基于遗传算法的微尺度机动车排放模型

文摘

需要匹配的排放与交通模型的输出估计精度。总体错误率在长期战略运输产生的交通预测模型可能是重要的。微观仿真模型,而高分辨率在自然界中,可能有类似的测量误差,如果他们使用战略模型的输出获得交通需求预测。在微观方面,论述了现有排放评估方法的局限性。公司以外的排放模型预测排放污染物₂提出了。采用遗传算法方法选择黑盒模型的预测变量。能够解决组合优化问题的方法。总体而言,排放预测结果表明,该新模型比传统的方程的准确性和鲁棒性。

1。介绍

燃料消耗和排放估计可以综合交通规划的关键。的强大的公司之间的关系₂排放和燃料消耗1)和高原油价格的波动,这需要更精确的和强大的工具来量化环境影响,因此项目评估可以充分解决社区的期望。量化旅游需求和排放模型是必要的对于未来交通的评价/土地利用选择,以及现有运输系统的管理。排放的造型被视为一个越来越重要的交通规划和管理工具。

从历史上看,车辆和交通流模型已经开发使用不同的理论依据。这引发了两种主要的交通动力学模型,即微观表征,根据每辆车的个人行为的描述,和宏观表征描述交通作为一个连续流遵守全球规则(2]。战略旅游需求模型往往是大型和地区在自然而微观分析模拟模型用于详细的战术或操作测试的选项。以最高的宏观水平为例,总车辆流量和平均速度在整个网络可能所有提供(3]。在层次结构的最低水平,高分辨率的微观交通模型通常生成实时车辆轨迹(位置、速度、加速度等)。因此,交通模型和排放模型应该匹配的精度级别和聚合级别。例如,驾驶循环用于汽车排放测试指定在一个实时速度剖面。微观交通模型应该整合实时排放预测模型,可以利用高分辨率的交通建模结果,因此产生更精确的排放估计。

以最高的宏观水平为例,总车辆流量和平均速度在整个网络可能所有提供(4]。相应地,大量排放模型交付基于聚合的交通预测模型输出,例如,从我们欧洲和移动6中的阿耳特弥斯(5,6]。常见的宏观的造型方法用于生产移动源排放清单是基于两个处理步骤。第一步的排放因素包括确定一组指定的速度排放生成,和第二步是生产汽车活动的估计。计算出的排放清单然后一起乘这两个步骤的结果。这种方法有两个主要缺点如下。

不准确的描述交通活动。错误的总体率在20年的战略运输产生的交通预测模型可能是大型由于不确定性输入预测。目前的排放模型的预测能力取决于(a)所使用的输入数据中的错误估计的数量和特征交通flow-such数据通常是旅游需求建模分析的结果是已知很大程度上与它相关的不确定性(b)信息的充分性和质量模型中使用的发射率。

排放因素可能不能代表实际的充分条件。当前的方法用于确定排放因子是基于平均行驶特征体现在预定的行驶循环。排放测量作为基值重建统计发射率和平均车辆速度之间的关系。这些“平均速度”是在显微镜的方差与车辆动态操作。

在层次结构的最低水平,高分辨率的微观交通模型通常生成实时车辆轨迹(位置、速度和加速度)。驾驶循环用于汽车排放测试也在逐指定速度概要文件。微观模型应该结合实时排放预测模型,可以利用高分辨率的交通建模结果,从而生成更精确的排放估计。一些商业微观交通包被广泛用于估计排放(7]。

有微级提出的建模方法来估计未来的汽车尾气排放与交通模型的输出。其中一个方法是使用发动机功率预测的主要依据。另一个是使用车辆速度和加速度作为预测变量。有三个主要类型的建模方法,即基于权力,摘要和混合模型。两个模型从每个类别,如表所示1,分析了13]。发现基于权力模型具有良好的性能在有限公司₂排放和燃料消耗。相比之下,预测HC、CO和没有_x不匹配的测量结果(8]。此外,很难收集一些系数与瞬时功率有关,如气动阻力系数、车辆额区、和传动装置。摘要研究模型的结果凸显了需要模型加速,减速,分别和城市巡航阶段的周期。瞬时交通排放模型,摘要的方法利用microtransportation仿真结果作为输入,发现是有价值的,根据评估的结果。更复杂的模型,在理论上更可取的,可能意味着额外的输入测量错误,这样整体效果可能不会产生更精确的估计(14]。

瞬时交通排放模型开发的Int -潘尼斯et al。10)已经通过的交通AIMSUN仿真模型(7]。后者集成了交通仿真结果与排放预测方程。为每辆车排放功能派生了瞬时速度和加速度作为参数使用非线性多元回归技术。(所示的模型中,1),从25辆校准使用数据(六个公交车,两辆卡车,和17汽车)在欧洲。污染物模拟氮氧化物(NO_x)、碳氢化合物(HC)、二氧化碳(有限公司₂)、可吸入颗粒物(PM): 在哪里是发射的下限(g / s)指定为每个车辆和污染物类型;瞬时速度的车辆吗在时间;是加速度的车辆在时间;来为每个车辆和污染物排放常量具体类型由回归分析。

对某些污染物,每当目视检查的数据分析揭示了一个明确的区分在加速和减速的分散,表明不同的功能形式的方法应该得到不同的驾驶模式,如加速度(米/秒²)、巡航(−0.5 m / s²≤米/秒²和减速米/秒²)。的造型HC等污染物的排放结果不满意,如部分所示4。

当前论文的目的是开发汽车排放模型预测排放污染物以外的公司₂。模型采用遗传算法(GA)的预测变量。本文结构如下:部分2简要描述了数据源使用前和选择和验证模型开发;部分3提出了模型的开发方法;和部分4然后讨论了研究结果。最后,一些总体结论和局限性从结果和建议未来的研究途径。

2。数据来源、选择和验证

数据用于分析在当前纸从澳大利亚国立在职排放研究(NISE2) [15),这是使用复合开发的城市排放驱动周期(汽油CUEDC)。这个循环是典型的汽车旅行在一个给定的都市研究领域,数据收集在布里斯班,悉尼,墨尔本,阿德莱德,珀斯地区。有限公司的发射率₂、CO、HC,没有_x试验台车辆NISE2舰队的旅行在复合城市驾驶循环(CUEDC),记录实时除了瞬时速度。分析之前,发射的完整性测量从NISE2再次确认和纠正提高瞬时排放的可靠性使用Smit紧随其后的方法等。16]。此外,冷启动影响数据集过滤前分析采用Favez等建议的一种方法。17]。八average-aged乘用车(约50000 - 100000公里),表中列出2,入围NISE2数据库的模式发展。车辆选择类似于澳大利亚车辆特征(例如,在里程和年龄)18]。瞬时排放观测是这些车辆长度的平均值。

AIMSUN发射方法是采用进一步评估使用前面描述的NISE2数据子集。每辆车“驱动”的速度剖面CUEDC驱动循环模拟使用purpose-specific程序。平均有限公司₂从选中的八辆发射观测与AIMSUN预测实时输出模型。拟合优度,两组数据是0.80,如图1。

3所示。排放的发展模式

基于微观仿真模型的结果公司以外的污染物₂通常不满意(12]。目前提出了一种方法来改善这些结果。下面简要描述的概念。

当前的微观模型结合使用瞬时速度和加速度预测各种气态污染物包括HC和CO。气态污染物HC和CO等主要是缸内燃烧过程中形成过程取决于许多因素如空气燃料比、汽缸温度和压力,发动机转速(19]。HC和CO的形成从一个丰富的燃料环境升起。因此,高关联公司的事实₂发射率和燃料消耗是考虑在这些气态污染物的造型。此外,车辆加速或减速导致大量燃油喷射燃烧每周期的变化。空气燃料比的变化迫使发动机适应一种新的平衡,往往导致瞬态污染物形成的变化(20.]。这种效应可能加剧了动态效应在催化剂和排气系统,如催化剂故障,可能导致突然增加的污染物排放。由于这些原因,HC和CO,造型的产品不完全燃烧燃料,应考虑上述滞后性。因此,一些“历史”变量(即。在以前的时间步,变量1,2,3,或4秒)滞后性的引入模型作为预测变量。

一系列变量的瞬时和“历史”的速度,加速度,有限公司₂选择发射率和测试: ,,,,,,,,,,,,,,,,,,,,,,,在哪里是恒定的;速度时间;是加速度在时间;Rate_是有限公司₂发射率的时间。

共有23个候选预测变量被确定。一个详尽的枚举法不是一个实际的选择,而逐步和阶梯的回归过程只产生局部最优解(21]。当前高度分裂排放模型,综述部分1不能提供任何的原型变量的组合。与其他人工智能算法相比,无人监督的启发式遗传算法都是相互独立的先天的知识,如训练数据集。此外,遗传算法是一种随机搜索过程,模拟“适者生存”的自然过程通过操纵人口的染色体(22]。通过适当的二进制编码,遗传算法可以提供一个公平的混合排放模型,该模型综合了部分变量不同的模型1。指出,GA可能不会提供一个优化的结果由于过早收敛和“海明悬崖”问题(23]。然而,更加困难,但并非不可能,GA被困在一个局部最小值与更传统的梯度方法(24]。

精英个体解决方案是一个平衡组成的高精度和强统计相关的变量。使用Matlab 8.4 GA计划编制。选择性加权适应度的遗传算法(2),是用来实现一个自动校准模型变量选择过程建立基于最小二乘回归分析: 在哪里;估计瞬时排放速率的时间吗;是观察到的瞬时排放速率的时间吗;回归分析后是二进制逻辑控制参数; 系数来源于回归分析;是数量的观察。

是发射率的预测作为一个产品选择的变量的系数和相应的候选人的价值统计分析是低于0.05。均方根误差的互反关系使得准确预测与高健身价值的解决方案。

图2显示了遗传算法应用程序的流程图。首先,染色体表示非线性优化问题的可行的解决方案是随机生成,形成后的初始种群健康测试(见(2))。每个染色体在二进制格式象征着一个潜在的解决排放建模问题。图3演示了一个示例的染色体组成的23位。每一位代表一个相应的变量列表中的所有潜在变量。这两个数据在每一位选择“包含在模型”价值1或“不包括在模型”值0。因此解决方案的大小是2²³。在决定健身价值,染色体往往采取更多的变量更好的预测精度。这可能包括相关候选人变量和破坏模型的鲁棒性。为了避免这种情况的发生,发射率的计算预测,,仅限于那些统计上显著的变量()。为了实现可接受的解决方案,计算染色体的健身价值和选择继续。这个过程通过许多代自然遗传过程演化。遗传过程包括三种类型的操作,即交叉,选择,和变异25]。重复直到迭代的数量超过一个预定义的限制。染色体的数量在人口和迭代次数设置为600年和100年,分别。遗传算子的调优参数遵循简单遗传算法提出的米切尔(25];细节展示在表3。

数据4(一)和4 (b)显示最大和平均适应度达到迭代。每一代的平均健身大幅增加在开始阶段,最后达到稳定。精英健身趋势上升和波动。经过20代的进化,健身变得成熟。这些结果表明,染色体演化改进解决方案的准确性和最终达到饱和状态。摘要后30 - 40不同运行,此次结果并选择基于统计分析的模型方程。表4显示了三个候选人acceleration-phase HC排放模型。基于造型健身和变量的意义,本文选择候选人的承诺。作为遗传算法程序可以配置为启用变异算子,随机生成的解决方案是一个600×100随机过程。随机选取一个是与解决方案。然而,随机选择的候选人并不是一个解决方案,由于变量意义约束(值)。因此,精英染色体可以合理的最优(或次级)解决方案。

4所示。结果和主要发现

4.1。一般

拟议的GA方法应用到HC污染物对不同驾驶模式,即加速度,巡航,减速。发射率模型,最终提出了染色体的(4),(5)和(6),分别。所有的选择在统计上显著的预测变量。瞬时交通排放模型(见(1))和新修改校准方程参数的最小二乘回归在同一试验台数据集用于开发新模式。进行有意义的比较modelling-induced错误,拟合优度,三种驾驶模式,在新修改的模型和模型(1)如表所示5。拟议中的新方法显著提高HC的建模结果,尽管减速组件的预测精度相对较低。减速组件占总额的42%驾驶循环时间,但HC减速组件的总和只占总量的25%循环测量。结果,减速组件不扮演重要角色总排放量的比例。由于多重空间解决方案的搜索空间,GA方法不确定导致全球最佳当制定作为一个优化问题。遗传算法有收敛的趋势向当地的最适条件,甚至任意点而不是问题的全局最优。这意味着它是不明智的牺牲短期健身获得长期健康。为了解决这个问题,提出了GA方法依赖于适应度函数,使量化个人解决方案是否合适的统计学意义的模型准确性和入围变量。为了测试适应度函数,人口增加到2000的大小以使更多潜在的解决方案搜索在多维空间中,给出的结果是类似于以前。此外,以HC加速组件为例,新提出的方程略低于理论最大值的个体染色体包括所有候选人的变量。因此,选择的新方程算法近似全局最优。

加速度分量

巡航组件

减速组件 在哪里发射率为每辆车(g / s)以及污染物的类型;速度时间;是加速度在时间;是有限公司₂发射率的时间。来为每个车辆和污染物排放系数的类型。

相同的实验数据集被用来测试模型的预测精度。图5显示之间的关系建模预测和HC测量,和图6说明了相应的残差图。

4.2。模拟结果和验证

拟议的新模型验证在不同的数据集的各种车辆大小,使不同年龄范围,即新车辆里程从1000年到11000公里;中年车辆里程从75000年到95000公里;和老款汽车里程从130000到140000公里。

拟合优度的比较,车辆,整体造型的结果三个年龄范围,提出了新的模型之间的(的总和(4)(6))和瞬时交通排放模型(1)如表所示6(一)6分别(c)。总体而言,排放预测结果证明该新模型提供改进的结果。HC的新模型是更健壮的和准确的预测。

同样,这种方法应用于其他污染物包括股份有限公司和没有_x。新公司排放预测方程加速度,巡航,减速组件所示(7),(8)和(9),分别。整体对整个试验台的数据集是0.70。

加速度

巡航

减速 新的没有_x排放预测方程加速度、巡航和减速组件所示(10),(11)和(12),分别。整体对整个试验台的数据集是0.82:

5。平行的遗传算法

Cantu-Paz [26]平行气体分为三个主要类型:(我)全球单总体主从GA。(2)单总体细粒度的GA。(3)粗粒度的多群体遗传算法。单总体GA细粒度和粗粒度的多群体天然气正适合处理动态函数优化问题(27]。它有一个重要的角色在复杂函数优化的最适条件不同(动力过程)。在主从GA有一个人口,但健康的评价分布在多个处理器。Matlab 8.4支持并行语言的全部功能特性通过创建一个特殊工作的工人和连接池Matlab客户端(28]。分布式同步遗传算法是基于分布工作负载的处理器在适应度函数评价阶段,紧随其后的是单一的中央人口再生。因此,大规模的健身计算分配给工人以提高计算效率。当测试工作站和i7处理器(3.6 GHz)和32 G内存,一代一代的遗传算法消耗没有平行配置44.0秒和11.8秒4-worker平行配置。

6。结论

过去的造型以外的机动车排放研究有限公司₂揭示了相对较弱的预测结果。目前提出了基于遗传算法的方法确定变量预测车辆排放作出贡献。这种方法提供了一种新方法的选择变量的组合在一个大的应用潜力。新的造型汽车尾气排放模型显示增强的结果,支持使用GA新变量选择方法。修改后的提议的GA适应度函数展示了建立平衡的多变量模型的能力。此外,改进的HC的预测结果,通过引入“历史”有限公司₂发射率,滞后性支持的假设。提议的GA方法提供了一个解决方案为一个组合优化问题,为建模精度高提供显著依赖于选定的预测变量和变量之间的关系。

未来的研究重点扩展模型的评估应该包括完整的颗粒物质(PM)。此外,新模型的准确性可能妥协与加载或在山区开车时。此外,开发模型在预测精度相对较低排放的减速模式。据海伍德(19),HC、CO和没有_x排放取决于燃气等价和注入时机。锋利的减速(米/秒²)结果misbalance燃气等价和方差的注入时机。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

本文的作者承认支持由中国国家自然科学基金。51578052和北京市项目没有。pxm2015 - 178215 - 000008。

引用

1. r . Akcelik和m .贝斯勒”操作成本、燃料消耗和排放模型aaSIDRA和aaMOTION”25日会议的程序澳大利亚交通研究院的研究(CAITR ' 03)南澳大利亚大学,阿德莱德,澳大利亚,2003年12月。视图:谷歌学术搜索
2. 大肠Bourrel J.-B。Lesort”,混合交通流的微观和宏观表示:混合模型基于Lighthill-Whitham-Richards理论,“交通研究记录卷,1852年,第200 - 193页,2003年。视图:谷歌学术搜索
3. m·巴斯和g . Scora综合模态排放模型(CMEM),用户指南,3.01版本加州大学河滨分校,加州河滨分校,美国,2006年。
4. m·巴斯,f, j . Norbeck)和m·罗斯,“模态排放建模:物理方法,”交通研究记录卷,1520年,第88 - 81页,1996年。视图:谷歌学术搜索
5. m·安德烈和m . Rapone”分析和建模的有关驾驶的欧洲汽车污染物排放特征和测试周期,”大气环境,43卷,不。5,986 - 995年,2009页。视图:出版商的网站|谷歌学术搜索
6. 美国环保署用户指南MOBILE6.1 MOBILE6.2;移动源排放因子模型,epa420 - r - 03 - 010,美国环境保护署,华盛顿,美国,2003年。
7. 分时系统,Aimsun 6.1手动、交通仿真系统,巴塞罗那,西班牙,2010年。
8. d . y . c .梁和d·j·威廉姆斯,“机动车燃油消耗和排放的模型使用一个基于权力模式,”环境监测和评估,卷65,不。1 - 2日,21,2000页。视图:出版商的网站|谷歌学术搜索
9. k安,h Rakha、a . Trani和m . Van Aerde”估计车辆燃料消耗和排放基于瞬时速度和加速度水平,”交通运输工程学报,卷128,不。2、182 - 190年,2002页。视图:出版商的网站|谷歌学术搜索
10. 美国Broekx l . Int -潘尼斯,r·刘”造型瞬时交通排放和交通速度限制的影响,“科学的环境,卷371,不。1 - 3、270 - 285年,2006页。视图:出版商的网站|谷歌学术搜索
11. y气、h·邓和l . Yu“微尺度排放模型将加速和减速,”交通运输工程学报,卷130,不。3、348 - 359年,2004页。视图:出版商的网站|谷歌学术搜索
12. r . Smit和j .联邦调查局”,利用微观仿真模型预测交通排放,”道路和交通研究,18卷,不。2,49-54,2009页。视图:谷歌学术搜索
13. 朱和l·费雷拉,“微观仿真模型评估机动车排放模型:使用有限公司₂作为一个案例研究。”道路和交通研究卷。21日,3-18,2012页。视图:谷歌学术搜索
14. r . Smit h . Dia, l . Morawska”道路交通排放和燃料消耗模型:趋势、新进展和未来的挑战,”与交通有关的空气污染、29 - 68页。新星科学出版社,纽约,纽约,美国,2009年。视图:谷歌学术搜索
15. 轨道澳大利亚,第二个国家在职排放研究(NISE2):轻型汽油车排放测试新南威尔士、道路和交通管理局,2009。
16. r . Smit, j·斯蒂尔和m·威尔逊汽车尾气排放因子Development-NISE2数据验证PaeHolmes,布里斯班,澳大利亚,2010年。
17. J.-Y。m . Weilenmann Favez, j . Stilli”冷启动额外的排放发动机停止时间的函数:进化在过去的10年中,“大气环境,43卷,不。5,996 - 1007年,2009页。视图:出版商的网站|谷歌学术搜索
18. ABS、机动车的人口普查,9309.0,澳大利亚统计局,堪培拉,澳大利亚,2009年。
19. j·b·海伍德内燃机原理美国麦格劳-希尔,纽约,纽约,1988年。
20. r . j .北r·b·诺兰w . y .奥臣和j·w·波兰的“造型从轻型柴油车辆排放颗粒物质量,”交通研究D部分:交通和环境,11卷,不。5,344 - 357年,2006页。视图:出版商的网站|谷歌学术搜索
21. s . Chatterjee m . Laudato, l·a·林奇“遗传算法和统计应用程序:一个介绍,“计算统计和数据分析,22卷,不。6,633 - 654年,1996页。视图:出版商的网站|谷歌学术搜索|Zentralblatt数学
22. 即Vladisavljevic、p·t·马丁和a . Stevanovic”集成的数学和物理模拟校准车辆未受损伤的和受损的司机的行为,”世界联合运输研究的回顾,1卷,不。4、403 - 418年,2007页。视图:出版商的网站|谷歌学术搜索
23. j . j . Grefenstette“优化遗传算法的控制参数,IEEE系统,人与控制论,16卷,不。1,第128 - 122页,1986。视图:出版商的网站|谷歌学术搜索
24. r .问:萨迪纳m·r·桑塔纳和e·a·消失,“遗传算法多目标优化切削参数的转变过程,”人工智能技术的工程应用,19卷,不。2、127 - 133年,2006页。视图:出版商的网站|谷歌学术搜索
25. m·米切尔介绍了遗传算法美国剑桥,麻省理工学院出版社,质量,1998年。
26. e . Cantu-Paz“并行遗传算法的调查”Repartis Calculateurs平行,Reseaux等系统,10卷,第171 - 141页,1998年。视图:谷歌学术搜索
27. 卢克和e·阿尔巴并行遗传算法理论和现实世界的应用施普林格,纽约,纽约,美国,2011年。视图:出版商的网站|MathSciNet
28. MathWorks,MATLAB的文档MathWorks纳蒂克,质量,美国,2012年。

版权

版权©2015 Sicong朱镕基等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。