多源融合：面向实时减排决策的交通排放预测方法

论文题目：Ubiquitous data-driven framework for traffic emission estimation and policy evaluation

第一作者/通讯作者：Songhua Hu 香港城市大学建筑与土木工程系助理教授。研究具体涉及：(1）收集和融合从手机、城市摄像头、联网车辆和社交媒体收集的多结构出行数据。(2）在反复出现和非反复出现情景下模拟和预测大规模人体运动。(3）建模人类流动性与城市环境、交通网络、公共卫生及社会公平之间的互动。理论基础涵盖深度学习、统计学、交通模拟和网络科学。工作的应用涵盖：可持续出行（车辆排放估算、车辆电气化、出行即服务（MaaS））、应急响应（网络韧性、社区脆弱性）、交通与健康（计算流行病学、人类暴露、健康差异）、交通规划、管理与运营（出行需求建模、交通经济学、出行行为分析、无障碍）。

E-mail：hsonghua@mit.edu

多源融合：面向实时减排决策的交通排放预测方法

论文摘要

全球交通运输是能源相关温室气体和多种空气污染物的重要来源，既影响气候也影响居民健康。现有宏观排放模型依赖长期平均数据，不能捕捉城市尺度的时空变化；微观模型虽然精确，却需要难以获取的高频数据。针对这些矛盾，论文提出一种基于多源城市大数据的中尺度排放估算框架，通过整合公共交通摄像头的车队组成与信号灯信息，以及匿名手机定位数据推断的出行起终点矩阵，构建城市路网的时空流量和行驶周期，并借助官方排放模型（MOVES）生成道路级的实时排放地图。该框架在曼哈顿验证：使用331个摄像头训练的车辆分类器识别出12种车辆类型（平均准确率92.9%），结合动态交通分配将摄像头数据外推到全网，使流量估计与实测相关系数提高到0.94。结果显示，曼哈顿2020年的CO、CO₂、NOx和PM₂.₅排放分别为11.67 kt、2.30 Mt、2.05 kt和0.12 kt，明显高于美国EPA库存；排放在时空上高度异质，桥隧等节点比平均值高3~5倍。消融实验表明，忽略信号灯、车队差异或使用平均速度都会导致排放估计出现几十个百分点的误差。利用该框架，作者还评估了出行时间转移、出行方式转移与真实拥堵收费政策的减排效果，发现曼哈顿拥堵收费实施8周后各污染物排放下降16–22%。这项研究为城市减排政策提供了可以实时迭代的高分辨率决策工具。

一、研究背景与核心问题

1.1 全球交通排放挑战

• 交通运输占全球能源相关CO₂排放约四分之一，且增长持续。道路运输是主要贡献者，既排放CO₂，也排放NOx、PM、CO等污染物。
• 尽管已有低碳燃料与技术发展，道路交通排放长期居高不下；城市地区人口密集、暴露风险大，更需要精确的减排手段。
• 政策需求：美国于2025年启动曼哈顿拥堵收费，欧洲城市也推行低排放区，但其实际减排效果尚不明确。

1.2 现有排放模型的局限

• 宏观模型：使用道路类别和年平均交通流，无法捕捉小时级甚至路段级差异，难以评估政策效果。
• 微观模型：如MOVES需要每辆车每秒的速度数据，这些高频轨迹难以获取，且隐私问题突出。
• 关键缺失信息：交通信号控制和车队组成被认为是城市排放的重要决定因素，但公开数据稀缺。

1.3 论文核心问题

文章旨在利用普遍可得的城市数据构建一种可扩展的排放估算框架，既避免对个人隐私敏感的高频轨迹，又能提供足够的时空分辨率。目标包括：

• 生成城市道路级、近实时的排放地图，以识别排放热点；
• 评估忽略关键信息（信号、速度变化、车队差异）对排放估算的偏差；
• 检验并比较不同减排政策（出行时间调整、出行方式转移、拥堵收费）的效果。

二、方法框架与技术细节

论文提出的框架可分为数据采集、信息提取、网络外推及排放估算四大步骤。

2.1 数据来源与预处理

• 交通摄像头：曼哈顿安装了331个公共摄像头，每2–5秒刷新一张静态图像。利用这些图像提取车队组成、交通流量和信号周期。
• 手机定位数据（MPLD）：通过商业提供的匿名聚合出行起终点数据构建城市尺度的出行需求矩阵，数据每天更新，未涉及个人身份。
• 数据融合时不涉及个体合并或重新识别，从源头保障隐私。

2.2 车辆检测与分类

• 采用YOLOv8对每张摄像头图片检测车辆，随后使用自定义跟踪算法识别静止车辆。跟踪算法通过比较两个连续帧中车辆边框四角的距离，如果平均位移小于阈值 ε 则视为同一车辆： 
  其中 是帧  中车体边框的四个角坐标，为图像长宽。
• 为满足美国MOVES模型对车种的要求，作者使用Bing图像搜索构建包含12类车辆（乘用车、公交车、单元卡车等）的训练集，并评估多种分类器，最终选用ConvNeXt模型。分类器平均准确率达92.9%。
• 与自动交通记录器(ATR)相比，摄像头的流量估计相关系数高达0.93。

2.3 信号控制推断与行驶周期构建

• 通过分析车辆到达序列，将车流量转换为二进制信号，1 表示单位时间内有车辆通过，0 表示没有车辆。计算连续0和1的模式统计红灯和绿灯持续时间：

其中  为连续的 0 或 1 时段。平均误差仅2–5秒。

• 根据推断的信号周期将平均速度曲线转换为秒级的行驶周期：红灯期间速度设为0，绿灯阶段按“加速–匀速–减速”模式重构。这会使怠速和高加速度的操作模式（OpMode）显著增加。

2.4 流量外推与速度估计

• 优化–动态交通分配（DTA）模型：利用MPLD推算的起终点矩阵与摄像头流量联合校准，求解每个交通分析区的抽样率，使外推后的流量与实测相关系数由0.34提升至0.94。
• 基础曲线（Fundamental Diagram，FD）：根据道路类型拟合速度–密度关系，得到各道路的流量–速度曲线。经校准后，预测速度与实测速度的相关系数达0.87。
• 综合OD外推流量与FD模型可生成5分钟粒度的全网流量和速度序列，并揭示不同道路类型的峰谷时段和速度差异。

2.5 排放计算与模型集成

• 作者采用美国EPA的MOVES-Matrix模型，根据车辆类型、速度和操作模式计算单位距离排放因子，并结合外推的秒级行驶周期得到每条路段、每小时的CO、CO₂、NOx和PM₂.₅排放量。
• 结果可实时更新，为政策评估和公共卫生研究提供细粒度基础。

三、结果分析与发现

3.1 车队组成与信号控制特征

• 分类模型在331个摄像头上识别的12类车辆中，乘用车与公交车呈现明显的双峰工作日模式，卡车和摩托车则表现为单峰模式，校车的两个峰值与上学时间吻合。

• 不同道路区域的车种构成差异明显：公交车集中在中城，卡车在外围更常见。

• 与手工标注相比，作者的模型将乘用车比例的误差从15%降至±5%。

• 信号推断的作用：加入信号控制后，怠速占比提高，低速温和驾驶模式减少，高速加速度模式增加。这些调整对NOx、CO和PM₂.₅排放影响显著。

3.2 全网流量与速度估计

• 校准后的动态交通分配使外推流量与摄像头流量一致性显著提高（ρ=0.94）。

• 拟合的速度–密度曲线显示各道路类型随拥堵程度不同而曲率不同。

• 5分钟粒度的流量和速度时序揭示了典型的晨晚高峰，高速公路流量与速度最高，住宅道路最低。

• 空间分布图表明，城市中心（中城与下城）速度显著低，出入口走廊的流量最高。

3.3 排放地图与时空特征

• 根据模型，曼哈顿2020年的道路排放量为11.67 kt CO、2.30 Mt CO₂、2.05 kt NOx 和0.12 kt PM₂.₅。相比EPA官方库存，这些值高出22–48%。

• 空间上，桥梁与隧道等连接点的排放密度比平均值高3–5倍；高速公路仅占16.40%的路网却贡献了30.74%的CO₂排放。市中心的CO和NOx浓度高，因为慢速行驶导致燃烧不完全。

• 时间上，CO₂排放在一天内波动巨大，凌晨3点比日均低86%，下午4点比日均高77%。晨、晚高峰贡献近39%的日排放。

• 通过两年MPLD数据捕捉到极端天气与疫情的影响：2021年二月暴雪期间CO₂排放下降90%，飓风“亨利”下降61.78%，而黑色星期五上升36.80%；2020年疫情封城时日排放下降87.21%。

3.4 消融实验：关键因素的重要性

• 忽略信号灯会低估NOx 6.5%、CO 15.17%、PM₂.₅ 48.64%，而对CO₂影响较小。住宅道路受信号影响最明显，PM₂.₅低估可达66.85%。

• 用全市平均车队取代路段车队会 高估NOx 24.79%、PM₂.₅ 23.16% ，因为重型车辆分布具有空间集中性。

• 以道路类型平均速度替代路段实测速度，会导致PM₂.₅、CO、CO₂和NOx分别低估约11–15%，在高等级道路上尤为明显。

• 彻底移除摄像头信息（包括车队、信号和校准流量）会让四种污染物的排放量低估30–45%。这些结果强调了高分辨率数据的重要性。

3.5 政策评估：拥堵收费与出行行为

• 出行时间转移：将10%高峰出行平移至低峰能减少3.6% CO、5.9% PM₂.₅、6.6% NOx 和6.0% CO₂；30%平移时减排达14.9%。
• 出行方式转移：若10%的驾车人改乘公共交通，CO₂减排17.31%，PM₂.₅减排15.43%；当比例增加至30%，各污染物减排接近40%。
• 拥堵收费（真实政策）：曼哈顿2025年1月实施拥堵收费。框架显示2周后CO₂下降9.57%，NOx下降12.18%，8周后下降18–22%，同时客车出行下降10.34%，卡车下降13.76%，平均车速提高12%。减排效果在道路类型间差异明显：高等级道路减排更多，部分未收费区甚至出现增排。
• 政策建议：在减排策略上，仅减少峰期出行效果有限，将驾车出行转向公共交通或共享出行能获得更大减排收益。

四、创新亮点与不足

4.1 方法创新

• 统一的中尺度框架：首创利用实时摄像头与手机数据融合的城市排放评估体系，兼顾分辨率与可扩展性。
• 车辆类型识别与信号推断模块：根据MOVES车种定义训练分类器，准确提取车队组成；通过到达序列推断信号周期，重建秒级行驶周期。
• 优化–动态交通分配外推：融合稀疏摄像头流量与OD矩阵，通过优化校准抽样率，使全网流量估计可靠。
• 实时政策评估：该框架不依赖高频轨迹，也不需要车牌识别，适用于隐私限制下的城市，可实时评估新政策效果。

4.2 局限与展望

• 仅考虑车辆运行排放，未包括车辆制造和启动过程的排放，因此总排放可能低估。
• 由于缺乏城市级地面观测，排放估算的直接验证存在困难。
• 框架依赖摄像头和MPLD的可获取性；不同城市在隐私政策、数据接入成本方面差异较大，可能影响推广。
• 数据采集易受天气、照明等影响，未来需要针对低密度或复杂城市的适应性研究。
• 下一步工作可考虑加入车辆生命周期排放、车辆启动排放，并在更多城市开展验证。

五、结论与启示

该研究证明，通过融合交通摄像头和手机定位数据，结合官方排放模型，可以构建高分辨率、实时更新的城市道路排放地图，不仅提供总量估计，还揭示细致的时空差异。曼哈顿案例表明，这种中尺度框架能及时捕捉自然事件和政策措施的影响，显著提高拥堵收费等减排政策的评估精度。消融分析强调了信号控制、车队组成和速度差异在排放估算中的关键作用，提醒传统模型需谨慎使用平均值。通过对出行时间转移、方式转移以及拥堵收费的比较，研究指出需求管理策略比单纯改善技术更能带来非线性减排收益。总体而言，该框架为城市管理者和研究者提供了一个普适、可扩展的工具，能够在保护隐私的前提下支持精细化的排放管理和政策设计。

原文链接见文末，或扫下方交流群二维码。群内实时更新推文及原文 pdf，方便专家学者随时获取（若二维码失效，请翻阅扫描最新文章的二维码）。