基于遺傳算法的運(yùn)行模式分布模型及排放測算

胥耀方,于 雷,宋國華(1.重慶交通大學(xué)交通運(yùn)輸學(xué)院,重慶 400074；2.美國德克薩斯南方大學(xué),美國 休斯頓 77004；.北京交通大學(xué),北京 100044)

基于遺傳算法的運(yùn)行模式分布模型及排放測算

胥耀方1*,于 雷2,3,宋國華3(1.重慶交通大學(xué)交通運(yùn)輸學(xué)院,重慶 400074；2.美國德克薩斯南方大學(xué),美國 休斯頓 77004；3.北京交通大學(xué),北京 100044)

針對交通系統(tǒng)易于收集到的平均速度,以及排放模型計(jì)算所需的運(yùn)行模式分布參數(shù),建立基于平均速度的運(yùn)行模式分布模型,并采用遺傳算法對模型進(jìn)行優(yōu)化.對比所建立模型、MOVES模型中的行駛周期所獲取數(shù)據(jù)與真實(shí)數(shù)據(jù)之間的排放結(jié)果差異,發(fā)現(xiàn)本模型有82.5%的區(qū)間平均排放率預(yù)測誤差低于MOVES,本模型的最大誤差為50.0%,而MOVES模型為304.2%.使用本模型評價(jià)了北京市限行前后污染物排放情況,發(fā)現(xiàn)限行后二環(huán)路高峰小時(shí)HC、CO、NOx總體排放依次減少了9.58%、11.41%、0.49%.與真實(shí)值相比,預(yù)測值R2方高于0.700,預(yù)測誤差大幅度低于MOVES模型預(yù)測誤差,并實(shí)現(xiàn)對交通策略下路網(wǎng)排放的動態(tài)評價(jià)應(yīng)用.

運(yùn)行模式分布；排放測算；平均速度；遺傳算法

目前,國際上主要采用的 MOVES[1](Motor Vehicle Emission Simulator)、 CMEM[2](Comprehensive Modal Emission Model)、VT-Micro[3](Virginia Tech Microscopic energy and emission model、IVE[4](International Vehicle Emission Model)等機(jī)動車尾氣排放模型,均引入了運(yùn)行模式參數(shù)進(jìn)行排放測算.相比于過去基于平均速度的路網(wǎng)排放測算方法[5],基于運(yùn)行模式的排放測算方法,更適用于細(xì)致地描述不同交通狀態(tài)下的排放變化情況.尤其是運(yùn)行模式中的VSP(Vehicle Specific Power)參數(shù),不僅可以從物理角度清晰地解釋機(jī)動車排放,并且還與排放速率有著更好的擬合關(guān)系,因此在國內(nèi)外取得廣泛應(yīng)用:陳長虹等[6]、潘漢生等[7]、王岐東等[8]、曲亮等[9]發(fā)現(xiàn) VSP與車輛污染物排放存在較好的相關(guān)性;Zhang等[10]利用VSP變量建模方法對不同信號配時(shí)進(jìn)行排放分析;楊方[11]、Liu等[12]建立了包含VSP為變量的車輛排放模型.

目前基于VSP的排放研究中,測試車輛往往不超過10輛.這是因?yàn)楂@取VSP參數(shù)時(shí),需要逐秒的速度、加速度、坡度等信息,而基于目前通信水平和硬件成本,難于在路網(wǎng)范圍內(nèi)大規(guī)模推廣收集.陳琨等[13]曾用 VISSIM對北京市一個(gè) 7個(gè)節(jié)點(diǎn)的路網(wǎng)進(jìn)行了15min的交通排放模擬,整個(gè)過程耗時(shí) 5h40min.不過,依靠目前的數(shù)據(jù)采集設(shè)備,如浮動車系統(tǒng)或交通規(guī)劃類軟件,卻可以提供相當(dāng)可靠的平均速度.因此,美國環(huán)保署發(fā)布的MOVES模型,在路網(wǎng)等宏觀層面采用平均速度對應(yīng)行駛周期的方式計(jì)算車輛運(yùn)行模式,進(jìn)而獲取排放數(shù)據(jù).但行駛周期的樣本量非常有限,導(dǎo)致其計(jì)算的VSP分布很不穩(wěn)定,無法動態(tài)刻畫路網(wǎng)在不同交通狀態(tài)下的排放情況.

因此,很多學(xué)者開始分析平均速度與VSP之間的關(guān)系.Lents等[14]發(fā)現(xiàn)奈落比,圣利亞哥,圣保羅三個(gè)城市有著相似的VSP分布.Frey等[15]發(fā)現(xiàn)13組平均速度在30～40km/h區(qū)間的數(shù)據(jù)VSP分布類似.宋國華等[16]發(fā)現(xiàn)不同平均速度下,VSP分布呈現(xiàn)正態(tài)分布,且均值隨平均速度的增大而增大.這些研究揭示了平均速度之間與VSP分布的強(qiáng)相關(guān)性,但尚未建立平均速度和VSP分布組合區(qū)間的直接數(shù)學(xué)關(guān)系,無法直接建模量化路網(wǎng)排放.

因此,本文以排放模型所需的交通參數(shù)為目標(biāo),研究基于平均速度的機(jī)動車運(yùn)行模式分布模型,從而實(shí)現(xiàn)交通網(wǎng)絡(luò)的排放測算.由于目前中國尚無官方發(fā)布的標(biāo)準(zhǔn)化機(jī)動車排放模型,本文參考美國環(huán)保署發(fā)布的 MOVES機(jī)動車排放模型所需參數(shù),以VSP和瞬時(shí)速度的組合定義運(yùn)行模式,從而建立不同平均速度下,機(jī)動車運(yùn)行模式分布模型.

1 方法

1.1 數(shù)據(jù)采集

1.1.1 數(shù)據(jù)采集方案 建模選擇北京市46輛輕型車進(jìn)行GPS數(shù)據(jù)收集,其信息包括速度、經(jīng)緯度等,實(shí)驗(yàn)路線如圖1所示.實(shí)驗(yàn)時(shí)間包含周末與工作日,時(shí)段包含平峰與高峰.實(shí)驗(yàn)共收集到快速路數(shù)據(jù)608744條.選擇2輛車在15km的快速路上運(yùn)行的數(shù)據(jù)進(jìn)行模型排放測算,實(shí)驗(yàn)路線如圖2所示,共收集數(shù)據(jù)13462條.

圖1 建模數(shù)據(jù)收集路線Fig.1 The testing route for model development

圖2 排放測算數(shù)據(jù)收集路線Fig.2 The testing route for the evaluation of emission

1.1.2 數(shù)據(jù)處理方法 (1)考慮北京市的平原地形,假設(shè)坡度值為 0,則利用公式(1)[17]計(jì)算車輛VSP值.

式中:v為機(jī)動車速度,m/s; a為機(jī)動車加速度, m/s.

(2)與排放模型MOVES對應(yīng),劃分運(yùn)行模式:首先將瞬時(shí)速度分為 0～1.5km/h;1.5～40km/h;40～80km/h和80km/h以上區(qū)間;再按1kW/t為間隔進(jìn)行VSP區(qū)間劃分,并與各瞬時(shí)速度區(qū)間組合.

(3)本文以1min為時(shí)間步長計(jì)算平均速度,并按2km/h進(jìn)行分段,將收集到的逐秒數(shù)據(jù)分隔為多個(gè)片斷,并將相同平均速度下的片斷進(jìn)行疊加.

(4)計(jì)算各平均速度區(qū)間中,不同VSP與瞬時(shí)速度組合(運(yùn)行模式)區(qū)間的樣本量占該平均速度總樣本量的比例.

1.2 數(shù)據(jù)分類

經(jīng)1.1處理后的數(shù)據(jù)如圖3所示,圖中橫坐標(biāo)為VSP區(qū)間和瞬時(shí)速度區(qū)間共同組成的運(yùn)行模式組合區(qū)間,其中VSP區(qū)間編號表示其對應(yīng)的等值VSP,而瞬時(shí)速度1區(qū)間、2區(qū)間、3區(qū)間、4區(qū)間分別對應(yīng)瞬時(shí)速度為0～1.5km/h;1.5～ 40km/ h;40～80km/h和80km/h以上區(qū)間.由圖可見,瞬時(shí)速度0～1.5km/h區(qū)間的值集中于VSP∈[-0.5,0.5] kw/t 區(qū)間,呈單一分布模式,與其他區(qū)間的分布規(guī)律不同,故在后文中單獨(dú)討論;而1.5～40km/h、40～80km/h區(qū)間的分布形態(tài)較為類似,即VSP分布分別都呈“鐘擺”態(tài),即以最高出現(xiàn)頻率為軸,兩側(cè)區(qū)間分布頻率對稱性下降的形態(tài),故將這兩個(gè)區(qū)間合并討論,其分析建模及改進(jìn)過程見 1.3與1.4;80km/h以上區(qū)間的樣本量過少,以至不足以再劃分平均速度區(qū)間,故將其數(shù)據(jù)合并后再建模,此區(qū)間在2.4中單獨(dú)討論.

1.3 高斯擬合以及存在問題

在瞬時(shí)速度 1.5～40km/h、40～80km/h區(qū)間,各平均速度下的VSP分布都呈“鐘擺”態(tài),如圖4,即以最高出現(xiàn)頻率為軸,兩側(cè)區(qū)間分布率對稱性下降的形態(tài).且隨著平均速度的上升,鐘擺寬度加大,即平均速度越高,寬度越寬,同時(shí)對稱軸逐漸右移.運(yùn)行模式分布的“鐘擺”形態(tài)與高斯函數(shù)的圖像特征非常吻合,因此,本文引入高斯函數(shù),驗(yàn)證其對VSP分布圖像的擬合效果.

高斯函數(shù)的函數(shù)形式如下:

式中:a、b、c為高斯參數(shù),其中,a為函數(shù)的峰值高度;b為函數(shù)的對稱軸;c控制函數(shù)圖像的寬度.

雖然高斯函數(shù)可以對瞬時(shí)速度1.5～40km/h、40～80km/h區(qū)間運(yùn)行模式分布擬合,但卻普遍存在離對稱軸較遠(yuǎn)處估計(jì)值偏低的現(xiàn)象,如圖4所示.提出以下解決方法:以對稱軸兩側(cè)一定距離進(jìn)行分段,令包含對稱軸的部分為中心區(qū)域,不包含對稱軸的部分為邊緣區(qū)域,如圖5所示.對于不同區(qū)域,則可按高斯擬合與實(shí)際情況的差異,對各高斯參數(shù)分別進(jìn)行不同比例的縮放改進(jìn).因此,改變峰值高度、鐘擺寬度或是對稱軸位置,從而使高斯曲線與實(shí)際運(yùn)行模式更加逼近,提高邊緣區(qū)域的預(yù)測值以至更接近真實(shí)值.具體做法為:以原有高斯函數(shù)中參數(shù)b所確定的對稱軸為中心,向其兩側(cè)進(jìn)行延伸,并分別對不同區(qū)域影響高斯函數(shù)峰值、對稱軸、和寬度的參數(shù)a、b、c進(jìn)行縮放.縮放前,為降低模型復(fù)雜度,將相同瞬時(shí)速度的區(qū)間歸為同一類,即分為1.5～40km/h與40～80km/h兩類區(qū)間.在每類區(qū)間中,對稱軸向外延伸的距離長度相同,高斯參數(shù)的縮放比例也相同.基于此,本文將研究如何縮放到合適比例,使模型和真實(shí)值之間的擬合誤差最小.而獲取最小比例需要在眾多數(shù)值間枚舉和組合,其過程與自然界中的多維搜索過程類似,而遺傳算法正是解決這類問題的一種有效工具.

1.4 基于遺傳算法的改進(jìn)

遺傳算法(Genetic Algorithm, GA)是一種模仿生物界進(jìn)化機(jī)制的隨機(jī)搜索算法,其基本思想為:通過編碼組成初始群體后,對群體的個(gè)體按照它們對環(huán)境適應(yīng)度(適應(yīng)度評估)施加一定的操作,從而實(shí)現(xiàn)優(yōu)勝劣汰的進(jìn)化過程.通過一代又一代的搜索與優(yōu)化,逐漸逼進(jìn)最優(yōu)解[18-19].

選用遺傳算法的主要原因在于:(1)運(yùn)行模式分布的分析實(shí)質(zhì)是對于各VSP整數(shù)值的集計(jì)情況分析,屬于離散函數(shù),而遺傳算法直接對結(jié)構(gòu)對象進(jìn)行操作,不存在求導(dǎo)和函數(shù)連續(xù)性的限制;(2)本節(jié)的主要目的在于獲取擬合效果的最優(yōu)值,尚無可參考的搜索過程規(guī)則,而遺傳算法采用概率化的尋優(yōu)方法,可自動獲取和指導(dǎo)優(yōu)化的搜索空間,自適應(yīng)地調(diào)整搜索方向,從而無需再制定額外的規(guī)則.

本文所采用的遺傳算法包括:初始種群構(gòu)建、適用度計(jì)算、選擇、交叉、變異等步驟.其中,適用度函數(shù)為該瞬時(shí)速度區(qū)間下,所有平均速度區(qū)間的誤差加權(quán)平均值,本文中的適應(yīng)度,即是該目標(biāo)函數(shù)的最小值,如式(3)所示.

圖3 不同平均速度下運(yùn)行模式分布率Fig.3 Operating modes distribution under different average speed

式中:Obj為目標(biāo)函數(shù);k為平均速度分組編號;wk為各平均速度組的出現(xiàn)頻率,errk為該類在第k組平均速度的誤差,其可通過式(4)～(6)計(jì)算.而各個(gè)平均速度區(qū)間的誤差值,即是該平均速度下,所有VSP區(qū)間的高斯函數(shù)預(yù)測值與真實(shí)值之間的誤差之絕對值.

圖4 高斯擬合問題和缺陷Fig.4 Drawbacks of the fitting curves by Gaussian function

圖5 模型改進(jìn)區(qū)域劃分Fig.5 Area division of improved model

式中:errk為第k組平均速度的誤差;下標(biāo)in表示中間區(qū)域,下標(biāo) out表示邊緣區(qū)域,e rrk,in、 errk,out為第k組平均速度中間和邊緣區(qū)域的誤差;jv為VSP區(qū)間編號; p2、p3、p4為中間區(qū)域的高斯參數(shù)a、b、c的縮放比例;p5、p6、p7為邊緣區(qū)域的高斯參數(shù)a、b、c的縮放比例.

1.5 排放測算方法

建立運(yùn)行模式分布模型的目標(biāo)是對交通網(wǎng)絡(luò)的排放進(jìn)行測算,因此,有必要比較本文的模型、MOVES模型以及實(shí)際運(yùn)行模式下的不同污染物排放情況.實(shí)際數(shù)據(jù)由1.1.1中的方法采集得到.對于應(yīng)用MOVES模型測算時(shí),繼續(xù)沿用該模型中的排放計(jì)算方法,即采用平均速度對應(yīng)行駛周期的方法獲取,具體表1所示,當(dāng)所遇到的平均速度不在列表中時(shí),取臨近兩側(cè)行駛周期所計(jì)算排放速率的加權(quán)平均值.

此外,為避免排放速率引起的誤差,本文統(tǒng)一取 MOVES中,#10101202400000000輕型車的CO,HC,NOx排放速率,與各種模型方法獲取的運(yùn)行模式分布率結(jié)合,計(jì)算排放量,如公式(7)所示.

式中:E為某平均速度下的排放速率, i 瞬時(shí)速度區(qū)間編號; j 為VSP區(qū)間編號; ERi,j為瞬時(shí)速度(i)區(qū)間且VSP(j)區(qū)間的污染物(CO,HC,NOx)排放速率, Di,j為瞬時(shí)速度(i)區(qū)間且 VSP(j)區(qū)間的運(yùn)行模式分布速率.

2 結(jié)果與討論

2.1 瞬時(shí)速度0 ～1.5km/h區(qū)間模型

無論平均速度大小, VSP值均分布于 VSP∈[-0.5, 0.5] kw/t.如圖6所示.

由圖6可見,隨著平均速度的上升,瞬時(shí)速度0～1.5km/h的樣本量下降,當(dāng)平均速度上升到47km/h時(shí),該區(qū)間樣本量減為0.觀察其下降規(guī)律,發(fā)現(xiàn)快速路的樣本量隨平均速度上升呈現(xiàn)指數(shù)下降趨勢,當(dāng)平均速度大于 28km/h時(shí),變化趨勢趨于平緩.用指數(shù)函數(shù)對其進(jìn)行擬合,如式(8)所示,其擬合優(yōu)度為0.9647.

式中:x為平均速度;iv為瞬時(shí)速度區(qū)間編號;jv為 VSP區(qū)間編號;，分別為快速路和非快速路上,平均速度為x時(shí),駕駛模式既處于瞬時(shí)速度iv區(qū)間,VSP分布又對應(yīng)jv區(qū)間的概率.

圖6 瞬時(shí)速度0 ～1.5km/h區(qū)間運(yùn)行模式分布率與平均速度擬合Fig.6 Fitting curves of operating mode distribution vs. average speed in instantaneous speed 0 ～1.5km/h

表1 MOVES模型中不同平均速度對應(yīng)的行駛周期Table 1 Description of the driving cycles of MOVES under different speed

2.2 瞬時(shí)速度1.5～40km/h、40～80km/h區(qū)間模型

2.2.1 基于遺傳算法的運(yùn)行模式分布模型 按 1.3的高斯擬合以及1.4的遺傳算法改進(jìn)后,模型進(jìn)過250次迭代,適應(yīng)度的演變情況如圖7所示,不同區(qū)域的縮放比例如表2所示.各區(qū)間的誤差平均值分別有了不同程度的減小,說明改進(jìn)取得一定效果.此外,由改進(jìn)參數(shù)可以看出,各區(qū)間在中心區(qū)域的高斯參數(shù)縮放比例改變均較小,說明改進(jìn)前的高斯函數(shù)對中心區(qū)域的擬合效果較好.而邊緣區(qū)域的高斯參數(shù)縮放比例較大,尤其是表示峰值的參數(shù) a所對應(yīng)的縮放比例,其值分別為0.3203和 0.2148,這說明邊緣區(qū)域的值域遠(yuǎn)遠(yuǎn)低于中心區(qū)域,對所對應(yīng)的縮放比例分別為 2.1922和 2.2667,其低峰值的高斯函數(shù)重新擬合效果顯著.與此同時(shí),邊緣區(qū)域中表示“鐘擺”寬度的高斯參數(shù)c擴(kuò)大比例均接近100%,這說明原有的單個(gè)高斯函數(shù)無法擬合到較為外側(cè)的邊緣區(qū)域,從而導(dǎo)致結(jié)果產(chǎn)生較大誤差.式中:x為平均速度; jv為VSP區(qū)間編號;

圖7 各類區(qū)間的運(yùn)行模式預(yù)測值誤差趨勢Fig.7 Trends of Estimated Errors in Different Bins

表2 改進(jìn)模型的高斯參數(shù)縮放比例Table 2 Zoom factors of Guassion parameters of improved models

2.2.2 模型檢驗(yàn) 通過遺傳算法改進(jìn)后,本節(jié)基于2.1.1中所計(jì)算得到的運(yùn)行模式分布模型,針對不同等級道路各平均速度下的運(yùn)行模式分布分別進(jìn)行預(yù)測,并給出擬合優(yōu)度 R2,如表 3所示.R2最高值為0.9942,最低值為0.7890,有78%的區(qū)間擬合優(yōu)度高于0.85.

2.3 瞬時(shí)速度80km/h以上區(qū)間模型

由于瞬時(shí)速度80km/h以上區(qū)間所占比例非常小,再考慮我國城市道路條件以及限速規(guī)定,當(dāng)瞬時(shí)速度在80km/h以上的數(shù)據(jù)中,有93%的樣本點(diǎn)分布于平均速度 70km/h以上的區(qū)間中.因此,本文將平均速度為70km/h以上的所有樣本集中,統(tǒng)一分析這部分樣本在速度80km/h以上區(qū)間的VSP分布規(guī)律.繼續(xù)用高斯函數(shù)擬合,其擬合函數(shù)如公式(31)

式中:x為平均速度,iv為瞬時(shí)速度區(qū)間編號,jv為 VSP區(qū)間編號,為快速路平均速度為x時(shí),樣本的瞬時(shí)速度值在iv區(qū)間且VSP值在jv區(qū)間的概率

該公式說明當(dāng)平均速度大于 80km/h,將統(tǒng)一用本公式擬合其車輛運(yùn)行模式的變化規(guī)律.此時(shí),由于未劃分平均速度,該瞬時(shí)速度區(qū)間的運(yùn)行模式分布率不受平均速度影響,僅由 VSP決定.

對瞬時(shí)速度80km/h以上區(qū)間建模結(jié)果進(jìn)行擬合優(yōu)度檢驗(yàn),其R2分別為0.7.考慮到這部分?jǐn)?shù)據(jù)量極小,在車輛運(yùn)行模式中所占比例很低,不會對總體結(jié)果造成較大影響,故認(rèn)為此擬合優(yōu)度可以接受.

表3 改進(jìn)后模型在不同平均速度下擬合優(yōu)度Table 3 Goodness-of-fit of the improved models

2.4 模型排放測算

按1.5的思路,用實(shí)測、本模型和MOVES 3種方法進(jìn)行排放測算,其情況如圖8所示.

從圖8中可以看出,本研究建立的模型預(yù)測結(jié)果比MOVES模型預(yù)測的結(jié)果更接近實(shí)際值,其中,本模型有 82.5%的區(qū)間平均排放率預(yù)測誤差低于 MOVES,本模型的最大誤差為 50.0%,而MOVES模型為304.2%.對HC排放而言,本模型預(yù)測誤差在 0～17.9%之間,MOVES模型預(yù)測誤差在1.2～67.6%之間,本模型有82.5%的區(qū)間平均排放率預(yù)測誤差低于MOVES模型;對CO排放而言,本模型預(yù)測誤差在1.2～50.0%之間,MOVES模型預(yù)測誤差在0.6～304.2%之間,本模型有65%的區(qū)間平均排放率預(yù)測誤差低于MOVES模型;對NOX排放而言,本模型預(yù)測誤差在1.9～44.2%之間,MOVES模型預(yù)測誤差在6.5～100.4%之間,本模型有 90%的區(qū)間平均排放率預(yù)測誤差低于MOVES模型.

對于各平均速度而言,MOVES模型在平均速度為1km/h時(shí),所對應(yīng)行駛周期的排放速率誤差估計(jì)最大,造成該現(xiàn)象的原因主要是:國內(nèi)外不同的路網(wǎng)運(yùn)行特征不同,怠速區(qū)間內(nèi),國內(nèi)車輛的啟?，F(xiàn)象多于國外,因此,國內(nèi)車輛在瞬時(shí)速度小于1.5km/h且VSP = 0的區(qū)間分布率遠(yuǎn)高于國外.而該部分的排放特征與其它區(qū)間存在顯著差異,導(dǎo)致 MOVES模型在怠速區(qū)間的排放速率不能反映我國實(shí)情.

當(dāng)平均速度處于低速區(qū)間時(shí),本模型的測算誤差大于 MOVES模型,例如:平均速度在 3～9km/h時(shí),本模型測算的HC、CO、NOx的排放誤差均高于MOVES模型.

此外,在真實(shí)值和本模型的預(yù)測值中,各污染物均呈現(xiàn)排放速率隨平均速度的增加而增加的現(xiàn)象,且增長速率相對平緩.而在MOVES模型的預(yù)測值中,所有污染物的變化曲線均在48km/h和55km/h處產(chǎn)生兩次突變.由于 MOVES模型中,采用平均速度鄰近兩側(cè)行駛周期的加權(quán)平均值,來獲取該平均速度下的運(yùn)行模式分布,故上述突變由平均速度為55km/h時(shí)所對應(yīng)的行駛周期所對應(yīng)的分布模式造成.

由此可見,較之MOVES中默認(rèn)行駛周期,本模型的預(yù)測結(jié)果可以更好地反映路段車輛在真實(shí)運(yùn)行模式下所產(chǎn)生的排放.

圖8 不同運(yùn)行模式模型預(yù)測的污染物平均排放速率Fig.8 Emission rates estimated by different models

3 模型應(yīng)用

北京市實(shí)施了“每周少開一天車”的交通管理措施,具體內(nèi)容為[20]:按車牌尾號每周停駛一天的車輛車牌尾號分為 5組,定期輪換停駛?cè)?該政策的實(shí)施大大地削減了道路上機(jī)動車數(shù)量,有效地緩解了道路擁堵現(xiàn)狀,降低了機(jī)動車油耗和尾氣排放總量[21].本文利用建立的分布模型,對這一政策的節(jié)能減排效果進(jìn)行量化和評價(jià).

本文思路為:基于各路段每分鐘的平均速度,利用 2.1～2.3所設(shè)計(jì)的路段運(yùn)行模式分布模型,計(jì)算快速路上,不同平均速度下的各區(qū)間運(yùn)行模式分布情況,進(jìn)而對應(yīng)MOVES中污染物在不同運(yùn)行模式下排放速率,獲取各路段每分鐘的平均排放速率,最后計(jì)算排放總量.其中,采用式(8)～(31)分別計(jì)算平均速度對應(yīng)的不同瞬時(shí)間速度區(qū)間的VSP的分布率,進(jìn)而組合為各平均速度下的運(yùn)行模式分布.

由于平均速度是本模型的主要輸入?yún)?shù),本文首先對限行前后車輛的平均速度進(jìn)行獲取,再由平均速度計(jì)算得到排放模式分布模型后,再結(jié)合路段長度、流量信息,則可計(jì)算各路段在高峰小時(shí)的排放總量,如式(32).需要說明的是,本文假設(shè)路網(wǎng)中運(yùn)行車輛均為輕型汽油車,而不考慮其它車型的排放狀況. 在高峰小時(shí)內(nèi),假設(shè)每小時(shí)內(nèi)流量均勻分布.各路段不同污染物的排放總量如圖9所示.

圖9 限行前后各路段污染物排放對比Fig.9 Comparison of emissions on each link before and after vehicle restriction

式中:EMie為污染物ie的排放總量;J表示研究時(shí)間范圍內(nèi)的時(shí)間片段集合;je為研究范圍內(nèi)的時(shí)間片段;Volje為je時(shí)間段內(nèi)的流量;表示污染物ie在時(shí)間片段je內(nèi)平均排放率,g/h;L為路段長度,km;vje為je時(shí)間內(nèi)的平均速度,km/h.

由圖9可見,就總體而言,由于限行后道路流量減少7.9%,加之平均速度提高至30.56km/h,該速度較現(xiàn)行前提高了4.5km/h,提高比例為13.8%,因此,各種污染物有了不同程度的減少.限行后二環(huán)路高峰小時(shí) HC排放 1.24kg,較限行前減少9.58%;限行后二環(huán)路高峰小時(shí)CO排放182.80kg,較限行前減少 11.41%;限行后二環(huán)路高峰小時(shí)NOx排放11.18kg,較限行前減少0.49%.對具體道路而言,北二環(huán)西段內(nèi)環(huán)限行后減排量最明顯,HC、CO、NOx分別減排55.75%、59.03%、36.74%,其下降的主要原因是該路段上限行后流量減少了35.48%.此外還有北二環(huán)東內(nèi)環(huán)的HC、CO、NOx排放、北二環(huán)西外環(huán)的HC、CO排放等56.25%的路段對應(yīng)污染物在限行后有所減少.而西二環(huán)北外環(huán)在限行后,HC、CO、NOx反而分別增加了45.34%、48.85%、29.06%,主要由于該路段流量在限行后增加了24.98%,此外還有東二環(huán)南內(nèi)環(huán)的HC、CO、NOx等43.75%的路段對應(yīng)污染物在限行后也有所增加.從各路段限行前后的流量、速度、各污染物排放分析可知,導(dǎo)致限行后污染物排放總量改變的主要因素是路段上流量的變化,而平均速度的改變也會在一定程度上引起排放的波動.

4 結(jié)論

4.1 本文基于遺傳算法,建立了用于路網(wǎng)污染物排放測算的運(yùn)行模式分布模型,實(shí)現(xiàn)了由平均速度計(jì)算排放模型測算所需的運(yùn)行模式分布的數(shù)學(xué)方法,有利于動態(tài)評價(jià)交通路網(wǎng)的排放效果.

4.2 本模型與實(shí)際運(yùn)行模式擬合的 R2較高,瞬時(shí)速度 0～1.5km/h,1.5～40km/h,40～80km/h的 R2達(dá)到在0.7890以上;瞬時(shí)速度80km/h以上區(qū)間的R2達(dá)到在0.700以上.

4.3 使用本模型和MOVES模型測算路網(wǎng)排放,三種污染物綜合而言,本研究建立的模型預(yù)測結(jié)果比MOVES模型預(yù)測的結(jié)果更接近實(shí)際值:本模型有 82.5%的區(qū)間平均排放率預(yù)測誤差低于MOVES,本模型的最大誤差為50.0%,而MOVES模型為304.2%.可見本模型比MOVES更適合評價(jià)路網(wǎng)動態(tài)排放.

4.4 使用本模型對北京市在限行前后的污染物排放進(jìn)行分析,對二環(huán)整體而言,限行后HC、CO、NOx均有所降低,但由限行后部分道路的流量增加,導(dǎo)致這部分路段的污染物排放反而有所上升.

[1] U.S. Environmental Protection Agency (EPA). Motor vehicle emission simulator highway vehicle implementation (MOVESHVI) demonstration version: Software design and reference manual draft. publication EPA420-P-07-001 [R]. Washington D.C., Office of Transportation and Air Quality, U.S. Environmental Protection Agency, 2007.

[2] Barth M, An F, Younglove T, et al. Development of a comprehensive modal emission Model-Final report [R] Washington D.C., Transportation Research Board National Research Council. April 2000.

[3] Ahn K, Rakha H, Trani A, et al. Estimating vehicle fuel consumption and emissions based on instantaneous speed and acceleration levels [J]. Journal of Transportation Engineering. 2002,128(2):182-190.

[4] Davis, N, James L, Mauricio O, et al. Development and application of an international vehicle emissions Model [J]. In Transportation Research Record: Journal of the Transportation Research Board, 2005,1939:157–165.

[5] 郝艷召,宋國華,邱兆文,等.基于浮動車數(shù)據(jù)的機(jī)動車排放實(shí)時(shí)測算模型 [J]. 中國環(huán)境科學(xué), 2015,35(2):396-402.

[6] 陳長虹,景啟國,王海鯤,等.重型機(jī)動車實(shí)際排放特性與影響因素的實(shí)測研究 [J]. 環(huán)境科學(xué)學(xué)報(bào), 2005,25(7):870-878.

[7] 潘漢生,陳長虹,景啟國,等.輕型柴油車排放特性與機(jī)動車比功率分布的實(shí)測研究 [J]. 環(huán)境科學(xué)學(xué)報(bào), 2005,25(10):1306-1313.

[8] 王岐東,姚志良,霍 紅,等.中國城市輕型車的排放特性 [J]. 環(huán)境科學(xué)學(xué)報(bào), 2008,28(9):1713-1719.

[9] 曲 亮,李孟良,高佳佳,等.基于浮動車數(shù)據(jù)的機(jī)動車排放實(shí)時(shí)測算模型 [J]. 中國環(huán)境科學(xué), 2015,35(2):396-402.

[10] Zhang Y Y, Chen X, Zhang X, et al. Assessing Effect of traffic signal control strategies on vehicle emissions journal of transportation systems engineering and information technology,2009,9(1):150-155.

[11] 楊 方.基于 PEMS的輕型車熱穩(wěn)狀態(tài)下微觀尾氣排放模型[D]. 北京:北京交通大學(xué), 2005.

[12] Liu H, He K B, Lents J. A methodology for developing a micro-emission model based on on-board heavy duty truck tests in China [C]//87th Transportation Research Board Annual Meeting CD-ROM, Washington, D.C., USA, 2008.

[13] 陳 琨.微觀交通仿真與尾氣評估 [D]. 北京:北京交通大學(xué), 2003.

[14] Lents J, Walsh M, K. He, et al. Handbook of air quality management [EB/OL]. http://www.aqbook. org/read/? page= 86, 2009.

[15] Frey H C, Rouphail N M, and Zhai H. Speed- and facilityspecific emission estimates for on-road light-duty vehicles on the basis of real-world speed profiles [J]. Transportation Research Record: Journal of the Transportation Research Board, 2006,1987:128–137.

[16] 宋國華,于 雷.城市快速路上機(jī)動車比功率分布特性與模型[J]. 交通運(yùn)輸系統(tǒng)工程與信息, 2010,10(6):133-140.

[17] Jose L J Understanding and quantifying motor vehicle emissions with vehicle specific power and TILDAS remote sensing [D]. Cambridge US: Massachusetts Institute of Technology, 1999.

[18] Jong K A D. An analysis of the behavior of a class of genetic adaptive systems [D], U.S: University of Michigan, 1975.

[19] Goldberg, D E. Genetic algorithms in search, optimization, and machine learning [M]. U.S: Addison-Wesley Publishing. Co. Inc., 1989.

[20] 北京市人民政府.北京市人民政府關(guān)于實(shí)施交通管理措施的通告 [R]. 北京市人民政府, 2009.

[21] 劉 娟.基于實(shí)時(shí)數(shù)據(jù)修正的尾氣排放因子獲取技術(shù)與方法實(shí)現(xiàn) [D]. 北京:北京交通大學(xué), 2006.

GA-based approach to modeling operating mode distributions and estimating emissions.

XU Yao-fang1*, YU Lei2,3, SONG Guo-hua3(1.School of Traffic and Transportation, Chongqing Jiaotong University 400074, China；2.Texas Southern University, Texas 77004, USA;3.Beijing Jiaotong University, Beijing 100044, China). China Environmental Science, 2016,36(12)：3548～3559

In view of the widely available data of the average speed in traffic systems and the parameter of operating mode distribution needed in emission models, a model was developed for generating operating mode distribution based on the average speed. Genetic Algorithm was used further for optimizing the model. After a comparison with the real-world data, it was found that the average emission rates estimated based on the proposed model exhibited less errors than those estimated based on MOVES in 82.5% of the speed bins. The highest error based on the proposed model was 50% while 304.2% based on MOVES. Finally, the proposed model was used to estimate emissions in Beijing for pre- and after- the implementation of the vehicle restriction policy. It was found that the 2nd Ring Road has experienced a reduction of total emissions of HC, CO, NOxby 9.58%, 11.41%, 0.49% respectively. Compare with the test values, the R2with the model were higher than 0.700 and errors of the model were much lower than that of the MOVES. Further a modal application was proposed, which can calculate the traffic exhaust emissions of dynamic network.

operating mode distribution；emission evaluation；average speed；genetic algorithm

X511

A

1000-6923(2016)12-3548-12

胥耀方(1984-),女,重慶人,副教授,博士,主要從事交通環(huán)境研究.發(fā)表論文14篇.

2016-04-17

國家自然科學(xué)基金資助項(xiàng)目(51578052),重慶市自然科學(xué)基金(ctcs2013jcyjA00015),重慶市教委資助項(xiàng)目(KJ1400328)

* 責(zé)任作者, 副教授, 335339053@qq.com