SUMO仿真中单车辆排放数据差异分析:fuel_abs与fuel_perVeh不匹配问题解析
2025-06-29 20:53:59作者:邓越浪Henry
问题背景
在SUMO交通仿真系统中,当用户模拟单个车辆运行时,可能会发现edgeData输出的排放指标中fuel_abs(绝对燃料消耗量)与fuel_perVeh(每车燃料消耗量)数值不一致的情况。这种现象看似违反直觉,但实际上反映了SUMO仿真引擎中排放计算的特定逻辑。
核心机制解析
SUMO的排放计算模块在处理边缘(edge)数据时采用了两种不同的计算方式:
- 绝对燃料消耗(fuel_abs):记录所有车辆在该边缘上实际消耗的燃料总量
- 每车燃料消耗(fuel_perVeh):基于假设车辆完整通过整个边缘长度来计算的理论值
当存在以下情况时,两者会出现差异:
- 车辆不是从边缘的0位置(默认起始位置对应车辆长度)开始行驶
- 车辆未行驶到车道末端就离开边缘
- 车辆在边缘上的行驶距离小于完整边缘长度
技术实现细节
在SUMO的代码实现中,fuel_perVeh的计算基于完整边缘长度的理论消耗,而fuel_abs则精确记录了车辆实际行驶距离的消耗。这种设计使得:
- 对于完整通过边缘的车辆,两者数值应当接近
- 对于部分通过边缘的车辆,
fuel_perVeh会高于实际消耗 - 在聚合多个车辆数据时,
fuel_perVeh代表的是平均值
对仿真结果的影响
这种差异特性意味着:
- 在分析单个车辆或短距离行驶时,应优先参考
fuel_abs数据 fuel_perVeh更适合用于统计完整通过边缘的车辆平均消耗- 在设置检测器或分析特定路段时,需要考虑车辆的实际行驶距离
最佳实践建议
-
对于精确的排放分析,建议结合使用两种指标:
- 用
fuel_abs获取实际总排放量 - 用
fuel_perVeh评估路段的单位车辆排放特征
- 用
-
在需要一致数据的场景下,可以:
- 确保车辆从边缘起点开始行驶
- 配置车辆完整通过边缘
- 使用自定义的排放检测器获取更精确的数据
-
对于微观分析,考虑直接使用车辆轨迹数据而非边缘聚合数据
总结
SUMO中fuel_abs和fuel_perVeh的差异不是错误,而是反映了仿真系统对不同分析需求的支持。理解这一机制有助于用户更准确地解读排放数据,特别是在进行精细化的交通排放研究时。开发者已经通过代码更新明确了这一行为特征,用户在使用时应当根据具体分析目标选择合适的指标。
登录后查看全文
热门项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.18 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
Ascend Extension for PyTorch
Python
228
258
暂无简介
Dart
679
160
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
325
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492