆排放，构建了车辆出行排放知识图谱，表征车辆行为与排放的关联关系。Liu等[18]借助出租车GPS轨迹数据和车牌识别数据，利用物理模型估算车辆的CO2排放，以杭州为例揭示了排放热点。Kan等[19]基于出租车GPS数据提取了车辆的活动轨迹，使用CMEM (Comprehensive Modal Emissions Model)模型估算车辆在不同运动状态下的CO2排放，以武汉市为例，探索城市排放的时空分布规律。Chang等[20]以北京市出租车轨迹数据为例，计算了出租车的工况信息，利用IVE (International Vehicle Emissions Model)模型估算了城市内出租车的CO2排放，并通过时空统计分析，探索北京市出租车的CO2排放分布规律。然而这些物理微观模型大多都是发达国家提出，尚不清楚其CO2排放估算精度是否满足中国的出租车，尤其是这些物理微观模型很少涉及CNG车辆的技术参数。
除了传统的物理微观模型，最近一些学者关注基于深度学习的微观模型[21⇓-23]。深度学习方法可以捕捉排放和车辆驾驶条件之间复杂的映射关系，基于深度学习的微观模型可以实现对柴油汽车[24]、汽油车[25]或电动汽车[26-27]排放或能耗的精确估计。例如彭美春等[28]基于BP神经网络构建了汽油车的排放模型，该模型能够捕捉车辆驾驶工况与碳排放的非线性关系;黄赫[29]利用排气污染物检测系统进行整车台架试验，借助深度学习方法构建汽油车尾气估算模型。但是当前基于深度学习开展CNG燃料出租车排放的研究仍较少。
综上所述，针对CNG出租车CO2排放估算微观模型的不足，本文做了3点工作：① 通过实际路测实验，采集车辆驾驶轨迹数据和CO2排放数据，借助深度学习模型构建数据驱动下的CNG出租车排放微观模型，以实现对出租车在不同燃料情景下CO2排放的精确计算，为碳排放估算提供新思路;② 验证了传统微观物理模型如CMEM和IVE模型估算CNG出租车CO2排放的不足，提出了改进方向;③ 利用提出的微观模型对武汉市的出租车分别计算其不同油品下的CO2排放，评价出租车“油改气”背景下的CO2减排效益和时空规律。

2 研究方法

本文的技术路线如图1所示，首先设计了路测实验采集车辆的轨迹数据和CO2排放数据，对其数据预处理并实现地图匹配，接着利用滑动时间窗口提取车辆驾驶特征序列与CO2排放数据形成映射关系，借助BiLSTM深度学习方法构建车辆微观CO2排放模型并评价验证其精度，最后使用城市浮动车数据和提出的模型计算和评价CNG出租车的CO2减排效益。
图1 研究技术路线

Fig. 1 Technical route in this study

2.1 基于深度学习的车辆CO2排放微观模型

2.1.1 车辆驾驶特征序列提取

准确估算CO2排放量是评价CNG出租车减排效益的前提，车辆的驾驶条件影响CO2排放水平，车辆驾驶的运动过程具有时间序列属性，碳排放不仅与当前的瞬时驾驶条件相关，还与过去的驾驶条件序列有关。为更精准地估算碳排放，本文考虑排放与车辆驾驶条件的时空相关性，借助深度学习方法建立车辆驾驶特征序列与碳排放的映射关系，以此实现车辆排放的估算。
车辆在 t时刻的CO2排放可以表示为 c e t(g)，对应的 t时刻车辆的驾驶条件 L t可表示为：
L t = v t , a t , p t , λ t , V S P t
式中： v t是车辆的速度/（m/s）， a t是车辆的加速度 /（m/s2）。速度和加速度是车辆动能和工况变化的直接表现。 p t表示道路的坡度，相同工况时坡度不同直接影响车辆能耗和排放水平，坡度反映车辆驾驶过程中势能的变化。 λ t代表燃料类型，本文主要研究的出租车燃料类型包括常用的92#汽油和CNG，不同燃料类型的能量密度和碳含量不同，排放水平随之不同。车辆比功率（Vehicle Specific Power， VSP）常用于量化车辆的发动机功率需求，即车辆在单位时间内克服所有行驶阻力，例如斜坡阻力、空气阻力、轮胎阻力和加速阻力所做的功， V S P t受到车辆的速度加速度等参数影响，是排放物理模型常用到的参数[20]，具体表达为：
V S P t = v t ( 1.1 a t + 9.81 × s i n ( t a n - 1 p t ) + 0.132 ) + 0.000302 v t 3
为了捕捉车辆驾驶的时序演化特征，使用滑动时间窗口提取驾驶特征序列 X t，来反映时间窗口内的车辆驾驶特征，并作为后续模型的输入，即：
X t = { L t - m , ⋯ , L t }
式中：m是滑动时间窗口的长度。

2.1.2 基于BiLSTM的车辆CO2排放模型建立

为了更好地捕捉车辆CO2排放与驾驶特征序列的非线性关系，利用双向长短期记忆网络（Bidirectional Long Short-Term Memory，BiLSTM）[30-31]学习车辆排放的时序演化机制，构建CO2排放微观模型。LSTM网络常用于解决时间序列建模和分类任务，例如在车辆轨迹分析[32⇓-34]、车辆排放估算等方面有许多应用。BiLSTM 网络由一个前向LSTM 和一个反向LSTM 组成，能够解决长时间依赖的序列建模问题，车辆CO2排放与车辆的驾驶条件时间序列相关，用BiLSTM能更好地捕捉2者的相关性，提高模型性能。用滑动时间窗口提取到车辆驾驶特征序列 X t输入到设计的BiLSTM网络中，模型输出为 t时刻CO2排放值 c e ˆ t。
LSTM单元利用3个门限控制结构（输入门、输出门以及遗忘门）增加神经网络的时序记忆能力，模型基于LSTM对车辆驾驶特征序列进行建模。图2展示了其中第 j个LSTM单元的结构，它的输入是车辆驾驶条件 L j，以及上一个LSTM单元的输出 H j - 1 c e和 C j - 1 c e，分别表示LSTM的隐状态和单元记忆状态。LSTM能够拟合非线性的函数 F c e去估算CO2排放：
图2 第j个LSTM单元结构

Fig. 2 The jth LSTM unit structure

H j c e , C j c e = F c e L j , C j - 1 c e , H j - 1 c e
式中： H j c e和 C j c e是第 j个LSTM单元输出的隐状态和单元记忆状态; F c e函数包括遗忘门、输入门以及输出门的函数，分别用 f j E C, i j E C和 o j E C表示：
f j c e = s i g m o i d ( H j - 1 c e W f h + L j W f X + b f )
i j c e = s i g m o i d ( H j - 1 c e W i h + L j W i X + b i )
o j c e = s i g m o i d ( H j - 1 c e W o h + L j W o X + b o )
C j c e = C j - 1 c e ⊙ f j c e + i j c e ⊙ t a n h ( H j - 1 c e W C h + L j W C X + b C )
H j c e = o j c e ⊙ t a n h ( C j c e )
s i g m o i d x = 1 1 + e - x
t a n h ( x ) = e x - e - x e x + e - x
式中： W f X 、 W i X 、 W o X和 W C H是可学习的权重参数。 b f、 b i、 b o和 b C是可学习的偏置参数。根据设置时间窗口的长度，得到 m个LSTM单元，对应网络输出即为 { H t - m c e , ⋯ , H t c e }。 s i g m o i d x和 t a n h ( x )作为激活函数使用。BiLSTM是每层网络中设计了LSTM的前向传播与后向传播两种方式对时间序列进行训练，得到的隐状态可表示为：
H t = W t → H t → + W t ← H t ← + b t
式中： W t → H t →是 m时刻前向网络加权计算的隐状态结果， W t ← H t ←是后向网络加权计算的隐状态结果， b t为时间 t时刻置参数。最终得到的CO2排放序列即为BiLSTM输出的时间序列 { H t - m , … , H t }。
设计的损失函数利用平均绝对误差的方法，表示为：
l o s s F c e = 1 N ∑ t = 1 N ( c e ˆ t - c e t ) 2
式中： c e ˆ t是 t时刻CO2排放估算的值; c e t是 t时刻CO2排放的真实值; N是训练集样本数量。CO2排放估算的算法流程如算法1。
算法1：基于BiLSTM的车辆CO2排放估算
Input：车辆驾驶特征 { L t - m , … , L t }，CO2排放序列 Y = c e t
Output：CO2排放估算模型M
begin
1.计算和提取车辆的驾驶特征序列 X t;
2. 生成训练集和测试集 Dtrain 和Dtest 从数据集 X t 和 Y中;
3. For mini batch d in Dtrain
4. For T time window data dT in d
5. for i=1 to T:
6. Input Xt into forward LSTM to encoder h i →
7. Using the backword LSTM to encoder h i →
8. End For
9. Compute Y ˆ t = g ( h t , X t )
10．End For
11．训练模型M 用反向LSTM算法
12. End For
13.存储车辆CO2排放估算模型为 M

2.2 碳减排效益评估方法

燃料产生CO2排放的生命周期过程包括2个阶段，一个是能源投入产出过程，包括原料开采、加工和运输过程，称为WTP（Well-to-Pump）阶段;另一个是车辆驾驶过程中的燃料燃烧过程，称为PTW（Pump-to-Wheels）阶段。为充分分析CNG出租车的CO2减排效益，使用出租车的轨迹数据估算不同燃料2个阶段的CO2排放。
在PTW阶段，借助本文提出的CO2排放模型，来评估城市CNG出租车在车辆驾驶过程中的CO2减排效益，基于轨迹数据，在相同的车辆驾驶条件下，改变出租车的燃料类型参数，利用提出的CO2排放估算模型计算这些出租车在2种燃料情景下的CO2排放，进而计算CNG充当燃料时的CO2减排效益，并从时空角度分别展开分析。空间上，分析不同道路类型下，CNG与92#油的CO2排放统计结果，以及在一天内，出租车在不同燃料类型下CO2排放的空间分布规律。时间上，分析出租车在一天 24 h、一周的CNG相对92#油CO2减排程度。
CNG和汽油在WTP阶段的排放率不同，GREEN(The Greenhouse gases, Regulated Emissions, and Energy use in Transportation Model)用于车辆和燃料技术生命周期评价的模型，经前人工作验证[35]， CNG和汽油燃料在WTP阶段的CO2排放率分别为 P C N G W T P = 26.4 g / k m, P 92 # W T P = 52.3 g / k m。基于轨迹数据，估算CNG和92#油2种情景下WTP阶段的CO2排放，全方面的从能源的生命周期评价CNG出租车的CO2减排效益。

3 研究区数据及模型训练

3.1 研究区概况和数据来源

本文研究区域为武汉市，自2004年起，武汉市政府启动CNG出租车政策，推动出租车以CNG替代汽油。截至2018年底，武汉市机动车保有量约300万辆，其中出租车16 747辆， 94%的出租车使用CNG燃料，其他1 000余辆出租车为电动汽车。武汉市最新的统计数据为2022年公布的出租车数量有17 778辆，新增1 000余辆电动出租车，2018—2022年CNG出租车的数量保持稳定。
数据集分为2个部分。第一部分数据集用于CO2排放模型的建立和评价，是在武汉市经过路测试验采集的出租车GPS轨迹数据、CO2排放数据和路网信息。武汉市出租车型号为东风雪铁龙爱丽舍，重量为1 125 kg，可以使用汽油和CNG作为燃料。利用高频GPS接收器采集到逐秒的车辆位置、高程、速度和加速度信息，并在出租车排气管配备了便携式车载排放检测系统（PEMS）收集CO2排放率（g/m3）和尾气流速（m3/s），计算可得到逐秒CO2排放值cet。使用相关设备在武汉市实际路网中分别采集使用92#汽油和CNG燃料的车辆驾驶工况和CO2排放量，一共采集到2023年6月的共2周内580个行程的数据，涵盖了武汉市不同路况的详细信息。 2种燃料下共采集约120万个轨迹点。第二部分数据用于评价武汉市CNG出租车的CO2减排效益，考虑到2020—2022年正值新冠疫情时期，此段时间与非疫情时期交通出行量差异大，本文使用疫情前的2018年8月2日至8月8日共15 752辆CNG双燃料出租车轨迹信息，此部分数据集由武汉市某匿名出租车运营公司提供，数据的GPS采样频率为30 s一次，数据集中的武汉市路网数据来源于OpenStreetMap网站，包括19 354个节点和26 437条路段来提取道路类型信息。由于出租车车载GPS精度不够高，采样频率有限，为保证CO2排放计算的准确性，首先要对轨迹数据进行预处理，包括轨迹插值和地图匹配，结果如图3所示，插值后的轨迹更加完整，采样频率更高。
图3 轨迹数据插值

Fig. 3 Trajectory data interpolation

3.2 模型训练和评价

上述的第一部分路测数据集用于模型的构建与评价，利用十折交叉验证方法将数据集分成十份，轮流将其中9份作为模型的训练数据，1份作为验证模型精度的测试数据。模型的滑动时间窗口步长为1 s，如图4（a）所示，滑动时间窗口大小影响模型的效果，当设置 m = 15时，模型训练时损失值最小，所以窗口长度设置为15 s。模型初始学习率分别设置为0.01、0.001、0.000 1做了对比实验，从图4（b）中可以看出学习率为0.001时，模型损失值最小，且模型的训练周期设置为150轮时，模型趋于稳定，所以本文模型学习率设置为0.001，训练周期设置为150。为验证所提出的CO2排放模型的效果，与其他方法对比，包括都曾用于车辆的能耗或者排放估算的支持向量回归（Support Vector Regression, SVR）[36]和LSTM[37]。使用的LSTM与上述的BiLSTM模型采用相同参数训练模型，来体现BiLSTM的优势。支持向量回归（SVR）也建立了独立的模型[36]，用于对比评价。
图4 不同参数下的实验结果对比

Fig. 4 Comparison of experimental results under different parameters

除了与上述的机器学习方法对比，还将与2个微观物理模型进行对比，本文选取IVE[20]和CMEM[19]2种常见的车辆微观排放模型，IVE和CMEM模型都是基于物理条件的模型，通过调整包括发动机效率、逐秒速度和海拔、天气条件、车辆型号、燃料类型等参数，定制符合武汉市出租车的工况需求。基于测试数据，来评价物理模型估算CNG出租车CO2排放的性能。
使用测试集，通过以下2个常用指标来评估模型的性能，包括均方根误差（Root Mean Squared Error, RMSE）和平均绝对误差（Mean Absolute Error, MAE）[37-38]，可以表示为：
R M S E = 1 N ∑ t = 1 N y ˆ t - y t 2
M A E = 1 N ∑ t = 1 N y ˆ t - y t
式中： y t是 t时刻真实的CO2排放值/g; y ˆ t是 t时刻估算的CO2排放值/g; N是测试集样本总量。

4 结果及分析

4.1 模型评价结果

本文用MAE和RMSE 2个指标来评价不同算法的表现，表1展示了3种机器学习算法和2种物理模型在逐秒级的估算精度，可以看出SVR因其不能捕捉时间序列特征，效果相对LSTM和BiLSTM较差，当使用92#油时， SVR的MAE为2.29， BiLSTM将其估算的MAE降低了51.96%，达到1.10，当使用CNG时， SVR的MAE为3.17， BiLSTM将其估算的MAE降低了60.88%，达到1.24。且BiLSTM的结果也均高于LSTM。基于BiLSTM的CO2估算模型由于其更好地捕捉车辆驾驶过程的时间序列特征而显著提高了估算精度，满足CNG出租车减排效益评价的精度需求。
表1 3种算法的CO2排放估算性能评价结果

Tab. 1 Evaluation results of CO2 emission estimation performance

模型 92#汽油 CNG
RMSE MAE RMSE MAE
SVR 4.31 2.29 5.29 3.17
LSTM 2.22 1.21 2.53 1.38
BiLSTM 1.98 1.10 2.45 1.24
IVE 3.62 1.38 6.25 4.31
CMEM 3.24 1.29 5.95 3.74

注：加粗数值表示5种模型评价结果中的最优值。

IVE和CMEM 2种物理模型在92#油情景下的估算结果优于SVR模型，与LSTM和BiLSTM相比，精度略低;但是在CNG作为燃料时， 2种物理模型的精度较差，均低于3种机器学习。可见，物理微观模型由于没有考虑车辆驾驶的时序演化特征，效果不及深度学习方法;另外，由于缺乏CNG出租车的详细技术设置， 2种物理模型在CNG情景下的精度较差。后续2种物理模型可以进一步考虑车辆的时间序列特征而非仅考虑局部空间属性，可以捕捉到更详细的车辆驾驶规律，从而提升模型的精度;另外，CMEM和IVE模型需要分析和更新更多技术标准，例如改装的CNG出租车的油品和车型，以完善模型的泛化能力。
为了更详细展示提出的算法估算CO2排放过程，分别随机选择92#汽油和CNG燃料下的1段车辆路测轨迹，用不同算法逐秒的估算值和真值比较结果如图5所示，可以看出，虽LSTM和BiLSTM的估算结果和真值的趋势相近，优于不能捕捉时间序列特征的SVR算法，LSTM算法相较于BiLSTM，会出现高估或者低估的情况。详细的估算过程展示了本文提出的基于BiLSTM排放估算模型能够很好地拟合真实CO2排放变化。
图5 2种油品下各方法估算CO2排放过程

Fig. 5 Estimating CO2 emission processes using various methods under two fuel types

4.2 CNG出租车CO2减排效益时空分析

图6展示了2018年8月3日基于15 752辆出租车轨迹估算得到的不同燃料情景下车辆驾驶过程的CO2排放结果。这一天内，每个轨迹点的CO2排放值被映射到武汉市路网地图中，CO2排放量以不同的颜色分层显示。可以看出，相比于使用汽油，使用CNG时，地图中CO2排放的红色区域明显减少。经统计，CNG情景下出租车在这一天内的总CO2排放量有358.76 t，比92#油情景下的460.26 t降低了22.05%。另外，由于武汉市沿江的主要商业圈道路相对拥堵，车辆运行速度慢，导致CO2排放高，使用CNG时，中心区域的排放热点也会有所减少。
图6 2018年8月3日出租车使用不同燃料类型时CO2排放的空间分布可视化

Fig. 6 Spatial distribution visualization of CO2 emissions when taxis use different fuel types on August 3, 2018

如表2所示，不同类型的道路车流量和规定的车速不同，为从空间角度评价不同道路类型CNG出租车的CO2减排效益。本文将武汉市路网的道路类型分为5个等级，从空间上分析2种油品在不同道路类型上的CO2排放特征。
表2 武汉市路网道路类型信息

Tab. 2 The detailed information of road types in the Wuhan road network.

道路等级 道路类型 限速/（km/h）
1 支路 30
2 次干道 40
3 主干道 60
4 快速路 80
5 高速路 120
通过计算不同类型道路的每个路段排放率来对比分析，可表示为：
∂ = ∀ c e n / w n
式中： ∀ c e n指第 n个路段的CO2排放总和; w n指该路段的长度。
图7展示了92#油和CNG作为燃料时，不同道路类型在这一天内的平均CO2排放率（g/km），可以看出道路等级越低，排放率更高，速度更快的快速路和高速路上出租车的CO2排放率显著较低。低等级的道路在城市中数量占比大，车辆运行数量大，总排放相较于高等级道路更高，这也是排放率高的原因。另外，不同等级道路限速不同，低等级道路在上下班高峰期间拥堵，车辆运行速度慢会造成车辆排放更高，这也是排放率高的重要原因。在各个道路类型中，CNG作为燃料时，CO2排放率始终低于汽油。统计不同道路类型的车辆排放率是从空间角度分析车辆的排放特征，分析CNG在不同道路类型的减排率，有助于交管部门合理安排制定限速限流政策，进而从道路端节能减排。
图7 2018年8月3日92#汽油和CNG燃料情景下不同道路类型的CO2排放率

Fig. 7 Average CO2 emissions of paths of different types under different fuel types on August 3, 2018

图8是武汉市出租车在2种燃料情景下在2018年8月3日CO2排放一天24 h的分布情况，从0:00开始，城市出租车的CO2排放逐渐减少，在凌晨3:00达到最低值;此后，随着道路车辆的增加，CO2排放逐步升高。在早高峰8:00左右、午高峰12:00、晚高峰17:00出租车的CO2排放分别达到峰值。使用CNG时，出租车的CO2排放在不同时间都要远低于使用汽油。
图8 2018年8月3日武汉市出租车在不同油品下CO2排放单日24 h变化

Fig. 8 Hourly variations of CO2 emissions under different fuel types of taxis in Wuhan on August 3, 2018

图9（a）是PTW阶段，武汉市出租车在2种燃料情景下在2018年8月3日—8月9日CO2排放一周的分布情况，在这一周内，节假日周日和周六的CO2排放略高于工作日，这和周末市民出行量大有关。使用92#汽油时，出租车的CO2排放量在这一周内总量为3 325.83 t，使用CNG时，出租车的CO2排放量在这一周内总量为2 628.58 t，相较于汽油降低了20.96%的CO2排放。图9（b）是WTP阶段基于2018年8月3日—8月9日一周的武汉市出租车轨迹，根据GREET模型得到的2种油品在WTP阶段的CO2排放率计算得到的一周内2种燃料情景下CO2排放分布情况。假设全部使用92#汽油时，WTP阶段的CO2排放总量约为325.23 t，全部使用CNG时，WTP阶段的CO2排放总量约为164.39 t，比92#汽油减少160.84 t CO2排放，减排率达49.45%，在燃料的生产投入阶段，使用CNG也可显著降低CO2排放成本。
图9 2018年8月武汉市出租车不同油品下CO2排放一周变化

Fig. 9 Changes in CO2emissions of taxis in Wuhan over a week in August 2018

5 结论

本文在数据驱动下提出了一种基于深度学习方法的车辆CO2排放估算模型，并以武汉市的CNG出租车为例，计算并评价武汉市CNG出租车的CO2减排效益。得出以下结论：
（1）本文以武汉市出租车为例，设计实际路测实验采集92#汽油和CNG燃料情景下的车辆轨迹和CO2排放量，考虑车辆排放的时序演化特性，借助BiLSTM算法构建微观CO2排放模型，模型可以捕捉车辆驾驶的时间序列特征，顾及不同油品实现了CNG和汽油燃料情景下CO2排放的精确估算。并与SVR和LSTM进行对比验证，基于BiLSTM的模型精度有明显提升，估算的CO2排放量与真实值更加吻合。
（2）基于实际路测实验验证了基于深度学习方法估算出租车CO2排放的精度优于物理微观模型IVE和CMEM，尤其是以CNG为车辆燃料时，物理模型由于未涉及其技术参数，导致计算误差较大。因此，使用物理模型时应考虑车辆驾驶的时间序列特征，弥补局部空间属性带来的不足，也需进一步调试补充CNG燃料出租车的技术参数，提高其精度。
（3）评价了武汉市CNG出租车的CO2减排效益， 2018—2022年武汉市CNG出租车数量保持稳定，为避免新冠疫情期间车辆出行量与非疫情期间差异大带来的影响，本文利用出租车微观CO2排放模型和非疫情期间2018年武汉市15 752辆出租车的运行轨迹数据，实现了PTW阶段出租车在汽油和CNG情景下的CO2排放的精确估算，并从燃料的WTP和PTW阶段分别对CNG出租车的CO2减排率进行了分析。实验结果表明，武汉市车辆的CO2排放分布不均匀，城市中心的排放更集中;不同道路等级的排放率也有所不同，低等级道路由于其车速低和车流量大等原因其排放率更高，等级越高（如高速公路）车流量越小且车速越快，其排放率越低。另外，武汉市15 752辆CNG出租车的CO2排放量为358.76 t/日，在汽油情景下的CO2排放量为460.26 t/日，全部出租车由CNG替代汽油可实现22.05%的CO2减排。在能源的WTP阶段，本文借助GREET模型，基于轨迹数据计算了一周内2种燃料下的CO2排放，一周内所有出租车全部使用CNG时，WTP阶段的CO2排放总量约为164.39 t，比92#汽油减少160.84 t CO2排放，在WTP阶段，CNG减排率达49.45%。出租车使用CNG作为能源，在两个阶段均有显著CO2减排效益。
综上所述，基于深度学习方法估算车辆的CO2排放可以实现低成本高精度的估算结果，符合大数据时代对轨迹数据挖掘车辆排放的要求，为大范围高精度估算车辆排放提供新思路。其次，实证结果可以看出，出租车使用压缩天然气作为燃料时的CO2减排效益十分可观，为政府制定相关节能减排政策提供依据。
此外，未来关于评价CNG出租车的减排效益还有几点可以深入探讨，比如本文只针对CO2这一排放气体进行了讨论，未涉及其他尾气如氮化物或硫化物等，借助深度学习同时估算多种尾气排放仍面临着较大的挑战;环境因素如温度和湿度等条件也会对发动机尾气排放产生影响，提出的模型未涉及环境条件，这也是未来继续改进的地方。另外，本文涉及的能源WTP阶段的排放估算过程较为粗略，后续需要更多调研，以实现精细化计算。未来将开展相关研究讨论多种类尾气排放的估算方法，以支持更全面评价CNG出租车的社会经济环保效益。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Deng F Y, Lv Z F, Qi L J, et al. A big data approach to improving the vehicle emission inventory in China[J]. Nature Communications, 2020, 11:2801. DOI:10.1038/s41467-020-16579-w

PMID

[2]
Märtz A, Plötz P, Jochem P. Global perspective on CO2emissions of electric vehicles[J]. Environmental Research Letters, 2021, 16(5):054043. DOI:10.1088/1748-9326/abf8e1

[3]
马静, 柴彦威, 刘志林. 基于居民出行行为的北京市交通碳排放影响机理[J]. 地理学报, 2011, 66(8):1023-1032.

[ Ma J, Chai Y W, Liu Z L. The mechanism of CO2emissions from urban transport based on individuals' travel behavior in Beijing[J]. Acta Geographica Sinica, 2011, 66(8):1023-1032. ]

[4]
王计广, 桂华侨, 杨志文, 等. 实际道路工况下“油改气”双燃料出租车的排放特征[J]. 吉林大学学报(工学版), 2023, 53(1):94-104.

Wang J G, Gui H Q, Yang Z W, et al. Emission characteristics of “oil-to-gas” dual fuel taxis under actual road conditions[J]. Journal of Jilin University (Engineering and Technology Edition), 2023, 53(1):94-104. ] DOI:10.13229/j.cnki.jdxbgxb20210499

[5]
钱芳. CNG/汽油双燃料出租车排放特性研究[D]. 南京: 东南大学, 2015.

[ Qian F. Study on emission characteristics of CNG/gasoline dual-fuel taxi[D]. Nanjing: Southeast University, 2015. ]

[6]
孙杏芳. 基于出租车GPS数据的城市建成环境对交通排放的影响研究[D]. 西安: 长安大学, 2021.

[ Sun X F. Research on the influence of urban built environment on traffic emissions based on taxi GPS data[D]. Xi'an: Changan University, 2021.] DOI:10.26976/d.cnki.gchau.2021.001068

[7]
聂曦, 朱海磊, 吴浩, 等. 出租车智能调度系统温室气体减排方法学研究[J]. 交通节能与环保, 2019, 15(4):48-51.

Nie X, Zhu H L, Wu H, et al. Research on methodology to reduce greenhouse gas emission by means of taxi intelligent dispatching system[J]. Transport Energy Conservation & Environmental Protection, 2019, 15(4):48-51. ] DOI:10.3969/j.issn.1673-6478.2019.04.013

[8]
单肖年, 刘皓冰, 张小丽, 等. 基于MOVES模型本地化的轻型车排放因子估计方法[J]. 同济大学学报(自然科学版), 2021, 49(8):1135-1143,1201.

Shan X N, Liu H B, Zhang X L, et al. Localization of light-duty vehicle emission factor estimation based on MOVES[J]. Journal of Tongji University (Natural Science), 2021, 49(8):1135-1143,1201. ] DOI:10.11908/j.issn.0253-374x.21015

[9]
Nikoleris T, Gupta G, Kistler M. Detailed estimation of fuel consumption and emissions during aircraft taxi operations at Dallas/Fort Worth International Airport[J]. Transportation Research Part D: Transport and Environment, 2011, 16(4):302-308. DOI:10.1016/j.trd.2011.01.007

[10]
Dondero L, Goldemberg J. Environmental implications of converting light gas vehicles: The Brazilian experience[J]. Energy Policy, 2005, 33(13):1703-1708. DOI:10.1016/j.enpol.2004.02.009

[11]
Jahirul M I, Masjuki H H, Saidur R, et al. Comparative engine performance and emission analysis of CNG and gasoline in a retrofitted car engine[J]. Applied Thermal Engineering, 2010, 30(14/15):2219-2226. DOI:10.1016/j.applthermaleng.2010.05.037

[12]
Ghaffarpasand O, Talaie M R, Ahmadikia H, et al. On-road performance and emission characteristics of CNG-gasoline bi-fuel taxis/private cars at the roadside environment[J]. Atmospheric Pollution Research, 2020, 11(10):1743-1753. DOI:10.1016/j.apr.2020.07.017

[13]
Yao Z L, Cao X Y, Shen X B, et al. On-road emission characteristics of CNG-fueled bi-fuel taxis[J]. Atmospheric Environment, 2014, 94:198-204. DOI:10.1016/j.atmosenv.2014.05.027

[14]
邬群勇, 吴祖飞, 张良盼. 出租车GPS轨迹集聚和精细化路网提取[J]. 测绘学报, 2019, 48(4):502-511.

DOI

Wu Q Y, Wu Z F, Zhang L P. GPS trajectory agglomeration and refined road network extraction[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(4):502-511. ] DOI:10.11947/j.AGCS.2019.20180256

[15]
Chen B Y, Luo Y B, Jia T, et al. A spatiotemporal data model and an index structure for computational time geography[J]. International Journal of Geographical Information Science, 2023, 37(3):550-583. DOI:10.1080/13658816.2022.2128192

[16]
单肖年, 陈小鸿. 交通仿真模型融合微观车辆排放模型研究综述[J]. 交通运输工程与信息学报, 2021, 19(2):11-24.

Shan X H, Chen X H. Review of studies that integrate traffic-simulation models with microscopic vehicle-emissions models[J]. Journal of Transportation Engineering and Information, 2021, 19(2):11-24. ] DOI:10.3969/j.issn.1672-4747.2021.02.002

[17]
赵永明, 丁卉, 刘永红. 基于车辆身份检测数据的车辆出行排放知识图谱研究[J]. 中国环境科学, 2022, 42(12):5598-5609.

Zhao Y M, Ding H, Liu Y H, et al. Research on vehicle travel emission knowledge graph based on vehicle identification data[J]. China Environmental Science, 2022, 42(12):5598-5609. ] DOI:10.19674/j.cnki.issn1000-6923.20220914.010

[18]
Liu J L, Han K, Chen X Q, et al. Spatial-temporal inference of urban traffic emissions based on taxi trajectories and multi-source urban data[J]. Transportation Research Part C: Emerging Technologies, 2019, 106:145-165. DOI: 10.1016/j.trc.2019.07.005

[19]
Kan Z H, Tang L L, Kwan M P, et al. Fine-grained analysis on fuel-consumption and emission from vehicles trace[J]. Journal of Cleaner Production, 2018, 203:340-352. DOI:10.1016/j.jclepro.2018.08.222

[20]
Chang X M, Chen B Y, Li Q Q, et al. Estimating real-time traffic carbon dioxide emissions based on intelligent transportation system technologies[J]. IEEE Transactions on Intelligent Transportation Systems, 2012, 14(1):469-479. DOI:10.1109/TITS.2012.2219529

[21]
戴金池, 庞海龙, 俞妍, 等. 基于LSTM神经网络的柴油机NOx排放预测[J]. 内燃机学报, 2020, 38(5):457-463.

Dai J C, Pang H L, Yu Y, et al. Prediction of diesel engine NOx emissions based on long-short term memory neural network[J]. Transactions of CSICE, 2020, 38(5):457-463. ] DOI:10.16236/j.cnki.nrjxb.202005059

[22]
张昊卓. 视频汽车尾气检测及域适应和泛化性研究[D]. 杭州: 浙江大学, 2022.

[ Zhang H Z. Research on video vehicle exhaust object detection and domain adaptation and generalizability[D]. Hangzhou: Zhejiang University,202 2. ]

[23]
Heni H, Arona Diop S, Renaud J, et al. Measuring fuel consumption in vehicle routing: New estimation models using supervised learning[J]. International Journal of Production Research, 2023, 61(1):114-130. DOI:10.1080/002 07543.2021.1948133.

[24]
Yu Y, Si X S, Hu C H, et al. A review of recurrent neural networks: LSTM cells and network architectures[J]. Neural Computation, 2019, 31(7):1235-1270. DOI:10.1162/ne co_a_01199.

PMID

[25]
Ziółkowski J, Oszczypała M, Małachowski J, et al. Use of artificial neural networks to predict fuel consumption on the basis of technical parameters of vehicles[J]. Energies, 2021, 14(9):2639. DOI:10.3390/en14092639

[26]
Chen Y C, Zhang Y T, Sun R X. Data-driven estimation of energy consumption for electric bus under real-world driving conditions[J]. Transportation Research Part D: Transport and Environment, 2021, 98:102969. DOI: 10.1016/j.trd.2021.102969

[27]
Qi X W, Wu G Y, Boriboonsomsin K, et al. Data-driven decomposition analysis and estimation of link-level electric vehicle energy consumption under real-world traffic conditions[J]. Transportation Research Part D: Transport and Environment, 2018, 64:36-52. DOI:10.1016/j.trd.20 17.08.008

[28]
彭美春, 阳晨, 李君平, 等. 基于BP神经网络的车辆碳排放测算研究[J]. 广东工业大学学报, 2023, 40(1):107-112.

Peng M C, Yang C, Li J P, et al. A research on vehicle carbon emission calculating method based on BP neural network[J]. Journal of Guangdong University of Technology, 2023, 40(1):107-112. ] DOI:10.12052/gdutxb.220103

[29]
黄赫. 基于深度学习的汽油车排气污染物预测模型研究[D]. 哈尔滨: 东北林业大学, 2022.

[ Huang H. Research on prediction model of gasoline vehicle exhaust pollutant based on deep learning[D]. Harbin: Northeast Forestry University, 2022. ] DOI:10.27009/d.cnki.gdblu.2022.001383

[30]
张新锋, 王万宝, 柳欢, 等. 高速动态交通场景下自动驾驶车辆换道意图识别模型研究[J]. 汽车技术, 2023(4):8-15.

Zhang X F, Wang W B, Liu H, et al. Research on lane change intention recognition model of automated vehicle in high-speed dynamic traffic scenario[J]. Automobile Technology, 2023(4):8-15. ] DOI:10.19620/j.cnki.1000-3 703.20220780

[31]
郭应时, 张瑞宾, 陈元华, 等. 基于观测数据潜在特征与双向长短期记忆网络的车辆轨迹预测[J]. 汽车技术, 2022(3):21-27.

Guo Y S, Zhang R B, Chen Y H, et al. Vehicle trajectory prediction based on potential features of observation data and bidirectional long short-term memory network[J]. Automobile Technology, 2022(3):21-27. ] DOI:10.19620/j.cnki.1000-3703.20210417

[32]
Hou L, Xin L, Li S E, et al. Interactive trajectory prediction of surrounding road users for autonomous driving using structural-LSTM network[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 21(11):4615-4625. DOI:10.1109/TITS.2019.2942089

[33]
Du Y, Cui N X, Li H X, et al. The vehicle’s velocity prediction methods based on RNN and LSTM neural network[C]// 2020 Chinese Control and Decision Conference (CCDC). IEEE, 2020:99-102. DOI:10.1109/CCDC493 29.2020.9164532

[34]
雷昊. 基于历史行为序列识别的环境车辆驾驶意图及轨迹预测[D]. 长沙: 湖南大学, 2021.

[ Lei H. Driving intention and trajectory prediction of environmental vehicles based on historical behavior sequence recognition[D]. Changsha: Hunan University, 2021. ] DOI:10.27135/d.cnki.ghudu.2021.003795.

[35]
王攀. 电动汽车与天然气车全生命周期环境影响评价研究[D]. 西安: 长安大学, 2018.

[ Wang P. Life cycle assessment of environmental impacts from electric vehicles and natural gas vehicles[D]. Xi'an: Changan University, 2018. ]

[36]
Yao Y, Zhao X H, Liu C, et al. Vehicle fuel consumption prediction method based on driving behavior data collected from smartphones[J]. Journal of Advanced Transportation, 2020, 2020:1-11. DOI:10.1155/2020/9263605

[37]
Jia T, Zhang P C, Chen B Y. A microscopic model of vehicle CO2 emissions based on deep learning—a spatiotemporal analysis of taxicabs in Wuhan, China[J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 23(10):18446-18455. DOI:10.1109/TITS.2022.3151655

[38]
Willmott C J, Matsuura K. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance[J]. Climate Research, 2005, 30:79-82. DOI:10.3354/cr030079

Options
Outlines

/

〈 〉