成都城市交通拥堵和二氧化氮浓度的去趋势互相关研究外文翻译资料

成都城市交通拥堵和二氧化氮浓度的去趋势互相关研究

石凯 , 狄宝峰 , 张凯山 等；

占旭东 译

摘要：在城市交通拥挤路段，通常会出现更多的废气排放，这是因为在拥挤路段会有更长时间的发动机空转和更频繁的车辆加速。使用去趋势互相关研究，我们分析出了成都市区的空气污染与交通拥挤之间的关系。为了在一个相对较大的空间里，更好地用数量表示交通拥挤情况，我们开发并提取出一个新的参数——拥挤长度（CL），并使用谷歌实时交通地图和GIS技术来估计它。我们分析出了2013年5月12日到5月17日，成都市区平均每小时的拥挤长度（HACL）和NO2浓度的关系，发现了平均每小时的拥挤长度（HACL）和NO2浓度之间有很紧密的联系。这暗示着NO2的环境浓度波动和城市交通拥挤以幂函数的形式呈正的互相关。然而，由于一种相对较慢和具有延时性的光化学反应，NO2的环境浓度并不及时地随着道路交通情况的改变而改变。于是，我们对其时间延迟的互相关性进行了进一步地分析，发现了其时间延迟大约在10小时左右。通过这些发现，以及考虑到排放和空气质量之间的时间延迟性关系，我们可以提升空气质量的预测精度。

1.简介

NO2是一种主要的污染物，它可以对人的身体健康和环境都造成不好的影响。大约50%的NO2排放来自于道路交通，主要来自汽车尾气。在近几年，中国的交通流动增长超过了道路所能承受的极限，导致了拥挤路段的排队等候时间越来越长，又进一步导致车辆的发动机空转和加速变多。结果就是，车辆的排放增加了。因此，城市交通拥堵情况被当做一种重要的信息来有效地管理空气质量。

我们做了很多努力来弄清交通活动和空气质量之间的关系。例如，我们发现两条街交叉的十字路口处的NO和NO2的环境浓度与交通流量有很紧密的联系。调查者发现，只有对NO2浓度与路段交通拥堵之间的关系有更好的理解，才能做出更完备的空气污染预测模型。例如，一些调查已经集中于用气象学和道路交通数据来预测因交通而排放的NO2浓度。很多不同的方法被用作该目的。

有连续性的交通流量数据，对于弄清楚交通拥堵和二氧化碳浓度之间的关系起着决定性的作用。一些可观测的因素可以被用来定义给定路段的拥堵情况，例如提升的交通密度，车辆速度和排队时间。最好是在交通流中连续性地测量这些信息。然而，对于给定路段的准确交通数据测量有一个重要的限制因素，那就是这些交通数据是静态测量出来的。这就暗示着这些交通数据仅能反映数据被测量处的交通情况。当然，我们可以通过增加测点来拓展交通情况的覆盖。但是这要付出很多。这些限制因素，让量化一个大区域例如中心城市的NO2浓度和交通拥堵情况变得十分困难。

为了消除这些不稳定因素的影响，去趋势波动分析被提议用来分析在时间函数中的长时效自相关，特别对于单级时间函数。为了研究这两个不稳定时间函数的互相关性，斯坦利提议用去趋势互相关性分析的方法。这种方法被用来量化两种非稳定时间函数的长时效互相关性。

车辆排放会被很多因素影响，例如车辆速度，行程时间，交通情况，道路情况，驾驶员习惯，以及其他等。因此，每次出行的车辆排放都是不同的。因为大气层中复杂的光化学反应，特别是NOx/VOC-O3循环，大气层中的NO2浓度并不及时地随着交通情况的变化而变化。城市交通拥堵对NO2浓度的影响存在着时间上的延迟性。

在这项研究中，我们结合了谷歌实时交通地图和GIS技术，提供了一种新的指示方法来描述城市交通拥堵。该研究的主要目的是使用去趋势互相关性研究的方法来研究成都市区NO2浓度和交通拥堵之间的关系。来证明这是一种更好地理解交通拥堵和空气污染之间关系的方法。

2.研究数据和材料

通常，交通拥挤数据主要用两种方法来获得。一种是测量一个较小的范围内或者某个点静止的交通量。然而这种方法会使重建整个市区的实时交通情况变得非常困难，因为这些交通数据仅仅是在几个预定的点被测量出的。另一个方法是使用GPS技术，安装在车辆中来收集车辆的定位，进而确定道路网络上的交通速度。然而，这种方法既昂贵又很耗时，因为我们要部署大量的车来跟踪交通情况。在近几年，移动通讯设备的进步使在手机上装在GPS变得可行，这使我们能利用开车时驾驶者的移动设备来收集交通信息。因此，一种新的提供交通信息的方法被加入到谷歌地图中，这是谷歌的一种新产品，利用到了互联网，移动电话和GPS技术。谷歌地图所提供的交通信息是实时的，并且在大多数城镇中有相对较高的时间和空间的分析能力。更重要的是这些交通地图使用不同的颜色来描绘不同的交通情况。例如，红色表示交通拥堵，绿色表示道路流畅。因此，这条路红色的长度就能代表这条路的拥堵长度。自从谷歌地图可以免费使用后，就使这种用作交通分析的方法变得可掌控和低成本。然而，这些产品还并没有被广泛地用作交通和环境研究。

图 1 成都市区交通情况图

交通情况（例如交通量，道路网络的交通速度，或者其他的）对车辆排放的影响很大。糟糕的拥堵情况会导致频率相对较高的刹车—启动情况，来导致相对较高的排放，由于低速度的大交通量。谷歌地图的实时交通信息（RTTI）用给道路上色的方法来实现。例如，红色，黄色，绿色来表示不同的交通情况。谷歌地图中的红色被用来表示低速度，多车辆的拥挤交通。绿色则表示交通速度较快，并且可能车辆较少的流畅交通情况。而黄色表示的情况介于交通拥挤和交通流畅之间。因为拥堵的交通状况通常会导致较高的汽车排放，所以只有红色交通数据被记录。

在这项研究中，使用谷歌实时交通地图来提取每小时的平均拥堵长度，并使用GIS技术来描绘市区交通拥堵。HACL的估计会在下面的部分进行讨论。研究地区为中国四川省成都市，包含了541平方公里，如图1所示。研究时间段为2013年5月12-17日。成都是中国车辆污染排行第二的城市（第一是北京）。车辆排放已经成为了成都空气污染的重要来源。

从谷歌地图中的数据已提取和预处理如下：①6：00—24:00，每半个小时在1320*760像素的分辨率下截一次屏。所以一天就得到36个截屏图像，6天总共的到216张截屏图像。②使用通用横轴墨卡托系统对所有图像进行坐标化和矢量化处理。使用GIS来估算这些图像中的道路长度。所以，每小时得到两个CLs，HACL就是这两个CLs的平均值。基于在研究时间内导出到桌面上的颜色，来进一步地估算，用来描绘城市交通拥堵等级的CL。③为了实现CL和大气NO2数据时间上的同步，我们用图二所示的方法计算HACL。HACL数据展现出周期性变化和非线性。可能是因为驾驶习惯以及其他因素。

图 2 2013年5月12日-17日成都HACL数据与每小时平均NO2浓度

拥挤长度可能会随着道路类型的不同而变化。然而，因为成都市的严重汽车污染主要是由轻型车辆造成，并且城市里的车辆行驶受到限制，所以整个市区不同道路上的车队组成都是相似的。例如，基于一个CTMB的调查，成都的行驶车辆组成为：75.85%的轻型车辆，17.75%的摩托车，3.54%的轻型卡车，2.18%的重型卡车和0.67%的其他车辆。超过98%的车量都遵从国2汽油机排放标准或者国4柴油机排放标准。在这些车辆中，96.67%为汽油车，2.45%为柴油车。而且，成都的主要交通网络系统由4车道和6车道的公路组成。也有一些2车道的路，为了公共交通或者小车型而设计。相较于主干道系统，一些支路的排放对成都市区的空气污染并无决定性的影响。这两种类型的道路的实时交通信息（RTTI）在谷歌地图中极为相似。因此，这项调查中的拥挤长度的估算不区分道路类型。

为了核实谷歌交通地图的准确性，并且保证谷歌交通地图可以被用作标准来量化交通拥挤情况，我们在研究期间也在预选路段测量了真实数据。四条有着拥挤交通的卡车路段（科华北路，一环的南一线，一环的南二线，新南路）被选作来测量交通速度的真实数据。四辆测试车行驶在这些预选路段，并且驾驶证手中拿着GPS来测量车辆速度和交通状况。这些路段的交通情况用测试车辆的平均速度来确定。从中我们发现，当被测车辆的平均速度少于15km/h，交通就很拥堵，同时，相应道路在谷歌地图上为红色。因此，平均时速15km/h被当做一个临界值，来定义一种“拥挤或者红色”的道路交通情况。即，当平均速度小于15km/h时，交通情况被贴上拥挤的标签（在谷歌地图上表示为红色）。用过匹配行驶时间标记，路段，车辆定位，被选择测试路线的颜色被与谷歌地图上的颜色进行比较。我们发现从真实世界测量而推断出的道路颜色和谷歌地图上提供的道路颜色是一致的（大约百分之90的时间，谷歌地图对现实世界的交通情况显示出了正确的颜色）。因此，从谷歌地图上读取的交通信息可以被当做一个粗略的替代数据，用来进行交通流分析。

这项研究中所用到的每小时的平均NO2浓度从中国国家环境监视中心获得。成都市区有7个环境监测站，包括十里店，三瓦窑，莲家乡，人民公园，草堂寺，金泉两河和沙河铺。这些监测站中使用化学发光持续性分析来做NO2浓度测量。其中两个监测站被部署了Jihua XHN2000B模型，其探测极限为0.4ppb。其他五个检测站部署了Thermo Fisher模型 42i，其探测极限为0.5ppb。这些数据被每小时下载一次。该研究期间，成都市区内的每小时NO2浓度，是由进一步地取七个站点所测得的平均值所得到的。因为这项研究的重点在于量化交通量和NO2环境浓度的动态联系。而不是交通拥堵和NO2环境浓度之间的联系。所以，NO2的环境背景浓度并不会被特别拿出来讨论。为了减轻拥挤路段和监测站的空间坐标对拥挤长度和NO2浓度之间的时间延迟性的影响，我们使用这两个参数的全区域平均值。取整个地区测量参数的平均值会减轻这些数据的自相关，这样会减轻数据的空间变化性，对于量化拥挤长度和NO2浓度的相关性的影响。如表1所示，这七个站点所测得的数据，和这项研究中的所有平均值数据是一致的。这表明所有的每小时平均NO2浓度数据可以显示市区NO2浓度的平均水平。

另外，在这项研究期间，平均温度、相对湿度和风速分别是21.7℃、73.2%和2.0m/s，并且各自有着一些绝对数上的变化（他们的系数变化范围在0-0.2之间，且风速拥有最大的变化）。这项研究期间的风向记录为西北方向。这表明环境条件对于这项研究仅有微不足道的影响。研究区域内的气象条件如图3所示。

ADF测试被用来评价交通和NO2数据的不稳定性。在5%的显著性水平下，测试统计的HACL数据和每小时平均NO2浓度（分别为-1.761和-1.638）比临界值（-1.944）更大。这表示着这两组数据都不稳定。然而，传统的相关性分析中有一个关键的假设，那就是数据是稳定的。因此，传统的相关性分析对于这项研究来说是不够充分的，一个替代方案应该被找到。

3.方法

数据流分析（DFA）主要用于不稳定的时间序列。我们首先计算不同时段下的集成化和去趋势的时间序列的均方根波动F（s）.然后用如式（1）中所示的将s的幂函数置入F（s）。

（1）

当alpha;=0.5时，F（s）是一个随机的变动序列。当alpha;gt;0.5,时，F（s）与s持续且长距离的相关。当alpha;lt;0.5时显示出一种反持续性，表示一个较大的值（相较于平均值）更可能跟随着一个更小的值，反之亦然。关于DFA方法的细节在别处给出。

表 1 七个监测站中的NO2浓度测量数据

图 3 研究区域内的气象条件

数据流分析（DFA）通常被用于分析一个给定时间序列的自相关性，且不直接适用于本次研究。因此，去趋势互相关性分析（DCCA），即一种基于去趋势协方差的通用数据流分析（DFA），在这项研究中被用来分析两个不稳定时间序列之间的互相关性

英语原文共 9 页

资料编号：[5095]

您可能感兴趣的文章

• 9000吨供油船机舱设备选型与热平衡分析外文翻译资料
• 沿海高速客船机舱设备选型及经济性分析外文翻译资料
• 海.上溢油应急技术外文翻译资料
• 可变压缩比柴油发动机的效率和生态特征外文翻译资料
• 高速船 第4部分 船舶系统和设备外文翻译资料
• 14平衡常数 外文翻译资料
• 敞水中空化螺旋桨和喷嘴式全 回转推进器的CFD研究外文翻译资料
• 生物燃料及其二元(柴油-生物柴油)和三元(乙醇生物柴 油-柴油)混合燃料在内燃机减排上的作用外文翻译资料
• 游轮发电厂优化和比较分析外文翻译资料
• 内燃机最优放热率计算外文翻译资料