- 选题背景和意义：
由于快速的经济发展和城市化，车辆拥有量和使用量急剧增加，导致了与交通有关的空气污染问题。这已经成为世界范围内的严重问题。例如，在美国，交通运输部门约占一氧化碳总排放量的50%，其中超过58%是由高速公路车辆产生的（美国环保局，2016年）。最近的研究表明，汽车排放是中国空气污染物的主要贡献者。车辆排放对CO，CO2，HC，NOx和PMs的贡献很大，它们都对我们的环境和健康构成严重威胁。
因此，对空气污染物的研究迫在眉睫。而我们的重心将放在城市内部，因为高度的城市化已经将大部分的人口转移到了城市内部，而高集聚的生活方式也增加了城市居民被暴露在污染气体中的影响程度。研究区域范围的污染气体时空特性，将帮助我们深入了解污染气体的来源，以及将如何减少污染气体对城市内部居民的影响。而一个有效的预测模型，将提供给我们一种新的评价现有城市道路体系及其他土地利用规划的思路。
- 课题关键问题及难点：
本课题的关键问题有三个。
首先，是对区域污染气体的时空特性进行初步的分析。这一步的难点有二：一是如何进行小区的划分，由于我们将研究的是污染气体与交通相关的性质，我们需要将研究区域划分为数个交通小区（TAZ）；二是如何对污染气体的时空特性进行可视化，好的可视化手段能帮助我们直观地对数据进行理解。
其次，我们要对区域污染气体浓度（因变量）与各解释变量进行关联分析，以构建合适的模型。这一步我们的难点在于如何将人口和土地利用变量加入模型之中，以及应该选用什么模型来进行拟合。
最后，我们需要进行预测分析。预测分析是模型的意义所在，我们需要根据预测模型来选定评价指标，构建一个新的评价体系，用来对交通规划的环境影响进行评估，并确定合适的阈值，进行定性的评价。
- 文献综述（或调研报告）：
目前，污染气体排放预测主要针对个体车辆、路段和区域。对于个体车辆，Yu[1]最先根据指数回归模型,利用车辆速度，加减速，发动机温度等因素预测不同车辆类型的排放情况，结果表明，这几个变量对各种车辆类型的排放都有不同的影响。李伟[2]第一次利用北京车辆的实际数据，包括车速，环境参数，油品参数等修正现有的排放因子模型MOBILE 5,最终得到不同的车辆类型的不同排放因子。也主要利用车辆的瞬时速度与加速度等参数得到不同车辆的逐秒排放率[3, 4, 5, 6, 7, 8]。但是，很难将这些模型用于大规模的排放估算，例如城市或交通分析区（TAZ）规模。因为长期、大规模地收集这些瞬时数据既困难又昂贵。
关于路段,大部分研究分析得到每单位长度每车NO2的排放量,再根据路段长度和相关交通量信息得到整个路段排放NO2的排放量[9，10，11]。[9]对路段污染物的排放率做了基础性研究,认为路段排放物排放率与路段车流密度直接相关，因此直接利用每辆车的排放率与车流密度计算得到对应的路段的排放率。
对于区域范畴的预测模型，现有研究计算了道路段的车辆排放量，然后汇总了不同地理区域的排放量[12，13,14,15，16]，这些模型可以提供更准确的排放估算结果。
最近，一些研究已经使用机器学习算法来预测车辆排放[17,18,19]。例如，刘等（2016年）[20]使用支持向量机模型，使用14个变量来预测NOx浓度。Krause等（2016）[21]利用贝叶斯信念网络评估了2030年德国新车队的CO2排放，其中有四种变量。尽管机器学习（ML）方法可以具有良好的预测准确性，但它们通常像黑箱一样工作。它们不能直接用于揭示输入变量和结果变量之间的关系。而且，ML方法通常不考虑空间异质性。他们无法捕获不同空间单元中输入变量和结果变量之间的变化关系。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
