交通仿真模型融合微观车辆排放模型研究综述

单肖年，陈小鸿

交通仿真模型融合微观车辆排放模型研究综述

单肖年1，陈小鸿2

（1. 河海大学，土木与交通学院，南京 210098；2. 同济大学，交通运输工程学院，上海 201804）

为评估交通管控策略的潜在环境效益，在交通仿真模型中融合微观车辆排放模型，可仿真估计机动车污染物排放特征。论文比较分析了微观车辆排放模型的基本特点，总结了微观车辆排放模型本地化移植的方法与进展；对宏观、中观、微观多层级交通仿真模型融合微观车辆排放模型的方法进行了综述分析。研究发现，宏观及中观交通仿真模型与微观车辆排放模型的融合方法主要体现在机动车污染物排放因子修正及车流运行轨迹重建上。现有研究者对微观交通仿真模型融合微观车辆排放模型是否能够准确地估计机动车污染物排放特征存在分歧，表现在微观交通仿真模型输出的车辆比功率分布特征与观测的真实值存在不一致性。最后讨论了模型融合应用发展的未来研究方向。该综述对交通仿真模型融合微观车辆排放模型的一体化平台设计具有重要参考价值。

交通工程；微观车辆排放模型；交通仿真模型；模型融合；比功率分布

0 引 言

由于交通系统建设及交通管控策略实施的不可逆性，宏观、中观、微观多层级交通仿真模型被广泛地应用于评估上述交通设施建设的机动性特征及交通管控策略的拥堵改善效果。为了不断改善城市空气质量，营造绿色、宜居、生态的城市生活空间，在缓解城市交通拥堵的同时，交通管控策略的机动车污染物排放特征也引起了政府管理部门及研究者的广泛关注。近20年来，得益于微观车辆排放模型的开发与应用[1]，使得机动车污染物排放计算精度大幅度提升，交通仿真模型融合微观车辆排放模型的一体化设计得到了快速发展。

现阶段，交通仿真模型与微观车辆排放模型之间的融合依然存在着不确定性，主要表现在交通仿真模型的输出结果能否有效地作为微观车辆排放模型的输入数据。交通仿真模型的输出多为速度、流量、轨迹、延误等车辆运行机动性指标，微观车辆排放模型的输入主要为车辆比功率（车辆轨迹）、车型结构、车龄特征、气象环境等数据，交通仿真模型的输出并不能直接作为微观车辆排放模型的输入，亟需提出两者模型的融合方法，以准确地估计机动车污染物排放特征。本文拟通过国内外文献综述的方法，探究交通仿真模型融合微观车辆排放模型的适应性。如图1所示，在缺乏我国本土微观车辆排放模型的背景下，首先，系统回顾了微观车辆排放模型的发展历程及本地化移植方法；其次，对宏观、中观及微观多层级交通仿真模型融合微观车辆排放模型的方法进行了综述分析；随后，重点讨论了微观交通仿真模型融合微观车辆排放模型的准确性及参数标定特征；最后，提出了模型融合应用发展的未来研究方向。

图1 文章结构图

1 微观车辆排放模型研发进展

1.1 微观车辆排放模型对比分析

在20世纪70年代末美国EPA（Environ- mental Protection Agency）资助开发了面向中-宏观的车辆排放模型MOBILE（Mobile Source Emission Factor Model）[2]，一种基于车辆平均速度的统计模型，类似的模型包括有EMFAC（Emission Factors）[3]及COPERT（Computer Programme to Calculate Emissions from Road Transport）[4]。然而研究者不断发现车辆污染物排放特征与车辆瞬时运行工况密切相关，由此在1995年研发了基于瞬时工况的微观车辆排放模型，其中具有代表性的微观车辆排放模型为CMEM（Comprehensive Modal Emissions Model）[5]及MOVES（Motor Vehicle Emissions Simulator）[6]模型。1997年美国加州大学河滨分校环境技术研究中心首次发布了CMEM模型。该模型充分考虑了车型、发动机技术、排放控制转化器等要素的影响，将车辆分为26种车型。CMEM模型包含6个计算模块，分别是：动力需求、发动机转速、空燃比、油耗率、发动机排放尾气、催化剂修正[5]。CMEM模型的核心是油耗计算，计算方法充分考虑了发动机的动力及转速，从而准确地反映了车辆的排放特征，属于基于瞬时工况的物理模型。

MOVES模型是一个集微观、中观与宏观为一体的车辆排放模型。MOVES模型基于Bin单元测算车辆污染物排放因子，而Bin的划分是根据速度区间及车速比功率计算得到。车辆比功率（Vehicle Specific Power，VSP）的定义为发动机每移动一吨质量所需输出的功率，由于VSP充分考虑了车重、车速、加速度、扭矩参数，VSP比车速能够更好地拟合车辆污染物排放特征[7]，计算公式如下：

在中宏观层次上，MOVES内置了表征当地车辆行驶工况的数据，从而估计机动车污染物排放特征。相较于MOBILE模型，MOVES模型的车辆基本排放因子是基于车辆Bin单元的排放因子，通过Bin分布表征车辆实际的行驶工况特征，而MOBILE模型的基本排放因子是基于FTP（Federal Test Procedure）工况测试得到的排放因子，通过平均速度及其他行驶环境修正来分析车辆行驶特征的影响。MOVES模型微观层面的估计方法是基于瞬时工况的统计模型。

其他微观车辆排放模型还包括有PERE（Physical Emission Rate Estimator）[8]及IVE（International Vehicle Emissions Model）[9]模型，两种模型在估计方法上与CMEM或MOVES模型具有一致性，仅在相关参数标定上存在差异。微观车辆排放模型的技术特征对比分析如表1所示。关于车辆排放模型的相关综述可参见张兰怡等人的研究[10]。基于瞬时工况的微观车辆排放模型能够准确地估计车辆实时的排放特征，进而被广泛地应用。模型的核心输入是表征车辆运行模式的比功率分布，模型的其他输入包括：气象条件、车队组成、车龄分布及油品等。

表1 微观车辆排放模型技术特征

1.2 我国微观车辆排放模型本地化移植

由于我国微观车辆排放模型的研究与国外相比持续时间较短，尚未建立适用于我国本土的微观车辆排放模型，部分学者对上述的CMEM、MOVES及IVE模型进行了本地化移植。所谓本地化移植是指将该模型的相关参数或内置的数据库进行修正，以反映我国实际的车辆特征及本地行驶工况特征，如车辆排放限值标准、车龄结构、车型结构、气象要素等。

利用Web of Science及中国知网，通过车辆排放模型、机动车排放清单估计、交通仿真模型融合车辆排放模型等中英文关键词检索，结合文献阅读及文献溯源等方法，共检索微观车辆排放模型本地化移植相关文献25篇，综述分析如表2所示。

表2 微观车辆排放模型本地化研究

注：表示机动车排放控制技术水平；表示机动车车龄分布；表示车用燃油标准；表示排放因子修正；表示劣化系数；表示I/M制度（Inspection Maintenance Program）；表示车辆类型；表示平均速度；表示行驶工况；表示其他输入参数：如温度、湿度、空调参数等；表示车公里（Vehicle Mile Traveled，VMT），反映了车辆劣化程度。

CMEM模型的本地化体现在当地城市的实际行驶工况数据输入，辅之以对车辆排放技术水平以及车辆类型的匹配[11-13]。综述发现CMEM模型估计值及实测值有较好的一致性，本地化的CMEM模型能够准确地反映城市的机动车排放特征。

由于MOVES模型开源的数据库，研究者对MOVES模型的本地化移植可以覆盖影响机动车污染物排放的绝大多数要素，包括车辆排放技术、车龄分布、劣化系数、燃油标准、行驶工况以及运行环境等[14-28]。IVE模型由于其内置的车辆基本排放因子针对的是发展中国家，2003年模型发布后，在我国得到了广泛的应用[29-35]。该模型的本地化主要表现在机动车排放控制技术水平、车用燃油以及当地的行驶工况三个方面。其中，朱洪等人在IVE模型修正过程中通过实测的车辆污染物排放因子对模型内置的排放因子进行了修正[36]，以反映上海市本地车辆的排放特征。

2 宏观交通仿真模型融合微观车辆排放模型的方法

2.1 机动车污染物排放总量计算

宏观交通仿真模型以交通流为研究单元，仅考虑车流在拓扑路网上的分配问题。典型的宏观交通仿真软件有VISUM、TransCAD、CUBE及EMME。现有的主流宏观交通仿真软件中已经植入了机动车污染物排放总量估计模块。以EMME为例，EMME模型中计算交通系统机动车GHG（Greenhouse Gas）排放总量步骤如下：（1）通过交通分配，获取路网上分车型的路段速度及流量；（2）基于路段长度及流量，计算得到分车型的车公里数；（3）根据车辆类型及运行速度，查表获知不同燃油类型的能耗强度；（4）计算得到分车型分燃料类型的机动车能耗特征；（5）基于不同车辆类型及燃油类型的能耗消耗量，计算得到GHG排放总量[37]。

由此可见，由于宏观交通仿真模型的内置机理，模型的直接输出为每一条路段的流量及平均速度，并不能直接作为微观车辆排放模型的输入。车辆污染物排放总量计算公式如下：

2.2 模型融合方法

由公式（2）可知，车辆排放总量计算的准确性依赖于单车排放因子的准确性。传统的宏观交通仿真模型多融合于中观车辆排放模型，即以平均速度为核心指标的估计模型，仅考虑修正当地的车队组成、车辆技术及气象条件等其他输入，缺乏对微观交通运行状况的考量[38-40]。随着微观车辆排放模型的发展，研究者通过采集当地车辆的行驶工况数据以及修正模型其他输入参数，从而估计得到表征当地车辆实际行驶特征的速度-排放因子关系图[41, 43, 44]。相关文献综述如表3所示。

表3 宏观交通仿真模型融合车辆排放模型研究汇总

由表3及公式（2）可知，宏观交通仿真模型融合微观车辆排放模型的关键点在于结合当地实际的车辆交通情况得到修正的车流排放因子。以MOVES模型为例，如图2所示，模型中的基本排放因子及劣化排放因子需结合我国新车排放限值标准进行修正，并对车辆活动、车队信息及车型组成进行本地化数据修正，其中车辆活动数据反映了本地城市的车辆行驶工况特征。Liu等率先对MOVES内置的排放因子及劣化率进行了修正[16]。图2中车队信息、车型组成、车辆活动及行驶里程等参数需要结合当地实际的车辆运行特征进行输入，从而得到修正后的不同速度下的车辆综合排放因子。基于此，单肖年等人对不同城市、不同道路等级、不同速度下的轻型车排放因子进行了估计拟合，研究指出不同城市、不同道路等级下车辆同一平均速度的排放特征存在差异性，同时分析了不同情景下的拥堵缓解对车辆减排的潜在效益[45]。由此可见，为准确估计车辆污染物排放特征，本地车辆排放因子估计的准确性是关键之处。

图2 MOVES建模流程及模型输入/修正的参数

3 中观交通仿真模型融合微观车辆排放模型的方法

中观交通仿真模型对交通流的描述以若干辆车构成的队列为单元，能够描述队列在道路节点的流入流出行为，对路段车辆的换道行为也可以进行较为细致的描述。中观仿真模型其内核是动态交通模型结构，可用于探究路网交通系统运行状况的时空演变机理。动态交通模型结构主要由动态OD矩阵（Origin Destination Matrix）获取及动态交通分配两部分组成。应用广泛的中观交通仿真模型主要有DynusT（Dynamic Urban Systems in Transportation）及TRANSIMS（Transportation Analysis and Simulation System）。动态交通模型的直接输出为车流流入流出某路段起点及终点的时间，从而计算得到路段的时变流量及速度，进而部分学者利用基于平均速度的车辆排放模型，估计了机动车污染物排放特征[46-48]。

Zhou等提出了一种解决系统生态最优的动态交通分配问题的方法（Eco-System Optimal Dynamic Traffic Assignment，ESODTA），该方法提出了一种车流轨迹重建方法，可输入至微观车辆排放模型，如图3（a）所示[52-54]。

图3 轨迹重建方法

4 微观交通仿真模型融合微观车辆排放模型的方法

4.1 模型融合方法

微观交通仿真模型以单个车辆作为描述对象。整个模型框架基础为车辆跟驰模型及换道模型，同时嵌入了车辆路径选择模型。目前广泛使用的微观交通仿真模型有VISSIM、Q-PARAMICS、TransModeler、AIMSUN、SUMO等。微观交通仿真模型的输出结果（车辆行驶轨迹）可直接输入微观车辆排放模型，估计车辆运行工况特征，并对车型结构及车龄分布进行修正，两种模型融合方法综述如表4所示。

表4 微观交通仿真模型融合微观车辆排放模型研究汇总

作 者年份交通策略交通模型交通模型标定排放模型融合方法仿真对象 Barth等[56]2001ITS技术的应用Q-PARAMICS路段限速CMEM车辆轨迹快速路走廊 Noland等[57]2006道路供给增加VISSIM目标速度分布CMEM车辆轨迹快速路汇入区 Chen等[58]2007新增公交专用道VISSIM未标定CMEM车辆轨迹+车队组成井字形路网 Boriboonsomsin等[59]2008高占有率车道形式Q-PARAMICS断面速度流量匹配CMEM车辆轨迹+车队组成快速路走廊 Mensink等[60]2008交叉口设计等Q-PARAMICS未标定车辆轨迹城市路网 Viti等[61]2008车辆轨迹对比VISSIM未标定—车辆轨迹单个交叉口 Stevanovic等[62]2009交叉口配时方案VISSIM出行时间匹配CMEM车辆轨迹城市主干路 Xie等[63]2011替代燃料技术发展Q-PARAMICS未标定MOVES速度+车队组成+车龄分布城市主干路 Song等[64]2012VSP分布特征对比VISSIM断面速度流量匹配MOVESVSP分布快速路走廊 Amirjamshidi等[65]2013货车车辆替换Q-PARAMICS断面速度流量匹配CMEM车辆轨迹+车队组成城市路网 Li等[66]2013VISSIM标定VISSIM多层次标定方法VERSIT+车辆轨迹单个交叉口 Misra等[67]2013定量化污染物浓度Q-PARAMICS未标定CMEM车辆轨迹+车队组成城市主干路 Wang等[68]2013单向交通组织VISSIM断面速度流量匹配VSP城市路网 Zhao等[69]2013不同融合方法对比Q-PARAMICS未标定MOVESVSP分布/路段速度交叉口/快速路 Anya等[70]2014模型融合AIMSUN多参数组合分析VSP城市主干路 Guo等[71]2014交叉口环境评估VISSIM未标定MOVESVSP分布单个交叉口 Hallmark等[72]2014作业区环境效益VISSIM加减速特征标定MOVESVSP分布单个交叉口 Talbot等[73]2014模型融合TransModeler跟驰模型标定MOVESVSP分布城市主干路 Fontes等[74]2015不同的坐标系设置VISSIM断面速度流量匹配VSP城市路网 Xiong等[75]2015新建收费道路TransModeler流量及出行时间匹MOVES车辆轨迹城市路网 Muresan等[76]2016多种排放估计方法VISSIM未标定MOVES车辆轨迹/路段速度/速度聚类多个交叉口 Xu等[77]2016项目层次环境效益VISSIM1 000组参数组合MOVESVSP分布+车队组成+车龄分布城市主干路 Lejri等[78]2018两种排放模型对比自研断面流量匹配COPERT/PHEM车队组成城市路网 巴兴强等[79]2018交叉口优化设计VISSIM驾驶行为标定MOVES车队组成单个交叉口 Samaras等[80]2018网络拥堵对CO2排放的影响AIMSUN交通流基本图标定CRUISE车队组成+燃料分类城市路网 Samaras等[81]2019交通状态改变AIMSUM交通流基本图标定CRUISE车队组成+燃料分类城市主干路 Kim等[82]2019中央式公交专用道VISSIM断面流量速度标定/驾驶行为标定MOVES多因素匹配城市主干路 Liu等[83]2019货车限行策略VISSIM断面流量速度标定/驾驶行为标定MOVES多因素匹配快速路走廊 Kim等[84]2020参数标定VISSIM五种标定判别指标MOVES车队组成快速路走廊

注：a.，）是指作者构建的车辆排放估计方法，且以车辆的速度及加速度为自变量； b.（VSP）是指以车辆比功率为自变量的车辆排放估计方法。

早在2001年，Barth等探究了ITS（Intelligent Transportation System）策略的环境效益，率先提出了微观交通仿真模型Q-PARAMICS与微观车辆排放模型CMEM的一体化设计方法[56]。由于CMEM在2005年发布最新版本，涵盖了重型车的污染物基础排放因子，研究者认识到车队组成对车辆排放有显著性的影响，在微观交通仿真模型中融合微观车辆排放模型时，多采用车辆轨迹输入及车队组成修正的方法[58, 59]。2010年以后，由于MOVES模型的开发应用，多数研究者对微观交通仿真模型与MOVES模型的融合进行了深入研究[63-65, 71-73, 75-77]，Amirjamshidi等及Misra等在微观交通仿真模型中融合了CMEM模型[65, 67]。研究者指出在两种模型融合时，需要在MOVES中输入当地实际的车龄分布特征[63, 77]。此外，部分研究者基于当地的PEMS（Portable Emissions Measurement System）数据，构建了基于速度加速度或比功率的车辆排放估计方法，并进行了融合[60, 68, 70, 74]。

由此可知，微观交通仿真模型融合微观车辆排放模型的方法可分为车辆轨迹输入/VSP分布、车辆轨迹+车队组成、VSP分布+车队组成+车龄分布三种方法。根据公式（1）可知，VSP计算数据指标为速度、加速度、坡度、车重等，在实际应用过程中，通过车辆高精度行驶轨迹数据推算得到车辆逐秒的速度及加速度特征，进而估计得到车辆VSP分布特征。考虑到车辆类型会对车辆污染物排放特征产生显著影响，研究者根据实际的交通流车队组成比例，对不同车辆类型进行匹配，以MOVES模型中车辆类型划分为例，如表5所示。MOVES模型中车辆类型分为13类，而高速公路运行监测系统（Highway Performance Monitoring System，HPMS）只分为5类。车辆排放计算的车辆分类与交通运行车辆分类不一致，且与我国车辆分类也不太相同。此外，车辆使用过程中的劣化现象同样会影响车辆的排放特征，MOVES模型通过车流中同一种车辆类型的车龄分布以表征车辆的劣化特征，以上海市轻型车为例，车龄分布如图4所示。

综上，微观交通仿真模型融合微观车辆排放模型较为精细化，微观交通仿真模型可直接输出车辆行驶轨迹作为微观车辆排放模型的输入，并需对车流的车队组成及同一种车辆类型的车龄分布进行修正。

表5 MOVES模型车辆类型分类

图4 2013年上海市轻型车车龄分布特征

4.2 模型融合估计结果的不准确性

微观交通仿真模型估计结果的不确定性首先表现在仿真模型的参数标定上，体现在真实观测交通流现象与仿真交通流现象之间的比较；其次，体现在不同仿真场景的优化比较。区别于参数标定的不确定性，微观交通仿真模型融合微观车辆排放模型存在不确定性，即仿真输出的车辆行驶轨迹是否能准确地反映真实的车辆行驶工况特征。由表4可知，近40%的研究者并没有对微观交通仿真模型进行参数标定[58, 60, 61, 64, 67, 69, 71, 76]。针对单一交叉口，车辆行驶轨迹数据可以通过图像识别技术进行提取，Viti等指出以VISSIM默认参数输出的轨迹与真实的轨迹相差甚远[61]；Li等基于某交叉口真实的车辆轨迹数据，运用多层次参数标定方法，认为VISSIM通过参数标定输出的车辆轨迹可以很好地匹配真实的观测数据[66]。

另一方面，Dowling等提出了微观交通仿真软件参数标定准则，第一判定指标是仿真流量与观测流量的误差满足统计要求，速度为定性的辅助判别指标[85]。大量研究者以此为标准，认为标定后的微观交通仿真模型可以很好地融合微观车辆排放模型[59, 67, 74, 75]。而Song等指出微观交通仿真模型输出结果可以很好地匹配真实的断面流量速度值，但是车辆的VSP分布特征无法与真实数据相匹配，导致仿真估计的车辆排放因子与真实测试的排放因子存在较大的误差[86]，以NO（Nitrogen Oxide）排放因子为例，如图5（a）所示；Xu等随机生成1 000组VISSIM模型中内置12个参数的组合，分析了同一场景下NO排放总量的变化特征，如图5（b）所示，结果表明不同参数组合下的NO排放总量差异较小[77]。因此上述研究者认为满足参数标定准则的微观交通仿真模型的输出轨迹并不能准确地反映真实的车辆行驶工况特征。

图5 两种微观模型融合的不确定性

5 总结与展望

5.1 我国本土微观车辆排放模型的开发与运用

借鉴了HBEFA（Handbook of Emission Factors for Road Transport）模型原型，2014年我国环境保护部首次发布了《道路机动车大气污染物排放清单编制技术指南》，该指南按照客货、燃料以及车辆污染控制水平将道路机动车排放源分为三类，给出了车辆尾气污染物基本排放因子。HBEFA模型以某一行驶工况下的速度时间曲线为描述对象，其本质是考虑了平均速度对车辆排放特征的影响；而MOVES模型则以瞬时的车辆比功率及比功率分布来描述车辆行驶工况。我国本土微观车辆排放模型现阶段处于数据积累及测试分析阶段，模型构建与发达国家还存在着一定的差距，亟需开发适用于本土的微观车辆排放模型。

5.2 环境视角下的微观交通仿真模型参数标定方法

交通仿真模型融合微观车辆排放模型的重点表现在两个方面：车辆污染物排放因子估计的准确性及车辆行驶工况仿真的准确性。而车辆行驶工况仿真的准确性着重表现在对微观交通仿真模型的输入参数及参数标定上。微观交通仿真模型参数标定方法目前依赖于速度流量的判定，并不能保证仿真输出的车辆行驶轨迹数据与真实的车辆行驶轨迹相匹配。部分学者提出了基于道路速度-排队长度的微观交通仿真模型参数标定方法[87]。研究中需要提出微观交通仿真模型环境视角下的参数标定方法，进而可以融合微观交通仿真模型及微观车辆排放模型，分析交通管控策略的车辆节能减排效益。

5.3 面向车辆尾气排放精确估计的微观交通仿真模型构建

部分研究者指出现有的微观交通仿真模型无法准确地描述实际的车辆轨迹特征，尤其Song等指出其本质原因是现有的车辆跟驰及换道模型无法准确地描述拥堵情况下车辆频繁的加减速特征[86]。为精确估计车辆尾气排放特征，亟需构建或对比使用反映车辆行驶工况的微观交通仿真模型，着重体现在提出反映道路拥堵状况下车辆走走停停现象的车辆跟驰模型及换道模型，以真实再现实际环境下的车辆行驶工况特征。

5.4 交通仿真模型融合微观车辆排放模型估计结果的准确性验证

由于车辆污染物排放的瞬时性及多样性，模型融合后的机动车污染排放估计结果准确性验证一直是研究的难点。在前述研究过程中，基本的假设是关注交通管控策略前后车辆污染物排放量变化的相对值。部分研究者构建了车辆污染物排放后的扩散模型，叠加路侧污染物背景浓度，估计得到路侧污染物浓度特征值，并与实际观测的污染物浓度进行比较，以说明模型融合估计的准确性[88]。该方法由于涉及的技术链条较多，误差往往较大。研究中需要进一步提出模型融合估计结果的准确性验证方法，可利用便携式车载尾气监测设备，实时获取车辆的污染物排放特征，并与仿真估计结果进行关联分析。

5.5 面向污染物人群暴露及健康评估的一体化仿真分析平台

机动车污染物排放扩散后，人群暴露在大气污染物环境中进行活动，进而影响居民的身体健康。部分研究者已经对“交通仿真模型-车辆排放模型-污染物扩散模型”进行高度集成，形成道路交通系统路侧污染物浓度分析平台[89]。然而污染物人群暴露问题还需进一步考虑污染物浓度不同时空分布下的人口特征，如人口密度、人口活动等特征。研究中建议按照“交通活动（交通仿真模型）-排放估计（车辆排放模型）-尾气扩散-人群暴露-健康评估”的逻辑思路，积极探索构建面向污染物人群暴露及健康评估的一体化仿真分析平台，进而将交通活动污染物外部性问题与居民健康评估进行关联，引导城市交通系统可持续发展。

[1] LINTON C, GRANT-MULLER S, GALE W. Approaches and techniques for modelling CO2emissions for road transport[J]. Transport Reviews, 2015, 35(4): 533553.

[2] DUPREY R L. Compilation of air pollutant emission factors[R]. Washington D. C. : EPA, 1968.

[3] California Environmental Protection Agency. EMFAC2014- Volume Ⅲ —— technical documentation[R]. Sacramento: CalEPA, 2015.

[4] European Environment Agency. COPERT 4: computer programme to calculate emissions from road transport user manual[R]. Copenhagen: EuroEPA, 2012.

[5] BARTH M, AN F, YOUNGLOVE T, et al. Development of a comprehensive modal emissions model[R]. Washington D. C. : NCHRP, 2000.

[6] U. S. Environmental Protection Agency. MOVES2014a user manual[R]. Washington D. C. : EPA, 2015.

[7] JIMENEZ J L. Understanding and quantifying motor vehicle emissions with vehicle specific power and TILDASremote sensing [D]. Boston: Massachusetts Institute of Technology, 1991.

[8] U. S. Environmental Protection Agency. Fuel consumption modeling of conventional and advanced technology vehicles in the physical emissions rate estimator (PERE) [R]. Washington D. C. : EPA, 2005.

[9] DAVIS N, LENTS J, OSSES M, et al. Development and application of an international vehicle emissions model[J]. Transportation Research Record, 2005, 1939: 157-165.

[10] 张兰怡, 胡喜生, 邱荣祖. 机动车尾气污染物排放模型研究综述[J]. 世界科技研究与发展, 2017, 39(4): 355-362.

[11] 何春玉, 王歧东. 运用CMEM模型计算北京市机动车排放因子[J]. 环境科学研究, 2006, 19(1): 109-112.

[12] 徐成伟, 吴超仲, 初秀民, 等. 基于CMEM模型的武汉市轻型机动车平均排放因子研究 [J]. 交通与计算机, 2008, 26(4): 185-188.

[13] 戴璞, 陈长虹, 黄成, 等. 不同行驶工况下轻型柴油车瞬时排放的CMEM模拟研究[J]. 环境科学, 2009, 30(5): 1520-1527.

[14] 岳园圆, 宋国华, 黄冠涛, 等. MOVES在微观层次交通排放评价中的应用研究[J]. 交通信息与安全, 2013, 31(6): 47-53.

[15] 张广昕, 孙晋伟. 基于MOVES的机动车排放分析及控制措施研究[J]. 交通节能与环保, 2013, 1: 24-29.

[16] LIU H, CHEN X, WANG Y, et al. Vehicle emission and near-road air quality modeling for Shanghai, China based on global positioning system data from taxis and revised MOVES emission inventory[J]. Transportation Research Record, 2013, 2340: 38-48.

[17] WU Y, SONG G, YU L. Sensitive analysis of emission rates in MOVES for developing site-specific emission database[J]. Transportation Research Part D: Transport and Environment, 2014, 32: 193-206.

[18] 郭园园, 曹罡, 朱荣淑. 基于深圳本土化MOVES模型微观层次敏感性分析[J]. 交通信息与安全, 2015, 33(2): 116-123.

[19] 孙文圃, 许金良, 景立竹, 等. 基于MOVES的高速公路纵坡段载重柴油车辆碳排放预测模型的研究[J]. 公路交通科技, 2015, 32(12): 144-150.

[20] 郝艳召, 邓顺熙, 邱兆文, 等. 基于MOVES的轻型车颗粒物排放来源和特征分析[J]. 环境工程学报, 2015, 9(8): 3915-3922.

[21] 胥耀方, 于雷, 宋国华. 面向路段排放测算的车辆运行模式模型 [J]. 交通运输系统工程与信息, 2016, 16(6): 160-168.

[22] 陈泳钊, 刘永红, 林晓芳, 等. 基于浮动车数据分析交通状态对轻型车排放的影响 [J]. 环境科学研究, 2016, 29(4): 494-502.

[23] 黄文伟, 强明明, 孙龙林, 等. 基于MOVES的车辆排放因子测试 [J]. 交通运输工程学报, 2017, 17(1): 140-148.

[24] 曹杨, 郭园园, 曹罡, 等. MOVES模型微观层次参数的深圳本土化研究 [J]. 交通信息与安全, 2017, 35(2): 100-108.

[25] 许金良, 景立竹, 韩跃杰, 等. 基于MOVES的小半径圆曲线路段载重柴油车碳排放预测模型 [J]. 公路交通科技, 2018, 35(12): 124-131.

[26] SHAN X, CHEN X, JIA W, et al. Evaluating urban bus emission characteristics based on localized MOVES using sparse GPS data in Shanghai, China [J]. Sustainability, 2019, 11(10): 2936.

[27] 姚胜永, 李亚楠, 刘佳豪. 基于MOVES模型的石家庄市机动车排放清单研究 [J]. 交通节能与环保, 2019, 15(74): 4-9.

[28] 胡明伟, 王守峰, 黄文柯, 等. 基于车牌识别数据的行驶轨迹重构和排放测算 [J]. 深圳大学学报理工版, 2020, 37(2): 111-120.

[29] 姚志良, 贺克斌, 王岐东, 等. IVE机动车排放模型应用研究[J]. 环境科学, 2006, 27(10): 1928-1933.

[30] 王海鲲, 陈长虹, 黄成, 等. 应用IVE模型计算上海市机动车污染物排放[J]. 环境科学学报, 2006, 26(1): 1-9.

[31] 刘欢, 贺克斌, 王岐东. 天津市机动车排放清单及影响要素研究[J]. 清华大学学报: 自然科学版, 2008, 48(3): 370-373.

[32] 董红召, 徐勇斌, 陈宁. 基于IVE模型的杭州市机动车实际行驶工况下排放因子的研究[J]. 汽车工程, 2011, 33(12): 1034-1038.

[33] 黄成, 刘娟, 陈长虹, 等. 基于实时交通信息的道路机动车动态排放清单模拟研究[J]. 环境科学, 2012, 33(11): 3725-3732.

[34] 李新兴, 孙国金, 王孝文, 等. 杭州市区机动车污染物排放特征及分担率[J]. 中国环境科学, 2013, 33(9): 1684-1689.

[35] 冯晓, 王婷丽, 赵琦. 基于IVE模型的重庆市主城区机动车排放清单研究[J]. 重庆交通大学学报: 自然科学版, 2014, 33(2): 135-137.

[36] 朱洪, 刘娟, 程杰, 等. 上海市机动车交通排放模型构建[J]. 城市交通, 2016, 14(6): 17-22.

[37] KHAN A. Issues in the use of EMME/2 as a platform for the estimation of greenhouse gases[J]. Journal of the University of Shanghai for Science and Technology, 1999, 21(3): 382-389.

[38] NAMDEO A, MITCHELL G, DIXON R. TEMMS: an integrated package for modelling and mapping urban traffic emissions and air quality[J]. Environmental Modelling & Software, 2002, 12: 179-190.

[39] BORREGO C, TCHEPEL O, SALMIM L, et al. Integrated modeling of road traffic emissions: application to Lisbon air quality management[J]. Cybernetics and Systems, 2004, 35: 535-548.

[40] COBIAN R, HENDERSON T, MITRA S, et al. Vehicle emissions and level of service standards: exploratory analysis of the effects of traffic flow on vehicle greenhouse gas emissions[J]. City and Regional Planning, 2009, 79(4): 30-32, 37-41.

[41] 刘皓冰. 基于行驶工况的城市机动车尾气排放研究[D]. 上海: 同济大学, 2013.

[42] ZEGEYE S K, SCHUTTER B D, HELLENDOORN J, et al. Integrated macroscopic traffic flow, emission, and fuel consumption model for control purposes[J]. Transportation Research Part C, 2013, 31: 158-171.

[43] SIDER T, ALAM A, FARRELL W, et al. Evaluating vehicular emissions with an integrated mesoscopic and microscopic traffic simulation[J]. Canadian Journal of Civil Engineering, 2014, 41: 856-868.

[44] PU Y, YANG C, LIU H, et al. Impact of license plate restriction policy on emission reduction in Hangzhou using a bottom-up approach[J]. Transportation Research Part D, 2015, 34: 281-292.

[45] 单肖年, 叶建红, 陈小鸿. 城市交通拥堵缓解对车辆减排的效益研究[J]. 交通运输系统工程与信息, 2016, 16(2): 37-43.

[46] LONG J, CHEN J, SZETO W, et al. Link-based system optimum dynamic traffic assignment problems with environmental objectives[J]. Transportation Research Part D, 2018, 60: 56-75.

[47] 朱泽坤. 环境可持续下的交通网络动态均衡分配研究[D]. 广州: 华南理工大学, 2020.

[48] SHARIFI F, BIRT A, GU C, et al. Regional CO2impact assessment of road infrastructure improvements[J]. Transportation Research Part D, 2021, 90: 102638.

[49] LIN J, CHIU Y, VALLAMSUNDAR S, et al. Integration of MOVES and dynamic traffic assignment models for fine-grained transportation and air quality analyses[C] // Proceedings of the 2011 IEEE Forum on Integrated and Sustainable Transportation Systems. Vienna: Austria, 2011: 176-181.

[50] CHIU Y, ZHOU L, SONG H. Development and calibration of the anisotropic mesoscopic simulation model for uninterrupted flow facilities[J]. Transportation Research Part B, 2010, 44(1): 152-174.

[51] SHAH R, NEZAMUDDIN N, LEVIN M, et al. Supply- side network effects on mobile-source emissions[J]. Transport Policy, 2020, 98: 21-34.

[52] ZHOU X, TAYLOR J, PRATICO F. DTALite: a queue- based mesoscopic traffic simulator for fast model evaluation and calibration[J]. Cogent Engineering, 2014, 961345.

[53] ZHOU X, LIU J, QU Y. Evaluating and calibrating emission impacts of traffic management strategies through simplified emission estimation model and mesoscopic dynamic traffic simulators[R]. Maryland: National Transportation Center, 2016.

[54] LU C, LIU L, QU Y, et al. Eco-system optimal time- dependent flow assignment in a congested network[J]. Transportation Research Part B, 2016, 94: 217-239.

[55] SHAN X, HAO P, CHEN X, et al. Probabilistic model for vehicle trajectories reconstruction using sparse mobile sensor data on freeways[C]// Proceedings of the 2016 IEEE 19thInternational Conference on Intelligent Transportation Systems. Rio de Janeiro: Brazil, 2016: 689-694.

[56] BARTH M, MALCOLM C, SCORA G. Integrating a comprehensive modal emissions model into ATMIS transportation modeling frameworks[R]. California: California PATH Program, 2001.

[57] NOLAND R B, QUDDUS M A. Flow improvements and vehicle emissions: effects of trip generation and emission control technology[J]. Transportation Research Part D, 2006, 11: 1-14.

[58] CHEN K, YU L. Microscopic traffic-emission simulation and case study for evaluation of traffic control strategies[J]. Journal of Transportation Systems Engineering and Information Technology, 2007, 7(1): 93-100.

[59] BORIBOONSOMSIN K, BARTH M. Impacts of freeway high-occupancy vehicle lane configuration on vehicle emissions[J]. Transportation Research Part D, 2008, 13: 112-125.

[60] MENSINK C, COSEMANS G. From traffic flow simulationsto pollutant concentrations in street canyons and backyards[J]. Environmental Modelling & Software, 2008, 23: 288-295.

[61] VITI F, HOOGENDOORN S P, ZUYLEN H J, et al. Speed and acceleration distributions at a traffic signal analyzed from microscopic real and simulated data[C]// Proceedings of the 11thInternational IEEE Conference on Intelligent Transportation Systems. Beijing: IEEE, 2008: 651-656.

[62] STEVANOVIC A, STEVANOVIC J, ZHANG K, et al. Optimizing traffic control to reduce fuel consumption and vehicular emissions: integrated approach with VISSIM, CMEM, and VISGAOST[J]. Transportation Research Record: Journal of the Transportation Research Board, 2009, 2128: 105-113.

[63] XIE Y, CHOWDHURY M, BHAVSAR P, et al. An integrated tool for modeling the impact of alternative fueled vehicles on traffic emissions: a case study of Greenville, South Carolina[C]// Proceedings of the Transportation Research Board 90thAnnual Meeting. Washington D. C. : Transportation Research Board of the National Academies, 2011: 11-3880.

[64] SONG G, YU L, ZHANG Y. Applicability of traffic micro-simulation models in vehicle emission estimations: a case study of VISSIM[J]. Transportation Research Record: Journal of the Transportation Research Board, 2012, 2270: 132-141.

[65] AMIRJAMSHIDI G, MOSTAFA T S, MISRA A, et al. Integrated model for micro simulating vehicle emissions, pollutant dispersion and population exposure[J]. Transportation Research Part D, 2013, 18: 16-24.

[66] LI J, ZUYLEN H V, CHEN Y, et al. Calibration of a microscopic simulation model for emission calculation[J]. Transportation Research Part C, 2013, 31: 172-184.

[67] MISRA A, ROORDA M J, MACLEAN H L. An integrated modelling approach to estimate urban traffic emissions[J]. Atmospheric Environment, 2013, 73: 81-91.

[68] WANG J, YU L, QIAO F. Micro traffic simulation approach to the evaluation of vehicle emissions on one- way vs two-way streets: a case study in Houston Downtown[C]// Proceedings of the Transportation Research Board 92ndAnnual Meeting. Washington D. C. : Transportation Research Board of the National Academies, 2013: 13-2218.

[69] ZHAO Y, SADEK A W. Computationally-efficient approaches to integrating the MOVES emissions model with traffic simulators[J]. Procedia Computer Science, 2013, 19: 882-887.

[70] ANYA A R, ROUPHAIL N M, FREY H C, et al. Application of AIMSUN micro simulation model in estimating emissions on signalized arterial corridors[C] // Proceedings of the Transportation Research Board 93rdAnnual Meeting. Washington D. C. : Transportation Research Board of the National Academies, 2014: 14-1481.

[71] GUO R, ZHANG Y. Exploration of correlation between environmental factors and mobility at signalized intersections[J]. Transportation Research Part D, 2014, 32: 24-34.

[72] HALLMARK S, CHRYSLER S, ONEYEAR N. Validation of traffic simulation model output for work zone and mobile source emissions modeling and integration with human-in-the-loop driving simulators[R]. Ames: Iowa State University, 2014.

[73] TALBOT E, CHAMBERLIN R, HOLMÉN B A, et al. Calibrating a traffic microsimulation model to real-world operating mode distributions[C]// Proceedings of the Transportation Research Board 93rdAnnual Meeting. Washington D. C.: Transportation Research Board of the National Academies, 2014: 14-0406.

[74] FONTES T, PEREIRA S R, FERNANDES P, et al. How to combine different microsimulation tools to assess the environmental impacts of road traffic? lessons and directions[J]. Transportation Research Part D, 2015, 34: 293-306.

[75] XIONG C, ZHU Z, HE X, et al. Developing a 24-hour large-scale microscopic traffic simulation model for the before-and-after study of a new tolled freeway in the Washington, DC-Baltimore region[J]. Journal of Transportation Engineering, 2015, 141(6): 05015001.

[76] MURESAN M, HOSSAIN S M, FU L, et al. A trajectory- clustering based method for integrating microscopic traffic simulation and emission estimation models[C]// Proceedings of the Transportation Research Board 95thAnnual Meeting. Washington D. C. : TransportationResearch Board of the National Academies, 2016: 16-5197.

[77] XU X, LIU H, ANDERSON J M, et al. Estimating project-level vehicle emissions with VISSIM and MOVES-Matrix[C] // Proceedings of the Transportation Research Board 95thAnnual Meeting. Washington D. C. : Transportation Research Board of the National Academies, 2016: 16-6434.

[78] LEJRI D, CAN A, SCHIPER N, et al. Accounting for traffic speed dynamics when calculating COPERT and PHEM pollutant emissions at the urban scale[J]. Transportation Research Part D, 2018, 63: 588-603.

[79] 巴兴强, 徐孟发, 李洪涛．基于MOVES的城市道路交叉口组织优化排放分析[J]. 重庆理工大学学报: 自然科学, 2018, 32(6): 115-121.

[80] SAMARAS C, TSOKOLIS D, TOFFOLO S, et al. Improving fuel consumption and CO2 emissions calculations in urban areas by coupling a dynamic micro traffic model with an instantaneous emissions model[J]. Transportation Research Part D, 2018, 65: 772-783.

[81] SAMARAS C, TSOKOLIS D, TOFFOLO S, et al. Enhancing average speed emission models to account for congestion impacts in traffic network link-based simulations [J]. Transportation Research Part D, 2019, 75: 197-210.

[82] KIM D, KO J, XU X, et al. Evaluating the environmental benefits of median bus lanes: microscopic simulation approach[J]. Transportation Research Record, 2019, 2673(4): 663-673.

[83] LIU H, KIM D. Simulating the uncertain environmental impact of freight truck shifting programs[J]. Atmospheric Environment, 2019, 214: 116847.

[84] KIM J, KIM J, LEE G, et al. Microscopic traffic simulation calibration level for reliable estimation of vehicle emissions[J]. Journal of Advanced Transportation, 2020, 4038305.

[85] DOWLING R, HOLLAND J, HUANG A. Guidelines for applying traffic microsimulation modeling software [R]. Washington D. C.: California Department of Transportation, 2002.

[86] SONG G，YU L，XU L. Comparative analysis of car- following models for emissions estimation[J]. Transportation Research Record: Journal of the Transportation Research Board, 2013, 2341: 12-22.

[87] 尹俊淞. 基于道路速度-排队长度的VISSIM参数标定建模与算法[J]. 交通运输工程与信息学报, 2019, 17(3): 144-151.

[88] PU Y, YANG C. Estimating urban roadside emissions with an atmospheric dispersion model based on in-field measurements[J]. Environmental Pollution, 2014, 192: 300-307.

[89] FOREHEAD H, HUYNH N. Review of modeling air pollution from traffic at street-level-the state of the science[J]. Environmental Pollution, 2018, 241: 775-786.

Review of Studies that Integrate Traffic-simulation Models with Microscopic Vehicle-emissions Models

SHAN Xiao-nian1, CHEN Xiao-hong2

(1. College of Civil and Transportation Engineering, Hohai University, Nanjing 210098, China;2. College of Transportation Engineering, Tongji University, Shanghai 201804, China)

To assess the environmental benefits of transportation management or control strategies, it is necessary to integrate traffic-simulation models with microscopic vehicle-emission models to estimate the vehicle-emission characteristics. We first analyze the basic characteristics of microscopic vehicle-emission models, and review the localization approaches of such models in China. We then review and analyze the approaches for integrating multi-level traffic-simulation models with micro vehicle-emission models. The results reveal that localized vehicle-emission factor estimation and traffic-flow trajectory reconstruction are the key steps in integrating macroscopic and mesoscopic traffic-simulation models and microscopic vehicle-emission models, respectively. Moreover, findings from existing research are not very consistent in terms of the accuracy of vehicle-emission estimation with microscopic traffic-simulation models. This is caused by differences in the calculated vehicle-operation-mode distributions between the simulation results and field observations. Finally, the future research directions and application areas of model integration are discussed. The results from this paper will be of significant value to related research on integrating traffic-simulation models and microscopic vehicle-emission models.

traffic engineering; microscopic vehicle emissions model; traffic simulation model; modelintegration; operating mode distribution

1672-4747（2021）02-0011-14

U491.1

A

10.3969/j.issn.1672-4747.2021.02.002

2020-11-21

国家自然科学基金（52002113）；江苏省自然科学基金（BK20200526）；中央高校基本科研业务费专项资金（B200202084）

单肖年（1990—），男，汉族，江苏盐城人，博士，河海大学讲师，研究方向为城市综合交通规划、交通能源与环境、交通系统新技术，E-mail：shanxiaonian@hhu.edu.cn

陈小鸿（1961—），女，汉族，浙江永嘉人，博士，同济大学教授，研究方向为城市综合交通规划、交通需求模型和交通流仿真、交通政策，E-mail：chenxh@tongji.edu.cn

单肖年，陈小鸿. 交通仿真模型融合微观车辆排放模型研究综述[J]. 交通运输工程与信息学报，2021, 19(2): 11-24.

SHAN Xiao-nian, CHEN Xiao-hong. Review of Studies that Integrate Traffic-simulation Models with Microscopic Vehicle- emissions Models[J]. Journal of Transportation Engineering and Information, 2021, 19(2): 11-24.

（责任编辑：李愈）