基于微观仿真的航站楼前车道边排放特征及行人影响量化分析

基于微观仿真的航站楼前车道边排放特征及行人影响量化分析一、绪论1.1研究背景随着全球经济的快速发展和人们生活水平的提高，航空运输作为一种高效、便捷的长途运输方式，在现代交通运输体系中占据着愈发重要的地位。近年来，航空业呈现出迅猛的发展态势，机场的旅客吞吐量和航班起降架次持续攀升。国际航空运输协会（IATA）的数据显示，全球航空旅客运输量在过去几十年间保持着稳定的增长趋势，众多大型枢纽机场的年旅客吞吐量已突破数千万人次大关。机场航站楼作为航空运输的关键节点，是旅客、行李、货物以及各种交通方式的汇聚和转换场所，其交通系统的高效运行对于保障航空运输的顺畅性和服务质量至关重要。航站楼前车道边作为连接机场内部与外部交通的关键区域，承担着旅客接送、车辆停靠等重要功能，交通流量大且交通组成复杂，涵盖了私家车、出租车、公交车、机场摆渡车等多种车型。在交通拥堵方面，高峰时段航站楼前车道边常常出现车辆排队等候、行驶缓慢的现象。以北京首都国际机场为例，据相关统计，在早晚上下班高峰以及航班集中起降时段，航站楼前车道边的平均车速有时会降至每小时10公里以下，严重影响了旅客的出行效率。长时间的拥堵不仅导致旅客在途时间增加，错过航班的风险上升，还使得机场周边道路的交通压力增大，影响了整个区域的交通运行秩序。与此同时，大量机动车在航站楼前车道边的频繁启停、低速行驶等运行状态，导致了严重的尾气排放问题。机动车尾气中含有一氧化碳（CO）、碳氢化合物（HC）、氮氧化物（NOx）、颗粒物（PM）等多种污染物。这些污染物不仅会对大气环境造成严重污染，加剧雾霾天气的形成，还会对人体健康产生极大的危害。长期暴露在污染的空气中，人们患呼吸道疾病、心血管疾病等的风险显著增加。例如，世界卫生组织（WHO）的研究表明，长期暴露于高浓度的PM2.5环境中，会导致肺癌、心脏病等疾病的发病率上升。此外，航站楼前车道边通常人员流动密集，行人与机动车混行的情况较为普遍。行人在这样的环境中暴露于机动车尾气排放之下，身体健康面临着潜在威胁。然而，目前对于航站楼前车道边这种特殊交通环境下机动车排放对行人的影响，缺乏深入系统的研究和准确的评估。传统的交通排放研究大多集中在城市道路、高速公路等常规交通场景，对于航站楼前车道边这种交通流量大、车辆运行状态复杂且行人活动频繁的特殊区域关注较少。同时，现有的交通仿真研究在考虑机动车排放对行人的影响方面也存在不足，无法全面准确地反映实际情况。鉴于此，开展基于微观仿真的航站楼前车道边排放及对行人影响分析具有重要的现实意义和紧迫性。微观仿真技术能够细致地模拟交通系统中每一个车辆和行人的行为，真实再现交通流的时空变化，为深入研究航站楼前车道边的交通运行特性、机动车排放规律以及行人暴露情况提供了有力的工具。通过本研究，有望揭示航站楼前车道边交通排放的内在机制和影响因素，准确评估机动车排放对行人的影响程度，为制定科学合理的交通管控措施和环境保护策略提供理论依据和技术支持，从而改善航站楼周边的交通环境和空气质量，保障旅客和工作人员的身体健康。1.2研究目的与意义本研究旨在通过微观仿真技术，深入剖析航站楼前车道边机动车排放的特征和规律，全面评估其对行人的影响，从而为机场交通管理部门制定科学有效的交通管控措施和环境保护策略提供有力的科学依据。具体而言，研究目的包括以下几个方面：精确刻画交通运行状态：运用微观仿真模型，细致地模拟航站楼前车道边各种车辆的行驶轨迹、速度变化、启停行为等，真实还原交通流在不同时段和条件下的运行状况，为后续的排放分析提供准确的交通数据基础。准确测算机动车排放：结合机动车比功率排放模型与微观仿真结果，精确计算不同车型在航站楼前车道边复杂交通环境下的尾气排放量，明确排放的时空分布特征，找出排放高峰时段和区域。科学评估行人暴露风险：构建基于等宽算法的行人暴露模型，综合考虑机动车排放、污染物扩散以及行人的活动路径和停留时间，准确评估行人在航站楼前车道边暴露于机动车尾气排放中的风险程度，确定高风险区域和人群。提出有效管控与环保策略：依据仿真分析结果，从交通组织优化、车辆管控措施、环境治理手段等多个角度，提出针对性强、切实可行的建议，以降低机动车排放对行人的影响，改善航站楼周边的交通环境和空气质量。本研究的意义主要体现在以下几个方面：理论意义：丰富和完善了微观交通仿真在特殊交通场景下的应用理论，拓展了交通排放和行人暴露研究的范畴，为后续相关研究提供了新的思路和方法。通过深入研究航站楼前车道边这一具有独特交通特性的区域，有助于揭示复杂交通环境下机动车排放与行人暴露之间的内在联系和作用机制，填补了该领域在理论研究方面的部分空白。实践意义：对于机场运营管理部门而言，本研究成果具有直接的应用价值。通过准确掌握航站楼前车道边的交通排放状况和行人暴露风险，管理部门可以有针对性地制定交通管控方案，如优化车道设置、调整交通信号灯配时、实施车辆限行措施等，从而提高交通运行效率，减少机动车尾气排放。同时，这些措施也有助于改善行人的出行环境，保障旅客和工作人员的身体健康，提升机场的整体服务质量和形象。此外，本研究方法和结论还可为其他类似交通枢纽（如火车站、汽车站等）的交通环境治理提供借鉴和参考。1.3研究内容与方法本研究主要围绕航站楼前车道边交通排放及对行人影响展开，通过多方面的研究内容和多样化的研究方法，深入剖析这一复杂的交通环境问题。研究内容：交通数据采集：在航站楼前车道边选取具有代表性的区域，运用先进的传感器技术、高清视频监控设备以及人工调查相结合的方式，全面采集静态与动态交通数据。静态数据涵盖道路的几何特征，如车道数量、宽度、坡度，交通设施的设置，包括信号灯、标志、标线等，以及停车场的布局和容量等信息；动态数据则着重收集不同时段各类车辆的流量、速度、占有率，车辆的启停次数、加减速行为，以及行人的流量、行走速度、路径选择等。模型构建：构建基于机动车比功率的排放模型，精确计算不同工况下机动车的尾气排放量；建立面向半开阔道路环境的污染物扩散模型，充分考虑地形、气象条件等因素对污染物扩散的影响；搭建基于等宽算法的行人暴露模型，综合评估行人在机动车尾气排放环境中的暴露风险。案例分析：以某大型枢纽机场的航站楼前车道边为具体案例，运用所构建的微观仿真模型和分析方法，对现状交通运行状况进行模拟和评估。在此基础上，设计不同的交通管控方案，如优化车道设置、调整交通信号灯配时、实施车辆限行等，并对各方案下的机动车排放及行人暴露情况进行对比分析，为实际交通管理提供科学依据。研究方法：文献研究法：广泛查阅国内外相关领域的学术文献、研究报告、技术标准等资料，了解微观交通仿真、交通排放模型、污染物扩散模型以及行人暴露评估等方面的研究现状和发展趋势，梳理现有研究的成果和不足，为本研究提供理论基础和研究思路。数据采集法：采用实地观测、问卷调查、传感器监测等多种手段，获取航站楼前车道边的交通数据。实地观测由专业人员在现场记录车辆和行人的运行情况；问卷调查针对旅客、驾驶员等相关人群，了解他们的出行习惯、交通需求等信息；传感器监测则利用地磁传感器、雷达测速仪、空气质量监测仪等设备，实时采集交通流量、速度、尾气排放等数据。模型构建法：运用专业的交通仿真软件，结合所采集的数据，构建能够真实反映航站楼前车道边交通运行状况的微观仿真模型。通过对模型的参数标定和验证，确保模型的准确性和可靠性。同时，基于相关理论和研究成果，构建交通排放模型、污染物扩散模型和行人暴露模型，并将这些模型与微观仿真模型进行有效衔接，实现对机动车排放及行人暴露的综合分析。案例分析法：选取典型的机场航站楼前车道边作为案例研究对象，将模型分析结果与实际情况相结合，深入探讨不同交通管控措施对机动车排放和行人暴露的影响。通过对比不同方案的仿真结果，评估各方案的优劣，提出针对性的优化建议和措施。1.4研究技术路线本研究遵循科学严谨的技术路线，确保研究目标的实现。技术路线图如下所示：数据采集：运用实地观测、问卷调查、传感器监测等多种手段，全面收集航站楼前车道边的静态交通数据，如道路几何特征、交通设施设置等；以及动态交通数据，包括车辆和行人的流量、速度、行为等信息。对采集到的数据进行预处理，去除异常值和错误数据，填补缺失值，为后续模型构建提供高质量的数据支持。模型构建：利用专业交通仿真软件，结合预处理后的数据，构建微观交通仿真模型，模拟航站楼前车道边的交通运行状况。通过对实际交通数据的分析和参数调整，对微观交通仿真模型进行参数标定和验证，确保模型能够准确反映实际交通流特性。基于机动车比功率原理，构建排放模型，确定不同工况下机动车的尾气排放率。将排放模型与微观仿真模型进行有效衔接，实现对交通运行状态下机动车排放的精确计算。考虑地形、气象条件等因素，建立面向半开阔道路环境的污染物扩散模型，模拟机动车尾气排放后在空气中的扩散过程。对扩散模型的参数进行分析和确定，如扩散系数、气象参数等，以提高模型的准确性。基于等宽算法，搭建行人暴露模型，综合考虑机动车排放、污染物扩散以及行人的活动路径和停留时间，评估行人在航站楼前车道边的尾气暴露风险。案例分析：选取某典型机场的航站楼前车道边作为研究案例，运用构建好的微观仿真模型、排放模型、扩散模型和行人暴露模型，对现状交通运行状况进行模拟分析，评估机动车排放及行人暴露情况。设计不同的交通管控方案，如调整车道设置、优化交通信号灯配时、实施车辆限行措施等，并利用模型对各方案下的交通运行、机动车排放和行人暴露情况进行仿真模拟。对比不同交通管控方案的仿真结果，从交通运行效率、机动车排放减少量、行人暴露风险降低程度等多个角度，评估各方案的优劣。结果应用：根据案例分析的结果，为机场交通管理部门提供具体的交通管控建议，包括优化交通组织、加强车辆管理、改善交通设施等措施，以减少机动车排放，降低行人暴露风险。从环境保护的角度，提出针对性的环保策略，如推广新能源车辆、加强尾气净化设备的应用、改善周边绿化环境等，以改善航站楼周边的空气质量。对提出的交通管控措施和环保策略的实施效果进行跟踪评估，根据实际情况进行调整和优化，确保措施和策略的有效性和可持续性。二、国内外研究综述2.1微观交通仿真模型研究2.1.1微观交通仿真模型原理微观交通仿真模型以单个车辆为基本研究单元，通过对车辆的跟驰、换道、超车等微观行为进行细致建模，进而模拟整个交通流的运行状况。它能够精确刻画交通系统中每一个车辆的行驶轨迹、速度变化、启停行为以及车辆之间的相互作用关系，真实再现交通流在时间和空间上的动态变化过程。常见的微观交通仿真模型主要由车辆产生模型、车辆跟驰模型、车道变换模型、信号灯控制模型等多个关键部分构成。车辆产生模型用于描述车辆进入仿真区域的随机过程，通常采用概率分布函数来刻画车辆到达时间间隔的统计规律。例如，爱尔朗分布被广泛应用于车辆产生模型中，其参数k可以反映畅行车流和拥挤车流之间的各种车流条件，k值越大，车流越拥挤。车辆跟驰模型是微观交通仿真模型的核心组成部分之一，它主要描述在同一车道上，后车驾驶员如何根据前车的运动状态来调整自己的车速和车距。不同的跟驰模型基于不同的理论和假设，具有各自的特点和适用范围。其中，德国Karlsruhe大学Wiedemann教授提出的“心理—生理跟车模型”在微观交通仿真中得到了广泛应用。该模型的基本思路是：当后车驾驶员认为其与前车之间的距离小于自身心理所认可的安全距离时，便会开始减速；由于后车驾驶员难以准确判断前车车速，后车车速会在一段时间内低于前车车速，直至前后车间的距离达到另一个心理安全距离时，后车驾驶员才会开始缓慢加速，如此周而复始，形成一个不断加速、减速的迭代过程。该模型通过车速和空间阈值的随机分布，能够很好地体现驾驶员的个体驾驶行为特性。车道变换模型则主要用于模拟车辆在不同车道之间的切换行为。车辆的车道变换行为受到多种因素的影响，包括驾驶员的意图、周围车辆的分布情况、道路条件等。基于规则的车道变换算法是常见的建模方法之一，它通过设定一系列的规则和条件，来判断车辆是否满足车道变换的要求。例如，只有当目标车道前方的车距大于一定阈值，且车辆与目标车道上其他车辆之间的安全距离得到满足时，车辆才会进行车道变换。信号灯控制模型用于模拟交通信号灯的时间变化规律以及对车辆行驶的控制作用。它可以根据不同的信号控制策略，如定时控制、感应控制、自适应控制等，来调整信号灯的相位和时长，从而影响交通流的运行。在定时控制策略中，信号灯的相位和时长按照预先设定的时间方案进行切换；而感应控制策略则通过车辆检测器实时获取交通流量信息，根据实际交通需求来动态调整信号灯的配时。以VISSIM微观交通仿真软件为例，它是由德国PTV公司开发的一款广泛应用的微观交通流仿真系统。该系统是一个离散的、随机的、以十分之一秒为时间步长的微观仿真软件。在VISSIM中，车辆的纵向运动采用了Wiedemann教授的“心理—生理跟车模型”，能够准确地模拟车辆在行驶过程中的加减速行为；横向运动（车道变换）采用了基于规则(Rule-based)的算法，通过明确的规则判断来决定车辆是否进行车道变换以及何时进行变换。同时，VISSIM软件系统内部由交通仿真器和信号状态发生器两大程序组成，它们之间通过接口来交换检测器的呼叫和信号状态。交通仿真器负责模拟微观交通流，构建复杂的跟车模型和车道变换模型，根据车辆间的交互和环境因素预测行驶状态；信号状态发生器则依据交通仿真器提供的数据，调整信号灯状态，确保信号控制的实时性和准确性，两者相互协作，实现了对交通系统的全面、准确模拟。2.1.2微观交通仿真模型在交通领域应用微观交通仿真模型凭借其对交通流微观行为的细致模拟能力，在交通领域得到了广泛的应用，并取得了丰硕的成果。在城市交通规划与管理方面，微观交通仿真模型发挥着重要作用。通过构建城市交通网络的微观仿真模型，规划者可以对不同的交通规划方案进行模拟分析，评估方案实施后的交通运行效果，如道路通行能力、车辆平均延误、排队长度等指标的变化情况。例如，在规划新的城市道路或交通设施时，利用微观交通仿真模型可以预测该设施对周边交通的影响，提前发现潜在的交通拥堵点和问题，为优化设计提供依据。同时，微观交通仿真模型还可以用于评估交通管理措施的有效性，如交通信号灯配时优化、交通管制措施的实施效果等。通过对不同信号灯配时方案的仿真比较，可以确定最优的配时方案，提高路口的通行效率，减少车辆延误。在公路交通研究中，微观交通仿真模型同样具有重要价值。它可以用于分析公路路段和互通式立交的交通运行特性，评估不同设计方案的优劣。例如，在设计高速公路互通式立交时，运用微观交通仿真模型可以模拟车辆在立交区域的行驶轨迹和交通流的变化情况，分析不同立交形式（如苜蓿叶式、喇叭式、定向式等）对交通运行的影响，从而选择最适合的立交设计方案，提高公路的整体通行能力和安全性。此外，微观交通仿真模型还可以用于研究公路交通中的特殊情况，如交通事故对交通流的影响、恶劣天气条件下的交通运行状况等。通过模拟这些特殊情况，可以制定相应的交通应急管理策略，提高公路交通系统的应对能力。在公共交通领域，微观交通仿真模型为优化公共交通系统的运营和规划提供了有力支持。它可以模拟公交车、地铁等公共交通工具的运行过程，分析公交站点的设置、公交线路的规划以及公交车辆的调度方案对公共交通服务质量和效率的影响。例如，通过微观交通仿真模型可以评估不同公交站点间距对乘客步行距离和公交车辆停靠时间的影响，确定最优的站点间距；还可以分析公交线路的重合度和换乘便利性，优化公交线路布局，提高公共交通的吸引力。此外，微观交通仿真模型还可以用于研究智能公交系统的应用效果，如公交优先信号控制、实时公交调度系统等，为提升公共交通的智能化水平提供决策依据。在交通工程设计中，微观交通仿真模型为设计方案的评估和优化提供了直观、形象的工具。例如，在设计城市道路交叉口时，利用微观交通仿真模型可以对不同的交叉口设计方案（如平面交叉口、立体交叉口、环形交叉口等）进行模拟分析，比较各方案下车辆的通行效率、冲突点数量等指标，从而选择最合理的交叉口设计方案。同时，微观交通仿真模型还可以用于评估道路拓宽、车道设置调整等工程措施对交通运行的影响，为交通工程设计提供科学依据。以武昌火车站改造周边区域交通设计方案仿真测试分析为例，通过微观交通仿真技术，对不同的交通设计方案进行模拟，直观展现了各方案实施后的交通运行效果，包括车辆行驶速度、交通拥堵情况等，为方案的优化比选提供了重要依据，有效缩短了工期，避免了因方案不合理而造成的反复施工和浪费。2.1.3微观交通仿真在航站楼前车道边的应用航站楼前车道边作为机场交通系统的关键节点，交通流量大、交通组成复杂，微观交通仿真在该区域的交通运行分析和设施规划等方面具有重要的应用价值。在交通运行分析方面，微观交通仿真模型可以真实再现航站楼前车道边的交通流运行状况。通过对不同时段、不同交通需求下的交通流进行模拟，能够深入分析交通拥堵的形成机理和传播规律。例如，通过微观交通仿真可以发现，在航班集中到达和出发时段，航站楼前车道边的车辆流量剧增，车辆之间的相互干扰加剧，容易导致交通拥堵的发生。同时，仿真结果还可以揭示交通拥堵在空间上的分布特征，确定拥堵严重的路段和区域，为制定针对性的交通疏导策略提供依据。此外，微观交通仿真模型还可以用于分析不同交通管制措施对航站楼前车道边交通运行的影响。例如，研究设置临时停车区域、实施单向交通组织、调整交通信号灯配时等措施对缓解交通拥堵的效果，通过仿真比较不同措施下的交通运行指标，选择最优的交通管制方案。在设施规划方面，微观交通仿真模型可以为航站楼前车道边的设施布局和设计提供科学指导。例如，在规划出租车候客区、私家车落客区、公交车停靠站等设施时，利用微观交通仿真模型可以模拟不同设施布局方案下车辆和行人的通行情况，评估设施的使用效率和对周边交通的影响。通过仿真分析，可以确定设施的最佳位置、规模和布局形式，提高设施的服务能力和交通安全性。同时，微观交通仿真模型还可以用于评估航站楼前车道边的交通设施改造方案，如增加车道数量、优化车道划分、改善行人通道等措施对交通运行的改善效果，为设施改造提供决策支持。然而，目前微观交通仿真在航站楼前车道边的应用仍存在一些不足之处。一方面，航站楼前车道边的交通环境复杂，受到多种因素的影响，如航班时刻的不确定性、旅客出行行为的多样性、交通设施的不完善等，这些因素增加了建立准确仿真模型的难度。现有的仿真模型在考虑这些复杂因素时还不够全面和深入，导致仿真结果与实际情况存在一定的偏差。另一方面，在评估机动车排放及对行人影响方面，现有的微观交通仿真研究还相对较少。虽然微观交通仿真模型可以模拟车辆的运行状态，但如何准确地将车辆运行状态与机动车排放模型相结合，以及如何全面地考虑污染物在航站楼前半开阔环境中的扩散规律和行人的暴露情况，仍需要进一步的研究和探索。未来的研究需要进一步完善微观交通仿真模型，充分考虑航站楼前车道边的复杂交通环境因素，加强对机动车排放及行人暴露影响的研究，提高仿真结果的准确性和可靠性，为航站楼前车道边的交通管理和环境治理提供更有效的支持。2.2交通排放模型研究2.2.1排放测试方法机动车排放测试方法是获取车辆尾气排放数据的重要手段，不同的测试方法具有各自的特点和适用范围。常见的机动车排放测试方法包括底盘测功机测试、车载测试等。底盘测功机测试法是一种传统且应用广泛的测试方法。其工作原理是在室内环境中，将车辆固定在底盘测功机上，通过模拟车辆在实际道路上行驶时的各种工况，如加速、减速、匀速、怠速等，同时利用气体分析仪对车辆尾气中的污染物浓度进行检测，从而计算出尾气排放量。底盘测功机测试具有精准度高的优势，它采用先进的传感器和控制系统，能够实时监测和记录车辆在不同工况下的功率和扭矩输出，为尾气排放量的计算提供了高精度、高可靠性的数据。此外，该测试方法还具有多功能性，除了能进行排放测试外，还可以开展燃油效率测试等多种功能，使其成为全面评估车辆性能的工具。底盘测功机能够模拟车辆在真实驾驶环境中的加速、减速、爬坡等工况，使得在评估车辆性能时更为真实可靠，有助于获取与实际驾驶情境更为接近的测试数据。然而，底盘测功机测试也存在一些局限性。一方面，其设备成本较高，先进的传感器、控制系统以及模拟设备都需要大量的投资，这使得购置和维护底盘测功机对于一些小型研发机构或企业来说可能是一项较大的财务压力。另一方面，底盘测功机通常需要较大的空间来容纳测试设备，对于场地要求较高，对于一些空间受限的场所可能存在不便之处。最重要的是，尽管底盘测功机可以模拟多种驾驶工况，但仍然无法涵盖所有可能的实际驾驶情况，特别是在极端气候、特殊路况或复杂的交通状况下，底盘测功机的模拟可能存在一定的局限性，无法完全替代实际道路测试。车载测试则是一种相对新兴的测试方法，它以便携式尾气检测技术为基础，利用车载排放测试系统（PEMS）对机动车在实际行驶过程中的尾气排放和行驶特征等参数进行实时测量。车载测试的显著优点是能够真实地模拟实时路况，通过在实际道路上行驶，获取车辆在各种真实交通场景下的尾气排放数据，包括不同路段、不同车型、不同时段的排放情况。这种测试方法能够迅速获得大量的实际道路排放数据，为研究机动车在实际使用中的排放特性提供了丰富的数据支持。同时，在保证检测的精确度和可靠性的前提下，车载测试还能节约测试时间和成本，提高测试效率。不过，车载测试也面临一些挑战。由于实际道路环境复杂多变，交通状况、气象条件等因素都会对测试结果产生影响，导致测试数据的稳定性和重复性相对较差。此外，车载测试设备的安装和调试较为复杂，需要专业的技术人员进行操作，并且设备的维护和保养也需要一定的成本。除了上述两种主要的测试方法外，还有室外遥感检测法等。室外遥感检测法借助红外和紫外线光谱技术，在汽车正常行驶过程中完成定点检测，通过测试尾气排放物中各成分的混合比率来获取排放信息。该方法的优点是自动化程度高、检测速度快，能够在短时间内对大量车辆进行检测，对于强化尾气排放相关法规有着特殊的作用。但它对交通状况和安置地点有苛刻的要求，且只能测出排放气体的浓度，无法直接得到尾气排放量，因此在实际应用中受到一定的限制。不同的机动车排放测试方法各有优劣，在实际研究和应用中，需要根据具体的研究目的、测试条件和需求，选择合适的测试方法，或者将多种测试方法结合使用，以获取全面、准确的机动车排放数据。2.2.2排放预测模型排放预测模型是评估机动车尾气排放对环境影响的重要工具，根据模型的复杂程度和适用范围，可分为宏观排放预测模型和微观排放预测模型。不同类型的排放预测模型在原理、适用范围和精度等方面存在差异。宏观排放预测模型以区域或路段的交通流量、车辆类型、平均速度等宏观交通参数为输入，通过统计分析或经验公式来估算机动车的尾气排放量。这类模型通常适用于大规模的交通规划和环境影响评估，能够从宏观层面上对交通排放进行整体的估算和分析。以MOBILE模型为例，它是美国环境保护署（EPA）开发的一种广泛应用的宏观排放模型。MOBILE模型基于大量的实验数据和统计分析，通过建立排放因子与车辆行驶里程、速度、车型、燃油类型等因素之间的关系，来预测机动车的尾气排放量。该模型可以考虑不同地区的车辆组成、行驶工况、燃油质量等因素对排放的影响，适用于对城市、区域等较大范围的机动车排放进行长期的趋势分析和预测。然而，宏观排放预测模型的精度相对较低，由于它采用的是平均的排放因子和宏观的交通参数，无法准确反映单个车辆的实际运行状态和排放特性，对于交通流的微观变化以及车辆个体差异对排放的影响考虑不足。微观排放预测模型则以单个车辆为研究对象，通过对车辆的行驶轨迹、速度变化、加速度等微观运行参数进行详细的模拟和分析，来精确计算机动车在不同行驶工况下的尾气排放量。这类模型能够更准确地反映实际交通状况下车辆的排放情况，适用于对特定路段、交叉口或交通设施的交通排放进行精细的评估和分析。CMEM（ComprehensiveModalEmissionsModel）模型是一种典型的微观排放预测模型。CMEM模型基于机动车比功率（VSP）的概念，将车辆的行驶过程划分为不同的VSP区间，每个区间对应不同的排放因子。通过实时计算车辆的VSP值，确定车辆所处的排放工况，进而计算出尾气排放量。该模型能够考虑车辆的加速、减速、匀速、怠速等各种行驶状态对排放的影响，并且可以根据不同车型、发动机技术等因素对排放因子进行修正，提高了排放计算的精度。此外，微观排放预测模型还可以与微观交通仿真模型相结合，利用微观交通仿真模型提供的详细交通流信息，如车辆的跟驰、换道、停车等行为，更准确地模拟车辆在复杂交通环境下的排放情况。除了MOBILE和CMEM模型外，还有其他一些排放预测模型，如COPERT（ComputerProgrammetoCalculateEmissionsfromRoadTransport）模型、IVE（InternationalVehicleEmissions）模型等。COPERT模型是欧洲广泛使用的一种排放模型，它基于欧洲的车辆技术和行驶工况数据，通过建立排放因子与车辆类型、行驶速度、道路坡度等因素的关系来估算排放。IVE模型则是一种综合性的排放模型，它可以考虑多种污染物的排放，并且能够适应不同国家和地区的车辆排放法规和行驶工况。宏观排放预测模型和微观排放预测模型各有其特点和适用范围。宏观排放预测模型适用于对大规模交通排放进行宏观的估算和趋势分析，具有计算简单、数据需求少的优点，但精度相对较低；微观排放预测模型则适用于对特定区域或交通场景下的机动车排放进行精细的评估和分析，能够更准确地反映实际排放情况，但模型复杂，数据需求量大。在实际应用中，应根据具体的研究目的和需求，选择合适的排放预测模型，或者将宏观和微观模型结合使用，以提高排放预测的准确性和可靠性。2.3尾气扩散模型研究尾气扩散模型是研究机动车尾气排放后在大气中扩散规律的重要工具，它对于评估污染物对环境和人体健康的影响具有关键作用。常见的尾气扩散模型包括AERMOD、CALPUFF等，这些模型基于不同的原理和假设，具有各自的特点和适用条件。AERMOD模型是美国环境保护署（EPA）和美国气象学会（AMS）联合开发的稳态烟羽扩散模型。该模型基于边界层扩散理论，采用高斯扩散模式来描述污染物的扩散过程。在AERMOD模型中，假设污染物在水平和垂直方向上的扩散符合正态分布，通过求解扩散方程来计算污染物在不同位置和时间的浓度。它考虑了多种因素对污染物扩散的影响，如地形、气象条件（风速、风向、温度、湿度等）、污染源的排放特征（排放高度、排放速率等）。例如，在复杂地形条件下，AERMOD模型可以通过地形预处理模块，将地形数据转化为适合模型计算的格式，从而准确地考虑地形对气流和污染物扩散的影响。AERMOD模型适用于平坦地形和简单地形条件下的污染物扩散模拟，在城市区域、工业污染源等排放评估中得到了广泛应用。在城市空气质量评估中，AERMOD模型可以结合城市的气象数据和污染源清单，模拟不同区域的污染物浓度分布，为城市空气污染治理提供科学依据。CALPUFF模型是一种三维非稳态拉格朗日扩散模型，可有效地处理非稳态（如熏烟、环流、地形和海岸等）下污染物的长距离输送，对污染物浓度进行模拟预测，从而更好地判断受体点污染物的来源。该模型主要包括地形、气象数据预处理模块，Calmet模块，Calpuff模块以及Calpost模块。其中，地形、气象数据预处理模块负责对地形和气象数据进行处理和分析，为后续的模拟提供基础数据；Calmet模块用于生成模拟区域的气象场，考虑了地形、海陆风、山谷风等复杂气象条件的影响；Calpuff模块是模型的核心，它采用拉格朗日粒子追踪方法，模拟污染物在大气中的扩散、迁移和转化过程，能够处理复杂地形和非稳态气象条件下的污染物扩散问题；Calpost模块则用于对模拟结果进行后处理和分析，输出污染物浓度分布、源贡献等信息。CALPUFF模型适用于复杂地形和非稳态气象条件下的污染物扩散模拟，在区域空气质量评估、重大污染源排放影响分析等方面具有重要应用。在评估大型工业区域的污染物排放对周边环境的影响时，CALPUFF模型可以考虑地形、气象条件的变化，准确地模拟污染物的扩散路径和影响范围，为环境管理部门制定污染控制措施提供决策支持。在交通领域，尾气扩散模型主要用于研究机动车尾气排放对道路周边环境空气质量的影响。例如，通过将交通排放模型与尾气扩散模型相结合，可以模拟不同交通流量、车辆运行状态下机动车尾气污染物在道路周边的扩散情况，分析污染物浓度的时空分布特征。在城市道路网络中，利用尾气扩散模型可以评估不同路段的机动车尾气污染程度，确定污染严重的区域，为交通管理部门制定交通管制措施和改善空气质量提供依据。同时，尾气扩散模型还可以用于评估交通基础设施建设（如新建道路、桥梁等）对周边环境空气质量的潜在影响，为项目的环境影响评价提供技术支持。然而，现有的尾气扩散模型在应用于航站楼前车道边这种特殊交通环境时，仍存在一些挑战。航站楼前车道边的地形和气象条件较为复杂，受到建筑物、地形起伏以及大量人流、车流的影响，气流运动规律复杂，传统的尾气扩散模型难以准确地描述污染物的扩散过程。此外，航站楼前车道边的交通流具有高度的动态性和不确定性，车辆的行驶速度、启停行为等变化频繁，这也增加了尾气扩散模拟的难度。因此，需要进一步研究和改进尾气扩散模型，充分考虑航站楼前车道边的特殊环境因素，提高模型的准确性和适用性。2.4行人暴露与暴露评价研究行人暴露评价是评估行人在特定环境中接触到污染物的程度，它综合考虑了污染物的浓度分布、行人的活动模式以及暴露时间等因素，旨在量化行人暴露于污染环境中的风险水平。准确的行人暴露评价对于制定有效的环境保护政策和保障公众健康具有重要意义。在方法上，行人暴露评价通常采用监测与模型相结合的方式。实地监测是获取行人暴露数据的重要手段之一。研究人员通过在行人活动频繁的区域，如街道、路口、公园等设置监测站点，利用专业的空气质量监测设备，实时测量空气中污染物的浓度。例如，在城市繁华街道的人行道上设置小型空气质量监测仪，可连续监测一氧化碳、氮氧化物、颗粒物等污染物的浓度变化。同时，借助全球定位系统（GPS）和活动日志等工具，记录行人的行走路径、停留时间和活动地点，从而确定行人在不同污染浓度区域的暴露时间。然而，实地监测存在一定的局限性，它只能获取有限监测点的污染物浓度数据，难以全面反映整个区域的污染分布情况，且监测成本较高，时间和空间覆盖范围有限。为了弥补实地监测的不足，模型模拟方法得到了广泛应用。基于地理信息系统（GIS）的模型能够整合交通、气象、地形等多源数据，构建污染物扩散模型和行人活动模型，从而实现对行人暴露的空间分布和时间变化的模拟分析。例如，利用交通仿真模型获取交通流量、车辆速度等交通数据，结合气象数据（风速、风向、温度等），通过污染物扩散模型计算不同区域的污染物浓度分布；再将行人的出行数据（出行起点、终点、出行时间等）导入行人活动模型，模拟行人在不同区域的活动轨迹和停留时间，最终通过耦合污染物扩散模型和行人活动模型，评估行人在不同时空条件下的暴露水平。行人暴露评价指标是衡量行人暴露程度的量化标准，常见的指标包括时间加权平均浓度（TWA）、累积暴露剂量（CED）等。时间加权平均浓度是指在一定时间内，将不同时间段的污染物浓度按照行人在该时间段内的暴露时间进行加权平均，得到的平均浓度值。其计算公式为：TWA=\frac{\sum_{i=1}^{n}C_{i}t_{i}}{\sum_{i=1}^{n}t_{i}}，其中C_{i}为第i个时间段的污染物浓度，t_{i}为行人在第i个时间段的暴露时间。时间加权平均浓度能够反映行人在一段时间内的平均暴露水平，适用于评估长期暴露风险。累积暴露剂量则是指行人在整个暴露期间内，吸收的污染物总量，它考虑了污染物浓度和暴露时间的乘积。计算公式为：CED=\sum_{i=1}^{n}C_{i}t_{i}，累积暴露剂量更能体现行人实际接触到的污染物量，对于评估短期高浓度暴露的健康风险具有重要意义。在交通污染暴露评价中，行人暴露评价起着关键作用。城市道路、交通枢纽等区域是行人暴露于交通污染的主要场所。例如，在城市道路交叉口，车辆频繁启停、怠速，尾气排放量大，行人在等待信号灯和通过路口时，暴露于高浓度尾气污染的风险较高。通过行人暴露评价，可以确定这些高风险区域，为交通管理部门制定针对性的污染控制措施提供依据。在交通枢纽如火车站、汽车站、机场航站楼等地，人员流动密集，交通流量大，机动车排放对行人的影响更为复杂。以机场航站楼前车道边为例，航班的集中起降导致车辆流量在短时间内急剧增加，车辆的排队等候和频繁加减速使得尾气排放显著增加，行人在该区域的活动受到尾气污染的威胁。通过行人暴露评价，可以深入分析行人在航站楼前车道边的暴露特征，评估不同交通管控措施对降低行人暴露风险的效果，为改善航站楼周边的交通环境和空气质量提供科学支持。2.5研究现状总结与不足综上所述，国内外学者在微观交通仿真模型、交通排放模型、尾气扩散模型以及行人暴露与暴露评价等方面开展了大量研究，取得了丰硕的成果。微观交通仿真模型在交通领域的应用日益广泛，为交通规划、管理和设施设计提供了有力的支持；交通排放模型不断发展，从宏观模型逐渐向微观模型转变，提高了排放预测的精度；尾气扩散模型能够模拟污染物在大气中的扩散规律，为环境影响评估提供了重要依据；行人暴露评价方法不断完善，综合考虑了污染物浓度、行人活动模式等因素，为保障公众健康提供了科学指导。然而，在航站楼前车道边排放及行人影响微观仿真研究方面，仍存在以下不足：微观交通仿真模型的适应性问题：现有微观交通仿真模型在应用于航站楼前车道边时，对该区域复杂的交通环境考虑不够充分。航班时刻的不确定性导致车辆到达和离开的时间具有随机性，旅客出行行为的多样性使得交通需求难以准确预测，这些因素增加了建立准确仿真模型的难度。同时，航站楼前车道边的交通设施布局和使用情况较为特殊，如出租车候客区、私家车落客区、公交车停靠站等，现有的仿真模型在模拟这些设施的运行和相互影响时还存在一定的局限性。交通排放模型与微观仿真的结合不够紧密：虽然微观交通仿真模型可以模拟车辆的运行状态，但如何将车辆运行状态与交通排放模型进行有效结合，准确计算航站楼前车道边不同交通工况下机动车的尾气排放量，仍需要进一步的研究和探索。目前的研究大多是分别独立地进行交通仿真和排放计算，没有充分考虑两者之间的相互关系，导致排放计算结果的准确性受到影响。尾气扩散模型在航站楼前特殊环境的应用难题：航站楼前车道边的地形和气象条件复杂，建筑物的遮挡、地形的起伏以及大量人流、车流的干扰，使得气流运动规律复杂，传统的尾气扩散模型难以准确地描述污染物的扩散过程。此外，航站楼前车道边的交通流具有高度的动态性和不确定性，车辆的行驶速度、启停行为等变化频繁，这也增加了尾气扩散模拟的难度。行人暴露评价研究的局限性：在行人暴露评价方面，针对航站楼前车道边这种特殊交通环境的研究相对较少。现有的行人暴露评价模型大多基于城市道路或其他一般交通场景建立，没有充分考虑航站楼前车道边行人与机动车混行的特点、行人活动的集中区域以及航班起降对交通和行人暴露的影响等因素。同时，在数据获取方面，由于航站楼前车道边的人员和车辆流动复杂，准确获取行人的活动路径、停留时间以及污染物浓度等数据存在一定的困难。因此，为了深入研究航站楼前车道边排放及对行人的影响，需要进一步完善微观交通仿真模型，加强交通排放模型与微观仿真的融合，改进尾气扩散模型以适应航站楼前的特殊环境，同时开展针对航站楼前车道边的行人暴露评价研究，提高研究的准确性和可靠性。三、航站楼前车道边交通数据采集与分析3.1数据采集方案设计为了深入研究航站楼前车道边的交通运行和排放情况，本研究制定了全面的数据采集方案，旨在获取准确、详细的数据，为后续的模型构建和分析提供坚实的数据基础。在数据采集范围上，本研究选取了某大型枢纽机场的航站楼前车道边作为研究区域。该区域包括出发车道边和到达车道边，涵盖了私家车、出租车、公交车、机场摆渡车等多种车型的行驶和停靠区域，以及行人活动较为频繁的人行道和候客区。车道边长度为[X]米，车道数量为[X]条，其中包括[X]条停靠车道和[X]条通过车道，能够较为全面地反映航站楼前车道边的交通特征。数据采集时段的选择充分考虑了航班的起降规律和交通流量的变化情况。本研究分别在工作日和周末进行数据采集，每个时间段持续[X]小时，以获取不同日期和时段的交通数据。具体采集时段为：工作日的早高峰时段（07:00-09:00）、平峰时段（10:00-15:00）和晚高峰时段（17:00-19:00）；周末的高峰时段（09:00-11:00、16:00-18:00）和平峰时段（12:00-15:00）。通过对不同时段的数据采集，能够更全面地了解航站楼前车道边交通流量、车辆运行状态以及排放情况的变化规律。本研究综合运用多种数据采集方法，以确保获取的数据全面、准确。具体如下：视频监控法：在航站楼前车道边的关键位置，如进出口、弯道、公交停靠站、出租车候客区等，安装高清摄像头，对车道边的交通状况进行24小时不间断拍摄。通过视频监控，可以获取车辆的类型、数量、行驶轨迹、速度、停靠时间等信息，以及行人的流量、行走速度、路径选择等数据。在视频分析过程中，采用先进的视频图像识别技术，利用专门的视频分析软件，对视频中的车辆和行人进行自动识别和跟踪。该软件基于深度学习算法，能够准确识别不同类型的车辆和行人，并记录其运动轨迹和相关参数。对于一些难以自动识别的情况，如车辆遮挡、行人拥挤等，由专业人员进行人工标注和修正，以确保数据的准确性。传感器监测法：在车道边的路面上安装地磁传感器、雷达测速仪等设备，实时监测车辆的通过数量、速度、占有率等交通参数。地磁传感器通过感应车辆通过时产生的磁场变化，来检测车辆的存在和行驶速度；雷达测速仪则利用多普勒效应，精确测量车辆的瞬时速度。同时，在部分车辆上安装车载排放监测设备，实时采集车辆在行驶过程中的尾气排放数据，包括一氧化碳（CO）、碳氢化合物（HC）、氮氧化物（NOx）、颗粒物（PM）等污染物的浓度和排放量。这些车载排放监测设备采用先进的传感器技术，能够准确测量车辆在不同工况下的尾气排放情况，并通过无线通信模块将数据实时传输到数据中心。人工调查法：在数据采集时段内，安排专业调查人员在现场进行人工观测和记录。调查人员在车道边的固定位置，每隔一定时间记录一次车辆的类型、数量、停靠时间等信息，并对行人的流量、行走方向等进行统计。此外，还通过问卷调查的方式，向旅客和驾驶员了解他们的出行习惯、交通需求、对航站楼前车道边交通状况的满意度等信息。在问卷调查过程中，共发放问卷[X]份，回收有效问卷[X]份，问卷内容涵盖了出行目的、出行方式选择、等待时间、对交通拥堵和尾气排放的感受等多个方面。本研究采用的主要数据采集设备包括高清摄像头、地磁传感器、雷达测速仪、车载排放监测设备等。高清摄像头选用了具有高分辨率、低照度、宽动态范围等特点的设备，能够在不同的光照条件下清晰拍摄车道边的交通状况；地磁传感器和雷达测速仪均符合相关国家标准，具有高精度、稳定性好等优点；车载排放监测设备采用了先进的电化学传感器和颗粒物传感器，能够准确测量尾气中各种污染物的浓度和排放量。这些设备在使用前均经过严格的校准和调试，以确保其测量精度和可靠性。在数据采集过程中，还配备了数据采集终端和数据传输设备，用于实时采集和传输传感器监测数据，并将视频监控数据存储在专门的服务器中，以便后续分析和处理。3.2静态交通数据采集与分析3.2.1道路条件数据道路条件数据是分析航站楼前车道边交通运行和排放情况的基础，它直接影响着车辆的行驶性能和交通流的特性。本研究通过实地测量、查阅相关图纸和资料等方式，全面收集了航站楼前车道边的道路几何参数，包括车道数、车道宽度、坡度、曲率等，并对这些数据进行了详细的分析。在车道数方面，该航站楼前车道边共有[X]条车道，其中[X]条为停靠车道，[X]条为通过车道。停靠车道主要供车辆临时停靠上下旅客，通过车道则用于车辆快速通行。不同车道的功能明确，有助于提高车道边的交通效率。车道宽度的测量结果显示，停靠车道的平均宽度为[X]米，通过车道的平均宽度为[X]米。合理的车道宽度设计对于保障车辆的安全行驶和交通流畅至关重要。过窄的车道可能会导致车辆之间的间距过小，增加交通事故的风险；而过宽的车道则会浪费道路资源，降低道路的通行能力。经测量，航站楼前车道边的坡度较小，最大坡度为[X]%，且大部分路段较为平坦。坡度对车辆的行驶性能有一定影响，较大的坡度会增加车辆的能耗和尾气排放，同时也会影响车辆的行驶速度和安全性。在实际交通运行中，当车辆爬坡时，发动机需要输出更大的功率，从而导致燃油消耗增加，尾气排放也相应增多。曲率方面，车道边的弯道曲率半径在[X]米至[X]米之间。弯道曲率会影响车辆的行驶稳定性和速度，较小的曲率半径要求车辆在行驶过程中减速慢行，这可能会导致车辆的频繁加减速，进而增加尾气排放。在设计道路弯道时，通常会根据车辆的设计速度和行驶安全要求，确定合理的曲率半径，以保证车辆能够安全、顺畅地通过弯道。为了更直观地展示道路条件数据对交通运行的影响，我们以车道宽度和坡度为例进行分析。在车道宽度方面，当车道宽度较窄时，车辆在行驶过程中需要更加谨慎地控制车速和车距，以避免与其他车辆发生碰撞。这可能会导致车辆的行驶速度降低，交通流的流畅性受到影响。而在坡度较大的路段，车辆的行驶速度会明显下降，尤其是对于一些动力性能较差的车辆，可能需要更大的油门开度来维持行驶，这不仅会增加燃油消耗，还会导致尾气排放的增加。通过对这些道路条件数据的分析，我们可以更好地理解航站楼前车道边的交通运行特性，为后续的交通仿真和排放分析提供有力的支持。3.2.2交通组成及交通量数据交通组成及交通量数据是研究航站楼前车道边交通运行和排放情况的关键，它反映了不同车型在车道边的分布和流量变化，对于分析交通拥堵和尾气排放的成因具有重要意义。本研究通过视频监控、人工调查和传感器监测等多种手段，全面统计了不同车型（小汽车、出租车、大巴车等）的交通量及比例，并对这些数据进行了深入分析。在交通组成方面，航站楼前车道边的车辆类型主要包括小汽车、出租车、大巴车、机场摆渡车等。其中，小汽车和出租车的数量较多，占总交通量的比例分别为[X]%和[X]%；大巴车和机场摆渡车的数量相对较少，占总交通量的比例分别为[X]%和[X]%。不同车型在车道边的分布具有一定的规律，小汽车和出租车通常在靠近航站楼的停靠车道上下客，而大巴车和机场摆渡车则多在专门设置的停靠区域停靠。交通量数据的统计结果显示，航站楼前车道边的交通量在不同时段呈现出明显的变化。在工作日的早高峰时段（07:00-09:00），交通量达到峰值，每小时的车流量约为[X]辆；在平峰时段（10:00-15:00），交通量相对较低，每小时的车流量约为[X]辆；晚高峰时段（17:00-19:00），交通量再次增加，每小时的车流量约为[X]辆。周末的交通量变化相对较为平稳，但在高峰时段（09:00-11:00、16:00-18:00），交通量也会明显增加。不同车型的交通量在不同时段也有所差异。以小汽车为例，早高峰时段的交通量占全天交通量的[X]%，主要是接送旅客的私家车和网约车；晚高峰时段的交通量占全天交通量的[X]%，除了接送旅客的车辆外，还有一部分是结束行程离开机场的车辆。出租车在高峰时段的交通量明显增加，主要是因为航班的集中到达和出发，旅客对出租车的需求增大。大巴车的交通量相对较为稳定，主要是按照固定的班次运行，为旅客提供机场与市区之间的交通服务。通过对交通组成及交通量数据的分析，我们可以发现，航站楼前车道边的交通拥堵和尾气排放与交通组成和交通量的变化密切相关。在高峰时段，车辆数量的增加导致交通拥堵加剧，车辆的频繁启停和低速行驶使得尾气排放显著增加。不同车型的尾气排放特性也存在差异，大巴车和柴油车的尾气排放相对较高，对环境的影响较大。因此，合理调整交通组成，优化交通流量分布，对于缓解航站楼前车道边的交通拥堵和减少尾气排放具有重要作用。3.3动态交通数据采集与分析3.3.1车辆交通数据车辆交通数据是分析航站楼前车道边交通运行和排放情况的核心，它能够直观反映车辆在实际运行过程中的各种状态变化，对于揭示交通拥堵和尾气排放的内在机制具有关键作用。本研究利用视频监控和传感器监测相结合的方法，对车辆的速度、加速度、行驶轨迹、停靠时间等动态数据进行了全面采集，并运用统计学方法和数据挖掘技术对这些数据进行了深入分析。通过视频监控图像分析和传感器监测数据融合处理，我们获取了车辆在不同时段的速度分布情况。结果显示，在早高峰时段，由于车辆流量较大，道路拥堵较为严重，车辆的平均速度较低，约为[X]km/h；在平峰时段，交通流量相对较小，道路较为通畅，车辆的平均速度有所提高，约为[X]km/h；晚高峰时段，随着车辆流量的再次增加，交通拥堵加剧，车辆平均速度下降至[X]km/h左右。不同车型的速度分布也存在差异，小汽车由于其灵活性较高，在交通拥堵时能够通过频繁变道等方式尽量保持一定的行驶速度，其平均速度相对较高；而大巴车和机场摆渡车由于车身较大，行驶灵活性较差，在交通拥堵时更容易受到影响，平均速度相对较低。在加速度方面，我们对车辆的加速和减速行为进行了详细分析。研究发现，在车辆启动和加速阶段，加速度的变化较为明显，尤其是在交通拥堵时，车辆需要频繁地启动和加速，加速度的波动较大。而在车辆减速阶段，加速度通常为负值，且在接近停靠点时，加速度的绝对值会逐渐增大。通过对加速度数据的分析，我们可以了解车辆的动力性能和驾驶员的驾驶行为习惯，这对于评估车辆的能耗和尾气排放具有重要意义。利用轨迹提取算法和地理信息系统（GIS）技术，我们成功获取了车辆在航站楼前车道边的行驶轨迹。通过对行驶轨迹的可视化分析，我们发现车辆在车道边的行驶轨迹呈现出一定的规律性。大部分车辆在靠近航站楼的停靠车道上下客，然后迅速驶离，行驶轨迹较为集中；而部分车辆则需要在通过车道上行驶较长距离，以寻找合适的停靠位置或驶出车道边。此外，我们还发现一些车辆在行驶过程中存在频繁变道的行为，这不仅会影响自身的行驶安全，还会对周围车辆的正常行驶造成干扰，增加交通拥堵的风险。通过对车辆停靠时间的统计分析，我们发现不同车型的停靠时间存在显著差异。出租车的平均停靠时间较短，约为[X]分钟，这主要是因为出租车的乘客通常是单人或少数几人，上下车速度较快；而私家车的停靠时间相对较长，平均约为[X]分钟，这可能是由于私家车的乘客需要搬运较多的行李，或者需要与乘客进行更多的交流。大巴车和机场摆渡车的停靠时间则更长，平均约为[X]分钟，这是因为它们需要搭载大量的乘客，并且需要进行行李的装载和卸载等操作。此外，停靠时间还与航班的到达和出发时间密切相关，在航班集中到达和出发时段，车辆的停靠时间会明显增加，导致车道边的交通拥堵加剧。为了更直观地展示车辆交通数据对交通运行和排放的影响，我们以车辆速度和停靠时间为例进行分析。当车辆速度较低时，发动机处于低效率运行状态，燃油消耗增加，尾气排放也相应增多。研究表明，车辆在怠速和低速行驶状态下的尾气排放量比正常行驶状态下高出数倍。而车辆停靠时间的增加，不仅会占用车道资源，导致交通拥堵，还会使发动机长时间处于运转状态，进一步增加尾气排放。因此，通过优化交通组织，提高车辆的行驶速度，减少车辆的停靠时间，可以有效降低航站楼前车道边的交通拥堵和尾气排放。3.3.2行人交通数据行人交通数据是研究航站楼前车道边交通运行和排放对行人影响的重要依据，它反映了行人在该区域的活动规律和行为特征，对于评估行人暴露于机动车尾气排放中的风险具有重要意义。本研究通过视频观测和实地调查相结合的方法，对行人的流量、速度、行走轨迹、与车道边距离等数据进行了全面采集，并运用数据分析工具对这些数据进行了深入分析。在行人流量方面，我们对不同时段和不同区域的行人流量进行了统计分析。结果显示，在工作日的早高峰时段（07:00-09:00）和晚高峰时段（17:00-19:00），以及周末的高峰时段（09:00-11:00、16:00-18:00），行人流量较大，主要是旅客及其接送人员。在这些时段，航站楼前车道边的旅客到达和离开较为集中，导致行人流量剧增。而在平峰时段，行人流量相对较小。不同区域的行人流量也存在差异，靠近航站楼出入口和公交、出租车停靠点的区域，行人流量明显较大，因为这些区域是旅客上下车和换乘的主要地点。行人速度的测量结果表明，行人在航站楼前车道边的平均行走速度约为[X]m/s。然而，行人速度会受到多种因素的影响，如行人的年龄、性别、携带行李情况、周围交通状况等。一般来说，年轻男性行人的行走速度相对较快，而老年人、儿童和携带大量行李的行人行走速度较慢。在交通拥堵时，行人的行走速度也会受到一定程度的影响，因为行人需要更加小心地避让车辆和其他行人。利用视频图像识别和轨迹追踪技术，我们获取了行人在航站楼前车道边的行走轨迹。通过对行走轨迹的分析，我们发现行人的行走路径呈现出一定的规律性。大部分行人会选择沿着人行道行走，在需要穿越车道边时，会通过人行横道。然而，仍有部分行人存在违规穿越车道边的行为，这不仅会对自身的安全造成威胁，还会影响车辆的正常行驶，增加交通拥堵和事故的风险。此外，我们还发现行人在行走过程中会受到周围环境和设施的影响，如广告牌、垃圾桶、休息座椅等，这些设施可能会导致行人行走轨迹的偏离和聚集。通过实地测量和数据分析，我们得到了行人与车道边的距离分布情况。结果显示，大部分行人与车道边的距离在[X]米以内，这表明行人在航站楼前车道边的活动区域与机动车行驶区域较为接近，容易受到机动车尾气排放的影响。尤其是在靠近车道边的人行道上，行人与车辆的距离更近，暴露于尾气排放中的风险更高。此外，行人与车道边的距离还会受到行人流量和交通状况的影响，在行人流量较大或交通拥堵时，行人与车道边的距离可能会进一步减小。为了更直观地展示行人交通数据对行人暴露于机动车尾气排放风险的影响，我们以行人流量和与车道边距离为例进行分析。当行人流量较大时，行人在车道边的停留时间增加，暴露于机动车尾气排放中的时间也相应延长。而行人与车道边的距离越近，受到尾气排放的影响就越大，因为尾气中的污染物浓度在靠近车道边的区域相对较高。因此，通过合理规划行人通道，引导行人远离车道边，以及加强交通管理，减少行人与机动车的冲突，可以有效降低行人暴露于机动车尾气排放中的风险。3.4数据质量控制与处理在数据采集过程中，由于受到多种因素的影响，如设备故障、环境干扰、人为误差等，采集到的数据可能存在错误、缺失、重复等质量问题。这些问题会严重影响后续的数据分析和模型构建的准确性，因此需要对采集到的数据进行严格的质量控制和处理，以确保数据的可靠性和有效性。数据清洗是数据质量控制的首要环节，其目的是去除数据中的噪声和错误数据，提高数据的准确性和一致性。在本研究中，针对视频监控数据，通过人工检查和图像识别算法相结合的方式，对车辆和行人的识别结果进行校验。对于传感器监测数据，利用数据的时间序列特性和物理意义，采用异常值检测算法，如基于统计方法的3σ准则、基于机器学习的IsolationForest算法等，识别并去除异常数据点。例如，在车辆速度数据中，若某一时刻的速度值明显超出了合理范围（如超过车辆的最高设计速度），则将该数据点判定为异常值并进行剔除。在交通数据中，由于各种原因，如传感器故障、通信中断等，可能会出现数据缺失的情况。对于缺失的数据，本研究采用数据插补方法进行处理。对于时间序列数据，如车辆的速度、加速度等，采用线性插值法进行插补。线性插值法假设在缺失数据点前后的数据点之间，数据的变化是线性的，通过已知数据点的线性关系来估算缺失数据的值。对于非时间序列数据，如车辆类型、行人流量等，采用基于统计模型的方法进行插补，如均值插补、回归插补等。均值插补是将缺失数据所在变量的均值作为插补值；回归插补则是通过建立其他相关变量与缺失变量之间的回归模型，利用已知的相关变量值来预测缺失数据。在数据采集过程中，由于设备的多次触发或数据传输错误等原因，可能会出现重复数据。这些重复数据不仅会占用存储空间，还会影响数据分析的准确性。为了去除重复数据，本研究采用数据去重算法。首先，根据数据的唯一标识字段（如车辆的车牌号码、行人的个体标识等），对数据进行初步筛选，去除完全相同的数据记录。对于部分字段相同但不完全一致的重复数据，通过比较数据的关键特征和上下文信息，进一步判断其是否为重复数据，并进行相应的处理。例如，在车辆轨迹数据中，如果两条轨迹数据的起始时间、起始位置、行驶方向等关键特征完全相同，且在一定时间范围内，可判定为重复数据并进行删除。通过数据清洗、异常值剔除、数据插补和数据去重等一系列数据质量控制和处理措施，有效地提高了数据的质量，为后续的交通运行分析、排放计算以及行人暴露评估提供了可靠的数据基础。四、基于微观仿真的航站楼前车道边排放模型构建4.1微观交通仿真模型选择与建立4.1.1仿真软件选择在进行微观交通仿真研究时，选择合适的仿真软件至关重要。目前，市场上存在多种微观交通仿真软件，其中VISSIM和PARAMICS是两款应用较为广泛的软件，它们在功能、适用场景等方面存在一定差异。VISSIM是德国PTV公司开发的一款微观交通仿真软件，它以0.1秒作为基本的时间步长，采用离散和随机模型来模拟车辆的纵向运动。该软件的图形化界面支持2D和3D动画展示，便于用户直观地观察交通动态。在车辆行为模拟方面，VISSIM考虑了不同驾驶员的行为差异，分为保守型和冒险型，能够较为真实地模拟实际交通中的驾驶行为。其应用场景十分广泛，涵盖了信号控制设计与评价、公交优先方案分析、收费设施研究、路径诱导影响分析、通行能力和交通流分析、设计规划方案评估、环形交通评估、收费系统评价、智能交通系统效果评估、大型公交车站功能分析、交通设施优化设计、信号灯控制程序设计与优化、公交优先系统设计等多个领域。在进行信号控制设计时，VISSIM可以通过其内置的信号控制模块，对不同的信号配时方案进行模拟，分析不同方案下的交通运行指标，如车辆延误、排队长度等，从而为信号配时的优化提供依据。PARAMICS是由英国Quadstone公司开发的微观交通仿真软件，以其高效、精确和灵活的特性在业界受到广泛应用。该软件允许用户详细模拟复杂的交通网络，包括多层立交桥、交织路段和复杂的信号控制策略。它提供了一套强大的建模工具，可以对交通流、驾驶员行为、交通管理策略进行精细模拟，适用于交通规划、交通工程设计、交通政策分析以及交通需求预测等领域。PARAMICS支持实时数据采集和动态模型调整，使得交通仿真更加贴近实际。在交通规划中，PARAMICS可以根据不同的规划方案，模拟未来交通流量的变化情况，评估规划方案对交通运行的影响。对于航站楼前车道边这种交通环境复杂、交通组成多样且对仿真精度要求较高的场景，VISSIM软件具有更突出的优势。其详细的车辆行为模拟功能能够更好地适应航站楼前车道边车辆频繁启停、加减速以及变道等复杂的行驶行为；丰富的应用场景使其能够全面涵盖航站楼前车道边的各种交通设施和交通管理策略的模拟需求；直观的图形化界面也便于研究人员对仿真结果进行观察和分析。因此，本研究选择VISSIM软件作为构建航站楼前车道边微观交通仿真模型的工具。4.1.2模型构建本研究基于VISSIM软件，依据前文采集的数据，构建了包含道路网络、交通控制、车辆行为等多个关键模块的微观交通仿真模型，以全面、准确地模拟航站楼前车道边的交通运行状况。在道路网络模块，利用VISSIM软件的路网编辑功能，根据实地测量和图纸资料获取的道路几何参数，精确绘制了航站楼前车道边的道路网络。详细设置了车道数、车道宽度、坡度、曲率等参数，确保道路网络与实际情况高度一致。对于车道边的弯道部分，按照实际的曲率半径进行建模，以准确模拟车辆在弯道行驶时的速度变化和行驶轨迹。同时，还对道路上的交通设施进行了详细建模，包括公交停靠站、出租车候客区、私家车落客区等，明确了各设施的位置、范围和功能。在公交停靠站的建模中，设置了合理的停靠长度和进出站规则，以模拟公交车的停靠和起步过程对交通流的影响。交通控制模块是微观交通仿真模型的重要组成部分，它直接影响着交通流的运行效率和秩序。在本模型中，根据航站楼前车道边的实际交通控制情况，设置了信号灯控制、停车让行标志等交通控制策略。对于信号灯控制，采用了感应式信号控制方式，通过在路口设置车辆检测器，实时检测交通流量，根据交通流量的变化动态调整信号灯的配时。当某一方向的车辆排队长度超过一定阈值时，信号灯会适当延长该方向的绿灯时间，以缓解交通拥堵。同时，还考虑了行人过街的需求，设置了行人信号灯和行人过街时间。在停车让行标志的设置上，根据实际道路情况，在一些需要车辆停车让行的路口和路段进行了准确建模，模拟车辆在遇到停车让行标志时的减速、停车和重新启动过程。车辆行为模块是微观交通仿真模型的核心，它通过对车辆的跟驰、换道、超车等行为进行建模，真实再现了车辆在交通流中的运行状态。在跟驰行为建模方面，VISSIM软件采用了Wiedemann的“心理—生理跟车模型”，该模型基于驾驶员的心理和生理反应，通过车速和空间阈值的随机分布，能够很好地体现驾驶员的个体驾驶行为特性。在换道行为建模中，采用了基于规则(Rule-based)的算法，根据车辆的行驶状态、周围车辆的分布情况以及驾驶员的意图，判断车辆是否满足换道条件。只有当目标车道前方的车距大于一定阈值，且车辆与目标车道上其他车辆之间的安全距离得到满足时，车辆才会进行换道。对于超车行为，模型考虑了车辆的速度、加速度以及道路条件等因素，只有在具备足够的超车空间和安全条件时，车辆才会进行超车操作。为了使微观交通仿真模型更加真实地反映实际交通情况，还对模型进行了一些特殊设置。考虑到航站楼前车道边的交通流量在不同时段存在较大差异，在模型中设置了动态交通需求。根据不同时段的交通流量数据，在仿真过程中动态调整进入车道边的车辆数量和类型，以模拟交通流量的变化。针对航站楼前车道边行人与机动车混行的情况，在模型中添加了行人模块，对行人的行走速度、路径选择、与机动车的交互等行为进行了模拟。通过设置行人的行走速度范围和行走路径偏好，模拟行人在人行道和横道上的行走行为。同时，考虑到行人与机动车之间的相互影响，当行人穿越车道边时，机动车会根据行人的位置和行走速度进行减速或避让，以确保交通安全。4.1.3模型参数标定与验证模型参数的准确标定是保证微观交通仿真模型可靠性和准确性的关键环节。本研究运用实地观测和视频分析获取的数据，对微观交通仿真模型中的关键参数进行了细致标定，旨在使模型输出结果与实际交通状况高度契合。在车辆跟驰模型参数标定方面，重点对反应时间、安全距离、最大加速度、最大减速度等关键参数进行了调整。通过分析实地观测数据中车辆在不同行驶工况下的跟驰行为，运用最小二乘法等优化算法，确定了各参数的最优值。根据实地观测，在交通拥堵情况下，车辆的平均反应时间约为1.5秒，安全距离约为5米，最大加速度约为1.2米/秒²，最大减速度约为3.5米/秒²。将这些参数代入跟驰模型进行仿真，使模型能够准确模拟车辆在拥堵情况下的跟驰行为。对于车道变换模型参数，主要对车道变换的决策阈值、换道时间等参数进行了标定。通过对视频分析数据中车辆换道行为的统计和分析，结合实际交通情况，确定了合理的参数值。在航站楼前车道边，当车辆前方的车距小于10米且目标车道前方的车距大于15米时，车辆有较高的概率进行车道变换，换道时间约为3秒。将这些参数应用于车道变换模型，使模型能够真实地反映车辆在车道边的换道行为。交通控制参数的标定同样重要，本研究对信号灯的配时、相位差等参数进行了优化。通过对比实际交通流量和信号灯控制下的车辆运行情况，运用交通信号优化算法，如遗传算法、模拟退火算法等，对信号灯的配时进行了调整。在早高峰时段，将某个路口的东西向绿灯时间从原来的30秒延长至40秒，同时调整相位差，使各方向的交通流能够更加顺畅地通过路口。模型验证是评估模型准确性和可靠性的重要步骤。本研究运用不同场景下的实测数据对模型进行了全面验证，包括不同时段、不同交通流量和不同交通管制措施下的交通运行情况。在验证过程中，选取了多个关键指标，如车辆平均速度、流量、延误时间、排队长度等，将模型输出结果与实测数据进行对比分析。在晚高峰时段，选取了航站楼前车道边的一段关键路段，对该路段的车辆平均速度进行验证。实测数据显示，该路段的车辆平均速度为15km/h，模型输出结果为14.5km/h，相对误差在合理范围内。通过对多个关键指标在不同场景下的验证，结果表明模型输出与实测数据吻合度较高，能够准确地反映航站楼前车道边的实际交通运行状况，具备良好的可靠性和有效性，为后续的机动车排放分析和行人暴露评估提供了坚实的基础。四、基于微观仿真的航站楼前车道边排放模型构建4.2机动车排放模型选择与改进4.2.1排放模型选择在众多的机动车排放模型中，CMEM（ComprehensiveModalEmissionsModel）模型因其基于机动车比功率（VSP）的独特计算方式，能够更精准地反映车辆在实际行驶过程中的尾气排放情况，与本研究中对航站楼前车道边复杂交通工况下机动车排放的研究需求高度契合，故被选为核心排放模型。CMEM模型的基本原理是基于机动车比功率（VSP）的概念。VSP定义为车辆行驶过程中单位质量的功率变化，它综合考虑了车辆的速度、加速度、坡度等因素，能够全面反映车辆的运行工况。其计算公式为：VSP=v\times(a+9.81\timessin(\theta)+0.132)+0.000302\timesv^3，其中v为车辆速度（m/s），a为车辆加速度（m/s^2），\theta为道路坡度（°）。通过实时计算车辆的VSP值，CMEM模型将车辆的行驶过程划分为不同的VSP区间，每个区间对应不同的排放因子。排放因子是指单位行驶里程内机动车排放的污染物质量，它与车辆的运行工况密切相关。在不同的VSP区间，车辆的发动机负荷、燃油消耗等状态不同，从而导致尾气排放的差异。例如，在加速工况下，发动机需要输出更大的功率，燃油消耗增加，尾气排放也相应增多；而在怠速工况下，发动机处于低负荷运行状态，尾气排放相对较少。与其他常见的排放模型相比，CMEM模型具有显著的优势。以MOBILE模型为例，MOBILE模型是一种宏观排放模型，它基于大量的实验数据和统计分析，通过建立排放因子与车辆行驶里程、速度、车型、燃油类型等因素之间的关系，来预测机动车的尾气排放量。然而，MOBILE模型采用的是平均的排放因子和宏观的交通参数，无法准确反映单个车辆的实际运行状态和排放特性，对于交通流的微观变化以及车辆个体差异对排放的影响考虑不足。而CMEM模型以单个车辆为研究对象，能够根据车辆的实时运行工况，精确计算尾气排放量，更适用于对航站楼前车道边这种交通工况复杂、车辆运行状态多变的区域进行排放分析。在航站楼前车道边，车辆频繁启停、加减速以及在不同坡度的道路上行驶，CMEM模型能够准确捕捉这些工况变化，计算出相应的排放情况，而MOBILE模型则难以准确反映这些微观变化对排放的影响。4.2.2基于微观仿真的排放模型改进为了进一步提高排放模型在航站楼前车道边复杂交通环境下的精度，本研究结合微观交通仿真输出的车辆运行工况数据，对CMEM模型进行了针对性的改进。微观交通仿真模型能够详细模拟车辆在航站楼前车道边的行驶轨迹、速度变化、加速度、停车时间等运行工况数据。通过将这些数据与CMEM模型相结合，可以更准确地确定车辆在不同时刻所处的