史云陽,苗 陽,席殷飛,張 奇,劉志遠(yuǎn)

(東南大學(xué)交通學(xué)院,南京211189)

“開展綠色出行行動,倡導(dǎo)綠色低碳出行理念”是我國推動綠色交通、智慧交通,實現(xiàn)交通強國戰(zhàn)略目標(biāo)的重要環(huán)節(jié).隨著社會經(jīng)濟(jì)的發(fā)展和生活水平的不斷提高,人們對汽車的需求量逐年大幅度上漲,同時汽車尾氣的排放對環(huán)境造成極其嚴(yán)重的影響.面對嚴(yán)峻的環(huán)境問題,我國大力倡導(dǎo)“低碳生活,綠色出行”“節(jié)能環(huán)保我先行”,一大批新興節(jié)能環(huán)保朝陽產(chǎn)業(yè)應(yīng)運而生,而新能源汽車產(chǎn)業(yè)橫空出世,既能滿足人們的需求,又能降低對環(huán)境的破壞,實現(xiàn)對環(huán)境的“零”傷害.發(fā)展和推廣新能源汽車是城市可持續(xù)發(fā)展的重要舉措之一,新能源汽車也逐漸成為居民選擇出行工具的一個重要選項,這使得在交通領(lǐng)域中新能源汽車的應(yīng)用研究將成為未來幾年的重點方向[1].

目前,我國正處于從傳統(tǒng)汽車的使用向以新能源汽車為代表的新型交通工具使用的轉(zhuǎn)變中．而其中純電動汽車以其有可充電電池提供動力,實現(xiàn)真正的零排放的特點被認(rèn)為是未來交通出行的首選.因此,純電動汽車市場也是中國新能源汽車的主流市場.為了滿足城市內(nèi)部及城際新能源汽車出行的需求,推進(jìn)新能源在交通領(lǐng)域的廣泛使用,我國在高速公路服務(wù)區(qū)和城市內(nèi)均布設(shè)了大量的充電設(shè)備.截至2019年底,我國新能源汽車保有量380萬,充電樁達(dá)到120多萬個.從行業(yè)政策看,2020年我國規(guī)劃建成充電樁480萬個,充電樁配建要求和建設(shè)運營補貼充分保障了充電樁的規(guī)劃和實施[2].國外電動汽車產(chǎn)業(yè)的發(fā)展相對較早,配套的基礎(chǔ)設(shè)施也在逐步完善中,對電動汽車的研發(fā)得到了政府的資金資助和科研力量的大力支持.但是,已有新能源汽車使用量的不斷增大,導(dǎo)致了其中存在的問題和挑戰(zhàn)逐步加深與升級,其中純電動汽車在續(xù)航里程和充電便利性的短板,更是限制其發(fā)展和影響消費者購買和使用的關(guān)鍵問題.

為方便人們的日常出行和提高用戶駕車體驗,一些成熟的GPS導(dǎo)航系統(tǒng)逐步投入市場應(yīng)用.但前期的導(dǎo)航系統(tǒng)大多是基于靜態(tài)的路徑規(guī)劃,其路徑選擇算法的效率不高且算法不易實現(xiàn).面對復(fù)雜的交通實際情況,當(dāng)前提出的算法在實際交通網(wǎng)絡(luò)中實施起來有較大困難,缺乏實時性和有效性,不能滿足用戶需求.隨著技術(shù)的發(fā)展與進(jìn)步,基于實時交通信息的動態(tài)導(dǎo)航系統(tǒng)正處于研究開發(fā)階段,該類系統(tǒng)主要基于歷史以及當(dāng)前獲取的交通信息,對未來短時交通流量進(jìn)行合理預(yù)測,從而及時調(diào)整和更新最佳行車路線.車輛動態(tài)路徑規(guī)劃也逐漸成為現(xiàn)今相關(guān)領(lǐng)域?qū)W者們的研究熱點.但是,由于道路實時交通狀況、各個路段的擁堵狀況相對復(fù)雜,車載動力源續(xù)航能力較弱,相應(yīng)配套的基礎(chǔ)設(shè)施不夠完善,救援呼救系統(tǒng)尚未成熟等因素,致使純電動汽車路徑在規(guī)劃上受到多種因素影響,并不能得到真正意義上的最優(yōu)路徑.另外,新能源汽車的加入會使整個網(wǎng)絡(luò)的行駛工況發(fā)生改變,如此前不常發(fā)生交通擁堵的路段可能會因為安裝了充電樁而成為吸引點,造成局部路段擁堵.在現(xiàn)階段的背景下,分析已有純電動汽車的行駛特性,預(yù)測道路交通狀態(tài),進(jìn)行合理、有效的路徑規(guī)劃,不僅能夠達(dá)到減少道路阻塞和交通事故的目的,而且還對解決實際問題和為未來規(guī)?；占凹冸妱悠嚲哂兄匾饬x.

目前,國內(nèi)外對純電動汽車的理論研究主要集中在與其相關(guān)的配套基礎(chǔ)設(shè)施、車載動力源、未來發(fā)展歷程、未來發(fā)展趨勢等幾個方面,而對于純電動汽車的路徑規(guī)劃研究還相對較少.在進(jìn)行純電動汽車的路徑規(guī)劃和選擇時,不僅需要考慮傳統(tǒng)車輛路徑規(guī)劃的時空因素,還需要考慮車輛的電能儲量與充電過程.在此背景下,本工作圍繞行駛工況預(yù)測和路徑規(guī)劃2方面,結(jié)合純電動汽車電量消耗和充電需求,動態(tài)地分析路網(wǎng)的各種因素對其路徑選擇的影響,為純電動汽車的推廣、應(yīng)用以及后續(xù)研究提供參考.本工作的研究邏輯框架如圖1所示.

圖1 研究邏輯框架圖Fig.1 Research logic framework

1 交通狀態(tài)擁堵預(yù)測

1.1 基于傳統(tǒng)理論的擁堵預(yù)測方法

傳統(tǒng)的交通狀態(tài)預(yù)測方法一般會給出對應(yīng)的交通要素,常使用到的要素有車道或車道橫斷面的交通流量、擁堵時間、密度、道路飽和度、道路平均行程速度比以及排隊長度比等,也有學(xué)者考慮擁堵發(fā)生對于時間方面的影響.另外,對于擁堵影響趨勢的預(yù)測方法也不盡相同,目前有基于小波分析理論預(yù)測方法、核密度估計法、基于時間序列的預(yù)測、基于穩(wěn)態(tài)評價指數(shù)的預(yù)測.馮星宇等[3]利用傳統(tǒng)的浮動車法來對車速進(jìn)行測量,通過記錄車輛在路網(wǎng)上運行的坐標(biāo)、速度、時間等狀態(tài)信息,得到路段的區(qū)間運行速度和行程時間,避免了傳統(tǒng)交通檢測方式投入高、數(shù)據(jù)精度和實時性差等缺點,既可以顯著降低成本,又能有效地利用車輛的運行狀況獲取準(zhǔn)確的道路交通信息;陳小紅等[4]選取各項中、微觀指標(biāo)來分析城市路段的運行狀態(tài),從而確定交叉口的運行狀況,從時間的角度判斷交叉口是否發(fā)生擁堵.傳統(tǒng)的預(yù)測方法考慮因素少,實現(xiàn)簡單,對于數(shù)據(jù)源的要求苛刻,不適用于情況復(fù)雜的道路,具有一定的局限性.

基于傳統(tǒng)交通理論的這一類方法可以從理論上預(yù)測道路交通擁堵的狀況,找出擁堵問題的源頭,進(jìn)而改進(jìn)交通擁堵的狀況.但是,在使用傳統(tǒng)擁堵預(yù)測方法進(jìn)行預(yù)測時還存在一些問題,如在數(shù)據(jù)收集階段,當(dāng)前大部分通過傳統(tǒng)手段進(jìn)行數(shù)據(jù)收集的方法人力消耗大、費用高、投入多,不適合長期的、多個路段的預(yù)測;在目前的數(shù)據(jù)收集方法中,采用浮動車法進(jìn)行數(shù)據(jù)收集,該方法可以較為快速而精確地獲得交通數(shù)據(jù),但是能夠獲得的數(shù)據(jù)種類有限.在進(jìn)行擁堵預(yù)測時,傳統(tǒng)交通理論方法考慮的因素較少,即使考慮了包含動態(tài)因素(時變因素)在內(nèi)的多個因素,所得到的參數(shù)仍然較少.當(dāng)參數(shù)增多后,基于傳統(tǒng)理論的交通擁堵預(yù)測方法在預(yù)測時運算量激增,因此有較大的局限性,不適用于多路段預(yù)測.

1.2 基于機器學(xué)習(xí)理論的擁堵預(yù)測方法

近年來,隨著人工智能技術(shù)的快速發(fā)展,許多學(xué)者開始使用機器學(xué)習(xí)進(jìn)行擁堵預(yù)測,常用的方法有神經(jīng)網(wǎng)絡(luò)及其改進(jìn)算法、馬爾科夫預(yù)測模型、Logistic模型等.此外,還有學(xué)者使用K近鄰算法對擁堵狀況進(jìn)行預(yù)測.神經(jīng)網(wǎng)絡(luò)預(yù)測方法是其中較為常用的方法,其改進(jìn)算法有Bagging集成學(xué)習(xí)方法、改進(jìn)BP(back propagation)神經(jīng)網(wǎng)絡(luò)算法、基于學(xué)習(xí)向量量化LVQ(learning vector quantization)神經(jīng)網(wǎng)絡(luò)方法以及基于RBF(radial basis function)神經(jīng)網(wǎng)絡(luò)方法.程山英[5]整理了一些常用的擁堵預(yù)測方法:①使用基于改進(jìn)人工蜂群的擁堵汽車流量預(yù)測方法,這種方法預(yù)測效率高,但是預(yù)測結(jié)果與實際相差較大;②將神經(jīng)網(wǎng)絡(luò)和小波方法相融合,該方法預(yù)測穩(wěn)定性較高,但是存在預(yù)測過程較為繁瑣、耗時長的問題;③基于變量選擇的擁堵汽車流量預(yù)測方法,該方法預(yù)測時間復(fù)雜度較低,但是存在預(yù)測穩(wěn)定性差的問題.對于Logistic模型而言,基于Softmax的預(yù)測模型是Logistics模型在多分類問題中的推廣,譚娟等[6]就曾使用該模型對交通擁堵進(jìn)行預(yù)測,精度較高.但是,該模型在預(yù)測交通擁堵地段時較為準(zhǔn)確,在預(yù)測非擁堵路段時就不夠準(zhǔn)確.劉夢涵等[7]在評價交通擁堵強度時也使用了累積Logistic回歸模型,這種模型基于行程時間和行程速度,在預(yù)測快速路段等均勻車流的擁堵程度時有較好的表現(xiàn).但是該方法不夠客觀,因為其收集的交通擁堵感知狀況是由交通參與者主觀判斷得到的,具有較大的主觀性和隨機性,因此數(shù)據(jù)獲取不夠客觀.邢珊珊等[8]使用了RBF神經(jīng)網(wǎng)絡(luò)對速度進(jìn)行了預(yù)測,預(yù)測時考慮到速度時空特性,最后得到的結(jié)果比單純使用時間序列的神經(jīng)網(wǎng)絡(luò)具有更高的準(zhǔn)確性.但是,該方法中只考慮了速度參數(shù),沒有考慮路段交通流信息和外界環(huán)境的影響.在對復(fù)雜城市道路網(wǎng)絡(luò)進(jìn)行擁堵預(yù)測時,劉張等[9]使用了添加調(diào)節(jié)項的高階馬爾可夫預(yù)測模型,這種方法彌補了馬爾可夫模型預(yù)測多條道路交通精度不足的缺陷,可以反映道路上各時間點數(shù)據(jù)之間的影響,精度較高.在對復(fù)雜城市交通網(wǎng)絡(luò)進(jìn)行擁堵預(yù)測時,韋清波等[10]還使用了K近鄰預(yù)測模型,利用該方法學(xué)習(xí)歷史數(shù)據(jù),通過訓(xùn)練和學(xué)習(xí)預(yù)測未來的趨勢.這種方法能夠精確模擬真實情況,但是受制于歷史數(shù)據(jù)庫容量的影響,如果數(shù)據(jù)庫中數(shù)據(jù)較少,則訓(xùn)練可能不到位,不能很好地預(yù)測.基于機器學(xué)習(xí)的擁堵預(yù)測方法在不同情況下相較于傳統(tǒng)預(yù)測方法有更好的效果,不同的方法也有各自的優(yōu)勢,具體方法的應(yīng)用需要根據(jù)預(yù)測需求與數(shù)據(jù)源進(jìn)行調(diào)整.

綜上,基于機器學(xué)習(xí)的預(yù)測方法在交通擁堵預(yù)測中被廣泛使用.這些方法對于歷史數(shù)據(jù)的質(zhì)量要求不高,即使在采集數(shù)據(jù)時個別數(shù)據(jù)出現(xiàn)了缺失或者錯誤,也可以在數(shù)據(jù)清洗階段對其進(jìn)行處理,而不影響對模型的訓(xùn)練.但是這些預(yù)測方法對于數(shù)據(jù)的數(shù)量要求較高,因為基于機器學(xué)習(xí)的方法必須通過輸入大量的真實數(shù)據(jù)進(jìn)行訓(xùn)練,才能較好地預(yù)測與真實情況相近的結(jié)果;歷史數(shù)據(jù)的不足將會使其訓(xùn)練不到位,這對預(yù)測結(jié)果將會有較大的影響.目前,由于交通網(wǎng)絡(luò)中電子設(shè)施的應(yīng)用正逐步增加,因此數(shù)據(jù)數(shù)量不足將不會成為交通擁堵預(yù)測的制約因素.此外,這類方法對于是否道路擁擠的判斷來源于對交通參與者的調(diào)查,道路擁堵程度的數(shù)據(jù)收集具有較強的主觀性,故這些方法在擁堵路段的預(yù)測準(zhǔn)確度比普通路段的更高.應(yīng)用基于機器學(xué)習(xí)的擁堵預(yù)測方法能夠有效地提高對道路交通狀態(tài)的預(yù)測精度和運算速度,是解決車輛路徑規(guī)劃問題的基礎(chǔ).

2 車輛路徑規(guī)劃

車輛路徑規(guī)劃問題一直都是交通領(lǐng)域的研究熱點,特別是從傳統(tǒng)理論指導(dǎo)下的路徑規(guī)劃直至近年來廣為應(yīng)用的基于機器學(xué)習(xí)的路徑規(guī)劃,使得路徑規(guī)劃結(jié)果越來越成為道路使用者做出決策判斷的重要參數(shù)之一.隨著數(shù)據(jù)采集與分析技術(shù)的逐步成熟,海量的交通數(shù)據(jù)能夠廣泛地應(yīng)用到路徑規(guī)劃問題中.眾多學(xué)者從不同的角度進(jìn)行路徑規(guī)劃算法研究,而對交通狀況實現(xiàn)較為精準(zhǔn)的預(yù)測能夠使路徑規(guī)劃的應(yīng)用場景更加真實,使路徑規(guī)劃的結(jié)果能更好地服務(wù)于道路使用者.

2.1 靜態(tài)路徑規(guī)劃算法

在大數(shù)據(jù)采集技術(shù)與機器學(xué)習(xí)方法沒有被廣泛普及之前,傳統(tǒng)的路徑規(guī)劃問題普遍使用最短路算法來解決.比較常用的是Dijkstra最短路算法和A*算法,這2種方法主要使用時間最短原則或道路最短原則來進(jìn)行選擇,而沒有考慮其他因素,如道路設(shè)施狀況、駕駛主體的個人需求、天氣以及行駛工況等.這種路徑規(guī)劃通常被稱為靜態(tài)交通路徑規(guī)劃,不考慮道路實時狀況,只從理想條件(或給定條件)下對交通流進(jìn)行分析,選擇理想條件(給定條件)時的最短路徑,求解出一條道路作為最優(yōu)解給出.一般該結(jié)果只能作為真實路徑規(guī)劃問題的指導(dǎo),而不能直接作為路徑規(guī)劃問題的最終結(jié)果.

Dijkstra最短路算法[11]和A*算法在進(jìn)行最短路求解時分別有各自的優(yōu)勢.A*算法在進(jìn)行單車最短路徑選擇時花費的時間可能比Dijkstra最短路算法使用的時間少,這是由于A*算法在從出發(fā)地到目的地的過程中并沒有遍歷各個節(jié)點,因此A*算法只適用于單車導(dǎo)航的情況,而不能有效地預(yù)測整個網(wǎng)絡(luò)的擁堵狀況;而Dijkstra算法可以找尋某出發(fā)點至其他各節(jié)點的最短路徑,從而更適用于整個網(wǎng)絡(luò)的路徑規(guī)劃.

Nicholson[12]提出了Dijkstra正反交替搜索算法,提高了搜索精度與效率.在傳統(tǒng)的路徑規(guī)劃方法中,很少有學(xué)者使用Floyd方法來選擇路徑,這是由于該方法通常只尋求2點間的最短路,而沒有對每個節(jié)點都進(jìn)行最短路的預(yù)測.但是,該算法在處理單一最短路問題上效率較高,當(dāng)前在路徑管理與規(guī)劃中也會遇到多重等價最短路的問題.左秀峰等[13]就針對這樣的現(xiàn)狀,率先使用Floyd方法進(jìn)行嘗試,設(shè)計了一個基于Floyd求解多重等價最短路的算法,通過實例證明了該算法在處理多重等價最短路問題上具有較好的效果;張德全[14]提出了Floyd的加速算法與優(yōu)化算法,使得該方法的應(yīng)用層面更加廣泛,同時也可以更加貼合實際.除此之外,剪枝法、KSP(knowledge strategy process)算法也在Hoffman等[15]的論文中有具體的敘述.但需要注意的是,雖然KSP算法可以求解出多條路線作為路徑規(guī)劃的結(jié)果,但是多條路徑的相似性較高,故在實際路徑規(guī)劃中適用性并不高.

靜態(tài)路徑規(guī)劃算法的優(yōu)點在于節(jié)點較少,路徑選擇的原則不改變,計算簡單,也比較容易找到節(jié)點與節(jié)點之間車輛的關(guān)系,可以獲得單個車輛在交通網(wǎng)絡(luò)中的路徑選擇結(jié)果;其缺點在于使用到的參數(shù)較少,沒有從時間、空間等多維度進(jìn)行考慮.另外,大部分靜態(tài)路徑規(guī)劃算法使用的路權(quán)矩陣不變,未能與真實的路網(wǎng)狀態(tài)相結(jié)合,也沒有考慮道路狀況和交通環(huán)境的時變性,不能夠模擬出真實的交通網(wǎng)絡(luò)狀況,無法得到較為精確的路徑規(guī)劃的信息.

2.2 動態(tài)路徑規(guī)劃算法

交通流理論日臻成熟,已有學(xué)者在傳統(tǒng)最短路方法上進(jìn)行了改進(jìn),使之初步具有路權(quán)隨車輛選擇而改變的特性.隨著機器學(xué)習(xí)在交通領(lǐng)域的應(yīng)用越來越廣泛,大數(shù)據(jù)采集技術(shù)越來越成熟,學(xué)者們開始使用基于機器學(xué)習(xí)的方法來解決路徑規(guī)劃問題.這類研究將實時交通狀態(tài)的變化加入到路徑規(guī)劃的參考中,根據(jù)對交通狀態(tài)的預(yù)測結(jié)果給出合理的路徑規(guī)劃方案,而非一成不變的規(guī)劃結(jié)果.在基于機器學(xué)習(xí)的路徑規(guī)劃中,通常需要進(jìn)行道路擁堵預(yù)測,將預(yù)測結(jié)果加入路徑規(guī)劃的參考中,獲得實時交通狀況對于路徑選擇的影響,通過對交通流的合理路徑規(guī)劃促使城市交通擁堵狀況的改善,使交通設(shè)施得到合理利用,實現(xiàn)用戶或整體最優(yōu)的目標(biāo).

為了更加合理地應(yīng)用Dijikstra算法,結(jié)合對交通狀況的預(yù)測實現(xiàn)路徑規(guī)劃,劉建美等[16]提出了一種改進(jìn)的Dijikstra算法,并在可以超車與不可超車的2種情況下進(jìn)行了預(yù)測.這種方法不再是要求路權(quán)不變,而是在每次選擇路徑后更新一次路權(quán),使得路權(quán)分布情況更符合實際情況.譚滿春等[17]基于ARIMA(autoregressive integrated moving average model)與人工神經(jīng)網(wǎng)絡(luò)組合模型對短時交通流進(jìn)行預(yù)測,獲得了比單一模型更加理想的預(yù)測結(jié)果,這2種預(yù)測模型的組合為智能交通管控和交通路徑誘導(dǎo)提供了新方法,為交通擁堵預(yù)測在路徑規(guī)劃的應(yīng)用提供了思路.胡清準(zhǔn)等[18]認(rèn)為,行車路徑設(shè)計是為了引導(dǎo)車量在考慮實時交通狀態(tài)后而規(guī)劃出的最佳路徑,避免出現(xiàn)更加擁堵的狀況,從而減少車輛的損耗時間;為了解決路徑優(yōu)化算法中的不足,他們還將遺傳算法與蟻群算法結(jié)合后得到了遺傳-蟻群算法.二者的優(yōu)點結(jié)合在一起進(jìn)行循環(huán),將每次循環(huán)后取蟻群算法中的較優(yōu)解代替遺傳算法的結(jié)果,可以有效避免陷入局部最優(yōu)解的困境,提高計算效率.高忠文等[19]指出了城市交通時空分配不夠均衡的問題,如果能通過對交通流的時空分析得到其潛在規(guī)律,并利用該規(guī)律對未來時間段的交通狀態(tài)進(jìn)行預(yù)測,則通過預(yù)測結(jié)果指導(dǎo)交通流在路網(wǎng)的分配和車輛預(yù)調(diào)度,可降低交通參與者在道路上的損耗時間,也可以緩解城市交通擁堵狀況.高忠文等還給出了借助監(jiān)控系統(tǒng)結(jié)合車牌圖像識別,通過大數(shù)據(jù)挖掘建立路網(wǎng)系統(tǒng)運行模式的方法,即通過監(jiān)控系統(tǒng)拍攝車輛,進(jìn)行照牌提取,分析整合車輛日常出行時間及路線,再通過模糊聚類分析算法進(jìn)行智能優(yōu)化計算,建立交通路網(wǎng)運行模式.這種方法的優(yōu)勢在于其復(fù)雜度較小,信息量小;可以反映出多層調(diào)節(jié)的關(guān)系;有正常運行模式的對照,可以及時反映出異常情況.巫錦銘等[20]也曾研究動態(tài)預(yù)約模式下的路徑規(guī)劃問題,使用了改進(jìn)遺傳算法,添加了時間窗和路徑的限制,使規(guī)劃結(jié)果更符合實際情況;并與貪婪算法的結(jié)果進(jìn)行對比,結(jié)果顯示有較好的表現(xiàn).Liu等[21]通過設(shè)計一種稱為流行導(dǎo)線圖的結(jié)構(gòu)來總結(jié)歷史軌跡,并基于歷史軌跡以最小出行成本為目標(biāo)搜索出頻率最高的熱門路徑.基于歷史熱門線路進(jìn)行路徑規(guī)劃大大減少了算例的時間,為基于歷史熱門路線結(jié)合實時交通狀況解決路徑規(guī)劃問題提供了新思路.劉春燕等[22]在開源實時處理系統(tǒng)Storm框架的基礎(chǔ)上,設(shè)計了城市實時動態(tài)路徑規(guī)劃模型(UR-mode),通過大數(shù)據(jù)進(jìn)行交互處理和道路交通狀況預(yù)測,將出行者的靜態(tài)目標(biāo)與實時交通情況的動態(tài)目標(biāo)相結(jié)合;同時還設(shè)置了變化因子,避免在同一時刻給出相同的路徑規(guī)劃結(jié)果而使該道路因交通量激增造成新的擁堵.張書瑋等[23]考慮了交通環(huán)境實時變化的動態(tài)特性,基于多目標(biāo)蟻群優(yōu)化算法計算出最優(yōu)路徑,為出行者提供了包括出行路徑、各路徑上的行駛速度、充電位置與模式等出行要素,并提出了一種在動態(tài)隨機路網(wǎng)環(huán)境下的考慮多目標(biāo)多約束的電動車輛出行規(guī)劃策略.

可見,基于傳統(tǒng)理論的簡單路徑規(guī)劃最常用的方法是基于最短路進(jìn)行路徑規(guī)劃.目前主要有2種方式:①只考慮當(dāng)前車輛的單車路徑規(guī)劃;②考慮全局的多路徑規(guī)劃.前者在進(jìn)行路徑規(guī)劃時只能考慮到單個車輛的運行軌跡,如果要對多個車輛進(jìn)行路徑規(guī)劃,則需要處理的數(shù)據(jù)量會激增,因此目前這種方法使用率較低;后者是多路徑規(guī)劃,可以同時獲取路網(wǎng)上各點之間的最短路(不只指路徑最短,根據(jù)不同的目標(biāo),最短路的目標(biāo)可以設(shè)置為時間、路徑長度等),該方法為傳統(tǒng)路徑規(guī)劃中比較熱門的方法,也是目前車載導(dǎo)航系統(tǒng)常用的方法.但是,傳統(tǒng)的方法仍然受制于較少的參數(shù)和較小的運算量,其運算結(jié)果與實際的路網(wǎng)狀況仍有較大的偏差,不能作為直接使用的路徑規(guī)劃結(jié)果.而基于機器學(xué)習(xí)的動態(tài)路徑規(guī)劃算法是基于歷史數(shù)據(jù)與行為學(xué)習(xí),對實時路況進(jìn)行擁堵預(yù)測,從時間和空間2個維度進(jìn)行綜合考量,可以將靜態(tài)目標(biāo)與動態(tài)實時狀況結(jié)合,給出較為理想的路徑規(guī)劃結(jié)果,避免出現(xiàn)更嚴(yán)重的城市道路交通擁堵狀況,從而獲得用戶或整體的最優(yōu)結(jié)果.目前基于機器學(xué)習(xí)的動態(tài)路徑規(guī)劃在沒有其他限制條件下的表現(xiàn)較傳統(tǒng)路徑規(guī)劃方法的好,路徑規(guī)劃的實時性和準(zhǔn)確性在客觀條件下可以得到滿足,但同樣受制于交通參與者個體因素的影響.現(xiàn)在也已經(jīng)有學(xué)者開始研究個人傾向以及同時選擇相同道路的多個車輛對路徑規(guī)劃的影響,并提出了簡單的解決方法.

3 能源消耗模型

純電動汽車由于自身的特性在續(xù)航里程以及充電便利性方面具有短板,這是限制純電動汽車發(fā)展和影響消費者購買和使用的關(guān)鍵問題.因此,準(zhǔn)確地預(yù)測純電動汽車的能源消耗具有十分重要的意義.近些年,許多學(xué)者開始對純電動汽車能源消耗模型進(jìn)行研究.影響能源消耗模型的相關(guān)因素可以分為外部因素(如司機的駕駛習(xí)慣、天氣情況、道路狀況等)和純電動汽車相關(guān)內(nèi)部因素(如電池狀況、車輛重量等).

3.1 傳統(tǒng)燃油車能源消耗模型

傳統(tǒng)燃油汽車的續(xù)駛里程長,在路徑規(guī)劃問題研究中一般不考慮中途加油的情況.而純電動汽車由于受到電池性能的影響,受續(xù)駛里程限制,故在一定程度上增加了路徑規(guī)劃的復(fù)雜性和難度.在燃油能源消耗方面,許多研究人員發(fā)現(xiàn),建立一個行駛工況有助于研究能源消耗問題.基于行駛工況參數(shù)(瞬時速度和加速度),Yao等[24]分別針對加速、減速、巡航和怠速條件,驗證了基于車速和加速度的能源消耗模型;為了研究不同駕駛方式和車型對油耗的影響,Yuan等[25]將其與基于標(biāo)準(zhǔn)行駛工況的估計值進(jìn)行了比較,使用從真實數(shù)據(jù)中提取的個性化行駛工況來估計傳統(tǒng)車輛和混合動力電動車輛的油耗;Liaw等[26]利用模糊邏輯模式識別技術(shù)進(jìn)行了一次行駛工況分析,研究了基于行駛速度和行駛距離的能源消耗模型;Bektas等[27]考慮車輛荷載、速度和總成本等因素建立了燃油汽車油耗消耗模型,該模型對于解決以減少碳排放為目的的車輛路徑規(guī)劃問題有指導(dǎo)意義.盡管傳統(tǒng)燃料汽車與純電動汽車存在差異,但是基于傳統(tǒng)燃料汽車能源消耗方面的研究對純電動汽車的能源消耗分析具有一定的借鑒意義,此時建立能源消耗模型時需考慮包括速度與加速度等在內(nèi)的行駛工況參數(shù).

3.2 考慮外部因素的純電動汽車能源消耗模型

研究與司機駕駛習(xí)慣和充電行為相關(guān)的因素對計算純電動汽車的能源消耗具有重要意義.Yang等[28]認(rèn)為,由于純電動汽車司機的生活習(xí)慣并沒有發(fā)生很大改變,因此其駕駛模式將類似于傳統(tǒng)燃料汽車,但是不同的駕駛行為會對純電動汽車的能源消耗產(chǎn)生相應(yīng)的影響;Zou等[29]結(jié)合北京電動出租車的運行數(shù)據(jù),提出了能源消耗與司機的行為有著密切的關(guān)系;Bingham等[30]基于車輪轉(zhuǎn)速和電池狀態(tài)等因素進(jìn)行了駕駛實驗,發(fā)現(xiàn)駕駛方式對電池能源消耗有較大影響,適度的駕駛行為與積極的駕駛行為能夠相差近30%左右的能源消耗.

另一方面,學(xué)者們也對道路狀況、天氣溫度等外部因素對純電動汽車能源消耗的影響展開了研究.Yang等[31]研究了道路坡度對純電動汽車能源消耗的影響,結(jié)果表明純電動汽車的總功耗與道路傾角呈正相關(guān);Liu等[32]結(jié)合日本愛知縣道路的GPS數(shù)據(jù)與數(shù)字高程圖模型(digital elevation model,DEM)數(shù)據(jù),研究了道路坡度對純電動汽車用電量的影響;此外,Wang等[33]考慮了環(huán)境溫度對純電動汽車能源消耗的影響,發(fā)現(xiàn)能量效率與環(huán)境溫度之間的關(guān)系呈現(xiàn)不對稱的“U”形,其最佳能量效率發(fā)生在17.5?C左右;Kambly等[34]綜合考慮天氣、太陽能負(fù)荷、駕駛行為、充電行為等外部因素與能源消耗相結(jié)合,提出了一種系統(tǒng)級的方法,但該方法并未考慮車輛的相關(guān)因素.純電動汽車在外部因素不同的情況下能源消耗率變化較大,耗電量也會隨路況等因素發(fā)生變化,因此僅僅考慮司機的駕駛習(xí)慣、天氣溫度等外部因素來建立能源消耗模型是不合理的,而應(yīng)結(jié)合車輛相關(guān)因素,如電池狀況、是否打開空調(diào)等.

結(jié)合上述研究可以發(fā)現(xiàn),影響純電動汽車能源消耗的外部因素是多方面的,不僅需要考慮司機的行為習(xí)慣,而且還需要考慮實際交通環(huán)境下的道路屬性、擁堵程度等.然而外部因素對于純電動汽車的能源消耗仍屬于宏觀的外部條件,精確的能源消耗估計離不開對車輛及電池內(nèi)部相關(guān)因素的研究.

3.3 考慮車輛相關(guān)內(nèi)部因素的純電動汽車能源消耗模型

考慮到能源消耗因素與純電動汽車自身屬性的關(guān)系,鋰離子電池因其高能量密度和低自放電率的性質(zhì)而非常適用于純電動汽車動力電池[35].Burgess等[36]對純電動汽車的能源需求進(jìn)行了參數(shù)化研究,結(jié)果表明能源需求與純電動汽車質(zhì)量成正比,降低純電動汽車的質(zhì)量是降低總能源消耗的最有效途徑;Kambly等[37]認(rèn)為,純電動汽車的儲能不僅用于牽引,而且還用于車內(nèi)的供暖、通風(fēng)和空調(diào)系統(tǒng),這表明駕駛里程還受限于空調(diào)等車載系統(tǒng)的能源消耗;Fiori等[38]描述了具有瞬時制動能量再生的瞬時能源消耗模型,研究結(jié)果表明純電動汽車在城市行駛環(huán)境中的能量回收率高于公路行駛的情況;張宸維等[39]考慮了整車阻力、能量回收、動力電池系統(tǒng)、電驅(qū)動系統(tǒng)、電氣系統(tǒng)、充電系統(tǒng)等6個方面對能源消耗的影響,建立了純電動汽車能源消耗數(shù)學(xué)計算模型.

此外,應(yīng)用于能源消耗模型的方法主要分為2類:①結(jié)合經(jīng)典理論的模擬實驗分析方法;②數(shù)據(jù)驅(qū)動的統(tǒng)計分析方法.Boubaker等[40]開發(fā)了一個微觀模擬工具,集成了能源消耗的微觀模型;將混合動力汽車和傳統(tǒng)燃料汽車的能源消耗分別置于2種能源消耗模型下,并對其結(jié)果進(jìn)行了比較,Wu等[41]提出了一個考慮可行行駛模式和無控制充電情景的能源消耗理論框架,該框架可估算出輕型插電式電動汽車的功率和功耗.然而,假設(shè)所有的純電動汽車每天同時開始充電是不合理的.隨著數(shù)據(jù)采集技術(shù)的進(jìn)步,使得對純電動汽車的能源消耗過程有了更全面的了解.以往的研究主要是基于該方法.Wu等[42]建立了一個純電動汽車數(shù)據(jù)采集系統(tǒng),采集時長約為5個月的電動汽車行駛數(shù)據(jù),結(jié)果顯示電動汽車的能量可以描述為在特定速度、加速度和坡度范圍內(nèi)的正態(tài)分布或?qū)?shù)正態(tài)分布;根據(jù)6個月內(nèi)使用純電動汽車的實際數(shù)據(jù),Brady等[43]提出了一種適用于評估影響純電動汽車能源經(jīng)濟(jì)性的變量(包括加速度、瞬時速度和行駛時間)的行駛工況.近年來,人工智能技術(shù)的迅速發(fā)展,也為研究能源消耗提供了新的途徑.如Felipe等[44]提出了一種計算能源消耗的模型,即以驅(qū)動方式和路徑變量為輸入的人工神經(jīng)網(wǎng)絡(luò)方法,可以提高純電動汽車用戶的信心,減少用戶擔(dān)心無法完成行程的焦慮.

雖然基于仿真模擬實驗的能源消耗模型是現(xiàn)今研究純電動汽車能源消耗與估計的主流方法,但是仿真實驗與真實情況的誤差在需要考慮車輛相關(guān)因素時被放大,由于基于真實純電動汽車出行數(shù)據(jù)的方法因數(shù)據(jù)量的不足也存在一定的缺陷,因此如何提高能源消耗模型的真實性與解決純電動汽車出行數(shù)據(jù)的局限性是構(gòu)建純電動汽車能源消耗模型下一步的研究方向.另外,外部因素與車輛相關(guān)因素都是建立能源消耗模型的關(guān)鍵,如何選擇合適的影響因素以及綜合考慮所選擇的因素對能源消耗的影響是該領(lǐng)域的難點.

4 純電動汽車的動態(tài)路徑規(guī)劃

一些學(xué)者綜合考慮了部分道路信息與車輛相關(guān)因素構(gòu)建了能源消耗模型,并提出了一些路徑規(guī)劃方法,但是大部分研究僅僅考慮了靜態(tài)的交通信息,并沒有考慮動態(tài)交通信息對于路徑選擇的影響.Guo等[45]認(rèn)為,路徑信息對于優(yōu)化能源消耗具有非常高的利用價值,采用動態(tài)規(guī)劃方法對路徑信息進(jìn)行處理,得到了一組最優(yōu)的電荷軌跡狀態(tài),并在此基礎(chǔ)上提出了一種新的基于費用約束的成本函數(shù)狀態(tài)估計方法,但是該方法僅局限于線路固定并重復(fù)的公交車,泛化性欠缺.Basso等[46]把純電動汽車路徑規(guī)劃問題創(chuàng)新性地分成了2個階段,結(jié)合了地形信息、車輛速度分布以及改進(jìn)的能源消耗估計方法.首先提出了一種計算路網(wǎng)能源成本系數(shù)的方法;其次,將能源消耗作為目標(biāo)函數(shù),考慮電池余量和時間窗約束,求解出起點與目的地之間的最佳路徑.雖然該路徑規(guī)劃方法結(jié)合了地理信息與能源消耗估計,但仍只是基于靜態(tài)的交通信息,并沒有考慮交通環(huán)境的變化.Roberto等[47]基于影響車輛能源消耗的因素提出了一種隨機路徑速度曲線,該方法對路線而不是司機進(jìn)行了分析,以確定能源消耗和空氣排放隨機化的約束和限制,認(rèn)為當(dāng)路線確定執(zhí)行后,人們對駕駛行為的影響就變得無關(guān),這種概率的方法為純電動汽車的路徑規(guī)劃提供了另一種觀點.而Yasmin等[48]則相反,認(rèn)為典型的車輛路徑規(guī)劃模型忽略了人為因素,而人為因素才是決定路徑規(guī)劃方法成功與否的關(guān)鍵;通過定義風(fēng)險承擔(dān)參數(shù)表示規(guī)劃者和駕駛者的自主程度,研究了駕駛者行為對最優(yōu)路徑的影響;采用2種啟發(fā)式(Greedy和Intra-route鄰域啟發(fā)式)方法,實現(xiàn)動態(tài)編程來確保更新路徑規(guī)劃的輸入數(shù)據(jù);還將其他人類特征(如疲勞、年齡和經(jīng)驗水平)整合到能源消耗估計模型中,以此改善所提出模型的真實性.

交通狀況預(yù)測一般設(shè)定在特定區(qū)域,以平均速度為考慮因素;而能源消耗的分析是針對特定車輛、特定工況,除了考慮數(shù)字高程、車內(nèi)是否開空調(diào)等因素外,對車輛運行狀態(tài)的考量還要重點放在頻繁停車、速度波動、最大車速等與瞬時車速密切相關(guān)的指標(biāo)上.因此,交通狀況預(yù)測與能源消耗分析二者之間有信息量級的跨越,如何將二者結(jié)合,基于所預(yù)測的交通狀況信息來提高能源消耗估計的準(zhǔn)確性及路徑規(guī)劃算法的真實性是現(xiàn)階段存在的難點.近兩年,已有學(xué)者開始探究將這些因素相結(jié)合,但該研究仍處于初步探索階段,其研究方法存在一定的局限性,并且相關(guān)研究較少.

郇寧等[49]在綜合考慮燃油汽車和純電動汽車的出行者行為差異、路段擁堵狀態(tài)、車輛能源消耗、充電設(shè)施布局等因素的基礎(chǔ)上,采用巢式Logit模型描述了包含充電需求判斷、充電設(shè)施和路徑選擇的純電動汽車出行聯(lián)合選擇行為,建立了考慮用戶在途中快速充電行為的動態(tài)交通流分配模型,該模型可以作為純電動汽車動態(tài)路徑規(guī)劃的一個參考.Steinbauer等[50]基于過去用戶出行行為、車輛和動態(tài)優(yōu)化的先驗信息,提出了一種考慮純電動汽車能源消耗的動態(tài)路徑規(guī)劃算法,但是該算法在應(yīng)用于電動車輛的物流運輸規(guī)劃問題時,缺少對家用純電動汽車用戶的出行特征的分析.楊洪明等[51]基于實時交通信息,使用矩陣分解獲得交通信息矩陣,在分時電價機制下提出了以用戶出行總成本最小為目標(biāo)的純電動汽車充電路徑優(yōu)化模型,但該模型依賴于傳感器與用戶使用手機提供路段的實時交通狀態(tài)信息,具有較大的局限性.蘇栗等[52]選取了包括最大速度、平均速度、環(huán)境溫度等12個特征參數(shù)行駛工況進(jìn)行了描述,并分析了各特征參數(shù)與能源消耗之間的相關(guān)性;構(gòu)建了純電動汽車的動態(tài)能源消耗模型,并基于此以出行總距離、總時間以及充電價格三者的權(quán)值之和最小為目標(biāo),考慮路徑規(guī)劃以及剩余電量構(gòu)建了純電動汽車充電路徑規(guī)劃模型,該模型較好地將交通狀態(tài)信息與能源消耗模型相結(jié)合;提出了一種符合真實情況的充電路徑規(guī)劃模型,但沒有考慮用戶的出行習(xí)慣等因素且所使用的數(shù)據(jù)為可插入式混合動力汽車在純電動模式下的行駛數(shù)據(jù),與純電動汽車用戶出行數(shù)據(jù)仍存在一定差異.

綜上,學(xué)者們雖然已開始進(jìn)行純電動汽車動態(tài)路徑規(guī)劃的相關(guān)研究,但仍存在一定的技術(shù)難點,應(yīng)綜合考慮如下幾個方面.①參考傳統(tǒng)燃油汽車的能源消耗模型,考慮純電動汽車的能量回收機制,以能源消耗估計為目標(biāo)函數(shù),提出一種高泛化性的能源消耗估計方法;結(jié)合動態(tài)交通狀態(tài)信息,考慮動態(tài)編程不斷更新輸入的交通狀態(tài)數(shù)據(jù),結(jié)合一些司機特征約束來增加模型的真實性;在電池電量不足的情況下,結(jié)合充電樁分布信息更新規(guī)劃路線.②由于純電動汽車的數(shù)據(jù)相較于傳統(tǒng)燃料汽車的數(shù)據(jù)在數(shù)量上與質(zhì)量上存在巨大差距,缺少具有代表性的公共數(shù)據(jù)集也是制約其相關(guān)技術(shù)發(fā)展的原因之一.

5 結(jié)論

5.1 已有研究存在的不足

盡管學(xué)者們在路徑規(guī)劃、純電動汽車能源消耗模型、交通狀態(tài)預(yù)測等方面都進(jìn)行了研究,但是仍存在如下困難與不足.

(1)純電動汽車出行數(shù)據(jù)與傳統(tǒng)的燃油車輛的數(shù)據(jù)相比,不管是在數(shù)據(jù)量上還是數(shù)據(jù)種類上都存在較大的差距.另外,不同地區(qū)純電動汽車出行用戶的駕駛特性不同,地域環(huán)境的差異對純電動汽車電量消耗等方面的影響也不同,已有的研究忽略了出行數(shù)據(jù)本身的差異.同時,純電動汽車出行數(shù)據(jù)方面缺少一個優(yōu)秀的公共數(shù)據(jù)集,如何利用具有代表性的出行數(shù)據(jù)構(gòu)建一個完整、權(quán)威的數(shù)據(jù)集也是亟需解決的難點之一.

(2)目前對于燃油汽車燃料消耗模型的相關(guān)研究已比較成熟,相較于純電動汽車,傳統(tǒng)的燃油車輛能源消耗不需要考慮電池折舊、外界氣溫影響等因素,雖然模型相對簡單,但也有一定的借鑒價值;已有的純電動汽車能源消耗方面的研究大多脫離傳統(tǒng)燃油汽車的燃油消耗機理而單獨進(jìn)行研究,故應(yīng)結(jié)合純電動汽車和傳統(tǒng)燃油汽車的能量回收機制來進(jìn)行純電動汽車能源消耗模型相關(guān)的研究.

(3)大部分研究沒有綜合考慮車輛自身參數(shù)(如電池狀態(tài)、能量回收、是否開啟空調(diào)等),以及外部因素(如交通路況、環(huán)境因素及司機駕駛特性等)進(jìn)行能源消耗模型的搭建,忽略了純電動汽車單位里程能源消耗受動態(tài)交通信息、車輛運行工況的影響.同時,已有能源消耗模型在復(fù)雜城市工況下的精度有限,如何融入合適數(shù)量的變量來提高模型精度也是已有研究需要進(jìn)一步改進(jìn)的地方.

(4)已有研究對于能源消耗等模型準(zhǔn)確性的驗證方法主要為仿真模擬與數(shù)據(jù)驅(qū)動,但這2種方法都有各自的優(yōu)缺點,已有研究缺少一套標(biāo)準(zhǔn)的驗證算法,如何將2種方法結(jié)合或結(jié)合文中所述的公共數(shù)據(jù)集,提出合適的驗證算法也是該領(lǐng)域所面臨的問題與難點之一.

5.2 淺談解決措施

在研究電動汽車路徑規(guī)劃時,眾多學(xué)者將電動汽車在路網(wǎng)上電能損耗整體最優(yōu),或充電網(wǎng)絡(luò)能源消耗分布平均作為路徑規(guī)劃的目標(biāo).但是電動汽車除了自身特殊性外,還有一部分特征滿足燃油汽車的規(guī)劃要求,如李鵬程等[53]、張書瑋等[54]在進(jìn)行電動汽車路徑規(guī)劃時考慮了各種電網(wǎng)信息,以及充電約束后又改進(jìn)了Dijistra算法求解優(yōu)化問題.為解決傳統(tǒng)Dijistra路徑規(guī)劃算法在對電動汽車路徑規(guī)劃優(yōu)化時的局限性,Yu等[55]提出了一種改進(jìn)的遺傳算法對多模態(tài)路徑規(guī)劃問題進(jìn)行求解;付驍鑫等[56]也在已有的搜索算法上進(jìn)行改進(jìn),獲得了一種優(yōu)化搜索算法.這些改進(jìn)算法為未來研究電動汽車路徑規(guī)劃提供了新方法和新思路,在已有算法的基礎(chǔ)上進(jìn)行改進(jìn)會獲得更好的效果.另外,構(gòu)建基于CAN(controller area network)總線的純電動汽車數(shù)據(jù)采集系統(tǒng),能為純電動汽車車載信息的采集與數(shù)據(jù)集的構(gòu)建提供新思路.

5.3 未來研究方向

共享、一體化、以人為本、綠色的出行服務(wù)必將是未來智慧交通出行系統(tǒng)的發(fā)展趨勢.不管是現(xiàn)在的純電動汽車階段,還是在未來無人駕駛場景下,結(jié)合交通環(huán)境的因素對純電動汽車的行駛能源消耗進(jìn)行準(zhǔn)確預(yù)測,從而對出行者的路徑規(guī)劃進(jìn)行動態(tài)調(diào)整,始終是智能交通領(lǐng)域的研究方向.考慮到已有研究的不足,未來的研究可基于(但不限于)如下4個方向.

(1)考慮構(gòu)建一套全面的、系統(tǒng)的純電動汽車出行公共數(shù)據(jù)集.基于學(xué)者們對純電動汽車能源消耗模型相關(guān)影響因素的研究,考慮將天氣狀況、溫度、道路狀況等外部影響因素與電池狀態(tài)、車載系統(tǒng)能源消耗等內(nèi)部因素融入出行數(shù)據(jù)集.該數(shù)據(jù)集對于研究不同因素對純電動汽車能源消耗的影響、純電動汽車能源消耗模型的驗證、純電動汽車用戶出行特征的挖掘等方面都有重要的意義.

(2)考慮積累基于傳統(tǒng)燃油汽車的相關(guān)研究,對純電動汽車能源消耗模型進(jìn)行優(yōu)化.傳統(tǒng)燃油汽車在消耗模型方面的研究已非常成熟,故可結(jié)合傳統(tǒng)燃油汽車的相關(guān)研究內(nèi)容,考慮純電動汽車的能量回收機制,進(jìn)行純電動汽車能源消耗模型的優(yōu)化;將傳統(tǒng)燃油汽車豐富的出行數(shù)據(jù)融入到純電動汽車能源消耗的研究中,提高考慮交通狀態(tài)變化的能源消耗模型的預(yù)測精度.

(3)考慮結(jié)合已有資源優(yōu)勢對純電動汽車路徑規(guī)劃算法進(jìn)行優(yōu)化.現(xiàn)今如百度地圖、高德地圖等商業(yè)軟件在交通狀態(tài)實時預(yù)測方面已呈現(xiàn)較好的效果.可考慮結(jié)合相關(guān)軟件的已有技術(shù)優(yōu)勢,通過全面分析影響純電動汽車耗電量的行駛工況特征參數(shù),使純電動汽車在出行過程中能結(jié)合實時交通流信息,更新路徑選擇方案.

(4)考慮進(jìn)行數(shù)據(jù)驅(qū)動的純電動汽車仿真相關(guān)研究.計算機仿真技術(shù)對純電動汽車的路徑規(guī)劃與能源消耗模型的研究起助推作用,特別是能夠較為容易地模擬類似極端天氣狀況、特殊事件等現(xiàn)實中較難遇見的情況.另外,仿真作為一種較好的評價與驗證手段,也可在搭建基于真實路況數(shù)據(jù)的虛擬交通環(huán)境的前提下,提出一套標(biāo)準(zhǔn)的基于仿真的驗證方法.

參考文獻(xiàn):[2020-03-15].http://www.nea.gov.cn/2015-11/18/c_134828653.htm.

[3]馮星宇,周晨靜,榮建.基于速度特性的城市快速路常發(fā)性交通擁堵研究[J].交通信息與安全,2014,32(1):29-33.

[4]陳小紅,錢大琳.城市道路交叉路口的擁堵預(yù)測[J].華南理工大學(xué)學(xué)報(自然科學(xué)版),2010,38(7):72-77.

[5]程山英.交通擁堵汽車流量準(zhǔn)確預(yù)測仿真研究[J].計算機仿真,2017,34(10):123-126.

[6]譚娟,王勝春.基于深度學(xué)習(xí)的交通擁堵預(yù)測模型研究[J].計算機應(yīng)用研究,2015,32(10):2951-2954.

[7]劉夢涵,于雷,張雪蓮,等.基于累積Logistic回歸道路交通擁堵強度評價模型[J].北京交通大學(xué)學(xué)報,2008(6):52-56.

[8]邢珊珊,谷遠(yuǎn)利,沈立杰.基于速度的城市快速路交通擁堵預(yù)測研究[J].交通信息與安全,2016,34(2):54-60.

[9]劉張,李堅,王超.基于復(fù)雜城市道路網(wǎng)絡(luò)的交通擁堵預(yù)測模型[J].電子科技大學(xué)學(xué)報,2016,45(1):19-27.

[10]韋清波,何兆成,鄭喜雙.考慮多因素的城市道路交通擁堵指數(shù)預(yù)測研究[J].交通運輸系統(tǒng)工程與信息,2017,17(1):74-81.

[11]Dijkstra E W.A note on two probles in connexion with graphs[J].Numerische Mathematics,1959,1(1):269-271.

[1]羅艷托,湯湘華.全球電動汽車發(fā)展現(xiàn)狀及未來趨勢[J].國際石油經(jīng)濟(jì),2018,26(7):66-72.

[2]國家發(fā)展改革委.電動汽車充電基礎(chǔ)設(shè)施發(fā)展指南(2015—2020年)[R/OL].(2020-02-18)[12]Nicholson T A J.Finding the shortest route between the two points in a network[J].The Computer Journal,1966,9(3):275-280.

[13]左秀峰,沈萬杰.基于Floyd算法的多重最短路問題的改進(jìn)算法[J].計算機科學(xué),2017(5):238-240.

[14]張德全.最短路問題的Floyd加速算法與優(yōu)化[J].計算機工程與應(yīng)用,2006,45(17):41-43.

[15]Hoffman W,Pavley R.A method for the solution of the nth best path problem[J].Journal of the ACM,1959,6(4):506-514.

[16]劉建美,馬壽峰,馬帥奇.基于改進(jìn)的Dijkstra算法的動態(tài)最短路計算方法[J].系統(tǒng)工程理論與實踐,2011,31(6):163-167.

[17]譚滿春,馮犖斌,徐建閩.基于ARIMA與人工神經(jīng)網(wǎng)絡(luò)組合模型的交通流預(yù)測[J].中國公路學(xué)報,2007,20(4):118-121.

[18]胡清準(zhǔn),邱曉暉.遺傳-蟻群算法在智能交通中的應(yīng)用[J].計算機技術(shù)與發(fā)展,2020,30(4):120-125.

[19]高忠文,牛孜飏.基于大數(shù)據(jù)的交通流量模式分析[J].哈爾濱理工大學(xué)學(xué)報,2018,23(6):128-131.

[20]巫錦銘,程光權(quán),劉忠.動態(tài)預(yù)約模式下車輛路徑規(guī)劃的實用拓展問題研究[J].小型微型計算機系統(tǒng),2018,39(7):247-252.

[21]Liu H,Jin C,Zhou A.Popular route planning with travel cost estimation[C]//International Conference on Database Systems for Advanced Applications.2016:403-418.

[22]劉春燕,鄒承明.基于Storm的城市智能交通規(guī)劃方法[J].武漢大學(xué)學(xué)報(理學(xué)版),2019,65(5):450-456.

[23]張書瑋,羅禹貢,李克強.動態(tài)交通環(huán)境下的純電動車輛多目標(biāo)出行規(guī)劃[J].清華大學(xué)學(xué)報(自然科學(xué)版),2016,56(2):130-136.

[24]Yao E,Wang M,Song Y,et al.Estimating energy consumption on the basis of microscopic driving parameters for electric vehicles[J].Transportation Research Record Journal of the Transportation Research Board,2018,2454:84-91.

[25]Yuan X,Zhang C,Hong G,et al.Method for evaluating the real-world driving energy consumptions of electric vehicles[J].Energy,2017,141:1955-1968.

[26]Liaw B Y,Dubarry M.From driving cycle analysis to understanding battery performance in real-life electric hybrid vehicle operation[J].Journal of Power Sources,2014,174(1):76-88.

[27]Bektas T,Laporte G.The pollution-routing problem[J].Transportation Research Part B:Methodological,2011,45(8):1232-1250.

[28]Yang J,Dong J,Zhang Q,et al.An investigation of battery electric vehicle driving and charging behaviors using vehicle usage data collected in Shanghai,China[J].Transportation Research Record Journal of the Transportation Research Board,2018,2672:20-30.

[29]Zou Y,Wei S,Sun F,et al.Large-scale deployment of electric taxis in Beijing:a real-world analysis[J].Energy,2016,100:25-39.

[30]Bingham C,Walsh C,Carroll S.Impact of driving characteristics on electric vehicle energy consumption and range[J].Intelligent Transport Systems,2012,6(1):29-30.

[31]Yang S C,Li M,Lin Y,et al.Electric vehicle’s electricity consumption on a road with different slope[J].Physica A Statistical Mechanics and Its Applications,2014,402:41-48.

[32]Liu K,Wang J,Yamamoto T,et al.Modelling the multilevel structure and mixed effects of the factors influencing the energy consumption of electric vehicles[J].Applied Energy,2016,183:1351-1360.

[33]Wang J B,Liu K,Yamamoto T,et al.Improving estimation accuracy for electric vehicle energy consumption considering the effects of ambient temperature[J].Energy Procedia,2017,105:2904-2909.

[34]Kambly K R,Bradley T H.Estimating the HVAC energy consumption of plug-in electric vehicles[J].Journal of Power Sources,2014,259:117-124.

[35]Capasso C,Veneri O.Experimental analysis on the performance of lithium based batteries for road full electric and hybrid vehicles[J].Applied Energy,2014,136:921-930.

[36]Burgess S C,Choi J M J.A parametric study of the energy demands of car transportation:a case study of two competing commuter routes in the UK[J].Transportation Research Part D:Transport and Environment,2003,8(1):21-36.

[37]Kambly K,Bradley T H.Geographical and temporal differences in electric vehicle range due to cabin conditioning energy consumption[J].Journal of Power Sources,2015,275:468-475.

[38]Fiori C,Ahn K,Rakha H A.Power-based electric vehicle energy consumption model:model development and validation[J].Applied Energy,2016,168:257-268.

[39]張宸維,林方圓.純電動汽車能源消耗優(yōu)化仿真與試驗研究[J].汽車實用技術(shù),2019(17):33-35.

[40]Boubaker S,Rehimi F,Kalboussi A.Estimating energy consumption of hybrid electric vehicle and gazoline classical vehicle[C]//2013 International Conference on Advaned Logistics and Transport(ICALT).2013.DOI:10.1109/ICAdLT.2013.6568463.

[41]Wu D,Aliprantis D C,Gkritza K.Electric energy and power consumption by light-duty plug-in electric vehicles[J].IEEE Trans Power Syst,2011,26(2):738-746.

[42]Wu X,Freese D,Cabrera A,et al.Electric vehicles’energy consumption measurement and estimation[J].Transportation Research Part D:Transport and Environment,2015,34:52-67.

[43]Brady J,O’mahony M.Development of a driving cycle to evaluate the energy economy of electric vehicles in urban areas[J].Applied Energy,2016,177:165-178.

[44]Felipe J,Amarillo J C,Naranjo J E,et al.Energy consumption estimation in electric vehicles considering driving style[C]//IEEE International Conference on Intelligent Transportation Systems.2015:101-106.

[45]Guo H,Wang X,Li L.State-of-charge-constraint-based energy management strategy of plugin hybrid electric vehicle with bus route[J].Energy Conversion and Management,2019,199:111972.

[46]Basso R,Kulcs R B,Egardt B,et al.Energy consumption estimation integrated into the electric vehicle routing problem[J].Transportation Research Part D:Transport and Environment,2019,69:141-167.

[47]Roberto′A F,Sergio C C,Francesc C L.A probabilistic approach for determining the influence of urban traffic management policies on energy consumption and greenhouse gas emissions from a battery electric vehicle[J].Journal of Cleaner Production,2019,236:117604.

[48]Yasmin A A H,Mohammed O,Yahya S.Optimising an eco-friendly vehicle routing problem model using regular and occasional drivers integrated with driver behaviour control[J].Journal of Cleaner Production,2019,234:984-1001.

[49]郇寧,姚恩建,楊揚.電動汽車混入條件下隨機動態(tài)用戶均衡分配模型[J].交通運輸工程學(xué)報,2019,19(5):150-161.

[50]Steinbauer P,Macek J,Morkus J,et al.Dynamic optimization of the e-vehicle route profile[C]//Proceedings of the SAE 2016 World Congress and Exhibition.2016.DOI:10.4271/2016-01-0156.

[51]楊洪明,李明,文福拴.利用實時交通信息感知的電動汽車路徑選擇和充電導(dǎo)航策略[J].電力系統(tǒng)自動化,2017,41(11):106-113.

[52]蘇粟,楊恬恬,李玉璟.考慮實時動態(tài)能源消耗的電動汽車充電路徑規(guī)劃[J].電力系統(tǒng)自動化,2019,43(7):206-217.

[53]李鵬程,叢中笑,楊婧.一種電動汽車智能充電最優(yōu)引導(dǎo)優(yōu)化模型[J].電器與能效管理技術(shù),2018,555(18):72-78;87.

[54]張書瑋,馮桂璇,樊月珍.基于信息交互的大規(guī)模電動汽車充電路徑規(guī)劃[J].清華大學(xué)學(xué)報(自然科學(xué)版),2018,58(3):279-285.

[55]Yu H,Lu F.A multi-modal multi-criteria route planning method based on genetic algorithm[J].Acta Geodaetica Et Cartographica Sinica,2014,43(1):89-96.

[56]付驍鑫,江永亨,黃德先.一種新的實時智能汽車軌跡規(guī)劃方法[J].控制與決策,2015,30(10):1751-1758.