胡明偉，王守峰，黃文柯，施小龍，黃文偉，王 拓

1)深圳大學土木與交通工程學院，廣東深圳 518060；2)深圳市都市交通規(guī)劃設計研究院有限公司，廣東深圳 518060； 3)深圳大學未來地下城市研究院，廣東深圳 518060；4)深圳職業(yè)技術(shù)學院汽車與交通學院，廣東深圳 518055

據(jù)《中國機動車環(huán)境管理年報(2019)》顯示，截至2018年，全國機動車保有量達3.27 億輛，汽車2.4 億輛，其中，柴油車占9.1%，達到2 103萬輛[1]．2018年柴油車排放的NOx占汽車排放總量的71.2%為3.716×106t，顆粒物(particulate matter, PM)超過99%為4.22×105t，CO排放量占比11.6%為3.317×106t．由以上數(shù)據(jù)可見，我國移動污染問題突出，已成為城市空氣污染的重要來源．城市中柴油車數(shù)量隨著城市的迅速發(fā)展不斷增加，由于大部分柴油車為客貨運大型車輛，不僅對城市交通影響較大，其排放尾氣中的NOx和可吸入顆粒物是造成城市霧霾的主要來源[2]，因此，在針對尾氣排放污染相對較大的柴油車管控方面，需掌握其運行規(guī)律，并對其尾氣排放進行準確測算．

在物聯(lián)網(wǎng)時代，各種類型的傳感器每天都能收集大量數(shù)據(jù)．其中，機動車相關數(shù)據(jù)已引起學界和業(yè)界的廣泛關注．自動車牌識別(automatic license plate recognition, ALPR)技術(shù)最初是為讀取移動車輛上的車牌字符而開發(fā)，識別過程包括車輛檢測、圖像處理及光學字符識別[3]．ALPR捕獲的記錄包含時間戳、車牌號及傳感器身份標識(identity document, ID)字段．由于ALPR采集的數(shù)據(jù)連續(xù)性強、精度高，且監(jiān)測樣本數(shù)量大[4]，已有研究將其應用于對車輛軌跡的重構(gòu)方面．王龍飛[5]基于車牌數(shù)據(jù)探索出行軌跡分析方法，并研發(fā)車輛出行軌跡分析系統(tǒng)RVTTSAS，驗證車輛出行軌跡分析方法的現(xiàn)實性．RAO等[6]提出一種基于利用車牌自動識別數(shù)據(jù)還原車輛軌跡的起訖點(origin-destination, OD)模式識別方法，并驗證該方法有效．FENG等[7]利用車牌自動識別及交通計數(shù)數(shù)據(jù)提出一種基于大規(guī)模網(wǎng)絡的車輛軌跡重構(gòu)方法，其軌跡重建精度可達90%以上．在國際上，MONTANINO等[8]提出一種基于NGSIM(next generation simulation)數(shù)據(jù)的多步濾波方法，通過該方法實現(xiàn)對車輛運動軌跡的局部重構(gòu)，結(jié)果顯示該方法同樣適用于同一數(shù)據(jù)集的完整軌跡重構(gòu)．

在排放模型的應用方面，曹楊[9]利用移動源排放測算(motor vehicle emission simulator, MOVES)模型建立中國深圳市路網(wǎng)不同尺度的排放清單，結(jié)果顯示，高快速路的排放強度是主干道及其他道路排放強度的2～6倍．郝艷召等[10]通過MOVES模型對西安市的排放清單進行分析測算和研究，結(jié)果顯示，柴油車的排放分擔率總體高于汽油車．黃文柯等[11-12]通過將AnyLogic和MOVES模型結(jié)合，揭示導航類應用(application, app)提供的交通信息對提升城市空氣質(zhì)量的影響．國外的XIE等[13]采用綜合交通排放建模方法，將MOVES排放模型與PARAMICS微觀交通仿真模型相結(jié)合，建立用于每日車輛的燃料使用與排放估計綜合模型，并通過實例驗證該模型有效．另外，ABOU-SENNA等[14]通過結(jié)合MOVES和VISSIM模型對某高速公路排放污染物(CO、NOx、PM2.5、PM10及CO2)的排放量進行具體測算．

目前，尚未有將車輛軌跡還原結(jié)果與排放測算相結(jié)合的研究案例．因此，本研究提出一種基于車牌自動識別數(shù)據(jù)，利用地圖導航應用程序開發(fā)接口(application programming interfaces, API)進行軌跡重構(gòu)的方法，將軌跡還原結(jié)果與MOVES排放模型結(jié)合，以在深圳市運行的柴油車為研究對象，對此方法的可行性進行驗證．

1 柴油車軌跡還原方法

1.1 方法提出

本研究基于ALPR數(shù)據(jù)，利用地圖API導航重建車輛行駛的完整軌跡．在車輛行駛過程中一輛車的車牌識別數(shù)據(jù)可能不連續(xù)，因而其運行的完整軌跡可能包含幾次行程．因此，通過此方法還原的軌跡能將每個行程單獨劃分，以達到恢復車輛完整軌跡的目的．這些還原的軌跡還包括每條軌跡的行程時間、距離及速度等信息，也為進一步的車輛運行時空分析提供依據(jù)．

1.2 研究方法

圖1為本研究的流程圖，具體步驟如下．

圖1 研究流程圖Fig.1 Flow chart of research ideas

步驟1確定車輛在道路上的活動情況．通過ALPR數(shù)據(jù)結(jié)合車輛登記信息，可獲得車輛的詳細信息(如車型、負載、車型年、燃油及排量)，這也構(gòu)成原始數(shù)據(jù)集的一部分．

步驟2采用基于ALPR數(shù)據(jù)的車輛軌跡重建方法進行軌跡還原．在構(gòu)建軌跡之前，需檢查和消除誤差記錄，以進行數(shù)據(jù)清理及數(shù)據(jù)質(zhì)量提高．

步驟3通過地圖導航還原的路徑結(jié)果還包括路徑信息(行程時間、距離及速度等)，以此結(jié)果進行進一步的場景分析．

步驟4利用軌跡還原結(jié)果，建立相應MOVES排放模型及排放估算．

2 軌跡重構(gòu)步驟

車牌自動識別數(shù)據(jù)記錄的是道路中行駛車輛經(jīng)過監(jiān)測斷面的瞬間記錄信息，要將這些間斷監(jiān)測記錄還原成完整軌跡，需要經(jīng)過一系列軌跡重構(gòu)步驟，主要還原步驟如下．

2.1 子軌跡行程劃分

車輛軌跡可用一個多維點序列表示為trajectory={C1,…,Ci,…,Cn}， 其中，Ci代表第i條車牌識別記錄；n為該車牌識別記錄的總數(shù)據(jù)條數(shù)，并按照時間先后排序．第i條卡口記錄表示為Ci=(di,lj,tk)， 其中，di為監(jiān)測設備ID編號；lj為車輛車牌號碼；tk為通過時間．

若將所有軌跡作為一個整體進行重構(gòu)將很難提取車輛的行駛軌跡特征，本研究將整個軌跡trajectory分割成多個子軌跡{S1,…,Si,…,Sm}， 每個子軌跡代表1個獨立的短期行程(trip)，切分完之后共為m個行程．如圖2所示，示例車輛的軌跡被劃分為5個行程．

圖2 車輛軌跡行程劃分示意圖Fig.2 Schematic diagram of vehicle track travel division

2.2 子軌跡OD提取

子軌跡行程劃分之后，需要將原始數(shù)據(jù)中的每個子軌跡OD信息提取出來，才能進行下一步的軌跡還原工作．這里通過一定的Python算法將原始車牌識別數(shù)據(jù)處理成{plate, time_o, time_d, O_id, D_id}的OD格式，分別表示該車輛車牌、起點時間、終點時間及起終點ID．

圖3 子軌跡OD提取算法流程Fig.3 OD extraction algorithm flow of sub-trajectory

子軌跡OD提取算法流程見圖3．先將原始的車牌識別監(jiān)測數(shù)據(jù)讀入，經(jīng)過清洗去掉重復項，從清洗過的數(shù)據(jù)中遍歷獲取全部車牌，以每個車牌為索引，將每輛車經(jīng)過的卡點以時間順序排列，并以時間先后順序?qū)④囕v行程拆分成OD對，將OD數(shù)據(jù)重新寫入，即得所需的所有子軌跡OD信息，補充材料表S1為某輛車的連續(xù)19個OD對(請掃描論文末頁右下角二維碼查看)．最后，將子軌跡中的起始點ID與監(jiān)測點信息表中的經(jīng)緯度匹配，便可進行地圖API導航的子軌跡還原．

2.3 地圖導航可能路徑還原

通過子軌跡提取，得到每條子軌跡起始點的坐標信息，應用地圖導航API還原的可能軌跡結(jié)合了路況信息，還原結(jié)果更趨近于實際道路行駛情況．其導航結(jié)果有不止一條的可能路徑(圖4)，并能反饋每條可能路徑的相關信息(行程時間、行程距離及道路類型等)．通過將所有子軌跡的OD坐標信息批量發(fā)送地圖導航請求，便可得到所有子軌跡可能路徑的反饋信息．

圖4 地圖導航可能路徑還原示意圖Fig.4 Possible path restoration map using map navigation API

2.4 路徑匹配

通過地圖導航還原的可能路徑尚不能直接作為下一步工作中的還原路徑，因為一個子軌跡的OD通過導航返回的可能路徑有時不止1條，如圖4中的路徑1和路徑2，甚至更多條．因此，還需要將這些每個子軌跡的可能路徑結(jié)果與前面處理的車輛子軌跡進行匹配，才能最終還原柴油車輛的路徑信息．這一步驟通過子軌跡的時間間隔與地圖還原信息中的可能路徑行程時間，以及子軌跡的OD信息進行匹配，路徑匹配示意圖如圖5．

圖5 路徑匹配示意圖Fig.5 Path matching diagram

經(jīng)過子軌跡的路徑匹配后，可得車輛的完整軌跡信息，包括其空間和時間信息，如圖6．路徑匹配后得到的時空信息不僅能完全定位這條軌跡上車輛行駛的具體路線，還能知道在此行程上的行駛時間和距離，進而得出這條還原軌跡的速度信息．通過上述數(shù)據(jù)可進行下一步的軌跡還原可視化展示，并結(jié)合可視化結(jié)果做進一步分析．

圖6 子軌跡時空信息示意圖Fig.6 Schematic diagram of spatio-temporal information of sub-trajectories

2.5 軌跡重構(gòu)結(jié)果可視化

將所有子軌跡的還原路徑匹配后，通過疊加得到每條還原路徑的流量，見補充材料表S2(請掃描論文末頁右下角二維碼查看)，但這只是每條路徑單獨的流量信息，并不是整個路段的流量信息．有了這些詳細的路徑信息，便可通過地理信息可視化工具進行還原軌跡的可視化操作，本研究運用ArcGIS，并結(jié)合還原路徑信息表，分析車輛的運營狀況和運行規(guī)律，以下通過一個有關柴油車的軌跡重構(gòu)案例進行分析研究．

3 機動車尾氣排放模型

MOVES是美國環(huán)保署研發(fā)的最新一代綜合排放模型，該模型是集宏觀、中觀和微觀于一身的機動車尾氣排放及能耗測算模型，也是主流的行駛工況類排放模型．本研究選取MOVES排放模型．

針對不同的研究層次，MOVES排放模型需要不同類型的輸入數(shù)據(jù)．對于微觀尺度的柴油車污染物排放模型，為了更詳細描述柴油車輛行駛的狀態(tài)，更加準確測算柴油車的具體排放情況，應采用的數(shù)據(jù)庫管理器為微觀數(shù)據(jù)管理器(project data manager, PDM)．其計算方法[14-16]為

TotalEmissionpro, sourType=

∑(EmissionRatepro, bin×Acbin×Ajpro)

(1)

其中，TotalEmission為柴油車總排放量；下標pro表示柴油車排放過程；sourType表示排放源類型；bin表示排放源和工況區(qū)間；EmissionRate為排放速率；Ac為行駛特征；Aj為調(diào)整因子．

具體的MOVES排放模型操作和設置步驟為：① 設置RunSpecification運行文件參數(shù)；② 在數(shù)據(jù)管理器(MOVES project data manager)中輸入需要測算的基礎數(shù)據(jù)．

構(gòu)建MOVES微觀模型過程的主要輸入數(shù)據(jù)包含地理區(qū)域、道路類型、車輛類型、時間跨度、運行描述、污染物種類及排放過程．構(gòu)建過程中首先考慮車輛類型的輸入，MOVES中有12種車輛類型分類，按其ID順序主要分為11(摩托車)、21(乘用車)、31(乘用卡車)、32(輕型商用卡車)、41(城際巴士)、42(公交車)、43(校車)、51(垃圾回收卡車)、52(單節(jié)短途卡車)、53(單節(jié)長途卡車)、54(房車)、61(組合短途卡車)及62(組合長途卡車)，而原始數(shù)據(jù)中的車輛類型有6種，按照MOVES將車型分類后，各類車型的占比見補充材料表S3(請掃描論文末頁右下角二維碼查看)．

除車型分布外，車速分布可根據(jù)軌跡還原信息獲得；年限分布可根據(jù)原始數(shù)據(jù)的車輛登記時間獲得；道路流量信息等也可根據(jù)軌跡還原信息表獲得；路網(wǎng)參數(shù)根據(jù)本研究所用的深圳路網(wǎng)情況設置；天氣氣象數(shù)據(jù)通過網(wǎng)上查詢歷史天氣得到；燃油數(shù)據(jù)均為柴油．由于MOVES排放模型內(nèi)部設置的地區(qū)選擇均為美國的城市，因此，本研究在進行參數(shù)本地化時，選取與深圳市相同緯度區(qū)域且氣候條件相似的佛羅里達州杰克遜維爾市．將以上數(shù)據(jù)輸入MOVES排放模型進行下一步的排放測算，整個排放模型測算具體步驟如圖7．

圖7 MOVES排放模型測算步驟圖 Fig.7 Calculation step diagram of MOVES emission model

4 深圳市柴油車軌跡重構(gòu)和排放案例分析

本研究基于深圳市智能交通監(jiān)測系統(tǒng)的車牌識別數(shù)據(jù)，針對深圳市內(nèi)運行的柴油車進行軌跡重構(gòu)的實證研究，并在重構(gòu)結(jié)果基礎上，分析柴油車在深圳市的運行情況和規(guī)律．

4.1 數(shù)據(jù)介紹

本研究采用深圳相關交通管理部門獲取的卡口車輛監(jiān)控車牌識別數(shù)據(jù)．由于車牌數(shù)據(jù)屬于敏感信息，先對數(shù)據(jù)進行脫敏處理．原始數(shù)據(jù)集選取2018年中識別數(shù)據(jù)最多的一個月中某工作日的半天數(shù)據(jù)，共包含94萬條識別數(shù)據(jù)，數(shù)據(jù)字段含有車牌號碼、號牌顏色、車輛類型、初次登記日期、發(fā)證機關、燃料種類、排量、過車時間、監(jiān)測點ID、監(jiān)測點名稱、經(jīng)度以及緯度信息．這些數(shù)據(jù)字段是通過車牌自動識別車輛登記信息匹配后的完整原始數(shù)據(jù)集．

若想獲得通過卡口準確的車牌識別數(shù)據(jù)，監(jiān)測點的位置信息必須準確，而原始數(shù)據(jù)中卡口監(jiān)測點的全球定位系統(tǒng)(global positioning system, GPS)數(shù)據(jù)部分不準確，要靠手工校準，結(jié)合百度地圖等商業(yè)軟件中的街景和百度坐標拾取系統(tǒng)展開監(jiān)測點坐標校準工作，經(jīng)過校準的百度坐標由于自身具有加密過程，因此，需要利用坐標轉(zhuǎn)換算法轉(zhuǎn)換為適用高德地圖導航的火星坐標系，及能夠應用于地理信息系統(tǒng)(geographic information system，GIS)軌跡展示的WGS84坐標系．經(jīng)過校準后的監(jiān)測點分布如圖8，此數(shù)據(jù)集包含的監(jiān)測點總數(shù)為810個，基本覆蓋深圳市各區(qū)的道路范圍．對原始數(shù)據(jù)進行統(tǒng)計，柴油車總量為160 115 輛，其中，貨運車輛占比高達82%以上．

圖8 坐標校準后監(jiān)測點分布圖Fig.8 (Color online) Distribution map of monitoring points after coordinate calibration

4.2 軌跡重構(gòu)結(jié)果展示與分析

該案例中對原始柴油車的車牌識別數(shù)據(jù)進行處理，將其重構(gòu)的軌跡結(jié)果通過ArcGIS還原到地圖路網(wǎng)中進行展示．圖9為軌跡重構(gòu)結(jié)果的熱力圖，重構(gòu)結(jié)果對比見補充材料表S4(請掃描論文末頁右下角二維碼查看)．由圖9可見，較深線條較粗部分為車輛密度較大路段，偏淺且細的部分為流量較小路段．由表S4中卡口導航時間可見，誤差并不是很大．

圖9 軌跡重構(gòu)熱力圖Fig.9 (Color online) Thermodynamic diagram of trajectory reconstruction

4.2.1 柴油車主要貨運通道識別

由于研究的柴油車中，貨車占比超過82%，因此，對柴油車軌跡的還原研究有助于掌握深圳市的主要貨運通道．補充材料圖S1(請掃描論文末頁右下角二維碼查看)中高亮藍色部分為篩選提取的路徑總流量大于3 000輛的軌跡．結(jié)合地圖路網(wǎng)來看，這些道路主要為聯(lián)系各區(qū)間的高快速路以及與鄰市相連接的高速路段，因此，可斷定這些道路即為柴油車運行的主要貨運通道．經(jīng)過統(tǒng)計列出主要貨運通道表，將其分為南北走向和東西走向兩個方向．其中，南北走向的主要貨運通道有G25長深高速、G15沈海高速及水官高速；南北走向的主要貨運通道有G94珠三角環(huán)線、鹽排高速及公明西環(huán)大道等．

4.2.2 柴油車運行強度分析

通過地圖導航還原的柴油車軌跡信息中包括了每段軌跡的行程時間和行程距離，其中，路徑的行程距離代表這條路徑中一輛車的行駛里程，因此，可被用來分析柴油車在整個還原路徑的路網(wǎng)中的運行強度，本研究通過各還原路徑的行程距離與各條還原路徑交通總量的乘積表示各還原路徑中柴油車總的運行強度．通過ArcMAP將運行強度的信息直觀的展現(xiàn)在路網(wǎng)中，如圖10．將其分布圖與前面主要貨運通道分布圖對比可見，運行強度較大的還原軌跡路段正是柴油車主要運行的貨運通道．

圖10 柴油車運行強度熱力圖Fig.10 (Color online) Thermodynamic diagram of operating strength of diesel vehicles

4.2.3 子軌跡分析

通過隨機選取5輛監(jiān)測次數(shù)在15次以上的車輛進行軌跡提取，將其單獨在地圖中顯示，如圖11．可見，這5輛車的運行軌跡分布情況相對分散，且為跨區(qū)域運行，其中1輛車的軌跡橫跨龍崗、龍華、南山及寶安4個區(qū)．這5輛車的車型均為輕型貨車，其機動性等性能稍強于重型貨車，因此，其運行軌跡分布較為分散．通過與以上識別的主要貨運通道對比發(fā)現(xiàn)，這些輕型貨車的運行軌跡路線也基本匹配，進一步驗證了主要貨運識別的正確性．

圖11 隨機5輛柴油車運行軌跡圖Fig.11 (Color online) Trajectory diagram of random five diesel vehicles

4.2.4 區(qū)間柴油車運營情況分析

為分析柴油車在區(qū)間內(nèi)的活動情況，將所有卡口根據(jù)深圳市的各區(qū)范圍進行分類，為每個卡口添加區(qū)域ID，并處理出各區(qū)間的OD表．根據(jù)區(qū)間的OD表格通過TransCAD軟件繪制各區(qū)之間的柴油車期望線圖，結(jié)果見圖12．由圖12可直觀看出各區(qū)間的柴油車相互吸引量，其中，龍崗和龍華區(qū)之間的柴油車運行聯(lián)系最為緊密，龍崗與羅湖區(qū)的柴油車運行往來相對平凡，從光明到寶安區(qū)再到南山、福田區(qū)形成一條明顯的柴油車聯(lián)通關系，這幾個區(qū)間的柴油車運行聯(lián)系相對平均，而龍崗區(qū)在整個柴油車運行分布中相對處于一個中心點位置，大鵬新區(qū)則與其他所有區(qū)之間的柴油車往來聯(lián)系均較少．

圖12 各區(qū)間柴油車期望線圖Fig.12 (Color online) Expectation line diagram of diesel vehicles in each section

4.2.5 柴油車尾氣排放分析

柴油車尾氣中NOx和PM2.5的排放是導致城市霧霾的主要污染源之一[7]，因此，本研究基于柴油車運行軌跡重構(gòu)，對其在深圳市道路的尾氣排放進行估算，主要測算指標為CO、NOx、PM2.5及能源消耗總量．由于選取的MOVES排放模型為project微觀層面的，只能針對1 h的排放進行測算，因此，選取運行時間段為早高峰08∶00—09∶00的所有軌跡重構(gòu)路徑進行排放測算，總路徑數(shù)量超過9 000條，同時對主要貨運通道在08∶00—09∶00的排放也進行測算，主要貨運通道排放測算結(jié)果及路段信息見表1，08∶00—09∶00所有還原軌跡排放測算及主要貨運通道占比見表2．

由表1中總能耗分布可見，排名前3的均為高速公路，結(jié)合其測算路段和流量來看，總能耗跟路段長度及流量大小有很大相關性，路段長度越長且流量越大，總能耗越高[17]，這一點也與高速公路的性質(zhì)有一定聯(lián)系．

由NOx、CO和PM2.5的排放分布可見，CO的排放量在數(shù)量級和比例上均為最小，這也驗證了以往對柴油排放物測算的研究結(jié)果[1]，即在機動車尾氣排放中，汽油車的尾氣排放是CO等含碳污染物的主要來源，而柴油車的尾氣排放則是PM2.5和NOx的主要來源．排放量最大的前3路段均為高速公路，其中，沈海高速因其路段長度最大，流量相對較大，在所有污染物排放中的總量均最高．

由表2對比數(shù)據(jù)可見，主要貨運通道的CO和NOx占總排放量的比例均在3.8%左右，總能耗占比接近4%，PM2.5占總排放量的2.89%，但這18條主要貨運通道的總路徑長度在08∶00—09∶00內(nèi)所有還原路徑的總長中占比僅為0.313 9%．

表1 08∶00—09∶00主要貨運通道排放估算結(jié)果及路段信息Table 1 Emission estimation result and section information of main freight channels from 08∶00 am to 09∶00 am

表2 主要貨運通道排放總量在08∶00—09∶00所有還原路徑排放總量占比Table 2 Total emissions from major freight channelstotal emissions from all reduction paths from 08∶00 am to 09∶00 am

結(jié) 語

本研究通過將地圖API導航與車牌自動識別數(shù)據(jù)相結(jié)合的方法，通過實際案例針對深圳市柴油車車牌數(shù)據(jù)進行軌跡重構(gòu)，并結(jié)合ArcGIS等地理信息處理工具對軌跡重構(gòu)結(jié)果進行可視化的結(jié)果展示．將軌跡重構(gòu)結(jié)果與柴油車特征結(jié)合，分析柴油車在深圳市的運行強度，選取隨機車輛完整軌跡重構(gòu)結(jié)果進行驗證，并識別了深圳市主要貨運通道，分析各區(qū)間柴油車運行的聯(lián)系情況．通過將軌跡重構(gòu)結(jié)果信息與MOVES排放模型結(jié)合的方式，測算柴油車在深圳市路網(wǎng)中的運行排放情況，從而識別了主要的高排放路段．此案例研究結(jié)果充分驗證了這一整套利用車牌自動識別數(shù)據(jù)對車輛運行軌跡進行重構(gòu)，以及對其排放進行測算的科學可行性，此方法同樣適用于其他各類車型，解決了在沒有準確GPS數(shù)據(jù)的情況下，對車輛運行估計進行完整重構(gòu)以及進行排放準確估算的問題．掌握城市級別高排放車輛的熱點行駛路徑、出行特征及活動規(guī)律，可為后續(xù)高排放車輛的管控、低排放區(qū)域劃定等車輛減排政策的制定提供定量方法和科學依據(jù)．

致 謝：感謝深圳市公安局交通警察局和深圳市生態(tài)環(huán)境局在調(diào)研中提供的支持和幫助！