《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Deep learning-based mesoscopic emission modeling
编辑推荐：
道路机动车辆排放的精确估算对于制定有效的减排策略与支撑政策决策至关重要。传统的宏观排放模型（如COPERT与HBEFA）计算效率高，但仅依赖平均速度或离散交通状态，难以刻画实际行驶动态，尤其在捕捉局部排放峰值与排放空间分布方面存在显著局限；而微观交通仿真耦合微
道路机动车辆排放的精确估算对于制定有效的减排策略与支撑政策决策至关重要。传统的宏观排放模型（如COPERT与HBEFA）计算效率高，但仅依赖平均速度或离散交通状态，难以刻画实际行驶动态，尤其在捕捉局部排放峰值与排放空间分布方面存在显著局限；而微观交通仿真耦合微观排放模型虽然精度高，却受限于计算成本，难以应用于大尺度区域。为此，研究人员提出了一种基于深度学习的介观排放模型DEP（Direct Emission Prediction），旨在保持与微观方法相当的精度同时大幅提升计算效率。该模型采用门控循环单元（GRU）网络架构，以车辆完整出行的有序路段序列为输入，融合车辆属性（重量、发动机功率、Euro标准、车辆类别、燃料类型）、路段属性（路段长度、平均速度、道路坡度、限速）以及温度条件（环境温度、发动机初始温度、尾气后处理装置初始温度），直接预测逐路段的NOx与CO2排放，无需依赖预先聚合的排放因子。模型基于超过100万条合成出行数据进行训练，该数据集通过将GNSS实测速度剖面与微观排放模型MOBSim耦合生成。研究人员将DEP与SPG-M（Speed Profile Generation–MOBSim）混合介观-微观工作流进行对比，结果表明DEP在全局与局部尺度上均保持了与SPG-M相当的精度（CO2差异不超过0.35%），而计算运行时间仅为SPG-M的2.2%。与真实遥感数据的对比显示，DEP在Euro 2至Euro 5柴油乘用车上与实测NOx排放吻合良好，且较COPERT与HBEFA更接近真实世界排放水平。此外，DEP能够追踪车辆完整出行过程，实现冷启动超额排放的空间归因，并集成于MATSim框架完成?le-de-France区域的大尺度排放制图。研究表明，深度学习增强的介观排放建模在精度与计算效率之间取得了良好平衡，为可扩展的高分辨率交通排放估算与政策评估提供了可行途径。
道路机动车辆排放的精确估算对制定有效减排策略与支撑政策决策至关重要。宏观排放模型（如COPERT与HBEFA）计算效率高，但仅依赖平均速度或离散交通状态，难以刻画实际行驶动态，在捕捉局部排放峰值与排放空间分布方面存在显著局限；微观交通仿真耦合微观排放模型虽精度高，却受限于计算成本，难以应用于大尺度区域。为在保持微观方法精度的同时大幅提升计算效率，研究人员提出基于深度学习的介观排放模型DEP（Direct Emission Prediction）。DEP采用门控循环单元（GRU）网络架构，以车辆完整出行的有序路段序列为输入，融合车辆属性（重量、发动机功率、Euro标准、车辆类别、燃料类型）、路段属性（路段长度、平均速度、道路坡度、限速）及温度条件（环境温度、发动机初始温度、尾气后处理装置初始温度），直接预测逐路段NOx与CO2排放，无需依赖预先聚合的排放因子。模型基于超过100万条合成出行数据训练，该数据集通过将GNSS（全球导航卫星系统）实测速度剖面与微观排放模型MOBSim耦合生成。研究人员将DEP与SPG-M（Speed Profile Generation–MOBSim）混合介观-微观工作流进行对比，结果表明DEP在全局与局部尺度上均保持与SPG-M相当的精度（CO2差异不超过0.35%），而运行时间仅为SPG-M的2.2%。与真实遥感数据对比显示，DEP在Euro 2至Euro 5柴油乘用车上与实测NOx排放吻合良好，较COPERT与HBEFA更接近真实世界排放水平。DEP可追踪车辆完整出行过程，实现冷启动超额排放的空间归因，并集成于MATSim框架完成?le-de-France区域大尺度排放制图。研究表明，深度学习增强的介观排放建模在精度与计算效率之间取得良好平衡，为可扩展的高分辨率交通排放估算与政策评估提供了可行途径。
研究人员开展此项研究的背景在于，道路交通是城市空气污染的主要来源之一，据Airparif（2021）估算，巴黎道路交通运输单独贡献了30%的温室气体排放与56%的NOx排放。准确的交通排放估算对于制定减排策略与政策决策至关重要。既有排放建模方法主要分为自上而下与自下而上两类。自上而下模型依赖聚合数据与统计技术，适用于国家或区域清单，但空间分辨率有限，难以评估局部污染格局或针对性干预措施。自下而上方法利用细粒度数据提供多维度更精确的排放估算，但在更大尺度上实施面临显著挑战。在自下而上建模中，交通仿真被广泛用于生成高时空分辨率的排放估算，但模型细节程度与计算效率之间存在权衡：微观交通仿真耦合微观排放模型虽能提供高精度估算，却实质上限制了其应用范围仅限于单个交叉口或特定交通走廊等小地理区域；介观与宏观方法虽对大尺度网络计算效率更高，但细节程度较低。宏观排放模型主要依赖平均速度或离散交通状态，均无法始终准确反映实际行驶动态。基于平均速度的模型（如COPERT）已被证明，仅依赖平均速度而不考虑拥堵或加速模式，会导致排放估算显著不准确。交通状态模型（如HBEFA）则受数据聚合程度与交通状态定义固有模糊性的困扰。这些局限可能导致误导性政策决策，例如在错误位置实施措施或忽视关键区域。为此，研究人员探索了混合方法与数据驱动方法。Tu et al. (2018)将微观交通与排放模型应用于网络路段样本，基于交通状态进行无监督学习分类并分配代表性排放因子，再集成至介观交通仿真进行大尺度分析。Dib et al. (2025)提出了SPG-M工作流，将介观交通模型MATSim与微观排放模型结合，通过深度学习生成高分辨率速度剖面（SPGen）实现微观排放模型在仿真工作流中的集成。然而，微观排放模型在大尺度应用中计算成本高昂，降低了工作流效率。为此，研究人员用高效的深度学习介观排放模型DEP替代速度剖面生成步骤与微观排放模型，DEP初始版本由Dib et al. (2024)提出，本研究对其进行了进一步改进与验证。研究目标是在全局与局部尺度上保持与SPG-M相同的精度水平，同时显著提升计算效率。研究得出以下结论：DEP的序列架构基于GRU网络，设计用于处理有序路段级输入，能够捕捉出行内的时间依赖性，有效捕捉加速与减速模式以及冷启动效应，从而识别城市排放热点并支持针对性减排策略评估；模型在路段级与出行级均表现出强预测性能（高R2值）；与COPERT和HBEFA等传统宏观模型相比，该方法精度更高，并揭示这些模型相较于遥感数据倾向于低估NOx排放；与SPG-M基准对比，DEP在全局与局部尺度保持相当精度，同时显著减少计算时间，适用于大尺度政策评估与情景分析。研究的重要意义在于，证明了基于深度学习的介观排放框架可行，能够产生与计算成本高昂得多的微观方法相竞争的结果，实现可扩展的高分辨率排放建模，且不依赖预先计算的排放因子数据库。由于该框架可学习微观模型在真实速度剖面上能生成的任何输出，其可扩展至本文测试污染物之外，例如非尾气颗粒物排放与电动汽车能耗。
研究人员为开展研究用到以下几个主要关键技术方法：采用eqasim流程生成?le-de-France区域合成人口与出行需求，基于2013至2016年 cordon 调查数据构建跨境交通外部人口，道路网络采用HERE网络以兼容DEP训练数据库；交通仿真采用基于排队动力学的开源多智能体平台MATSim，包含步行、自行车、小汽车、小汽车乘客与公共交通五种出行方式，使用5%人口样本，并采用离散方式选择扩展模块；排放模型DEP采用GRU与双向GRU（Bi-GRU）模块结合一维卷积层（Conv1D）、残差连接与层归一化的架构，训练数据由GecoAir众包应用提供的超过44万条GNSS实测速度剖面（采样率1 Hz）与超过1.1万辆车辆属性数据，通过随机配对车辆、随机设定发动机初始温度（0°C至90°C）与环境温度（0°C至40°C）后经MOBSim仿真生成超过100万条合成出行，数据按90%、5%、5%划分为训练、验证与测试集；工作流集成中采用速度滤波与基于修正牛顿冷却定律的初始温度估计模型。
研究结果方面，首先是全局排放对比。研究人员在完全预热（hot）、20°C环境温度冷启动（cold）与考虑道路坡度的热启动（slope）三种工况下将DEP与SPG-M对比。结果表明，DEP估算的CO2与NOx排放与SPG-M高度吻合，CO2差异分别为0.27%、0.35%与-0.06%，NOx差异分别为1.67%、1.87%与-0.27%。相比之下，COPERT与HBEFA均低估排放，尤其对NOx；HBEFA预测的NOx排放比COPERT高约17%，这一差异此前研究亦有报道。
其次是基于真实遥感数据的验证。研究人员将SPG-M与DEP估算值与True Initiative遥感活动实测NOx数据对比。对于Euro 2至Euro 5柴油乘用车，DEP与SPG-M同遥感测量吻合良好，仅略有低估：DEP对Euro 2、Euro 3、Euro 4与Euro 5分别低估3.5%、2.7%、0.2%与2.9%，SPG-M分别低估4.6%、4.8%、2.0%与4.4%。对于Euro 6柴油车，两模型均显著低估：DEP预测136 mg/km而实测为440 mg/km（-69.1%），SPG-M预测134 mg/km（-69.5%），该显著差距归因于遥感数据集采集于2011至2017年，主要涵盖较早的Euro 6b与Euro 6c车辆，未包含符合更严格法规、NOx排放显著更低的新款Euro 6d与Euro 6d-temp车辆。总体而言，尽管DEP与SPG-M预测排放高于COPERT与HBEFA，但其估算值仍低于实测值且在可接受范围内，表明其相较宏观排放模型提供了更接近真实世界排放的近似。
第三是排放空间分布。研究人员首先考察一次模拟出行从起点到终点的逐路段排放，评估DEP相较SPG-M对高低排放路段的捕捉能力，并展示COPERT为何无法用于此类峰值分析。结果表明，COPERT估算的排放曲线相对平坦，未能反映出行沿途的真实变化；DEP产生的排放模式与SPG-M高度一致，成功识别高排放区（如从低速道路向高速道路过渡的高加速区域）与低排放区，同时保持合理的总体排放水平。随后研究人员分析了热工况下?le-de-France区域IRIS（法国行政分区单元）级别日NOx排放的空间分布，DEP估算与SPG-M高度吻合，IRIS级别散点图对比显示两模型间差异极小，表明DEP在不同城市形态下稳健可靠，可作为SPG-M在大尺度与局部排放评估中的可行替代。
第四是冷启动排放空间分布。传统宏观模型对冷启动排放的处理方式各异，部分提供总量值，部分不提供，但均未明确其空间或时间分布，即出行沿途何处何时发生。DEP通过追踪每辆车完整出行过程显式追踪冷启动排放，实现全局与局部贡献的详细分析。研究人员展示了20°C下热启动与冷启动日NOx排放百分比差异在IRIS级别的聚合结果，表明冷启动对高速公路区域影响可忽略，但在人口密集区域（如巴黎市中心与大巴黎地区）显著增加排放。该模式源于冷启动超额排放集中于出行前几公里，通常为频繁停车与低速的本地道路，车辆到达高速公路时通常已完全或接近预热。
第五是计算效率。DEP相较SPG-M工作流仅需其排放估算时间的2.2%（DEP在NVIDIA Quadro P4000 GPU上对5%样本IdF情景耗时1小时43分钟；SPG-M在CPU上耗时3天4小时37分钟，因其排放模型基于CPU）。该效率使得在大量前瞻性情景中快速生成详细时空排放图成为可能，而这一分辨率通常无法通过传统宏观方法实现。
最后是向其他污染物与电动化车辆的扩展。该框架并非专用于CO2与NOx：微观模型在真实速度剖面上能生成的任何输出均可通过相同方式学习。非尾气颗粒物排放与电动汽车能耗主要取决于车辆质量、速度与减速度，这些量DEP已接收或可从其路段序列推导。将动力总成类型与电池容量作为输入，可使单一模型覆盖混合车队，预测尾气与非尾气排放及能耗，前提是具备训练数据。但研究人员强调，本研究仅验证了燃油车辆的CO2与NOx，此类扩展需要针对新输出的微观模型与训练数据。
讨论部分总结如下：本研究提出了将MATSim与DEP集成的新型介观排放建模框架，DEP为基于合成排放数据集训练的深度学习排放模型。该框架结合了介观交通仿真的可扩展性与深度学习的预测精度，实现了NOx与CO2排放的高分辨率估算。DEP的序列架构基于GRU网络，设计用于处理有序路段级输入，捕捉出行内时间依赖性，有效捕捉加速与减速模式以及冷启动效应，这些是局部排放峰值的关键贡献因素，从而识别城市排放热点并支持针对性减排策略评估。模型在路段级与出行级均表现出强预测性能（高R2值）。与COPERT和HBEFA等传统宏观模型相比，该方法精度更高，并揭示这些模型相较于遥感数据倾向于低估NOx排放。与SPG-M混合介观-微观模型基准对比，DEP在全局与局部尺度保持相当精度，同时显著减少计算时间，适用于大尺度政策评估与情景分析。除?le-de-France区域的具体应用外，本研究证明基于深度学习的介观排放框架可行，能够产生与计算成本高昂得多的微观方法相竞争的结果，实现可扩展的高分辨率排放建模，且不依赖预先计算的排放因子数据库。由于该框架可学习微观模型在真实速度剖面上能生成的任何输出，其可扩展至本文测试污染物之外，例如非尾气颗粒物排放与电动汽车能耗，后者随车队电动化日益重要。然而，一些局限仍然存在：推理时的模型精度取决于速度数据质量，与MATSim集成时需使用速度滤波器，因MATSim不建模路段间速度过渡；此外，与真实PEMS测量的差异，特别是Euro 6车辆NOx排放的差异，表明需要更全面的经验数据集、更好的校准以及纳入更广泛的车辆特定参数。研究结论部分翻译如下：综上所述，深度学习增强的介观建模在精度与计算效率之间取得了有前景的平衡。本研究展示了此类混合方法在可扩展且真实的排放估算方面的潜力。未来工作应聚焦于扩展训练数据集、整合真实世界数据进行微调，以及开发对输入变异性更具稳健性或自校正能力的模型。这些改进将对减少交通相关空气污染的数据驱动政策产生重大影响。
