论文部分内容阅读
我国机动车数目的逐年猛增使移动源逐渐成为大城市污染的主要源头,其中以出租车为代表的的营运车是城市路网中必不可少的成员,日均行驶里程和行驶时间都显著高于普通乘用车,不可避免地带来更多污染。减少出租车尾气排放,实现绿色健康运营,对城市环境和居民健康具有重要意义。机动车道路遥感测试是一种尾气排放测试技术,每天测试车辆数最多可达上万辆,自动化程度高,成本低。利用遥测技术建立实际车流――排放大数据测试和实时分析是近年来研究的热点,并已在排放监管和环境治理领域得到应用。以随机森林为代表的机器学习方法抛弃了先作假设再估计参数的建模方式,完全从数据本身出发,探索内在数量规律,而后衍生出来的解释性机器学习理论又为评估与分析算法模型提供了技术支持。本文首先回顾了国内外已有研究成果,总结现阶段机动车遥测研究中存在的不足,指导本文研究;然后汇总整理采集到的27737条北京市出租车遥测数据,计算污染物排放因子,了解排放分布特征,利用z-score法剔除一氧化碳排放因子(EFCO)、碳氢排放因子(EFHC)、一氧化氮排放因子(EFNO)中的异常高值。在此基础上,针对遥测的横截面数据特点,先对数据做bootstrap抽样,再以车辆信息、工况信息、气象信息、测试时间为解释变量,分别对3种排放因子建立随机森林回归模型并给出变量重要性评估,然后综合运用部分依赖图、局部累积效应图分析重要变量对模型响应的影响。主要结论如下:车龄是影响出租车尾气排放的最重要因素;因为造成尾气中不同污染物的机理不同,工况对不同尾气组分的影响不尽相同,驾驶过程中避免频繁启动、急加/减速及长时间低速运行对出租车驾驶更有利;目前机动车遥测设备稳定性不佳,导致遥测数据逐年整体性升高,需加强质控工作。本文的研究方法为机动车遥测大数据分析提供了一种可行方案,其研究结论对下一步控制和减少出租车尾气排放有一定参考价值。