【fundmental research】Uncovering the CO2 emissions of vehicles: A well-to-wheel approach

这是我们课题组发表在fundmental research上的一篇论文，这是基金委主打的一个期刊，应该说未来还是有一定潜力的。感兴趣的话可以下载我们的论文：点击下载。

1.文章概述

首先，从最宏观来说，整个研究做了四块工作，第一，基于车牌识别数据补全时空轨迹；第二，基于时空轨迹对燃料生命周期机动车碳排放进行计算，并分析了各类别车辆的碳排放贡献；第三，分析了机动车碳排放的时空影响因素；第四，模拟了不同的碳减排政策的减排效果。
论文的graphical abstract可以很好的概况本文：

对各部分细节展开来讲讲：

1. 基于车牌识别数据补全时空轨迹。轨迹补全本身构成了一个重要的研究方向，许多文章专门是做轨迹补全的，包括本人也有另一篇文章用动态交通规划的方法做了轨迹补全。在本文中，我们用的轨迹补全方法是K则最短路+TOPSIS决策算法来做轨迹补全。
2. 基于时空轨迹计算燃料生命周期碳排放，并分析了各类别车辆的碳排放贡献。这部分工作量和篇幅相对是最大的，也是论文的核心和基础。燃料生命周期碳排放的计算主要是基于排放因子方法，将排放因子和行驶里程相乘就构成了排放。需要说明的是我们进行的是燃料生命周期碳排放的计算，因此碳排放分成两部分，一部分是大家所熟知的路上行驶所带来的碳排放，另一部分是石油开采运输所带来的排放，这其实带来很大的变化，因为一般认为电动车辆没有碳排放，但是燃料生命周期碳排放计算中电动车辆也会产生碳排放。排放因子的计算依赖于速度，而轨迹补全后计算速度是很容易的，这里很容易想到我们做了一个简化，认为时空轨迹中的轨迹片段间是匀速行驶的，实际上车辆会加减速，而这种加减速实际上产生更大的碳排放，因此我们的方法会对碳排放有一定的低估。此外，算碳排放的时候还要考虑各种类型的车辆，因为不同车辆排放因子都是不同的，比如大车排放因子肯定大于小车。算出碳排放后分析碳排放的时空分布。
3. 基于时空轨迹计算燃料生命周期碳排放，并分析了各类别车辆的碳排放贡献。为什么第三点还要说这个，因为这部分还有一块各类别车辆的碳排放贡献没讲。我们基于车牌识别数据对路网上的车辆做了一个画像，将车辆根据其出行行为划分为通勤车、居家车辆、过境车辆等若干种出行行为的车辆。然后分析了不同出行行为的车辆对碳排放的贡献。此外还分析了不同车型，即大车、小车的碳排放贡献。
4. 分析机动车碳排放的时空影响因素。机动车的时空影响因素分析主要借助GTWR模型展开，这是时空影响因素分析最为经典的模型，我们也是采用了该模型。我们提取出了交通状态信息、路网结构特征、建成环境信息、社会经济属性、交通便利性共5个维度19个解释变量。构建了解释变量和碳排放间的时空关系建模，并对结果做了细致解读。
5. 我们探究了能源结构、新能源车辆推广策略对碳减排的影响。

2.涉及的一些技术细节

这里简单介绍下本研究用的一些技术细节。

1. 轨迹补全用到了K则最短路算法和TOPSIS决策算法；
2. 碳排放计算主要用到了排放因子方法；
3. 车辆画像主要是基于聚类算法和决策树算法实现；
4. 时空影响因素分析主要用GTWR、GWR、OLS三个模型进行了建模；
5. 政策分析主要是基于资料设定参数直接进行计算得到。

参考文献

如果觉得本文有一定的参考意义，可以引用我们的论文。如果有问题可以留言或私信。

Zuoming Zhang , Hongyang Su , Wenbin Yao , Fujian Wang , Simon Hu , Sheng Jin , Uncovering the CO2 emissions of vehicles: A well-to-wheel approach, Fundamental Research (2023), doi: https://doi.org/10.1016/j.fmre.2023.06.009