《城市绿色出行指数白皮书》——3.碳排放计算框架——3.4 碳排放修正因子计算

简介: 《城市绿色出行指数白皮书》——3.碳排放计算框架——3.4 碳排放修正因子计算

3.4 碳排放修正因子计算


在实际交通场景中,车辆实际碳排放量随驾驶环境与状态动态变化。碳排放量会受 到汽车速度、交通拥堵、道路坡度、载客率等多种因素影响,仅靠基础碳排放因子无法 计算出准确的碳排放量。因此,城市交通出行碳足迹计算需要根据具体场景对基础碳排 放因子进行修正。本报告将不同场景下的碳排放量变化转换成相对于基础碳排放因子的 比例,即修正因子𝛼,通过𝛼与排放因子的乘积计算实际的碳排放因子。


在修正因子的计算中,本报告将修正因子分为地面交通和轨道交通两大类,其中地 面交通包括私家车、出租车/网约车、公交车三类。


考虑到电瓶车和自行车基本处于低速场景中,且其碳排放量较低,故不进行碳排放 因子修正。步行为零碳出行,其修正因子为0。对于其他交通方式,因所占比例较小、 缺乏统计数据等原因,本报告中也不进行修正。


影响碳排放的因素会随着时间和空间发生改变。为对应不同时空影响因素的变化, 本报告针对不同交通方式和不同的时空特征,提出建立如下所示的时空分布表(** ):


工作日公交车速度/载客率/坡度时空分布表


image.png


每种交通方式都会对应一张工作日和一张节假日的时空分布表。表中的数据为统 计时间内对应时段、对应区域、对应交通方式的平均值。出于公平性的考虑,在其余 条件(出行时间、出行路线、天气等)相同的情况下,选择公交出行的个人,所产生的 碳排放量认为是相同的。但实际过程中,车辆受驾驶行为和交通状况的影响,同种交 通方式的碳排放量会有一定差别。因此,本报告将在相应时段、区域内行驶的车辆数 据直接使用时空分布表中的数据进行替代。这样的方法既满足了公平性,也保证了区 域碳足迹量化时的准确性。通过时空分布表计算碳排放修正因子的详细方法,请参考 附录D。


注:(* ) 私家车、出租车的载客率用平均载客率表示 (** )时空分布表中的数据仅作为示例,不代表真实数值。

相关文章
|
3月前
|
存储 安全 测试技术
并行多智能体系统的协调测试实战:从轨迹捕获到CI/CD的六个步骤
本文探讨并行多智能体系统的协调测试难题:当多个LLM驱动的智能体协同决策时,单个正确≠集体安全。传统单元测试失效,需构建以轨迹捕获、行为不变量、回放回归、黄金数据集和CI/CD集成为核心的新型测试框架,专治容量超限、状态陈旧、 reducer 冲突等典型协调故障。
204 2
并行多智能体系统的协调测试实战:从轨迹捕获到CI/CD的六个步骤
|
9月前
|
缓存 人工智能 算法
《解构WebSocket断网重连:指数退避算法的前端工业级实践指南》
本文聚焦前端领域WebSocket断网重连难题,深入解析指数退避算法的工业级实践路径。首先指出传统固定间隔、线性递增重连策略在效率与服务器压力间的失衡问题,随后拆解指数退避算法“指数增长+随机抖动+最大间隔约束”的核心逻辑。文章详细阐述算法与WebSocket生命周期的适配要点,包括重连时机甄别、状态原子化管理,还介绍网络状态感知融合、重连超时设置、数据缓存恢复等优化方向,并结合大型在线协作平台案例验证效果,同时梳理开发者常见误区与避坑方法,最后展望算法与AI、跨端场景结合的未来方向,为前端构建稳健实时应用提供完整指南。
460 8
|
10月前
|
机器学习/深度学习 人工智能 算法
最大熵逆强化学习:理论基础、数学推导与工程实现
本文重点讨论逆强化学习(Inverse Reinforcement Learning, IRL),这是模仿学习的重要分支,其核心目标是基于演示数据学习能够最大化期望奖励的最优策略。
381 0
《城市绿色出行指数白皮书》——附录C :碳排放因子计算
《城市绿色出行指数白皮书》——附录C :碳排放因子计算
3540 0
|
存储 编解码 监控
《城市绿色出行指数白皮书》——附录B :碳排放计算模型
《城市绿色出行指数白皮书》——附录B :碳排放计算模型
3775 0
|
前端开发
R|timeROC-分析
R|timeROC-分析
737 0
R|timeROC-分析
|
人工智能 边缘计算 大数据
|
Shell 数据库 数据安全/隐私保护
|
存储 消息中间件 缓存
【高并发】高并发秒杀系统架构解密,不是所有的秒杀都是秒杀!
在电商领域,存在着典型的秒杀业务场景,那何谓秒杀场景呢。简单的来说就是一件商品的购买人数远远大于这件商品的库存,而且这件商品在很短的时间内就会被抢购一空。 比如每年的618、双11大促,小米新品促销等业务场景,就是典型的秒杀业务场景。
1258 1
【高并发】高并发秒杀系统架构解密,不是所有的秒杀都是秒杀!

热门文章

最新文章