高效+高精度 | 汽车尾气排放趋势预测新框架

导读IJAC特约稿件

随着城市机动车保有量的迅速增加，机动车排放污染日趋严重。准确预测城市交通排放的时空变化对城市规划和政策制定具有重要意义。现有的方法大多侧重于估算以往或当前时刻的汽车尾气排放量，不能很好地满足未来规划的要求。近年来，研究者们开始基于多个与尾气排放相关的属性，研究未来时刻汽车尾气排放的变化。然而，这些属性在不同输入的组合和利用方面还不够高效。为了解决这一问题，中国科学技术大学康宇教授团队提出了一个联合框架，该框架基于出租车的GPS轨迹，利用多通道时空网络和机动车排放模拟器(MOVES)模型来预测未来机动车尾气排放的变化情况。

 图片来自Springer (点击上图下载全文)

全文导读

由交通造成的环境污染正成为人们关注的重要问题。拥堵的交通和密集的车流进一步加剧了环境问题的严重性。机动车尾气排放成为一项主要的城市空气污染源。汽车排放的污染物中含有一氧化碳、氮氧化物和颗粒物，它们是雾霾和光化学烟雾污染的主要诱因。因此，城市交通系统需要建立有效的环境监测及预警系统，而其中的关键问题则是对汽车尾气排放变化趋势的准确预测。汽车尾气排放趋势主要受行驶条件的影响，如车速、加速度及车流量的变化。预测未来机动车排放量意味着要预测多个交通条件相关变量的时空变化趋势。

现有的关于城市移动排放源(urban mobile source emissions)的时空分布预测的方法可以大致分为两类：模型驱动和数据驱动。

基于模型驱动方法，研究者们构建了一种汽车排放模型(vehicle emission models)以获得一个排放清单(emission inventory)，可用于估计或预测某一特定区域在指定时间范围内（通常为一年）的尾气总排放量。虽然这类方法已经取得很大进展，但预测汽车尾气排放仍是一个具有挑战性的难题。模型驱动算法缺乏通用性，忽略了地理及环境因素对交通流分布的影响。由于精度受限，该算法只能预测整个城市或区域的总尾气排放量，无法预测精细尺度范围内的排放量。

随着交通数据采集和大数据技术的飞速发展，研究者们开始转向数据驱动的方法，利用移动污染源排放监测数据(mobile source pollution emission monitoring data)和其他城市多源数据(urban multi-source data)来进行机动车尾气排放的时空预测。现有的利用大数据估算任意尺度下汽车污染排放量的研究已经比较成熟。在多数研究中，当前或以往的车辆尾气排放分布都是借助交通状况来估计的，而尾气排放的时空变化分析却暂时是一片空白。

利用历史GPS轨迹数据获取汽车尾气排放量的变化，这是一个预测问题，存在如下挑战：

1) 尾气排放趋势预测是一项复杂的工作，对预测精度和计算效率提出了很高要求。仅考虑单一特征无法完成精确的尾气排放建模和预测。为了提高汽车尾气排放预测的准确性，需要在汽车尾气排放模型中考虑多个交通属性(multiple traffic attributes)。然而，分别预测多个属性会大大增加计算量、降低开发效率。因此，在同时预测多个交通状态相关特征的前提下，如何提高计算效率成为亟待解决的问题。

2) 如何有效地提取和整合与交通排放相关的多个属性(multiple attributes)也是一项具有挑战性的课题。与交通排放相关的属性包括交通量(traffic volume)、平均车速(average speed)、加速度(acceleration)等，这些属性的时空变化趋势是复杂的非线性模型，难以进行精确预测。此外，受外部环境和位置因素的影响，这些属性反映了不同的交通状况，但同时又相互关联，这便给特征提取及融合机制(design of feature extraction and fusion mechanism)的设计带来困难。

为解决上述问题，本文提出了一种联合框架，该框架基于多通道时空图卷积网络和MOVES尾气排放因素模型(multi-channel spatiotemporal graph convolution network and the MOVES emission factor model)，利用多源数据集(包括气象数据和路网数据)(meteorological data and road network data)对汽车尾气排放的时空分布进行合理准确的预测。

图片来自论文

本文的主要贡献如下：

1)为了提高污染预测的精度，保证模型的计算效率，本文采用多通道机制(multi-channel mechanism)来同时预测多个属性(multiple attributes)。此外，为平衡不同特征的尺度差异，本文还引入同方差不确定性(homoscedastic uncertainty)来学习各通道损失的权重。

图片来自论文

2)为了更好地构造每个属性的时空相关性(spatiotemporal dependence)，本文在每个通道中使用时空图卷积网络(spatiotemporal graph convolutional network, STGCN)来逐层提取时空特征。此外，还引入一种特征共享机制(feature sharing mechanism)，对相关属性间特征提取过程中的选择偏好进行建模，以使不同属性得到更好的融合和利用。

3)本文以西安市出租车GPS轨迹数据为例，验证所提方法的有效性。结果表明，多通道机制使训练时间缩短了17.72%，在保证预测精度的前提下，交通量(traffic volume)和平均速度属性(average speed attributes)的预测精度分别提高了4.86%和4.68%，这证实了特征共享机制(feature sharing mechanism)的有效性。另外，通过对城市不同功能区的污染预测和分析，所得到的污染分布结果与实际情况基本一致，说明针对汽车尾气排放的预测是有效的。

全文下载

Prediction of Spatiotemporal Evolution of Urban Traffic Emissions Based on Taxi Trajectories

Zhen-Yi Zhao, Yang Cao, Yu Kang, Zhen-Yi Xu

https://link.springer.com/article/10.1007/s11633-020-1271-y   

http://www.ijac.net/en/article/doi/10.1007/s11633-020-1271-y   

特别感谢论文作者：中国科学技术大学赵振怡博士、康宇教授、曹洋副教授、许镇义副研究员对以上内容的审阅和修改！

特别推荐



好文聚焦


▼关注IJAC视频号▼报道人工智能前沿，追踪AI之光！

点击"阅读原文"免费下载全文