黎明;宋国华;于雷;张嫣红
承德市南营子小学
【摘 要】目前,VISSIM仿真工具与排放模型相结合的方法已被广泛应用于交通排放测算中,但该方法的测算精度尚未得到充分论证.在此背景下,本文通过收集大量的车辆实际行驶数据和VISSIM输出的仿真数据,对比分析由两类数据得到的排放关键参数——VSP分布,发现二者之间存在明显的差异性；随后基于VSP分布,本文将由VISSIM输出数据得到的排放因子与真实值对比,指出基于VISSIM仿真的排放测算具有显著误差.最后,在分析了VISSIM中8个参数调整前后VSP分布的变化后,发现上述参数对VSP分布的敏感性较低,表明传统的标定方法难以使VISSIM满足排放测算的需要. 【期刊名称】《交通运输系统工程与信息》
我们都是大导演
防范风险>木质素结构【年(卷),期】2013(013)005
【总页数】8页(P56-63)
【关键词】城市交通;VSP分布;VISSIM;尾气排放;模型标定
【作 者】黎明;宋国华;于雷;张嫣红
【作者单位】北京交通大学城市交通复杂系统理论与技术教育部重点实验室,北京100044;北京交通大学城市交通复杂系统理论与技术教育部重点实验室,北京100044;北京交通大学城市交通复杂系统理论与技术教育部重点实验室,北京100044;德克萨斯南方大学,休斯敦77004;河北省交通规划设计院,石家庄050011
【正文语种】中 文
【中图分类】U491.2
目前,应用微观交通仿真模型与排放模型相结合的方法来研究交通政策对排放的影响成为了一个快速发展的研究领域.其中,VISSIM作为应用较为广泛的仿真工具之一,能够针对不同道路类型和混合交通状况进行仿真,输出车辆的逐秒行驶数据,再与排放模型相结合,可测算该交通状况的排放总量.然而,在许多应用VISSIM进行排放测算的研究中,缺乏对VISSIM输出数据与实测数据之间的误差分析,从而无法保证排放测算的精度.
近年来,随着排放模型的发展,机动车比功率(Vehicle Specific Power,VSP)分布参数正逐渐成
为检验排放测算精度的主要依据.在此背景下,本文将通过对比由VISSIM仿真数据得到的VSP分布(简称仿真VSP分布)与由实测数据得到的VSP分布(简称真实VSP分布)之间的差异,分析VISSIM仿真输出的逐秒行驶数据的准确性,以研究VISSIM在道路交通排放中应用的可行性.
VISSIM是PTV公司开发的一种基于时间间隔和驾驶行为的微观仿真工具,可用于城市道路和公路的交通建模[1].研究人员可在线观察交通运行状况,并输出交通运行指标,如平均速度、流量、排队长度、瞬时速度、加速度等.随着微观排放模型的发展,VISSIM与排放模型相结合测算排放已成为国内外的研究热点之一.
Park等人[2]通过结合VISSIM、MODEM模型和高斯模型进行了污染浓度测算;Stathopoulos等人[3]应用VISSIM和CMEM模型分析了交通流增长诱发的油耗、排放的变化;Nam等人[4]结合VISSIM和CMEM模型,通过对比不同驾驶行为下实测数据和仿真数据的差异性,研究了两个模型在实际应用的可行性;刘皓冰等人[5]结合VISSIM和PERE模型构建了能够模拟车辆瞬时运行状况与能耗、排放关系的微观模拟平台,定量分析了公交优先策略及改变信号周期对交叉口车辆排放的影响;张滢滢等人[6]结合VISSIM和基于VSP变量的尾气排放建模方法,
搭建了微观交通尾气仿真平台,研究信号控制策略对尾气排放的影响;陈琨和于雷[7]结合VISSIM和CMEM模型,利用车辆的尾气排放率、燃料消耗率与瞬时速度、加速度之间的关系,建立了微观交通尾气模拟平台,对比分析了不同交通管理与控制策略对尾气排放的影响.还有一些学者结合VISSIM和排放模型研究了高速公路通行能力[8]、交通信号协调策略[9]、不停车收费[10]和车道占有率[11]等对尾气排放的影响.
为了能够准确地模拟交通状态,部分学者针对VISSIM展开了参数标定研究.Park和Schneeberger[12]提出了以行程时间分布为评价指标、最大排队长度为检验指标的VISSIM标定九步程序法;Yu等人[13]提出了一种基于遗传算法标定VISSIM驾驶行为参数的方法,该方法以GPS收集的速度与断面仿真速度的比值为精度指标; Brockfeld等人[14,15]通过收集实时车头时距来标定仿真模型,并根据实测数据对仿真模型中车队首车的驾驶行为参数进行了标定;Park和Qi[16]、Chitturi和Benekohal[17]、Ciuffo等[18]在前人的基础上继续改善了VISSIM的标定方法.然而,以上的标定方法都是基于交通量、行程时间、平均车头时距、排队长度等集计参数,无法反映车辆的非集计的动态特征.Rakha等人[19,20]的研究指出,仿真模型中的假设(如跟车规则等)会对排放测算的精度产生影响,但目前尚无有效方法来保证仿真输出的驾驶行为数据与实测数据具有一致性[21].因此,当利用VISSIM与排放模型相结合
测算排放时,有必要分析输出数据与实测数据之间的误差.
目前,基于功率测算排放的方法已成为主流[22],广泛应用于MOVES模型、CMEM模型和IVE模型等排放模型中,其中MOVES模型正替代MOBILE模型成为美国排放测算的法规模型[23].VSP是基于功率的方法中最常见的参数,可由车辆的瞬时速度和加速度获得[23].VSP分布可用于定义排放率和车辆行为[24],而VSP分布与对应的排放率相乘求和可测算排放总量.为了能更好地耦合交通仿真和排放模型,部分学者已开始研究将VSP分布作为特征参数来描述交通流特征.Song和Yu[25]通过比较北京高峰和非高峰时段、快速路和非快速路的VSP分布,给出了不同道路类型和交通状态下VSP分布的特征. Song等人[22]基于大量逐秒的车辆行驶数据,发现VSP分布和行驶速度之间存在可用数学描述的规律.以上研究成果提供了以VSP分布为参数分析仿真模型精度的方法.
本文通过现场采集和建立仿真模型,收集了大量的车辆运行逐秒速度和加速度数据,采用下列公式计算其VSP和VSP bin[25]:
式中 n为整数;v表示速度(m/s);a表示车辆加速度(m/s2);grade为坡度,通常为0.
根据采集实测数据时的道路和车辆类型,本文设定研究的道路类型为快速路,车辆类型为轻型车;利用地理信息系统(GIS)工具去除有坡度的路段和桥梁上的行驶数据,以消除坡度对VSP计算的影响.对于一个特定的道路类型和车辆类型, VSP分布只受平均行程速度的影响[25],因此,如果仿真模型中道路类型和车辆类型与实测相同,当速度相同时,VSP分布特征应该一致.
3.1 实测数据采集与处理
本文收集了2004年至2010年间,通过GPS设备(GarminGPS18和GeoLogger V4.8)采集的快速路上610 847条车辆行驶逐秒原始数据[25],将原始数据以60 s为间隔进行划分求得其平均速度,并按平均速度相差2 km/h进一步分类.针对每一类数据,应用式(1)求得VSP和VSP bin,进而获得各个速度区间的VSP分布.
按照以上步骤,本文共筛选出8 826组60 s连续数据(529 560条逐秒数据),最小平均速度为0 km/h,最大平均速度为76 km/h,共分为38个速度区间,平均每个速度区间有232组60 s连续数据.另外,为分析VSP分布和速度之间的数学关系,本文选用以1 kW/t为间隔的VSP划分方法.经计算发现,超过99%的VSP值位于-30～30 kW/t之间,因此,VSP bin的取值范围为-30～30.
3.2 仿真数据采集与处理
人名翻译为了与实测数据进行对比,本文以北京市西三环快速路为背景搭建了VISSIM仿真平台,通过调整路网配置、期望车速分布和驾驶行为参数等[26],使得仿真车速和实测车速相对误差不超过15%.在VISSIM中,本文选取了1 440辆浮动车用于输出车辆的逐秒速度和加速度.此外,考虑到随机性的影响,本文共搭建了6个仿真平台,分别从仿真开始后的1 s、11 s、21 s、31 s、41 s和51 s加载第一辆浮动车,并以60 s为间隔将余下所有的浮动车逐辆加载.仿真实验累计12小时,共收集到631 020条逐秒数据,10 517组60 s连续数据,平均每个速度区间有277组60 s连续数据.
4.1 仿真VSP分布特征分析
根据式(1)得到VSP分布后,本文以下列速度区间的VSP分布为例,对比分析真实VSP分布和仿真VSP分布之间的差异性:10～12 km/h、20～22 km/h、30～32 km/h、40～42 km/h、50～52 km/h和60～62 km/h,如图1所示.可以看出,真实VSP分布的规律与文献[22]类似:当速度高于20 km/h时,VSP分布近似于正态分布;随着速度的增加, VSP分布的峰值减小,峰值VSP bin右移.然而,仿真VSP分布与真实VSP分布却有着明显的差异:
(1)仿真VSP分布呈现出非正态分布的特点;
(2)随着速度的增加,VSP分布的峰值没有减小,且峰值VSP bin总是停留在0～2 kW/t;
(3)在VSP bin较高的区域,仿真VSP分布值高于真实VSP分布,例如在速度区间10～12 km/h下的10～15 kW/t区域;速度区间20～22 km/h下的10～30 kW/t区域;
(4)当速度超过40 km/h时,仿真VSP分布呈现双峰值特性,且当VSP bin为5 kW/t时,VSP分布出现低谷.
聚乙烯以上差异性表明VISSIM输出的仿真数据不能准确有效地描述道路交通的VSP分布,这可能对排放测算带来误差.
4.2 排放因子测算误差分析
本文利用VSP分布计算排放因子的过程如下:
(1)得到不同平均速度区间下的VSP分布;
(2)在MOVES模型中,根据选定的车型和车龄得到污染物平均基准排放率,并结合VSP分布,计算获得各个平均速度区间下的排放率;
(3)结合该平均速度,求得该平均速度区间下的排放因子.
根据实际测试数据,选用的车型为车龄小于3年的轻型汽油车,调用MOVES中对应的排放率得到HC、CO和NOx的排放因子,并计算两者之间的相对误差.研究发现,在低速区间,由VISSIM仿真数据得到的排放因子(简称仿真排放因子)相对误差较大(0～2 km/h之间除外),在高速区间其相对误差较小;NOx的平均相对误差最大,为82.8%, CO和HC的平均相对误差分别为29.6%和53.6%.然而,当平均速度在60～62 km/h时,较低的相对误差并不表明VISSIM输出数据在测算排放时具有较高的精度.从图1的VSP分布中可以看到,在该速度区间VSP bin为0～2 kW/t时,仿真VSP分布概率较高,4～6 kW/t时分布概率较低,7～8 kW/t时分布概率较高,从而导致计算的排放因子在0～2 kW/t和7～8 kW/t偏高,4～6 kW/t偏低,偏高和偏低的误差相互抵消,使得整体相对误差较低.
为了进一步说明仿真排放因子与真实排放因子间的误差,本文对排放因子随速度的变化进行了分析,如图2所示.可以看出,总体上NOx排放因子的误差较大;随着速度的增加,三类排放因
子的误差越来越小,但这并不是由于VISSIM的仿真精度提高造成的,如前所述,这是由于仿真VSP分布在高速度区间内呈现了双峰值的特性,从而导致测算排放因子在部分VSP bin内偏高,部分VSP bin内偏低,两者相互抵消降低了误差值.
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议