交通仿真模型融合微觀車輛排放模型研究綜述

單肖年，陳小鴻

交通仿真模型融合微觀車輛排放模型研究綜述

單肖年1，陳小鴻2

（1. 河海大學，土木與交通學院，南京 210098；2. 同濟大學，交通運輸工程學院，上海 201804）

為評估交通管控策略的潛在環(huán)境效益，在交通仿真模型中融合微觀車輛排放模型，可仿真估計機動車污染物排放特征。論文比較分析了微觀車輛排放模型的基本特點，總結(jié)了微觀車輛排放模型本地化移植的方法與進展；對宏觀、中觀、微觀多層級交通仿真模型融合微觀車輛排放模型的方法進行了綜述分析。研究發(fā)現(xiàn)，宏觀及中觀交通仿真模型與微觀車輛排放模型的融合方法主要體現(xiàn)在機動車污染物排放因子修正及車流運行軌跡重建上?，F(xiàn)有研究者對微觀交通仿真模型融合微觀車輛排放模型是否能夠準確地估計機動車污染物排放特征存在分歧，表現(xiàn)在微觀交通仿真模型輸出的車輛比功率分布特征與觀測的真實值存在不一致性。最后討論了模型融合應用發(fā)展的未來研究方向。該綜述對交通仿真模型融合微觀車輛排放模型的一體化平臺設(shè)計具有重要參考價值。

交通工程；微觀車輛排放模型；交通仿真模型；模型融合；比功率分布

0 引 言

由于交通系統(tǒng)建設(shè)及交通管控策略實施的不可逆性，宏觀、中觀、微觀多層級交通仿真模型被廣泛地應用于評估上述交通設(shè)施建設(shè)的機動性特征及交通管控策略的擁堵改善效果。為了不斷改善城市空氣質(zhì)量，營造綠色、宜居、生態(tài)的城市生活空間，在緩解城市交通擁堵的同時，交通管控策略的機動車污染物排放特征也引起了政府管理部門及研究者的廣泛關(guān)注。近20年來，得益于微觀車輛排放模型的開發(fā)與應用[1]，使得機動車污染物排放計算精度大幅度提升，交通仿真模型融合微觀車輛排放模型的一體化設(shè)計得到了快速發(fā)展。

現(xiàn)階段，交通仿真模型與微觀車輛排放模型之間的融合依然存在著不確定性，主要表現(xiàn)在交通仿真模型的輸出結(jié)果能否有效地作為微觀車輛排放模型的輸入數(shù)據(jù)。交通仿真模型的輸出多為速度、流量、軌跡、延誤等車輛運行機動性指標，微觀車輛排放模型的輸入主要為車輛比功率（車輛軌跡）、車型結(jié)構(gòu)、車齡特征、氣象環(huán)境等數(shù)據(jù)，交通仿真模型的輸出并不能直接作為微觀車輛排放模型的輸入，亟需提出兩者模型的融合方法，以準確地估計機動車污染物排放特征。本文擬通過國內(nèi)外文獻綜述的方法，探究交通仿真模型融合微觀車輛排放模型的適應性。如圖1所示，在缺乏我國本土微觀車輛排放模型的背景下，首先，系統(tǒng)回顧了微觀車輛排放模型的發(fā)展歷程及本地化移植方法；其次，對宏觀、中觀及微觀多層級交通仿真模型融合微觀車輛排放模型的方法進行了綜述分析；隨后，重點討論了微觀交通仿真模型融合微觀車輛排放模型的準確性及參數(shù)標定特征；最后，提出了模型融合應用發(fā)展的未來研究方向。

圖1 文章結(jié)構(gòu)圖

1 微觀車輛排放模型研發(fā)進展

1.1 微觀車輛排放模型對比分析

在20世紀70年代末美國EPA（Environ- mental Protection Agency）資助開發(fā)了面向中-宏觀的車輛排放模型MOBILE（Mobile Source Emission Factor Model）[2]，一種基于車輛平均速度的統(tǒng)計模型，類似的模型包括有EMFAC（Emission Factors）[3]及COPERT（Computer Programme to Calculate Emissions from Road Transport）[4]。然而研究者不斷發(fā)現(xiàn)車輛污染物排放特征與車輛瞬時運行工況密切相關(guān)，由此在1995年研發(fā)了基于瞬時工況的微觀車輛排放模型，其中具有代表性的微觀車輛排放模型為CMEM（Comprehensive Modal Emissions Model）[5]及MOVES（Motor Vehicle Emissions Simulator）[6]模型。1997年美國加州大學河濱分校環(huán)境技術(shù)研究中心首次發(fā)布了CMEM模型。該模型充分考慮了車型、發(fā)動機技術(shù)、排放控制轉(zhuǎn)化器等要素的影響，將車輛分為26種車型。CMEM模型包含6個計算模塊，分別是：動力需求、發(fā)動機轉(zhuǎn)速、空燃比、油耗率、發(fā)動機排放尾氣、催化劑修正[5]。CMEM模型的核心是油耗計算，計算方法充分考慮了發(fā)動機的動力及轉(zhuǎn)速，從而準確地反映了車輛的排放特征，屬于基于瞬時工況的物理模型。

MOVES模型是一個集微觀、中觀與宏觀為一體的車輛排放模型。MOVES模型基于Bin單元測算車輛污染物排放因子，而Bin的劃分是根據(jù)速度區(qū)間及車速比功率計算得到。車輛比功率（Vehicle Specific Power，VSP）的定義為發(fā)動機每移動一噸質(zhì)量所需輸出的功率，由于VSP充分考慮了車重、車速、加速度、扭矩參數(shù)，VSP比車速能夠更好地擬合車輛污染物排放特征[7]，計算公式如下：

在中宏觀層次上，MOVES內(nèi)置了表征當?shù)剀囕v行駛工況的數(shù)據(jù)，從而估計機動車污染物排放特征。相較于MOBILE模型，MOVES模型的車輛基本排放因子是基于車輛Bin單元的排放因子，通過Bin分布表征車輛實際的行駛工況特征，而MOBILE模型的基本排放因子是基于FTP（Federal Test Procedure）工況測試得到的排放因子，通過平均速度及其他行駛環(huán)境修正來分析車輛行駛特征的影響。MOVES模型微觀層面的估計方法是基于瞬時工況的統(tǒng)計模型。

其他微觀車輛排放模型還包括有PERE（Physical Emission Rate Estimator）[8]及IVE（International Vehicle Emissions Model）[9]模型，兩種模型在估計方法上與CMEM或MOVES模型具有一致性，僅在相關(guān)參數(shù)標定上存在差異。微觀車輛排放模型的技術(shù)特征對比分析如表1所示。關(guān)于車輛排放模型的相關(guān)綜述可參見張?zhí)m怡等人的研究[10]?；谒矔r工況的微觀車輛排放模型能夠準確地估計車輛實時的排放特征，進而被廣泛地應用。模型的核心輸入是表征車輛運行模式的比功率分布，模型的其他輸入包括：氣象條件、車隊組成、車齡分布及油品等。

表1 微觀車輛排放模型技術(shù)特征

1.2 我國微觀車輛排放模型本地化移植

由于我國微觀車輛排放模型的研究與國外相比持續(xù)時間較短，尚未建立適用于我國本土的微觀車輛排放模型，部分學者對上述的CMEM、MOVES及IVE模型進行了本地化移植。所謂本地化移植是指將該模型的相關(guān)參數(shù)或內(nèi)置的數(shù)據(jù)庫進行修正，以反映我國實際的車輛特征及本地行駛工況特征，如車輛排放限值標準、車齡結(jié)構(gòu)、車型結(jié)構(gòu)、氣象要素等。

利用Web of Science及中國知網(wǎng)，通過車輛排放模型、機動車排放清單估計、交通仿真模型融合車輛排放模型等中英文關(guān)鍵詞檢索，結(jié)合文獻閱讀及文獻溯源等方法，共檢索微觀車輛排放模型本地化移植相關(guān)文獻25篇，綜述分析如表2所示。

表2 微觀車輛排放模型本地化研究

注：表示機動車排放控制技術(shù)水平；表示機動車車齡分布；表示車用燃油標準；表示排放因子修正；表示劣化系數(shù)；表示I/M制度（Inspection Maintenance Program）；表示車輛類型；表示平均速度；表示行駛工況；表示其他輸入?yún)?shù)：如溫度、濕度、空調(diào)參數(shù)等；表示車公里（Vehicle Mile Traveled，VMT），反映了車輛劣化程度。

CMEM模型的本地化體現(xiàn)在當?shù)爻鞘械膶嶋H行駛工況數(shù)據(jù)輸入，輔之以對車輛排放技術(shù)水平以及車輛類型的匹配[11-13]。綜述發(fā)現(xiàn)CMEM模型估計值及實測值有較好的一致性，本地化的CMEM模型能夠準確地反映城市的機動車排放特征。

由于MOVES模型開源的數(shù)據(jù)庫，研究者對MOVES模型的本地化移植可以覆蓋影響機動車污染物排放的絕大多數(shù)要素，包括車輛排放技術(shù)、車齡分布、劣化系數(shù)、燃油標準、行駛工況以及運行環(huán)境等[14-28]。IVE模型由于其內(nèi)置的車輛基本排放因子針對的是發(fā)展中國家，2003年模型發(fā)布后，在我國得到了廣泛的應用[29-35]。該模型的本地化主要表現(xiàn)在機動車排放控制技術(shù)水平、車用燃油以及當?shù)氐男旭偣r三個方面。其中，朱洪等人在IVE模型修正過程中通過實測的車輛污染物排放因子對模型內(nèi)置的排放因子進行了修正[36]，以反映上海市本地車輛的排放特征。

2 宏觀交通仿真模型融合微觀車輛排放模型的方法

2.1 機動車污染物排放總量計算

宏觀交通仿真模型以交通流為研究單元，僅考慮車流在拓撲路網(wǎng)上的分配問題。典型的宏觀交通仿真軟件有VISUM、TransCAD、CUBE及EMME。現(xiàn)有的主流宏觀交通仿真軟件中已經(jīng)植入了機動車污染物排放總量估計模塊。以EMME為例，EMME模型中計算交通系統(tǒng)機動車GHG（Greenhouse Gas）排放總量步驟如下：（1）通過交通分配，獲取路網(wǎng)上分車型的路段速度及流量；（2）基于路段長度及流量，計算得到分車型的車公里數(shù)；（3）根據(jù)車輛類型及運行速度，查表獲知不同燃油類型的能耗強度；（4）計算得到分車型分燃料類型的機動車能耗特征；（5）基于不同車輛類型及燃油類型的能耗消耗量，計算得到GHG排放總量[37]。

由此可見，由于宏觀交通仿真模型的內(nèi)置機理，模型的直接輸出為每一條路段的流量及平均速度，并不能直接作為微觀車輛排放模型的輸入。車輛污染物排放總量計算公式如下：

2.2 模型融合方法

由公式（2）可知，車輛排放總量計算的準確性依賴于單車排放因子的準確性。傳統(tǒng)的宏觀交通仿真模型多融合于中觀車輛排放模型，即以平均速度為核心指標的估計模型，僅考慮修正當?shù)氐能囮牻M成、車輛技術(shù)及氣象條件等其他輸入，缺乏對微觀交通運行狀況的考量[38-40]。隨著微觀車輛排放模型的發(fā)展，研究者通過采集當?shù)剀囕v的行駛工況數(shù)據(jù)以及修正模型其他輸入?yún)?shù)，從而估計得到表征當?shù)剀囕v實際行駛特征的速度-排放因子關(guān)系圖[41, 43, 44]。相關(guān)文獻綜述如表3所示。

表3 宏觀交通仿真模型融合車輛排放模型研究匯總

由表3及公式（2）可知，宏觀交通仿真模型融合微觀車輛排放模型的關(guān)鍵點在于結(jié)合當?shù)貙嶋H的車輛交通情況得到修正的車流排放因子。以MOVES模型為例，如圖2所示，模型中的基本排放因子及劣化排放因子需結(jié)合我國新車排放限值標準進行修正，并對車輛活動、車隊信息及車型組成進行本地化數(shù)據(jù)修正，其中車輛活動數(shù)據(jù)反映了本地城市的車輛行駛工況特征。Liu等率先對MOVES內(nèi)置的排放因子及劣化率進行了修正[16]。圖2中車隊信息、車型組成、車輛活動及行駛里程等參數(shù)需要結(jié)合當?shù)貙嶋H的車輛運行特征進行輸入，從而得到修正后的不同速度下的車輛綜合排放因子?；诖?，單肖年等人對不同城市、不同道路等級、不同速度下的輕型車排放因子進行了估計擬合，研究指出不同城市、不同道路等級下車輛同一平均速度的排放特征存在差異性，同時分析了不同情景下的擁堵緩解對車輛減排的潛在效益[45]。由此可見，為準確估計車輛污染物排放特征，本地車輛排放因子估計的準確性是關(guān)鍵之處。

圖2 MOVES建模流程及模型輸入/修正的參數(shù)

3 中觀交通仿真模型融合微觀車輛排放模型的方法

中觀交通仿真模型對交通流的描述以若干輛車構(gòu)成的隊列為單元，能夠描述隊列在道路節(jié)點的流入流出行為，對路段車輛的換道行為也可以進行較為細致的描述。中觀仿真模型其內(nèi)核是動態(tài)交通模型結(jié)構(gòu)，可用于探究路網(wǎng)交通系統(tǒng)運行狀況的時空演變機理。動態(tài)交通模型結(jié)構(gòu)主要由動態(tài)OD矩陣（Origin Destination Matrix）獲取及動態(tài)交通分配兩部分組成。應用廣泛的中觀交通仿真模型主要有DynusT（Dynamic Urban Systems in Transportation）及TRANSIMS（Transportation Analysis and Simulation System）。動態(tài)交通模型的直接輸出為車流流入流出某路段起點及終點的時間，從而計算得到路段的時變流量及速度，進而部分學者利用基于平均速度的車輛排放模型，估計了機動車污染物排放特征[46-48]。

Zhou等提出了一種解決系統(tǒng)生態(tài)最優(yōu)的動態(tài)交通分配問題的方法（Eco-System Optimal Dynamic Traffic Assignment，ESODTA），該方法提出了一種車流軌跡重建方法，可輸入至微觀車輛排放模型，如圖3（a）所示[52-54]。

圖3 軌跡重建方法

4 微觀交通仿真模型融合微觀車輛排放模型的方法

4.1 模型融合方法

微觀交通仿真模型以單個車輛作為描述對象。整個模型框架基礎(chǔ)為車輛跟馳模型及換道模型，同時嵌入了車輛路徑選擇模型。目前廣泛使用的微觀交通仿真模型有VISSIM、Q-PARAMICS、TransModeler、AIMSUN、SUMO等。微觀交通仿真模型的輸出結(jié)果（車輛行駛軌跡）可直接輸入微觀車輛排放模型，估計車輛運行工況特征，并對車型結(jié)構(gòu)及車齡分布進行修正，兩種模型融合方法綜述如表4所示。

表4 微觀交通仿真模型融合微觀車輛排放模型研究匯總

作 者年份交通策略交通模型交通模型標定排放模型融合方法仿真對象 Barth等[56]2001ITS技術(shù)的應用Q-PARAMICS路段限速CMEM車輛軌跡快速路走廊 Noland等[57]2006道路供給增加VISSIM目標速度分布CMEM車輛軌跡快速路匯入?yún)^(qū) Chen等[58]2007新增公交專用道VISSIM未標定CMEM車輛軌跡+車隊組成井字形路網(wǎng) Boriboonsomsin等[59]2008高占有率車道形式Q-PARAMICS斷面速度流量匹配CMEM車輛軌跡+車隊組成快速路走廊 Mensink等[60]2008交叉口設(shè)計等Q-PARAMICS未標定車輛軌跡城市路網(wǎng) Viti等[61]2008車輛軌跡對比VISSIM未標定—車輛軌跡單個交叉口 Stevanovic等[62]2009交叉口配時方案VISSIM出行時間匹配CMEM車輛軌跡城市主干路 Xie等[63]2011替代燃料技術(shù)發(fā)展Q-PARAMICS未標定MOVES速度+車隊組成+車齡分布城市主干路 Song等[64]2012VSP分布特征對比VISSIM斷面速度流量匹配MOVESVSP分布快速路走廊 Amirjamshidi等[65]2013貨車車輛替換Q-PARAMICS斷面速度流量匹配CMEM車輛軌跡+車隊組成城市路網(wǎng) Li等[66]2013VISSIM標定VISSIM多層次標定方法VERSIT+車輛軌跡單個交叉口 Misra等[67]2013定量化污染物濃度Q-PARAMICS未標定CMEM車輛軌跡+車隊組成城市主干路 Wang等[68]2013單向交通組織VISSIM斷面速度流量匹配VSP城市路網(wǎng) Zhao等[69]2013不同融合方法對比Q-PARAMICS未標定MOVESVSP分布/路段速度交叉口/快速路 Anya等[70]2014模型融合AIMSUN多參數(shù)組合分析VSP城市主干路 Guo等[71]2014交叉口環(huán)境評估VISSIM未標定MOVESVSP分布單個交叉口 Hallmark等[72]2014作業(yè)區(qū)環(huán)境效益VISSIM加減速特征標定MOVESVSP分布單個交叉口 Talbot等[73]2014模型融合TransModeler跟馳模型標定MOVESVSP分布城市主干路 Fontes等[74]2015不同的坐標系設(shè)置VISSIM斷面速度流量匹配VSP城市路網(wǎng) Xiong等[75]2015新建收費道路TransModeler流量及出行時間匹MOVES車輛軌跡城市路網(wǎng) Muresan等[76]2016多種排放估計方法VISSIM未標定MOVES車輛軌跡/路段速度/速度聚類多個交叉口 Xu等[77]2016項目層次環(huán)境效益VISSIM1 000組參數(shù)組合MOVESVSP分布+車隊組成+車齡分布城市主干路 Lejri等[78]2018兩種排放模型對比自研斷面流量匹配COPERT/PHEM車隊組成城市路網(wǎng) 巴興強等[79]2018交叉口優(yōu)化設(shè)計VISSIM駕駛行為標定MOVES車隊組成單個交叉口 Samaras等[80]2018網(wǎng)絡(luò)擁堵對CO2排放的影響AIMSUN交通流基本圖標定CRUISE車隊組成+燃料分類城市路網(wǎng) Samaras等[81]2019交通狀態(tài)改變AIMSUM交通流基本圖標定CRUISE車隊組成+燃料分類城市主干路 Kim等[82]2019中央式公交專用道VISSIM斷面流量速度標定/駕駛行為標定MOVES多因素匹配城市主干路 Liu等[83]2019貨車限行策略VISSIM斷面流量速度標定/駕駛行為標定MOVES多因素匹配快速路走廊 Kim等[84]2020參數(shù)標定VISSIM五種標定判別指標MOVES車隊組成快速路走廊

注：a.，）是指作者構(gòu)建的車輛排放估計方法，且以車輛的速度及加速度為自變量； b.（VSP）是指以車輛比功率為自變量的車輛排放估計方法。

早在2001年，Barth等探究了ITS（Intelligent Transportation System）策略的環(huán)境效益，率先提出了微觀交通仿真模型Q-PARAMICS與微觀車輛排放模型CMEM的一體化設(shè)計方法[56]。由于CMEM在2005年發(fā)布最新版本，涵蓋了重型車的污染物基礎(chǔ)排放因子，研究者認識到車隊組成對車輛排放有顯著性的影響，在微觀交通仿真模型中融合微觀車輛排放模型時，多采用車輛軌跡輸入及車隊組成修正的方法[58, 59]。2010年以后，由于MOVES模型的開發(fā)應用，多數(shù)研究者對微觀交通仿真模型與MOVES模型的融合進行了深入研究[63-65, 71-73, 75-77]，Amirjamshidi等及Misra等在微觀交通仿真模型中融合了CMEM模型[65, 67]。研究者指出在兩種模型融合時，需要在MOVES中輸入當?shù)貙嶋H的車齡分布特征[63, 77]。此外，部分研究者基于當?shù)氐腜EMS（Portable Emissions Measurement System）數(shù)據(jù)，構(gòu)建了基于速度加速度或比功率的車輛排放估計方法，并進行了融合[60, 68, 70, 74]。

由此可知，微觀交通仿真模型融合微觀車輛排放模型的方法可分為車輛軌跡輸入/VSP分布、車輛軌跡+車隊組成、VSP分布+車隊組成+車齡分布三種方法。根據(jù)公式（1）可知，VSP計算數(shù)據(jù)指標為速度、加速度、坡度、車重等，在實際應用過程中，通過車輛高精度行駛軌跡數(shù)據(jù)推算得到車輛逐秒的速度及加速度特征，進而估計得到車輛VSP分布特征。考慮到車輛類型會對車輛污染物排放特征產(chǎn)生顯著影響，研究者根據(jù)實際的交通流車隊組成比例，對不同車輛類型進行匹配，以MOVES模型中車輛類型劃分為例，如表5所示。MOVES模型中車輛類型分為13類，而高速公路運行監(jiān)測系統(tǒng)（Highway Performance Monitoring System，HPMS）只分為5類。車輛排放計算的車輛分類與交通運行車輛分類不一致，且與我國車輛分類也不太相同。此外，車輛使用過程中的劣化現(xiàn)象同樣會影響車輛的排放特征，MOVES模型通過車流中同一種車輛類型的車齡分布以表征車輛的劣化特征，以上海市輕型車為例，車齡分布如圖4所示。

綜上，微觀交通仿真模型融合微觀車輛排放模型較為精細化，微觀交通仿真模型可直接輸出車輛行駛軌跡作為微觀車輛排放模型的輸入，并需對車流的車隊組成及同一種車輛類型的車齡分布進行修正。

表5 MOVES模型車輛類型分類

圖4 2013年上海市輕型車車齡分布特征

4.2 模型融合估計結(jié)果的不準確性

微觀交通仿真模型估計結(jié)果的不確定性首先表現(xiàn)在仿真模型的參數(shù)標定上，體現(xiàn)在真實觀測交通流現(xiàn)象與仿真交通流現(xiàn)象之間的比較；其次，體現(xiàn)在不同仿真場景的優(yōu)化比較。區(qū)別于參數(shù)標定的不確定性，微觀交通仿真模型融合微觀車輛排放模型存在不確定性，即仿真輸出的車輛行駛軌跡是否能準確地反映真實的車輛行駛工況特征。由表4可知，近40%的研究者并沒有對微觀交通仿真模型進行參數(shù)標定[58, 60, 61, 64, 67, 69, 71, 76]。針對單一交叉口，車輛行駛軌跡數(shù)據(jù)可以通過圖像識別技術(shù)進行提取，Viti等指出以VISSIM默認參數(shù)輸出的軌跡與真實的軌跡相差甚遠[61]；Li等基于某交叉口真實的車輛軌跡數(shù)據(jù)，運用多層次參數(shù)標定方法，認為VISSIM通過參數(shù)標定輸出的車輛軌跡可以很好地匹配真實的觀測數(shù)據(jù)[66]。

另一方面，Dowling等提出了微觀交通仿真軟件參數(shù)標定準則，第一判定指標是仿真流量與觀測流量的誤差滿足統(tǒng)計要求，速度為定性的輔助判別指標[85]。大量研究者以此為標準，認為標定后的微觀交通仿真模型可以很好地融合微觀車輛排放模型[59, 67, 74, 75]。而Song等指出微觀交通仿真模型輸出結(jié)果可以很好地匹配真實的斷面流量速度值，但是車輛的VSP分布特征無法與真實數(shù)據(jù)相匹配，導致仿真估計的車輛排放因子與真實測試的排放因子存在較大的誤差[86]，以NO（Nitrogen Oxide）排放因子為例，如圖5（a）所示；Xu等隨機生成1 000組VISSIM模型中內(nèi)置12個參數(shù)的組合，分析了同一場景下NO排放總量的變化特征，如圖5（b）所示，結(jié)果表明不同參數(shù)組合下的NO排放總量差異較小[77]。因此上述研究者認為滿足參數(shù)標定準則的微觀交通仿真模型的輸出軌跡并不能準確地反映真實的車輛行駛工況特征。

圖5 兩種微觀模型融合的不確定性

5 總結(jié)與展望

5.1 我國本土微觀車輛排放模型的開發(fā)與運用

借鑒了HBEFA（Handbook of Emission Factors for Road Transport）模型原型，2014年我國環(huán)境保護部首次發(fā)布了《道路機動車大氣污染物排放清單編制技術(shù)指南》，該指南按照客貨、燃料以及車輛污染控制水平將道路機動車排放源分為三類，給出了車輛尾氣污染物基本排放因子。HBEFA模型以某一行駛工況下的速度時間曲線為描述對象，其本質(zhì)是考慮了平均速度對車輛排放特征的影響；而MOVES模型則以瞬時的車輛比功率及比功率分布來描述車輛行駛工況。我國本土微觀車輛排放模型現(xiàn)階段處于數(shù)據(jù)積累及測試分析階段，模型構(gòu)建與發(fā)達國家還存在著一定的差距，亟需開發(fā)適用于本土的微觀車輛排放模型。

5.2 環(huán)境視角下的微觀交通仿真模型參數(shù)標定方法

交通仿真模型融合微觀車輛排放模型的重點表現(xiàn)在兩個方面：車輛污染物排放因子估計的準確性及車輛行駛工況仿真的準確性。而車輛行駛工況仿真的準確性著重表現(xiàn)在對微觀交通仿真模型的輸入?yún)?shù)及參數(shù)標定上。微觀交通仿真模型參數(shù)標定方法目前依賴于速度流量的判定，并不能保證仿真輸出的車輛行駛軌跡數(shù)據(jù)與真實的車輛行駛軌跡相匹配。部分學者提出了基于道路速度-排隊長度的微觀交通仿真模型參數(shù)標定方法[87]。研究中需要提出微觀交通仿真模型環(huán)境視角下的參數(shù)標定方法，進而可以融合微觀交通仿真模型及微觀車輛排放模型，分析交通管控策略的車輛節(jié)能減排效益。

5.3 面向車輛尾氣排放精確估計的微觀交通仿真模型構(gòu)建

部分研究者指出現(xiàn)有的微觀交通仿真模型無法準確地描述實際的車輛軌跡特征，尤其Song等指出其本質(zhì)原因是現(xiàn)有的車輛跟馳及換道模型無法準確地描述擁堵情況下車輛頻繁的加減速特征[86]。為精確估計車輛尾氣排放特征，亟需構(gòu)建或?qū)Ρ仁褂梅从耻囕v行駛工況的微觀交通仿真模型，著重體現(xiàn)在提出反映道路擁堵狀況下車輛走走停?，F(xiàn)象的車輛跟馳模型及換道模型，以真實再現(xiàn)實際環(huán)境下的車輛行駛工況特征。

5.4 交通仿真模型融合微觀車輛排放模型估計結(jié)果的準確性驗證

由于車輛污染物排放的瞬時性及多樣性，模型融合后的機動車污染排放估計結(jié)果準確性驗證一直是研究的難點。在前述研究過程中，基本的假設(shè)是關(guān)注交通管控策略前后車輛污染物排放量變化的相對值。部分研究者構(gòu)建了車輛污染物排放后的擴散模型，疊加路側(cè)污染物背景濃度，估計得到路側(cè)污染物濃度特征值，并與實際觀測的污染物濃度進行比較，以說明模型融合估計的準確性[88]。該方法由于涉及的技術(shù)鏈條較多，誤差往往較大。研究中需要進一步提出模型融合估計結(jié)果的準確性驗證方法，可利用便攜式車載尾氣監(jiān)測設(shè)備，實時獲取車輛的污染物排放特征，并與仿真估計結(jié)果進行關(guān)聯(lián)分析。

5.5 面向污染物人群暴露及健康評估的一體化仿真分析平臺

機動車污染物排放擴散后，人群暴露在大氣污染物環(huán)境中進行活動，進而影響居民的身體健康。部分研究者已經(jīng)對“交通仿真模型-車輛排放模型-污染物擴散模型”進行高度集成，形成道路交通系統(tǒng)路側(cè)污染物濃度分析平臺[89]。然而污染物人群暴露問題還需進一步考慮污染物濃度不同時空分布下的人口特征，如人口密度、人口活動等特征。研究中建議按照“交通活動（交通仿真模型）-排放估計（車輛排放模型）-尾氣擴散-人群暴露-健康評估”的邏輯思路，積極探索構(gòu)建面向污染物人群暴露及健康評估的一體化仿真分析平臺，進而將交通活動污染物外部性問題與居民健康評估進行關(guān)聯(lián)，引導城市交通系統(tǒng)可持續(xù)發(fā)展。

[1] LINTON C, GRANT-MULLER S, GALE W. Approaches and techniques for modelling CO2emissions for road transport[J]. Transport Reviews, 2015, 35(4): 533553.

[2] DUPREY R L. Compilation of air pollutant emission factors[R]. Washington D. C. : EPA, 1968.

[3] California Environmental Protection Agency. EMFAC2014- Volume Ⅲ —— technical documentation[R]. Sacramento: CalEPA, 2015.

[4] European Environment Agency. COPERT 4: computer programme to calculate emissions from road transport user manual[R]. Copenhagen: EuroEPA, 2012.

[5] BARTH M, AN F, YOUNGLOVE T, et al. Development of a comprehensive modal emissions model[R]. Washington D. C. : NCHRP, 2000.

[6] U. S. Environmental Protection Agency. MOVES2014a user manual[R]. Washington D. C. : EPA, 2015.

[7] JIMENEZ J L. Understanding and quantifying motor vehicle emissions with vehicle specific power and TILDASremote sensing [D]. Boston: Massachusetts Institute of Technology, 1991.

[8] U. S. Environmental Protection Agency. Fuel consumption modeling of conventional and advanced technology vehicles in the physical emissions rate estimator (PERE) [R]. Washington D. C. : EPA, 2005.

[9] DAVIS N, LENTS J, OSSES M, et al. Development and application of an international vehicle emissions model[J]. Transportation Research Record, 2005, 1939: 157-165.

[10] 張?zhí)m怡, 胡喜生, 邱榮祖. 機動車尾氣污染物排放模型研究綜述[J]. 世界科技研究與發(fā)展, 2017, 39(4): 355-362.

[11] 何春玉, 王歧東. 運用CMEM模型計算北京市機動車排放因子[J]. 環(huán)境科學研究, 2006, 19(1): 109-112.

[12] 徐成偉, 吳超仲, 初秀民, 等. 基于CMEM模型的武漢市輕型機動車平均排放因子研究 [J]. 交通與計算機, 2008, 26(4): 185-188.

[13] 戴璞, 陳長虹, 黃成, 等. 不同行駛工況下輕型柴油車瞬時排放的CMEM模擬研究[J]. 環(huán)境科學, 2009, 30(5): 1520-1527.

[14] 岳園圓, 宋國華, 黃冠濤, 等. MOVES在微觀層次交通排放評價中的應用研究[J]. 交通信息與安全, 2013, 31(6): 47-53.

[15] 張廣昕, 孫晉偉. 基于MOVES的機動車排放分析及控制措施研究[J]. 交通節(jié)能與環(huán)保, 2013, 1: 24-29.

[16] LIU H, CHEN X, WANG Y, et al. Vehicle emission and near-road air quality modeling for Shanghai, China based on global positioning system data from taxis and revised MOVES emission inventory[J]. Transportation Research Record, 2013, 2340: 38-48.

[17] WU Y, SONG G, YU L. Sensitive analysis of emission rates in MOVES for developing site-specific emission database[J]. Transportation Research Part D: Transport and Environment, 2014, 32: 193-206.

[18] 郭園園, 曹罡, 朱榮淑. 基于深圳本土化MOVES模型微觀層次敏感性分析[J]. 交通信息與安全, 2015, 33(2): 116-123.

[19] 孫文圃, 許金良, 景立竹, 等. 基于MOVES的高速公路縱坡段載重柴油車輛碳排放預測模型的研究[J]. 公路交通科技, 2015, 32(12): 144-150.

[20] 郝艷召, 鄧順熙, 邱兆文, 等. 基于MOVES的輕型車顆粒物排放來源和特征分析[J]. 環(huán)境工程學報, 2015, 9(8): 3915-3922.

[21] 胥耀方, 于雷, 宋國華. 面向路段排放測算的車輛運行模式模型 [J]. 交通運輸系統(tǒng)工程與信息, 2016, 16(6): 160-168.

[22] 陳泳釗, 劉永紅, 林曉芳, 等. 基于浮動車數(shù)據(jù)分析交通狀態(tài)對輕型車排放的影響 [J]. 環(huán)境科學研究, 2016, 29(4): 494-502.

[23] 黃文偉, 強明明, 孫龍林, 等. 基于MOVES的車輛排放因子測試 [J]. 交通運輸工程學報, 2017, 17(1): 140-148.

[24] 曹楊, 郭園園, 曹罡, 等. MOVES模型微觀層次參數(shù)的深圳本土化研究 [J]. 交通信息與安全, 2017, 35(2): 100-108.

[25] 許金良, 景立竹, 韓躍杰, 等. 基于MOVES的小半徑圓曲線路段載重柴油車碳排放預測模型 [J]. 公路交通科技, 2018, 35(12): 124-131.

[26] SHAN X, CHEN X, JIA W, et al. Evaluating urban bus emission characteristics based on localized MOVES using sparse GPS data in Shanghai, China [J]. Sustainability, 2019, 11(10): 2936.

[27] 姚勝永, 李亞楠, 劉佳豪. 基于MOVES模型的石家莊市機動車排放清單研究 [J]. 交通節(jié)能與環(huán)保, 2019, 15(74): 4-9.

[28] 胡明偉, 王守峰, 黃文柯, 等. 基于車牌識別數(shù)據(jù)的行駛軌跡重構(gòu)和排放測算 [J]. 深圳大學學報理工版, 2020, 37(2): 111-120.

[29] 姚志良, 賀克斌, 王岐東, 等. IVE機動車排放模型應用研究[J]. 環(huán)境科學, 2006, 27(10): 1928-1933.

[30] 王海鯤, 陳長虹, 黃成, 等. 應用IVE模型計算上海市機動車污染物排放[J]. 環(huán)境科學學報, 2006, 26(1): 1-9.

[31] 劉歡, 賀克斌, 王岐東. 天津市機動車排放清單及影響要素研究[J]. 清華大學學報: 自然科學版, 2008, 48(3): 370-373.

[32] 董紅召, 徐勇斌, 陳寧. 基于IVE模型的杭州市機動車實際行駛工況下排放因子的研究[J]. 汽車工程, 2011, 33(12): 1034-1038.

[33] 黃成, 劉娟, 陳長虹, 等. 基于實時交通信息的道路機動車動態(tài)排放清單模擬研究[J]. 環(huán)境科學, 2012, 33(11): 3725-3732.

[34] 李新興, 孫國金, 王孝文, 等. 杭州市區(qū)機動車污染物排放特征及分擔率[J]. 中國環(huán)境科學, 2013, 33(9): 1684-1689.

[35] 馮曉, 王婷麗, 趙琦. 基于IVE模型的重慶市主城區(qū)機動車排放清單研究[J]. 重慶交通大學學報: 自然科學版, 2014, 33(2): 135-137.

[36] 朱洪, 劉娟, 程杰, 等. 上海市機動車交通排放模型構(gòu)建[J]. 城市交通, 2016, 14(6): 17-22.

[37] KHAN A. Issues in the use of EMME/2 as a platform for the estimation of greenhouse gases[J]. Journal of the University of Shanghai for Science and Technology, 1999, 21(3): 382-389.

[38] NAMDEO A, MITCHELL G, DIXON R. TEMMS: an integrated package for modelling and mapping urban traffic emissions and air quality[J]. Environmental Modelling & Software, 2002, 12: 179-190.

[39] BORREGO C, TCHEPEL O, SALMIM L, et al. Integrated modeling of road traffic emissions: application to Lisbon air quality management[J]. Cybernetics and Systems, 2004, 35: 535-548.

[40] COBIAN R, HENDERSON T, MITRA S, et al. Vehicle emissions and level of service standards: exploratory analysis of the effects of traffic flow on vehicle greenhouse gas emissions[J]. City and Regional Planning, 2009, 79(4): 30-32, 37-41.

[41] 劉皓冰. 基于行駛工況的城市機動車尾氣排放研究[D]. 上海: 同濟大學, 2013.

[42] ZEGEYE S K, SCHUTTER B D, HELLENDOORN J, et al. Integrated macroscopic traffic flow, emission, and fuel consumption model for control purposes[J]. Transportation Research Part C, 2013, 31: 158-171.

[43] SIDER T, ALAM A, FARRELL W, et al. Evaluating vehicular emissions with an integrated mesoscopic and microscopic traffic simulation[J]. Canadian Journal of Civil Engineering, 2014, 41: 856-868.

[44] 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.

[45] 單肖年, 葉建紅, 陳小鴻. 城市交通擁堵緩解對車輛減排的效益研究[J]. 交通運輸系統(tǒng)工程與信息, 2016, 16(2): 37-43.

[46] LONG J, CHEN J, SZETO W, et al. Link-based system optimum dynamic traffic assignment problems with environmental objectives[J]. Transportation Research Part D, 2018, 60: 56-75.

[47] 朱澤坤. 環(huán)境可持續(xù)下的交通網(wǎng)絡(luò)動態(tài)均衡分配研究[D]. 廣州: 華南理工大學, 2020.

[48] SHARIFI F, BIRT A, GU C, et al. Regional CO2impact assessment of road infrastructure improvements[J]. Transportation Research Part D, 2021, 90: 102638.

[49] LIN J, CHIU Y, VALLAMSUNDAR S, et al. Integration of MOVES and dynamic traffic assignment models for fine-grained transportation and air quality analyses[C] // Proceedings of the 2011 IEEE Forum on Integrated and Sustainable Transportation Systems. Vienna: Austria, 2011: 176-181.

[50] CHIU Y, ZHOU L, SONG H. Development and calibration of the anisotropic mesoscopic simulation model for uninterrupted flow facilities[J]. Transportation Research Part B, 2010, 44(1): 152-174.

[51] SHAH R, NEZAMUDDIN N, LEVIN M, et al. Supply- side network effects on mobile-source emissions[J]. Transport Policy, 2020, 98: 21-34.

[52] ZHOU X, TAYLOR J, PRATICO F. DTALite: a queue- based mesoscopic traffic simulator for fast model evaluation and calibration[J]. Cogent Engineering, 2014, 961345.

[53] ZHOU X, LIU J, QU Y. Evaluating and calibrating emission impacts of traffic management strategies through simplified emission estimation model and mesoscopic dynamic traffic simulators[R]. Maryland: National Transportation Center, 2016.

[54] LU C, LIU L, QU Y, et al. Eco-system optimal time- dependent flow assignment in a congested network[J]. Transportation Research Part B, 2016, 94: 217-239.

[55] SHAN X, HAO P, CHEN X, et al. Probabilistic model for vehicle trajectories reconstruction using sparse mobile sensor data on freeways[C]// Proceedings of the 2016 IEEE 19thInternational Conference on Intelligent Transportation Systems. Rio de Janeiro: Brazil, 2016: 689-694.

[56] BARTH M, MALCOLM C, SCORA G. Integrating a comprehensive modal emissions model into ATMIS transportation modeling frameworks[R]. California: California PATH Program, 2001.

[57] NOLAND R B, QUDDUS M A. Flow improvements and vehicle emissions: effects of trip generation and emission control technology[J]. Transportation Research Part D, 2006, 11: 1-14.

[58] CHEN K, YU L. Microscopic traffic-emission simulation and case study for evaluation of traffic control strategies[J]. Journal of Transportation Systems Engineering and Information Technology, 2007, 7(1): 93-100.

[59] BORIBOONSOMSIN K, BARTH M. Impacts of freeway high-occupancy vehicle lane configuration on vehicle emissions[J]. Transportation Research Part D, 2008, 13: 112-125.

[60] MENSINK C, COSEMANS G. From traffic flow simulationsto pollutant concentrations in street canyons and backyards[J]. Environmental Modelling & Software, 2008, 23: 288-295.

[61] VITI F, HOOGENDOORN S P, ZUYLEN H J, et al. Speed and acceleration distributions at a traffic signal analyzed from microscopic real and simulated data[C]// Proceedings of the 11thInternational IEEE Conference on Intelligent Transportation Systems. Beijing: IEEE, 2008: 651-656.

[62] STEVANOVIC A, STEVANOVIC J, ZHANG K, et al. Optimizing traffic control to reduce fuel consumption and vehicular emissions: integrated approach with VISSIM, CMEM, and VISGAOST[J]. Transportation Research Record: Journal of the Transportation Research Board, 2009, 2128: 105-113.

[63] XIE Y, CHOWDHURY M, BHAVSAR P, et al. An integrated tool for modeling the impact of alternative fueled vehicles on traffic emissions: a case study of Greenville, South Carolina[C]// Proceedings of the Transportation Research Board 90thAnnual Meeting. Washington D. C. : Transportation Research Board of the National Academies, 2011: 11-3880.

[64] SONG G, YU L, ZHANG Y. Applicability of traffic micro-simulation models in vehicle emission estimations: a case study of VISSIM[J]. Transportation Research Record: Journal of the Transportation Research Board, 2012, 2270: 132-141.

[65] AMIRJAMSHIDI G, MOSTAFA T S, MISRA A, et al. Integrated model for micro simulating vehicle emissions, pollutant dispersion and population exposure[J]. Transportation Research Part D, 2013, 18: 16-24.

[66] LI J, ZUYLEN H V, CHEN Y, et al. Calibration of a microscopic simulation model for emission calculation[J]. Transportation Research Part C, 2013, 31: 172-184.

[67] MISRA A, ROORDA M J, MACLEAN H L. An integrated modelling approach to estimate urban traffic emissions[J]. Atmospheric Environment, 2013, 73: 81-91.

[68] WANG J, YU L, QIAO F. Micro traffic simulation approach to the evaluation of vehicle emissions on one- way vs two-way streets: a case study in Houston Downtown[C]// Proceedings of the Transportation Research Board 92ndAnnual Meeting. Washington D. C. : Transportation Research Board of the National Academies, 2013: 13-2218.

[69] 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.

[70] ANYA A R, ROUPHAIL N M, FREY H C, et al. Application of AIMSUN micro simulation model in estimating emissions on signalized arterial corridors[C] // Proceedings of the Transportation Research Board 93rdAnnual Meeting. Washington D. C. : Transportation Research Board of the National Academies, 2014: 14-1481.

[71] GUO R, ZHANG Y. Exploration of correlation between environmental factors and mobility at signalized intersections[J]. Transportation Research Part D, 2014, 32: 24-34.

[72] HALLMARK S, CHRYSLER S, ONEYEAR N. Validation of traffic simulation model output for work zone and mobile source emissions modeling and integration with human-in-the-loop driving simulators[R]. Ames: Iowa State University, 2014.

[73] TALBOT E, CHAMBERLIN R, HOLMéN B A, et al. Calibrating a traffic microsimulation model to real-world operating mode distributions[C]// Proceedings of the Transportation Research Board 93rdAnnual Meeting. Washington D. C.: Transportation Research Board of the National Academies, 2014: 14-0406.

[74] FONTES T, PEREIRA S R, FERNANDES P, et al. How to combine different microsimulation tools to assess the environmental impacts of road traffic? lessons and directions[J]. Transportation Research Part D, 2015, 34: 293-306.

[75] XIONG C, ZHU Z, HE X, et al. Developing a 24-hour large-scale microscopic traffic simulation model for the before-and-after study of a new tolled freeway in the Washington, DC-Baltimore region[J]. Journal of Transportation Engineering, 2015, 141(6): 05015001.

[76] MURESAN M, HOSSAIN S M, FU L, et al. A trajectory- clustering based method for integrating microscopic traffic simulation and emission estimation models[C]// Proceedings of the Transportation Research Board 95thAnnual Meeting. Washington D. C. : TransportationResearch Board of the National Academies, 2016: 16-5197.

[77] XU X, LIU H, ANDERSON J M, et al. Estimating project-level vehicle emissions with VISSIM and MOVES-Matrix[C] // Proceedings of the Transportation Research Board 95thAnnual Meeting. Washington D. C. : Transportation Research Board of the National Academies, 2016: 16-6434.

[78] LEJRI D, CAN A, SCHIPER N, et al. Accounting for traffic speed dynamics when calculating COPERT and PHEM pollutant emissions at the urban scale[J]. Transportation Research Part D, 2018, 63: 588-603.

[79] 巴興強, 徐孟發(fā), 李洪濤．基于MOVES的城市道路交叉口組織優(yōu)化排放分析[J]. 重慶理工大學學報: 自然科學, 2018, 32(6): 115-121.

[80] SAMARAS C, TSOKOLIS D, TOFFOLO S, et al. Improving fuel consumption and CO2 emissions calculations in urban areas by coupling a dynamic micro traffic model with an instantaneous emissions model[J]. Transportation Research Part D, 2018, 65: 772-783.

[81] SAMARAS C, TSOKOLIS D, TOFFOLO S, et al. Enhancing average speed emission models to account for congestion impacts in traffic network link-based simulations [J]. Transportation Research Part D, 2019, 75: 197-210.

[82] KIM D, KO J, XU X, et al. Evaluating the environmental benefits of median bus lanes: microscopic simulation approach[J]. Transportation Research Record, 2019, 2673(4): 663-673.

[83] LIU H, KIM D. Simulating the uncertain environmental impact of freight truck shifting programs[J]. Atmospheric Environment, 2019, 214: 116847.

[84] KIM J, KIM J, LEE G, et al. Microscopic traffic simulation calibration level for reliable estimation of vehicle emissions[J]. Journal of Advanced Transportation, 2020, 4038305.

[85] DOWLING R, HOLLAND J, HUANG A. Guidelines for applying traffic microsimulation modeling software [R]. Washington D. C.: California Department of Transportation, 2002.

[86] SONG G，YU L，XU L. Comparative analysis of car- following models for emissions estimation[J]. Transportation Research Record: Journal of the Transportation Research Board, 2013, 2341: 12-22.

[87] 尹俊淞. 基于道路速度-排隊長度的VISSIM參數(shù)標定建模與算法[J]. 交通運輸工程與信息學報, 2019, 17(3): 144-151.

[88] PU Y, YANG C. Estimating urban roadside emissions with an atmospheric dispersion model based on in-field measurements[J]. Environmental Pollution, 2014, 192: 300-307.

[89] FOREHEAD H, HUYNH N. Review of modeling air pollution from traffic at street-level-the state of the science[J]. Environmental Pollution, 2018, 241: 775-786.

Review of Studies that Integrate Traffic-simulation Models with Microscopic Vehicle-emissions Models

SHAN Xiao-nian1, CHEN Xiao-hong2

(1. College of Civil and Transportation Engineering, Hohai University, Nanjing 210098, China;2. College of Transportation Engineering, Tongji University, Shanghai 201804, China)

To assess the environmental benefits of transportation management or control strategies, it is necessary to integrate traffic-simulation models with microscopic vehicle-emission models to estimate the vehicle-emission characteristics. We first analyze the basic characteristics of microscopic vehicle-emission models, and review the localization approaches of such models in China. We then review and analyze the approaches for integrating multi-level traffic-simulation models with micro vehicle-emission models. The results reveal that localized vehicle-emission factor estimation and traffic-flow trajectory reconstruction are the key steps in integrating macroscopic and mesoscopic traffic-simulation models and microscopic vehicle-emission models, respectively. Moreover, findings from existing research are not very consistent in terms of the accuracy of vehicle-emission estimation with microscopic traffic-simulation models. This is caused by differences in the calculated vehicle-operation-mode distributions between the simulation results and field observations. Finally, the future research directions and application areas of model integration are discussed. The results from this paper will be of significant value to related research on integrating traffic-simulation models and microscopic vehicle-emission models.

traffic engineering; microscopic vehicle emissions model; traffic simulation model; modelintegration; operating mode distribution

1672-4747（2021）02-0011-14

U491.1

A

10.3969/j.issn.1672-4747.2021.02.002

2020-11-21

國家自然科學基金（52002113）；江蘇省自然科學基金（BK20200526）；中央高校基本科研業(yè)務費專項資金（B200202084）

單肖年（1990—），男，漢族，江蘇鹽城人，博士，河海大學講師，研究方向為城市綜合交通規(guī)劃、交通能源與環(huán)境、交通系統(tǒng)新技術(shù)，E-mail：shanxiaonian@hhu.edu.cn

陳小鴻（1961—），女，漢族，浙江永嘉人，博士，同濟大學教授，研究方向為城市綜合交通規(guī)劃、交通需求模型和交通流仿真、交通政策，E-mail：chenxh@#edu.cn

單肖年，陳小鴻. 交通仿真模型融合微觀車輛排放模型研究綜述[J]. 交通運輸工程與信息學報，2021, 19(2): 11-24.

SHAN Xiao-nian, CHEN Xiao-hong. 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.

（責任編輯：李愈）