研究背景与意义

研究背景

随着我国经济的快速发展和城市化进程的加快，机动车的保有量逐年攀升。根据生态环境部发布的《中国移动源环境管理年报（2023）》数据显示，截至2022年，我国机动车保有量已达到4.17亿辆，且2022年机动车排放的主要污染物——一氧化碳（CO）、氮氧化物（NOx）、碳氢化合物（HC）和颗粒物（PM）总量达到1466.2万吨，其中汽车占据了90%的比例，成为污染物排放的主要来源。这些排放不仅对空气质量构成威胁，也对人类健康带来了严重影响。随着人口密度增加和城市化进程的推进，区域性空气污染问题愈加严峻。因此，如何编制高时空分辨率的城市车辆排放清单，成为制定科学的空气质量管理与温室气体减排策略的关键。

研究意义

在2020年我国提出“碳达峰”和“碳中和”的目标后，交通行业被纳入重点治理领域。2022年发布的《“十四五”现代综合交通运输体系发展规划》明确要求加强碳排放基础统计核算，建立交通碳排放监测平台。机动车作为现代社会的核心交通工具，其增长带来了能源消耗、交通拥堵及空气污染等一系列挑战。有效的城市车辆排放清单编制不仅能够精确描绘污染源分布，还能为城市空气质量改善和温室气体减排提供重要的数据支持。

本研究的核心目标是通过准确预测城市交通流量，结合排放因子数据，构建精细化的城市车辆排放清单。通过对不同道路类型和车辆工况的动态匹配，本课题将交通流量预测与排放因子相结合，利用扩散图卷积网络、扩散卷积门循环单元等技术，构建出高效的交通流预测模型，为高时空分辨率的城市车辆排放清单的精准编制提供科学的交通预测数据。此外，研究成果将有助于识别重点排放区域，为制定减排方案提供理论依据。

国内外研究现状

排放清单编制

城市车辆排放清单通过结合排放因子和交通活动水平，能够反映不同时间和区域内的排放量及其分布特征。目前，排放清单编制方法大致分为自上而下和自下而上两种。自上而下方法主要依赖宏观数据，如机动车保有量和年均行驶里程等，适用于大规模区域的排放估算。然而，这种方法在精度和时效性上存在局限，尤其在城市层面难以反映交通流的动态变化。相较之下，自下而上的方法通过基于车流量、车型分布和车速等细致交通数据，能够提供更高的准确性和时空分辨率。因此，随着大数据技术的发展，自下而上方法逐渐成为高精度排放清单编制的主流方式。

构建速度排放因子

排放因子（EF）是评估交通排放的重要工具。随着智能交通系统（ITS）和大数据技术的发展，如何准确构建速度与排放因子之间的关系成为研究的热点。传统的排放因子模型如EPA的MOBILE模型和EEA的COPERT模型，通过修正后的排放因子与行驶里程的乘积估算排放总量，适用于宏观尺度的估算。但在处理动态排放时，传统模型的能力较为有限。近年来，基于机动车比功率（VSP）的排放因子模型逐渐成为研究的主流，VSP能够更精准地反映车辆在不同工况下的排放特征。例如，IVE和MOVES模型通过引入VSP，能够有效捕捉车辆的瞬态工作状态与排放之间的关系，大大提升了排放预测的精度。

交通流预测

交通流预测在城市交通管理中占据重要地位，其目的是通过分析历史交通数据，预测未来一段时间的交通流量变化。传统的统计模型如ARIMA和VAR模型，虽然能够较好处理季节性模式的数据，但对于复杂交通流数据的预测效果有限。随着机器学习和深度学习技术的发展，基于非参数化方法的交通流预测模型逐渐兴起。支持向量回归（SVR）和循环神经网络（RNN）、长短期记忆（LSTM）网络等深度学习模型，能够更好地捕捉交通流数据中的非线性特征和时序依赖性。

近年来，图神经网络（GNN）逐渐成为交通流预测领域的研究热点。图卷积神经网络（GCN）能够有效捕捉交通网络中的空间依赖性，将交通流量视为图结构中的节点，通过图卷积操作提取空间信息，从而提升预测精度。未来，图神经网络将在处理复杂时空数据中展现出更强的能力，成为交通流预测的核心技术之一。

总结

通过结合基于图卷积神经网络的交通流预测和先进的排放因子建模方法，本课题有望为高时空分辨率城市车辆排放清单的编制提供强有力的技术支持。随着智能交通系统和大数据技术的发展，未来的交通流量预测将更加精准，排放因子的动态建模也将逐步完善。该研究不仅为城市交通管理提供精准预测，还将为制定科学的环保政策和减排措施提供数据支持。