基于轨迹数据和深度学习的CNG出租车CO2排放微观模型构建及碳减排效益评估方法

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：

（1）

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：

（2）

\begin{array}{l} V S P_{t} = v_{t} (1.1 a_{t} + 9.81 \times s i n (t a n^{- 1} p_{t}) + 0.132) + \\ 0.000302 {v_{t}}^{3} \end{array}

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：

（3）

X_{t} = {L_{t - m}, \dots, 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 ${\hat{c e}}_{t}$ 。

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

图2 第j个LSTM单元结构

Fig. 2 The j^th LSTM unit structure

（4）

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：

（5）

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})

（6）

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})

（7）

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})

（8）

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})

（9）

H_{j}^{c e} = o_{j}^{c e} ⊙ t a n h (C_{j}^{c e})

（10）

s i g m o i d (x) = \frac{1}{1 + e^{- x}}

（11）

t a n h (x) = \frac{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 ${H_{t - m}^{c e}, \dots, H_{t}^{c e}}$ 。 $s i g m o i d (x)$ 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：

（12）

H_{t} = \vec{W_{t}} \vec{H_{t}} + \overset{\leftarrow}{W_{t}} \overset{\leftarrow}{H_{t}} + b_{t}

式中： $\vec{W_{t}} \vec{H_{t}}$ 是 $m$ 时刻前向网络加权计算的隐状态结果， $\overset{\leftarrow}{W_{t}} \overset{\leftarrow}{H_{t}}$ 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 ${H_{t - m}^{}, \dots, H_{t}^{}}$ 。

设计的损失函数利用平均绝对误差的方法，表示为：

（13）

l o s s F_{c e} = \frac{1}{N} \sum_{t = 1}^{N} ({\hat{c e}}_{t} - c e_{t})^{2}

式中： ${\hat{c e}}_{t}$ 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 ${L_{t - m}, \dots, L_{t}}$ ，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 D_train 和D_test 从数据集 $X_{t} 和 Y$ 中;
3. For mini batch d in D_train
4. For T time window data d_T in d
5. for i=1 to T:
6. Input X_t into forward LSTM to encoder $\vec{h_{i}}$
7. Using the backword LSTM to encoder $\vec{h_{i}}$
8. End For
9. Compute ${\hat{Y}}_{t} = g (h_{t}, X_{t})$
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

新窗口打开| 下载CSV

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ce_t。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

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

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：

（14）

R M S E = \sqrt{\frac{1}{N} \sum_{t = 1}^{N} {({\hat{y}}_{t} - y_{t})}^{2}}

（15）

M A E = \frac{1}{N} \sum_{t = 1}^{N} |{\hat{y}}_{t} - y_{t}|

式中： $y_{t}$ 是 $t$ 时刻真实的CO₂排放值/g; ${\hat{y}}_{t}$ 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
模型	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。

新窗口打开| 下载CSV

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

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

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 CO₂emissions 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

新窗口打开| 下载CSV

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：

（16）

\partial = \forall c e_{n} / w_{n}

式中： $\forall c e_{n}$ 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

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 CO₂emissions 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

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 CO₂emissions 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

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。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[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:32493934 [本文引用: 1]

Estimating truck emissions accurately would benefit atmospheric research and public health protection. Here, we developed a full-sample enumeration approach TrackATruck to bridge low-frequency but full-size vehicles driving big data to high-resolution emission inventories. Based on 19 billion trajectories, we show how big the emission difference could be using different approaches: 99% variation coefficients on regional total (including 31% emissions from non-local trucks), and ± as large as 15 times on individual counties. Even if total amounts are set the same, the emissions on primary cargo routes were underestimated in the former by a multiple of 2-10 using aggregated approaches. Time allocation proxies are generated, indicating the importance of day-to-day estimation because the variation reached 26-fold. Low emission zone policy reduced emissions in the zone, but raised emissions in upwind areas in Beijing's case. Comprehensive measures should be considered, e.g. the demand-side optimization.

[2]

Märtz

, Plötz

, Jochem

Global perspective on CO₂emissions of electric vehicles

[J]. Environmental Research Letters, 2021, 16(5):054043. DOI:10.1088/1748-9326/abf8e1

Plug-in electric vehicles (PEVs) are a promising option for greenhouse gas (GHG) mitigation in the transport sector - especially when the fast decrease in carbon emissions from electricity provision is considered. The rapid uptake of renewable electricity generation worldwide implies an unprecedented change that affects the carbon content of electricity for battery production as well as charging and thus the GHG mitigation potential of PEV. However, most studies assume fixed carbon content of the electricity in the environmental assessment of PEV and the fast change of the generation mix has not been studied on a global scale yet. Furthermore, the inclusion of up-stream emissions remains an open policy problem. Here, we apply a reduced life cycle assessment approach including the well-to-wheel emissions of PEV and taking into account future changes in the electricity mix. We compare future global energy scenarios and combine them with PEV diffusion scenarios. Our results show that the remaining carbon budget is best used with a very early PEV market diffusion; waiting for cleaner PEV battery production cannot compensate for the lost carbon budget in combustion vehicle usage.

[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

, 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

. 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

, Zhu

H L

, Wu

, 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

, Gupta

, Kistler

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

, Goldemberg

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

, 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

, Talaie

M R

, Ahmadikia

, 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

DOI:10.11947/j.AGCS.2019.20180256 [本文引用: 1]

[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.

针对利用GPS数据提取双向路网和交叉路口转向信息精度低的不足，本文提出一种顾及位置与行驶方向的轨迹集聚和精细化路网提取方法，实现了精细化路网提取。为提高交叉路口路网的提取精度，首先剔除原始轨迹中的离散和异常轨迹点，并按一定的步长对轨迹段进行加密；然后引入行驶方向角来表达车辆在轨迹点处的行驶方向，顾及位置和行驶方向获取每个轨迹点的相似轨迹点集合；接着依次计算每个轨迹点的偏移距离，通过对轨迹点的迭代偏移完成轨迹集聚；最后剔除未成功集聚的轨迹点，将完成集聚的轨迹点连成轨迹线并作缓冲区，运用栅格数据数字化方法提取得到能够反映道路精细转向关系的道路网。以福州市出租车GPS数据进行轨迹集聚和路网提取试验，结果表明：本文方法能有效地将GPS轨迹按车辆行驶方向分别进行集聚，提取的道路网为双向道路并且能反映交叉路口处道路的精细转向关系。

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

Aiming at the shortcomings of low-accuracy in the use of GPS data to extract bidirection a roads and intersections, this paper proposes a trajectory agglomeration and refined roads extraction method that takes into account the position and travel direction to extracts refined road network. First,we remove the discrete and abnormal trajectory points from the original trajectory and insert the trajectory points into the trajectory segments by a certain step size, in order to improve the extraction accuracy of the intersection network.Second,we introduce the driving direction angle to express the driving direction of the vehicle at the track point, obtain its similar trajectory points set by considering the position and direction of the track point, calculate the offset distance of each track point in turn, and complete the track aggregation by iteratively offsetting the track points.Finally, we eliminate the track points that have not been successfully gathered, and use the Grid digitization method to extract the road network that can reflect the fine steering relationship of the roads from the trajectory data after gather. The trajectory agglomeration and road network extraction experiments were carried out with GPS data of Fuzhou taxis. The experimental results show that this method can effectively gather the GPS trajectories according to the direction of vehicle travel and the extracted road network is bidirectional roads, and can finely reflect the steering relationship of the roads at the intersections.

[15]

Chen

B Y

, Luo

Y B

, Jia

, 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.

[本文引用: 2]

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

[本文引用: 2]

[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

, 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

, 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

URL [本文引用: 2]

[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

URL [本文引用: 3]

[21]

戴金池, 庞海龙, 俞妍, 等.

基于LSTM神经网络的柴油机NO_x排放预测

[J]. 内燃机学报, 2020, 38(5):457-463.

Dai

J C

, Pang

H L

, Yu

, et al.

Prediction of diesel engine NO_x 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

, Arona

Diop S

, Renaud

, 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]

, 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:31113301 [本文引用: 1]

Recurrent neural networks (RNNs) have been widely adopted in research areas concerned with sequential data, such as text, audio, and video. However, RNNs consisting of sigma cells or tanh cells are unable to learn the relevant information of input data when the input gap is large. By introducing gate functions into the cell structure, the long short-term memory (LSTM) could handle the problem of long-term dependencies well. Since its introduction, almost all the exciting results based on RNNs have been achieved by the LSTM. The LSTM has become the focus of deep learning. We review the LSTM cell and its variants to explore the learning capacity of the LSTM cell. Furthermore, the LSTM networks are divided into two broad categories: LSTM-dominated networks and integrated LSTM networks. In addition, their various applications are discussed. Finally, future research directions are presented for LSTM networks.

[25]

Ziółkowski

, Oszczypała

, Małachowski

, 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

This publication presents a multi-faceted analysis of the fuel consumption of motor vehicles and the way human impacts the environment, with a particular emphasis on the passenger cars. The adopted research methodology is based on the use of artificial neural networks in order to create a predictive model on the basis of which fuel consumption of motor vehicles can be determined. A database containing 1750 records, being a set of information on vehicles manufactured in last decade, was used in the process of training the artificial neural networks. The MLP (Multi-Layer Perceptron) 22-10-3 network has been selected from the created neural networks, which was further subjected to an analysis. In order to determine if the predicted values match the real values, the linear Pearson correlation coefficient r and coefficient of determination R2 were used. For the MLP 22-10-3 neural network, the calculated coefficient r was within range 0.93–0.95, while the coefficient of determination R2 assumed a satisfactory value of more than 0.98. Furthermore, a sensitivity analysis of the predictive model was performed, determining the influence of each input variable on prediction accuracy. Then, a neural network with a reduced number of neurons in the input layer (MLP-20-10-3) was built, retaining a quantity of the hidden and output neurons and the activation functions of the individual layers. The MLP 20-10-3 neural network uses similar values of the r and R2 coefficients as the MLP 22-10-3 neural network. For the evaluation of both neural networks, the measures of the ex post prediction errors were used. Depending on the predicted variable, the MAPE errors for the validation sets reached satisfactory values in the range of 5–8% for MLP 22-10-3 and 6–10% for MLP 20-10-3 neural network, respectively. The prediction tool described is intended for the design of passenger cars equipped with internal combustion engines.

[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]

X W

, Wu

G Y

, Boriboonsomsin

, 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

, 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

. 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

, 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

, Xin

, 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]

, 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

. 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

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

[36]

Yao

, Zhao

X H

, Liu

, 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

[本文引用: 2]

[37]

Jia

, 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

URL [本文引用: 2]

[38]

Willmott

C J

, Matsuura

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