摘要
信号交叉口通过排队形成、怠速、起步和快速加速产生短生命周期、米级尺度的排放峰值，而传统的路段和车道平均方法会抑制这些局部事件。本研究开发了一个集成的无人机（UAV）视频分析框架，将航拍观测数据转换为地面车辆轨迹，使用改进的迭代自适应立方求积卡尔曼滤波器（IACKF）对轨迹进行优化，采用经过校准并针对怠速状态和车辆类型进行修正的弗吉尼亚理工大学微观排放模型（VT-Micro）逐秒估计一氧化碳（CO）、碳氢化合物（HC）和氮氧化物（NOx）排放量，并将结果聚合到 3 米×3 米的道路单元格中。改进的 IACKF 结合时域衰减残差加权、过程噪声与观测噪声协方差自适应更新以及相对收敛准则，在保留与排放相关的制动和加速转换的同时抑制导数放大的轨迹噪声。在郑州六个信号交叉口及其六个相关进口道进行的现场实验取得了 91.7% 的 mAP@0.5（交并比阈值为 0.5 时的平均精确率均值）。对照比较表明，路段级平均产生的空间同质化场，车道级平均无法恢复纵向热点变化，未过滤的原始轨迹会产生碎片化且可能由噪声引起的热点。相比之下，所提框架保留了与观测交通运行相一致的停车线、起步、转向和合流模式。定量可视化指标进一步显示，与 RTDC 相比，所提框架使热点碎片化密度降低了 24.3%，高浓度颜色占比提升了 11.7 个百分点，空间连续性提高了 1.9 个百分点。高峰期排放量为非高峰期的 3.3 倍，表明所绘制的排放模式对拥堵驱动的运行状态变化具有敏感性。该框架为信号评估和可持续交通管理提供了空间明确的排放信息。
