CN117271992B - 一种基于大数据的城市道路碳排放监测管理系统 - Google Patents
一种基于大数据的城市道路碳排放监测管理系统 Download PDFInfo
- Publication number
- CN117271992B CN117271992B CN202311210230.6A CN202311210230A CN117271992B CN 117271992 B CN117271992 B CN 117271992B CN 202311210230 A CN202311210230 A CN 202311210230A CN 117271992 B CN117271992 B CN 117271992B
- Authority
- CN
- China
- Prior art keywords
- road
- carbon emission
- monitoring
- carbon dioxide
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 92
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 92
- 238000012544 monitoring process Methods 0.000 title claims abstract description 76
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 94
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 47
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 230000007613 environmental effect Effects 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000007619 statistical method Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 28
- 238000007726 management method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000036962 time dependent Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2219—Large Object storage; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Environmental & Geological Engineering (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Evolutionary Biology (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
Abstract
本发明涉及碳排放监测技术领域，具体公开了一种基于大数据的城市道路碳排放监测管理系统，包括：车辆碳排放预测模块，包括摄像单元、车速检测单元、识别单元及预设模型，用以通过摄像单元获取道路车辆影像，及分别通过车速检测单元及识别单元获取车辆类型及车辆速度，及将道路所有车辆类型及对应车辆速度输入至预设模型，获得预测道路碳排放曲线；气象状态监测端，用以获取实时的气象状态信息；环境参数监测端，用以获取二氧化碳浓度差量；统计分析单元，用以根据气象状态信息对预测道路碳排放曲线进行调整，及将调整后的预测道路碳排放曲线与二氧化碳浓度差量进行关联性匹配分析，根据关联性匹配分析结果调整监测结果。
Description
技术领域
本发明涉及碳排放监测技术领域，具体为一种基于大数据的城市道路碳排放监测管理系统。
背景技术
碳排放量是指在生产、运输、使用及回收某产品时所产生的温室气体排放量，其中交通领域是化石燃料消耗与二氧化碳排放量的重要组成部分，而针对性的对道路车辆进行碳排放监测，能够更加有效的对城市道路运行过程中的碳排放进行管理及统计。
现有的道路车辆碳排放的监测方法有多种方式，其主要方式包括：1、通过监测设备对道路区域的实时二氧化碳进行监测，通过二氧化碳的实时量值对路段的碳排放进行判断；2、基于现有的A I识别技术，获取车辆在路段的型号、速度信息，再基于大数据获得不同类型车辆的碳排放释放信息，进而通过建立数据模型的方式来获得预测的碳排放信息。
而在实际监测管理过程中，第一种方式监测的结果灵敏度较差，仅能体现出该路段整体的变动量趋势；而第二种监测方式属于预测式监测，在理想状态下其具有较优的判断准确性，但在实际监测过程中，较难对其判断结果的准确性进行校对，进而其判断的结果存在偏差度较大的风险。
发明内容
本发明的目的在于提供一种基于大数据的城市道路碳排放监测管理系统，解决以下技术问题：
如何提供一种较为准确的监测城市道路碳排放的系统。
本发明的目的可以通过以下技术方案实现：
一种基于大数据的城市道路碳排放监测管理系统，所述系统包括：
车辆碳排放预测模块，包括摄像单元、车速检测单元、识别单元及预设模型，用以通过摄像单元获取道路车辆影像，及分别通过车速检测单元及识别单元获取车辆类型及车辆速度，及将道路所有车辆类型及对应车辆速度输入至预设模型，获得预测道路碳排放曲线；
气象状态监测端，用以获取实时的气象状态信息；
环境参数监测端，用以获取二氧化碳浓度差量；
统计分析单元，用以根据气象状态信息对预测道路碳排放曲线进行调整，及将调整后的预测道路碳排放曲线与二氧化碳浓度差量进行关联性匹配分析，根据关联性匹配分析结果调整监测结果及发出对应信息。
进一步地，所述环境参数监测端实时监测二氧化碳浓度的过程为：
实时采集道路对应位置点监测的道路区域二氧化碳浓度；
获取道路相邻非道路区域对应位置点监测的非道路区域二氧化碳浓度；
根据道路区域二氧化碳浓度与非道路区域二氧化碳浓度的差值获取二氧化碳浓度差量。
进一步地，所述关联性匹配分析的过程包括：
将二氧化碳浓度差量转化为碳排放变动量随时间变化曲线C(t)；
根据气象状态信息对预测道路碳排放曲线进行调整，获得调整后预测道路碳排放曲线Cp(t)；
在当前时间点之前预设时段内，按固定间隔采集C(t)及Cp(t-Δt)上的点，获取C1、C2、…、Cn及Cp1、Cp2、…、Cpn；
基于C1、C2、…、Cn及Cp1、Cp2、…、Cpn，计算获得关联性系数；
根据关联性系数的取值范围调整监测结果及发出对应信息。
进一步地，所述关联性匹配分析的过程还包括：
对关联性系数大小进行判断：
若关联性系数在预设范围内，则按照Cp(t)统计该路段碳排放量；
否则，按照根据气象状态信息、Cp(t)及Cp(t)统计该路段碳排放量。
进一步地，所述气象状态信息包括实时风力值W(t)；
若关联性系数不在预设范围内，统计碳排放量的过程包括：
当W(t)在预设时段的最小值大于等于预设等级W0，则按照Cp(t)统计该路段碳排放量；
否则，按照|Cpi-Ci|从大到小的顺序进行排序，按照排序依次去除排序第一的|Cpi-Ci|并重新计算关联性系数，直至关联性系数在预设范围内，i＝1、2、…、n；
获取所有去除的|Cpi-Ci|对应时间点中的临界最小值tmin及临界最大值tmax，对[tmin，tmax]区间按照(Cp(t-Δt)+Ce(t))/2统计该路段碳排放量，对非[tmin，tmax]区间按照Cp(t)统计该路段碳排放量；
Ce(t)为道路区域二氧化碳浓度。
进一步地，所述气象状态信息包括实时温度T(t)及实时湿度H(t)；
基于大数据分别获得温度及湿度对车辆类型的影响函数，将实时温度T(t)及实时湿度H(t)代入至对应的影响函数中获得调整系数，根据调整系数对预测道路碳排放曲线进行调整，获得调整后预测道路碳排放曲线Cp(t)。
进一步地，所述统计分析单元还用以根据不同道路的监测结果进行比对分析，根据比对分析对监测过程进行管理校正。
进一步地，所述比对分析的过程包括：
获取各路段当前时间点之前预设时段内W(t)小于W0时段的统计数据；
通过公式：
Czk(t)＝|Cpk(t-Δt)-Cek(t)| (1)
计算获得路段异常系数sC；
当路段异常系数sC大于等于预设阈值时，按照从大到小的顺序进行排序，按照排序依次去除排序第一的/>并重新计算路段异常系数sC，直至路段异常系数sC小于预设阈值；
对所有去除的对应路段发出校正指令；
其中，G为路段采集数量，k∈[1，G]；Cpk(t-Δt)为第k段道路t-Δt时间点的调整后预测道路碳排放曲线；Cek(t)为第k段道路t时间点的道路区域二氧化碳浓度；Czk(t)为第k段道路的二氧化碳预计浓度差曲线；V为W(t)小于W0的时间段数，x∈[1，V]；Fzk为第k段道路的累计浓度差量。
本发明的有益效果：
(1)本发明基于现有的监测方式的基础上，通过车辆碳排放预测模块与环境参数监测端结果的分析比对后，获得更为准确的结果，进而保证监测结果的准确性。
(2)本发明在获取预测道路碳排放曲线的基础上，结合气象状态信息中温度及湿度对车辆碳排放进行适应性调整，进一步提高监测结果的准确度。
(3)本发明能够较为准确的判断出风险环境参数监测端，对所有风险环境参数监测端对应路段发出校正指令，进而保证本申请系统能够得到较为准确且有效的管理。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明基于大数据的城市道路碳排放监测管理系统的逻辑框图；
图2是本发明关联性匹配分析的过程流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1所示，在一个实施例中，提供了一种基于大数据的城市道路碳排放监测管理系统，该系统在基于现有的监测方式的基础上，通过车辆碳排放预测模块与环境参数监测端结果的分析比对后，获得更为准确的结果，进而保证监测结果的准确性，其中车辆碳排放预测模块包括摄像单元、车速检测单元、识别单元及预设模型，其具体过程包括：S1、通过摄像单元获取道路车辆影像；S2、通过车速检测单元及识别单元获取道路车辆影像中的车辆类型及车辆速度；S3、将道路所有车辆类型及对应车辆速度输入至预设模型，获得预测道路碳排放曲线；其中，预设模型根据大数据中不同车辆类型在不同环境状态下的碳排放数据拟合建立获得，因此，本实施例还需要通过气象状态监测端获取实时的气象状态信息，来对获取的预测道路碳排放曲线进行调整；二氧化碳浓度差量通过多组环境参数监测端进行监测，其基于现有技术中的二氧化碳监测仪实现，本实施例中环境参数监测端采用的是非分散红外光电(NDIR-GFC)检测技术，型号为M-3000C，在此不作进一步详述；在进行分析过程中，本实施例中的统计分析单元首先根据获取的气象状态信息对预测道路碳排放曲线进行调整，进而进一步调整预测结果的准确性，将调整后的预测道路碳排放曲线与二氧化碳浓度差量进行关联性匹配分析，判断两者数据变动状态的一致性，当两者变动量一致时，说明预测结果与实际场景的监测结果较为一致，因此根据两者的关联性匹配分析结果调整监测结果及发出对应信息，在更为敏感度的统计碳排放基础上，实现对监测结果的有效性监督，进而整体上提高了监测结果的准确性。
在本发明的一种实施例中，环境参数监测端实时监测二氧化碳浓度的过程为：通过实时采集道路对应位置点监测的道路区域二氧化碳浓度，获取道路相邻非道路区域对应位置点监测的非道路区域二氧化碳浓度，根据道路区域二氧化碳浓度与非道路区域二氧化碳浓度的差值获取二氧化碳浓度差量，通过本实施例的过程，将二氧化碳浓度差量用于与调整后的预测道路碳排放曲线的关联性匹配分析，能够放大其变化趋势，进而提高判断结果的准确性；另外需要说明的是，道路区域及非道路区域监测位置点的选择根据实际道路环境设定，其监测存在的数值误差也根据经验进行修正，此过程在此不作详述。
在本发明的一种实施例中，请参阅图2所示，关联性匹配分析的过程包括：将二氧化碳浓度差量转化为碳排放变动量随时间变化曲线C(t)，此转化过程基于本领域人员熟知的对照关系转化获得，在此不作详述；根据气象状态信息对预测道路碳排放曲线进行调整，获得调整后预测道路碳排放曲线Cp(t)；在当前时间点之前预设时段内，按固定间隔采集C(t)及Cp(t-Δt)上的点，获取C1、C2、…、Cn及Cp1、Cp2、…、Cpn；其中，固定间隔根据统计结果精确度的需求选择性设定，进而基于C1、C2、…、Cn及Cp1、Cp2、…、Cpn计算获得关联性系数；其计算过程通过公式进行体现，其中，n为采集的时间点数，i＝1、2、…、n；Δt为时间延迟量，其将C(t)及Cp(t)的时间戳进行对齐，/>为C1、C2、…、Cn的均值；/>为Cp1、Cp2、…、Cpn的均值；因此通过关联性系数r(C，Cp)的计算过程，能够通过关联性系数r(C，Cp)的大小调整监测结果及发出对应信息；具体地，首先对r(C，Cp)大小进行判断：若r(C，Cp)∈[0.6，1]，说明C(t)与Cp(t-Δt)呈正相关且关联性较强，因此此时说明预测的结果与实际监测的结果一致性较高，因此按照Cp(t)统计该路段碳排放量，保证监测结果的准确性，同时保证其有效性；否则，按照根据气象状态信息、Cp(t)及Cp(t)统计该路段碳排放量；由于气象状态信息中的实时风力值W(t)会影响监测结果的比对过程，因此在/>时，统计碳排放量的过程包括：当W(t)在预设时段的最小值大于等于预设等级W0，预设等级W0根据经验数据选择设定，因此此时按照Cp(t)统计该路段碳排放量，即此时段不考虑关联性匹配分析的过程，当W(t)在预设时段的最小值小于预设等级W0，则分时段进行拆分并根据不同时段的状况进行统计碳排放，具体地，按照|Cpi-Ci|从大到小的顺序进行排序，按照排序依次去除排序第一的|Cpi-Ci|并重新计算r(C，Cp)，直至关联性系数r(C，Cp)∈[0.6，1]；再获取所有去除的|Cpi-Ci|对应时间点中的临界最小值tmin及临界最大值tmax，对[tmin，tmax]区间按照(Cp(t-Δt)+Ce(t))/2统计该路段碳排放量，对非[tmin，tmax]区间按照Cp(t)统计该路段碳排放量；Ce(t)为道路区域二氧化碳浓度，显然在此过程中，通过循环计算的过程，能够获取关联性较弱的时段区域[tmin，tmax]，因此通过对非[tmin，tmax]区间按照Cp(t)统计该路段碳排放量及对[tmin，tmax]区间按照(Cp(t-Δt)+Ce(t))/2统计该路段碳排放量的方式，能够结合两种监测方式的优势，提高监测结果的准确性。
在本发明的一种实施例中，所述气象状态信息包括实时温度T(t)及实时湿度H(t)；基于大数据分别获得温度及湿度对车辆类型的影响函数，将实时温度T(t)及实时湿度H(t)代入至对应的影响函数中获得调整系数，根据调整系数对预测道路碳排放曲线进行调整，获得调整后预测道路碳排放曲线Cp(t)；其具体计算的公式通过计算获得，其中，Cp0(t)为预测道路碳排放曲线；m(t)当前时间点的道路车辆类型数量，Qj为第j种车辆类型的数量，fTj为第j种车辆类型温度影响函数；fHj为第j种车辆类型湿度影响函数，因此通过此过程，能够结合气象状态信息中温度及湿度对车辆碳排放进行适应性调整，进一步提高监测结果的准确度。
需要说明的是，环境因素中多种因素会对车辆碳排放造成影响，同时温度与湿度的交叉影响也会造成碳排放的不同，但其影响性相对单一的温度因素及单一的湿度因素较低，因此在此不作考量。
在本发明的一种实施例中，所述统计分析单元还用以根据不同道路的监测结果进行比对分析，根据比对分析对监测过程进行管理校正；相对于车辆碳排放预测模块的预测过程，环境参数监测端监测的数据易受到监测灵敏度及设备稳定性的影响，因此本实施例通过整体的根据监测结果进行比对分析，进而能够对存在明显监测误差的环境参数监测端进行判断，进而能够及时的对其进行校正调整；具体地，比对分析的过程包括：
获取各路段当前时间点之前预设时段内W(t)小于W0时段的统计数据；
通过公式：
Czk(t)＝|Cpk(t-Δt)-Cek(t)| (1)
计算获得路段异常系数sC；
其中，G为路段采集数量，k∈[1，G]；Cpk(t-Δt)为第k段道路t-Δt时间点的调整后预测道路碳排放曲线；Cek(t)为第k段道路t时间点的道路区域二氧化碳浓度；Czk(t)为第k段道路的二氧化碳预计浓度差曲线；V为W(t)小于W0的时间段数，x∈[1，V]；Fzk为第k段道路的累计浓度差量，因此当sC越大时，说明不同位置点监测的结果差值越大，而差值明显较大的道路位置点，说明环境参数监测端存在较大误差风险的几率越大，因此当路段异常系数sC大于等于预设阈值时，按照从大到小的顺序进行排序，按照排序依次去除排序第一的/>并重新计算路段异常系数sC，直至路段异常系数sC小于预设阈值；进而能够较为准确的判断出风险环境参数监测端，对所有去除的/>对应路段发出校正指令，进而保证本申请系统能够得到较为准确且有效的管理。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。
Claims (2)
1.一种基于大数据的城市道路碳排放监测管理系统，其特征在于，所述系统包括：
车辆碳排放预测模块，包括摄像单元、车速检测单元、识别单元及预设模型，用以通过摄像单元获取道路车辆影像，及分别通过车速检测单元及识别单元获取车辆类型及车辆速度，及将道路所有车辆类型及对应车辆速度输入至预设模型，获得预测道路碳排放曲线；
气象状态监测端，用以获取实时的气象状态信息；
环境参数监测端，用以获取二氧化碳浓度差量；
统计分析单元，用以根据气象状态信息对预测道路碳排放曲线进行调整，及将调整后的预测道路碳排放曲线与二氧化碳浓度差量进行关联性匹配分析，根据关联性匹配分析结果调整监测结果及发出对应信息；
所述环境参数监测端实时监测二氧化碳浓度的过程为：
实时采集道路对应位置点监测的道路区域二氧化碳浓度；
获取道路相邻非道路区域对应位置点监测的非道路区域二氧化碳浓度；
根据道路区域二氧化碳浓度与非道路区域二氧化碳浓度的差值获取二氧化碳浓度差量；
所述关联性匹配分析的过程包括：
将二氧化碳浓度差量转化为碳排放变动量随时间变化曲线C(t)；
根据气象状态信息对预测道路碳排放曲线进行调整，获得调整后预测道路碳排放曲线Cp(t)；
在当前时间点之前预设时段内，按固定间隔采集C(t)及Cp(t-Δt)上的点，获取C1、C2、…、Cn及Cp1、Cp2、…、Cpn；
基于C1、C2、…、Cn及Cp1、Cp2、…、Cpn计算获得关联性系数；
根据关联性系数的取值范围调整监测结果及发出对应信息；
所述关联性匹配分析的过程还包括：
对关联性系数大小进行判断：
若关联性系数在预设范围内，则按照Cp(t)统计该道路区域的碳排放量；
否则，按照根据气象状态信息、Cp(t)及Ce(t)统计该道路区域的碳排放量；
所述气象状态信息包括实时风力值W(t)；
若关联性系数不在预设范围内，统计碳排放量的过程包括：
当W(t)在预设时段的最小值大于等于预设等级W0，则按照Cp(t)统计路段碳排放量；
否则，按照|Cpi-Ci|从大到小的顺序进行排序，按照排序依次去除排序第一的|Cpi-Ci|并重新计算关联性系数，直至关联性系数在预设范围内，i＝1、2、…、n；
获取所有去除的|Cpi-Ci|对应时间点中的临界最小值tmin及临界最大值tmax，对[tmin，tmax]区间按照(Cp(t-Δt)+Ce(t))/2统计该路段碳排放量，对非[tmin，tmax]区间按照Cp(t)统计该路段碳排放量；
Ce(t)为道路区域二氧化碳浓度；
所述统计分析单元还用以根据不同道路的监测结果进行比对分析，根据比对分析对监测过程进行管理校正；
所述比对分析的过程包括：
获取各路段当前时间点之前预设时段内W(t)小于W0时段的统计数据；
通过公式：
Czk(t)＝|Cpk(t-Δt)-Cek(t)| (1)
计算获得路段异常系数sC；
当路段异常系数sC大于等于预设阈值时，按照从大到小的顺序进行排序，按照排序依次去除排序第一的/> 并重新计算路段异常系数sC，直至路段异常系数sC小于预设阈值；
对所有去除的对应路段发出校正指令；
其中，G为路段采集数量，k∈[1，G]；Cpk(t-Δt)为第k段道路t-Δt时间点的调整后预测道路碳排放曲线；Cek(t)为第k段道路t时间点的道路区域二氧化碳浓度；Czk(t)为第k段道路的二氧化碳预计浓度差曲线；V为W(t)小于W0的时间段数，x∈[1，V]；Fzk为第k段道路的累计浓度差量，为所有Fzk的平均值。
2.根据权利要求1所述的一种基于大数据的城市道路碳排放监测管理系统，其特征在于，所述气象状态信息包括实时温度T(t)及实时湿度H(t)；
基于大数据分别获得温度及湿度对车辆类型的影响函数，将实时温度T(t)及实时湿度H(t)代入至对应的影响函数中获得调整系数，根据调整系数对预测道路碳排放曲线进行调整，获得调整后预测道路碳排放曲线Cp(t)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311210230.6A CN117271992B (zh) | 2023-09-19 | 2023-09-19 | 一种基于大数据的城市道路碳排放监测管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311210230.6A CN117271992B (zh) | 2023-09-19 | 2023-09-19 | 一种基于大数据的城市道路碳排放监测管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117271992A CN117271992A (zh) | 2023-12-22 |
| CN117271992B true CN117271992B (zh) | 2024-03-26 |
Family
ID=89207457
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311210230.6A Active CN117271992B (zh) | 2023-09-19 | 2023-09-19 | 一种基于大数据的城市道路碳排放监测管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117271992B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118465196B (zh) * | 2024-07-10 | 2024-09-10 | 江西省交通科学研究院有限公司 | 用于高速公路中车辆碳排放量的监测系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101668753B1 (ko) * | 2015-06-29 | 2016-11-09 | 한국건설기술연구원 | 대기 오염 관리 시스템 |
| CN113961877A (zh) * | 2021-10-20 | 2022-01-21 | 中国科学院科技战略咨询研究院 | 碳排放系数预测方法及装置 |
| CN114118509A (zh) * | 2021-08-12 | 2022-03-01 | 生态环境部环境规划院 | 一种道路交通二氧化碳排放的预测方法及预测系统 |
| CN115019513A (zh) * | 2022-07-18 | 2022-09-06 | 桂林电子科技大学 | 一种交通碳排放监测系统及监测方法 |
| CN115035713A (zh) * | 2022-04-29 | 2022-09-09 | 银江技术股份有限公司 | 智慧交通碳排放监测系统和方法 |
| CN115062842A (zh) * | 2022-06-14 | 2022-09-16 | 山东天星北斗信息科技有限公司 | 基于实时路况和气象状况的机动车排放预测方法及系统 |
| CN115965136A (zh) * | 2022-12-22 | 2023-04-14 | 国网新疆电力有限公司信息通信公司 | 一种基于电力大数据的碳排放综合预测系统 |
| CN115983689A (zh) * | 2022-12-25 | 2023-04-18 | 中节能城市节能研究院有限公司 | 自上而下的城市碳排放核算方法及系统 |
| CN116229607A (zh) * | 2023-05-09 | 2023-06-06 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种机动车行驶碳排放的预测方法、电子设备及存储介质 |
| WO2023109715A1 (zh) * | 2021-12-15 | 2023-06-22 | 深圳先进技术研究院 | 全局交通优化系统 |
| CN116522094A (zh) * | 2023-06-30 | 2023-08-01 | 深圳卓亿环境科技有限公司 | 区域碳中和的分析测算方法、装置、设备及存储介质 |
| CN116542537A (zh) * | 2023-06-25 | 2023-08-04 | 北京林业大学 | 用于增加碳汇的绿色空间规划方法、系统、设备及介质 |
| CN116628455A (zh) * | 2023-07-25 | 2023-08-22 | 中路高科交通科技集团有限公司 | 一种城市交通碳排放监测与决策支持方法及系统 |
-
2023
- 2023-09-19 CN CN202311210230.6A patent/CN117271992B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101668753B1 (ko) * | 2015-06-29 | 2016-11-09 | 한국건설기술연구원 | 대기 오염 관리 시스템 |
| CN114118509A (zh) * | 2021-08-12 | 2022-03-01 | 生态环境部环境规划院 | 一种道路交通二氧化碳排放的预测方法及预测系统 |
| CN113961877A (zh) * | 2021-10-20 | 2022-01-21 | 中国科学院科技战略咨询研究院 | 碳排放系数预测方法及装置 |
| WO2023109715A1 (zh) * | 2021-12-15 | 2023-06-22 | 深圳先进技术研究院 | 全局交通优化系统 |
| CN115035713A (zh) * | 2022-04-29 | 2022-09-09 | 银江技术股份有限公司 | 智慧交通碳排放监测系统和方法 |
| CN115062842A (zh) * | 2022-06-14 | 2022-09-16 | 山东天星北斗信息科技有限公司 | 基于实时路况和气象状况的机动车排放预测方法及系统 |
| CN115019513A (zh) * | 2022-07-18 | 2022-09-06 | 桂林电子科技大学 | 一种交通碳排放监测系统及监测方法 |
| CN115965136A (zh) * | 2022-12-22 | 2023-04-14 | 国网新疆电力有限公司信息通信公司 | 一种基于电力大数据的碳排放综合预测系统 |
| CN115983689A (zh) * | 2022-12-25 | 2023-04-18 | 中节能城市节能研究院有限公司 | 自上而下的城市碳排放核算方法及系统 |
| CN116229607A (zh) * | 2023-05-09 | 2023-06-06 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种机动车行驶碳排放的预测方法、电子设备及存储介质 |
| CN116542537A (zh) * | 2023-06-25 | 2023-08-04 | 北京林业大学 | 用于增加碳汇的绿色空间规划方法、系统、设备及介质 |
| CN116522094A (zh) * | 2023-06-30 | 2023-08-01 | 深圳卓亿环境科技有限公司 | 区域碳中和的分析测算方法、装置、设备及存储介质 |
| CN116628455A (zh) * | 2023-07-25 | 2023-08-22 | 中路高科交通科技集团有限公司 | 一种城市交通碳排放监测与决策支持方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于移动监测的城市道路交通碳排放形成机理――以上海市为例;孙健;张颖;薛睿;张毅;;中国公路学报;20170515(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117271992A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109270237B (zh) | 一种基于大数据的水质监测分析系统 | |
| CN117271992B (zh) | 一种基于大数据的城市道路碳排放监测管理系统 | |
| CN103631681B (zh) | 一种在线修复风电场异常数据的方法 | |
| CN106781486B (zh) | 基于浮动车数据的交通状态评价方法 | |
| CN112288597A (zh) | 一种基于层次聚类和直方图算法的能耗在线异常检测方法 | |
| CN116227752B (zh) | 一种基于物联网的园区设施管理系统 | |
| CN110514255B (zh) | 汽车排放量检测方法及其检测系统 | |
| CN115796034B (zh) | 基于机器学习和数值模式的道路扬尘贡献评估系统和方法 | |
| CN116757898B (zh) | 一种基于预测比对的汛期污染强度核算方法及系统 | |
| CN117093645B (zh) | 一种基于大数据可视化的碳排放监测系统及方法 | |
| CN112598539B (zh) | 一种风力发电机组风功率曲线优化计算及异常值检测方法 | |
| CN113159435B (zh) | 一种新能源车辆剩余驾驶里程预测方法及系统 | |
| CN114169242A (zh) | 一种基于参数不确定性分析河道生态增氧的智能控制算法 | |
| CN108304610B (zh) | 一种大气高污染过程动态追踪方法 | |
| CN112730737A (zh) | 一种基于非道路移动机械远程监控数据的排放计算方法 | |
| CN112800103A (zh) | 一种scada数据挖掘的风电机组功率曲线的获取系统及方法 | |
| CN112562311A (zh) | 基于gis大数据的工况权重因子获取方法及装置 | |
| CN114662060B (zh) | 基于机器学习的车载氮氧化物传感器浓度测量值修正方法 | |
| CN117871790A (zh) | 基于多种数据融合的路边监测站数据分析和交通溯源方法 | |
| CN109341650B (zh) | 一种基于最小检测代价的无人机高程误差双门限修正方法 | |
| CN117665620A (zh) | 基于新能源汽车数据的电池健康度评估方法 | |
| CN113212244B (zh) | 一种新能源车辆动力电池寿命预测方法及系统 | |
| CN113569491A (zh) | 一种轮对尺寸检测数据的分析和校正方法及装置 | |
| CN116976454B (zh) | 一种基于联邦学习的空气质量监测方法和系统 | |
| CN114993647B (zh) | 一种车辆的空气滤芯剩余寿命估算方法、装置及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |