一种基于大数据的交通通勤碳排放分析方法与流程

1.本发明属于碳排放分析领域，特别涉及到了一种通勤碳排放分析方法。


背景技术：

2.现有技术之下，碳排放计算所需的出行数据主要通过传统的交通调查或相关的城市交通数据报告获取，无法灵活对不同尺度研究范围的通勤碳排放进行精准定量分析。例如，针对小尺度研究范围时，存在样本数不足等缺点；针对大尺度研究范围时，存在样本数据分布不均等问题。这些都将导致计算出来的通勤碳排放量存在一定误差。
3.且现有技术无法利用大数据对不同通勤方式的出行分担率及出行距离进行标准化分析计算，无法为多尺度的交通通勤碳排放计算提供有效支撑。


技术实现要素：

4.为了解决上述问题，本发明的首要目的在于提供一种基于大数据的交通通勤碳排放分析方法，该方法利用百度lbs数据可以较为准确的获取各类型交通通勤方式的平均出行分担率及平均出行距离，大幅提升所需数据的稳定性、均匀性、准确性。
5.为了实现上述目的，本发明的技术方案如下。
6.一种基于大数据的交通通勤碳排放分析方法，其特征在于，该方法包括有以下步骤：
7.步骤1、数据提供：获取百度lbs数据，形成多个基础数据集；基础数据集包括有出发点位置坐标、目标点位置坐标、通勤距离、多个通勤方式占比；
8.步骤2、选定研究范围：选定一个空间位置为研究范围，筛选出出发点位置坐标/目标点位置坐标位于该研究范围内的基础数据集；
9.步骤3、平均出行分担率计算：计算出研究范围内的多个基础数据集(出发点位置坐标/目标点位置坐标位于该研究范围内的基础数据集)的各个通勤方式占比的平均值；任意一种通勤方式的平均出行分担率即为研究范围内的多个基础数据集中该通勤方式占比的平均值；
10.步骤4、阈值筛选：设定一个阈值，筛选出研究范围内的多个基础数据集(出发点位置坐标/目标点位置坐标位于该研究范围内的基础数据集)中存在有通勤方式占比大于该阈值的基础数据集；且多个被筛选出来的基础数据集中占比大于该阈值通勤方式和通勤距离匹配，以形成为多个“通勤方式-通勤距离”的指标对；
11.步骤5、平均出行距离计算：在多个“通勤方式-通勤距离”的指标对中，分别求出同类通勤方式的指标对的通勤距离的平均值，作为该种通勤方式的平均出行距离；
12.步骤6、碳排放计算：选择任意一种通勤方式，代入该通勤方式的平均出行分担率和平均出行距离以计算其碳排放总量，计算公式为
13.m＝∑di*ci*p*si14.m——碳排放总量(g)；
15.di——平均出行距离(km)；
16.ci——碳排放系数(g/人次.km)；
17.p——出行人次(人次)；
18.si——平均出行分担率。
19.该方法利用百度lbs数据可以较为准确的获取各类型交通通勤方式的平均出行分担率及平均出行距离，大幅度提升交通碳排放计算所需数据精度。百度lbs数据与通勤人群年龄结构适应性较高，大幅提升所需数据的稳定性、均匀性、准确性。并通过研究范围选择和阈值判断，大幅度提升了对不同尺度、不同方式的通勤碳排放计算的灵活性、便利性，有效降低了因传统调查所工作所带来的人力物力成本。
20.进一步的，在步骤1中，获取百度lbs数据时，获取到数据1和数据2；数据1包括有多个样本1，样本1包括有出发点位置坐标、目标点位置坐标、通勤距离；数据2包括有多个样本2，样本2包括有出发点位置坐标、目标点位置坐标、多个通勤方式占比；将数据1和数据2进行清洗、筛选后进行匹配，以形成多个基础数据集。
21.进一步的，数据1和数据2的清洗：剔除数据1存在“出发点位置坐标&目标点位置坐标”非唯一情况的所有样本1，剔除数据2存在“出发点位置坐标&目标点位置坐标”非唯一情况的所有样本2。通过清洗，防止后续数据1和数据2匹配过程中有错配的风险。
22.进一步的，样本1中还包括有通勤数量，数据1和数据2的筛选为对数据1进行筛选，在数据1中筛选出通勤数量为1的样本1。筛选可以保证样本通勤数据与用户个体一一对应，避免同一通勤信息对应多个居民的情况，防止影响信息匹配的信度。
23.进一步的，数据1和数据2的匹配为：出发点位置坐标和目标点位置坐标相同的样本1和样本2融合，以形成基础数据集。
24.进一步的，在将数据1和数据2进行清洗、筛选前，统一数据1和数据2的坐标精度。
25.进一步的，通勤距离为出发点位置坐标至目标点位置坐标的哈顿距离。
26.进一步的，所述阈值为0.5。通勤方式占比超过0.5意味着该居民采用该通勤方式的概率大于采用其他通勤方式的概率之和，及可视该通勤方式为该居民的“常规/主导通勤方式”。
27.进一步的，多个通勤方式占比包括有私家车、地铁、公共汽车、骑行、步行出行方式的占比。
28.本发明的有益效果在于，在本发明中，利用百度lbs数据可以较为准确的获取各类型交通通勤方式的平均出行分担率及平均出行距离，大幅度提升交通碳排放计算所需数据精度。百度lbs数据与通勤人群年龄结构适应性较高，大幅提升所需数据的稳定性、均匀性、准确性。并通过研究范围选择和阈值判断，大幅度提升了对不同尺度、不同方式的通勤碳排放计算的灵活性、便利性，有效降低了因传统调查所工作所带来的人力物力成本。
附图说明
29.图1是本发明的流程图。
30.图2是多个基础数据集的示意表格。
31.图3是数据1的示意表格。
32.图4是数据2的示意表格。
具体实施方式
33.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
34.一种基于大数据的交通通勤碳排放分析方法，其特征在于，该方法包括有以下步骤：
35.步骤1、数据提供：获取百度lbs数据，形成多个基础数据集；基础数据集包括有出发点位置坐标(居住地网格中心坐标)、目标点位置坐标(工作地网格中心坐标)、通勤距离(出发点位置坐标至目标点位置坐标的哈顿距离)、多个通勤方式(私家车、地铁、公共汽车、骑行、步行等出行方式)占比；
36.步骤2、选定研究范围：选定一个空间位置为研究范围，筛选出出发点位置坐标位于该研究范围内的基础数据集；
37.步骤3、平均出行分担率计算：计算出研究范围内的多个基础数据集的各个通勤方式占比的平均值；任意一种通勤方式的平均出行分担率即为研究范围内的多个基础数据集中该通勤方式占比的平均值；如研究范围内存在两个基础数据集，两个基础数据集中a通勤方式分别占比为0.2和0.4，b通勤方式分别占比为0.8和0.6；那么a通勤方式的平均值为0.3，b通勤方式平均值为0.7；其中a通勤方式的平均出行分担率是0.3，b通勤方式的平均出行分担率是0.7。
38.步骤4、阈值筛选：设定一个阈值(0.5)，筛选出研究范围内的多个基础数据集中存在有通勤方式占比大于该阈值的基础数据集；且多个被筛选出来的基础数据集(存在有通勤方式占比大于该阈值0.5的基础数据集)中占比大于该阈值通勤方式和通勤距离匹配，以形成为多个“通勤方式-通勤距离”的指标对；
39.步骤5、平均出行距离计算：在多个“通勤方式-通勤距离”的指标对中，分别求出同类通勤方式的指标对的通勤距离的平均值，作为该种通勤方式的平均出行距离；
40.步骤6、碳排放计算：选择任意一种通勤方式，代入该通勤方式的平均出行分担率和平均出行距离以计算其碳排放总量，计算公式为
41.m＝∑di*ci*p*si42.m——碳排放总量(g)；
43.di——平均出行距离(km)；
44.ci——碳排放系数(g/人次.km)；
45.p——出行人次(人次)；
46.si——平均出行分担率。
47.其中出行人次由人口数据(所选的空间位置的人口数据，根据所选的空间位置直接获取到的，在该计算公式中是已知数据)、出行强度(根据所选的空间位置的城市交通出行报告直接获取到的，在该计算公式中是已知数据)计算得到，平均出行距离和平均出行分担率来自于上一步的数据分析；不同出行方式所对应的碳排放系数主要来自于ipcc公布的温室气体排放因子数据库和相关文献，在该计算公式中是已知数据。
48.具体的，在步骤1中，获取百度lbs数据时，获取到数据1和数据2，数据1和数据2由百度供应商提供，数据精度为250m网格；数据1包括有多个样本1，样本1包括有出发点位置
坐标、目标点位置坐标、通勤距离，坐标精度为小数点后10位小数；数据2包括有多个样本2，样本2包括有出发点位置坐标、目标点位置坐标、多个通勤方式占比，坐标精度最高为小数点后6位小数；将数据1和数据2进行清洗、筛选后进行匹配，以形成多个基础数据集。
49.数据1和数据2的清洗：剔除数据1存在“出发点位置坐标&目标点位置坐标”非唯一情况的所有样本1，剔除数据2存在“出发点位置坐标&目标点位置坐标”非唯一情况(即存在两个及以上的样本1/样本2拥有相同的“出发点位置坐标&目标点位置坐标”)的所有样本2。
50.样本1中还包括有通勤数量，数据1和数据2的筛选为对数据1进行筛选，在数据1中筛选出通勤数量为1的样本1。
51.数据1和数据2的匹配为：出发点位置坐标和目标点位置坐标相同的样本1和样本2融合，以形成基础数据集。
52.在将数据1和数据2进行清洗、筛选前，统一数据1和数据2的坐标精度。数据1和数据2的坐标精度统一为取小数点后5位。
53.以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。