CN103148862B - 一种考虑低碳排放约束影响的交通方式与路径选择方法 - Google Patents
一种考虑低碳排放约束影响的交通方式与路径选择方法 Download PDFInfo
- Publication number
- CN103148862B CN103148862B CN201310053093.XA CN201310053093A CN103148862B CN 103148862 B CN103148862 B CN 103148862B CN 201310053093 A CN201310053093 A CN 201310053093A CN 103148862 B CN103148862 B CN 103148862B
- Authority
- CN
- China
- Prior art keywords
- traffic
- trip
- bus
- formula
- constraint
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种考虑低碳排放约束影响的交通方式与路径选择方法,提出在传统的交通方式和交通分配组合模型中加入低碳排放约束条件,利用基于实数编码的遗传算法进行模型的求解,得到满足低碳约束条件的公交车和私家车出行需求和路网中各路段的交通量。通过将模型的分析结果与传统的未考虑低碳排放约束模型的分析结果进行对比,分析了为达到低碳减排目标而所需提高的公交出行方式分担率和为达到CO环境标准而所需调整的路段交通量,建立了适合于我国交通环境保护的考虑低碳排放约束影响的交通方式与路径选择方法,克服了现有交通规划技术未考虑交通碳排放对环境影响的缺陷和不足,从而促进了交通低碳可持续发展。
Description
技术领域
本发明属于城市交通环境保护技术领域,运用交通网络流理论,提出一种考虑低碳排放约束影响的交通方式与路径选择方法。
背景技术
伴随着城市化进程的迅速推进,以石油产品为燃料的汽车在给人们带来方便和快捷的同时,也带来了无法回避的负效应。交通拥堵、能源过耗、环境污染和温室气体排放已成为困扰许多城市的难题。中国政府在2009年哥本哈根国际气候会议上提出,到2020年单位国内生产总值二氧化碳排放比2050年下降40%~45%,这个目标使碳排放增长迅速的交通运输行业面临着严峻的挑战。
传统的城市交通规划与管理以满足交通需求增长为目标,没有考虑交通发展对资源的要求和对环境的影响,带来私家车高强度使用,公共交通出行比例低等问题,从而造成交通温室气体CO2排放过量和CO排放超标。减少交通碳排放对环境的影响,合理调节出行方式和出行路径是关键。
发明内容
发明目的:针对传统的规划技术缺乏对交通碳排放环境影响的考虑的问题和不足,本发明的目的是提供一种考虑低碳排放约束影响的交通方式与路径选择方法,通过建立考虑CO环境质量指标和CO2减排目标的交通网络分析模型,从合理调节居民公交车和私家车出行方式和路径选择的角度,减少交通碳排放对环境的影响。
技术方案:为实现上述发明目的,本发明采用的技术方案为一种考虑低碳排放约束影响的交通方式与路径选择方法,包括如下步骤:
步骤1:建立抽象的交通网络:从起点r到讫点s间有多条路径,每条路径由若干条起终点相互连接的路段组成,已知起讫点rs间的交通出行总人数;
步骤2:分别建立含碳尾气排放物CO和CO2的低碳排放约束条件:其中CO2的约束条件为任意起始点间公交车和私家车的出行人数与两种交通方式的单位里程人均CO2排放量(以单位里程人均石油燃料耗能量表示)的乘积应不大于交通出行总人数与城市交通系统人均能源消耗限值的乘积,如式(1)所示;CO的约束条件为道路机动车的流量不应超过CO环境二级标准所能容纳的最大机动车数量,如式(2)所示:
式中,代表任意的,代表对任意的起讫点rs都有式(1)成立;qrs为r与s之间的出行总人数;为r与s之间公交车出行人数;为r与s之间私家车出行人数;PF1为小汽车的单位里程人均CO2排放量,为定值;PF2为公交车单位里程人均CO2排放量,为定值;RFmax为城市交通系统人均能源消耗限值,单位为MJ/人·千米,其由城市的规模以及能源供给量决定,为定值。
代表对任意的路段a都有式(2)成立;xa1为路段a上私家车出行人数,n为每辆私家车的平均载客人数;xa2为路段a上公交车出行人数,m为每辆公交车的平均载客人数;Va为满足CO环境二级标准路段a所能容纳的最大机动车数量,由路段a的特性决定,为定值;α为公交车的当量小汽车换算系数;
步骤3:在传统的交通方式和交通分配组合模型中加入步骤2所述的低碳排放约束条件,建立考虑低碳排放约束的交通方式和交通分配组合模型,其能够分析低碳排放约束(CO和CO2)对出行方式及路径选择的影响:以xa1、xa2以及为决策变量,以交通出行总时间最小化为目标,建立如式(3)的目标函数:
其中:φrs为经验参数,该参数概括了除行驶阻力之外的所有影响运输方式选择的因素。ta1(xa1)和ta2(xa2)分别代表私家车和公交车在路段a的走行时间函数;
然后,建立对应式(3)目标函数的约束条件式,包含与传统的交通方式与交通分配模型相同的约束条件,即守恒约束、路径路段关系约束以及非负约束,以及不同于传统模型的低碳排放约束条件:
守恒约束:k条路径的私家车出行人数之和等于起讫点间私家车出行人数,如式(4)所示;k条路径的公交车出行人数等于起讫点间公交车出行人数的总和,如式(5)所示:
其中:为起讫对r-s之间路径k上的第i种方式的出行人数,i=1代表私家车,i2代表公交车;
路径路段关系约束:路段a上的私家车出行人数等于通过路段a的路径上的私家车出行人数的累加之和,如式(6)所示;公交车亦然,如式(7)所示。
其中:为路段路径的关联变量,i=1代表私家车,i2代表公交车,如果路段a第i种交通方式在起讫对r-s之间的第k条路径上,为1,否则为0;
非负约束:路径和路段交通出行人数都是大于或者等于0的实数,如(8)所示。
步骤4:基于步骤1的交通网络以及起讫点间给定的出行总人数,求解步骤3所述的交通分配组合模型,获得路段的私家车出行人数和公交车出行人数,进而求得起讫点间私家车和公交车的出行人数。
进一步的,所述步骤4中,对所述交通分配组合模型中的目标函数和约束条件的求解采用基于实数编码的遗传算法,包括如下步骤:
步骤①:初始化,确定遗传算法的交叉概率Pc,变异概率Pm,每一代产生的种群数目M,最大进化代数G,分别对任意起讫点rs间每条路径k上私家车出行人数和公交车出行人数进行实数编码,作为种群中的个体,随机地产生符合守恒约束式(4)和式(5),非负约束式(8)和低碳排放约束式(1)和式(2)的初始种群;
步骤②:确定适应度函数并计算各个体的适应度,确定从目标函数到适应度函数的转换使用指数函数,将和加载上网,得到xa1和xa2,保证了路径路段关系,从而满足约束条件式(6)和式(7);
步骤③:根据步骤②计算得到的各个体的适应度,采用基于排名的轮盘赌法进行选择操作;
步骤④:实施交叉和变异操作:根据交叉概率Pc,执行两点算术交叉操作;根据变异概率Pm,执行非均匀变异操作,从而产生新的种群;
步骤⑤:根据目标函数式(3),输出满足约束条件的最优个体:不断重复步骤②、步骤③和步骤④,当进化代数达到最大进化代数时,结束循环,并遍历所有个体,找出满足约束条件式(4)、式(5)和式(8)以及低碳排放约束式(1)和式(2)的最优个体,作为结果输出。
有益效果:本发明提出的考虑低碳排放影响的出行方式和路径选择方法,将实际路网抽象为抽象的交通网络,构建考虑低碳排放约束的交通方式和交通分配组合模型,通过实数编码的遗传算法求解模型,得出公交车和私家车的方式选择以及路段交通量。进而与未考虑低碳排放约束模型的求解结果进行对比,从而准确的分析了如何调节公交车和私家车的出行比例以达到降低CO2排放量的目标以及如何调节路段交通流量以使其不超过CO环境标准。本发明方法的优势为基于考虑低碳排放约束的交通方式和交通分配组合模型,利用定量化的分析手段给出如何调节公交车和私家车的出行比例以及路径选择行为以满足低碳约束条件,克服了现有交通规划技术未考虑交通碳排放对环境影响的缺陷和不足。本方法在合理调整公交车和私家车的出行比例以达到交通低碳可持续发展方面具有实际的工程运用价值。
附图说明
图1为本发明实施例的抽象路网示意图。
图2为基于实数编码的考虑约束条件的遗传算法流程图。
图3为考虑低碳排放约束的交通方式和交通分配组合模型的建模流程图。
图4为本发明的流程图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
针对我国交通领域CO2温室气体排放逐年增长以及机动车CO排放物污染严重的现状,应在交通规划过程中,以CO环境质量指标和CO2减排目标为低碳排放约束条件,提高公交车的出行比例以及优化私家车的路径选择行为,从而减少交通碳排放对环境的影响,实现交通可持续发展。本发明以居民公交车和私家车方式选择行为和路径选择行为为研究对象,建立了适合于我国交通环境保护的考虑低碳排放约束影响的交通方式与路径选择方法,具体如下。
一种考虑低碳排放约束影响的交通方式与路径选择方法,抽象实际路网为交通网络,给定起讫点的交通需求量、考虑CO环境二级标准以后路段a所能容纳的最大机动车数量以及反映区域特点的交通系统人均能源消耗限值。将以上参数带入考虑低碳排放约束的交通方式和交通分配组合模型中,利用基于实数编码的遗传算法求解所建立的模型,得出公交车和私家车合理的出行人数以及路段交通量,与未考虑低碳排放约束模型的求解结果进行对比,从而准确地分析了如何调节公交车和私家车的出行比例以达到降低CO2排放量的目标以及如何调节路段交通量以使其不超过环境标准。考虑低碳排放约束的交通方式和交通分配组合模型的建模流程可参考图3:
第一步:建立抽象的交通网络:从起点r到终讫点s间有多条路径,每条路径由若干条起终点相互连接的路段组成。已知每一个起讫点rs间的交通出行总人数。
第二步:建立含碳尾气排放物CO和CO2的低碳排放约束条件:本发明建立的CO2的约束条件为任意起始点间公交车和私家车的出行人数与两种交通方式的单位里程人均CO2排放量(以单位里程人均石油燃料耗能量表示)的乘积应小于交通出行总人数与城市交通系统人均能源消耗限值乘积,如式(1)所示;本发明将CO约束条件定为道路机动车的流量不应超过CO环境二级标准所能容纳的最大机动车数量,如式(2)所示。
式(1)中,代表任意的,代表对任意的起讫点都有式(1)成立;qrs为r与s之间的出行总人数;为r与s之间公交车出行人数;为r与s之间私家车出行人数;PF1为小汽车的单位里程人均CO2排放量,由城市的交通统计年鉴获得,其为城市交通私家车耗能量与私家车客运交通周转量的商,其为定值。PF2为公交车单位里程人均CO2排放量,其为城市公交车运营耗能量与公交车客运交通周转量的商,其为定值。本发明采用徐建闽《我国低碳交通分析及推进措施》一文中给出的PF1为3.10MJ/人·千米,PF2为0.37MJ/人·千米的为定值;RFmax为交通系统人均能源消耗限值,单位为MJ/人·千米,其由城市的规模以及能源供给量决定,为定值,本发明采用陆化普《基于能源消耗的城市交通结构优化》一文中给出的RFmax的值为1.8MJ/人·km。
式(2)中,代表对任意的路段a;xa1为路段a上私家车出行人数,n为每辆私家车的平均载客人数;xa2为路段a上公交车出行人数,m为每辆公交车的平均载客人数;Va为满足CO环境二级标准路段a所能容纳的最大机动车数量,由路段a的特性决定,为定值。α为公交车的当量小汽车换算系数。
第三步:在传统的交通方式和交通分配组合模型中加入低碳排放约束条件,建立了考虑低碳排放约束的交通方式和交通分配组合模型,其能够分析低碳排放约束(CO和CO2)对出行方式及路径选择的影响:以路段a私家车出行人数xa1,公交车出行人数xa2以及任意起讫点间公交车出行人数为决策变量,以交通出行总时间最小化为目标,建立如式(3)的目标函数:
其中:φrs为经验参数,该参数概括了除行驶阻力之外的、所有影响运输方式选择的因素。ta1(xa1)和ta2(xa2)分别代表私家车或公交车在路段a的走行时间函数,其分别为xa1和xa2的单调上升函数。
然后,建立对应式(3)目标函数的约束条件式,包含与传统的交通方式与交通分配模型相同的约束条件,即守恒约束、路径路段关系约束以及非负约束。以及不同于传统模型的低碳排放约束条件。
守恒约束:k条路径的私家车出行人数之和等于起始点间私家车出行人数,如式(4)所示;k条路径的公交车出行人数等于起始点间公交车出行人数的总和,如式(5)所示。
其中:为起讫对r-s之间路径k上的第i种方式的出行量人数,i=1代表私家车,i=2代表公交车。
路径路段关系约束:路段a上的私家车出行人数等于通过路段a的路径上的私家车出行人数的累加之和,如式(6)所示;公交车亦然,如式(7)所示。
其中:为路段路径的关联变量,如果路段a第i种交通方式在起始点r-s两点之间的第k条路径上,为1,否则为0;
非负约束:路径和路段交通出行人数都是大于或者等于0的实数,如(8)所示。
低碳约束条件及其表达式含义如第二步所述。
第四步:基于第一步的交通网络以及起讫点间给定的出行总人数,采用基于实数编码的遗传算法求解模型,获得各个路段的私家车出行人数和公交车出行人数,进而求得起讫点间私家车和公交车的出行总人数。
第五步:基于第一步的交通网络以及起讫点间给定的出行总人数,同样采用基于实数编码的遗传算法求解未考虑低碳排放约束的交通方式与交通分布组合模型,获得路段以及起讫点间的公交车和私家车出行人数,如图4所示为本发明的流程图,与第四步的求解结果进行对比,分析低碳排放约束对出行方式选择(起讫点间的公交车和私家车出行人数)以及机动车路径选择(各个路段的交通量)的差异。
第四步和第五步中的基于实数编码的遗传算法流程图见图2。包括以下几个步骤:
步骤①:初始化。确定遗传算法的交叉概率Pc,变异概率Pm,种群数目M,最大进化代数G,对任意起讫点rs间每条路径k上私家车出行人数公交车出行人数进行实数编码,作为种群中的一个个体,其本质为由和组成的一维数组。一个种群中含有M个个体。随机地产生符合守恒约束式(4)和式(5),非负约束式(8)和低碳排放约束式(1)和式(2)的初始种群。
步骤②:确定适应度函数并计算各个体的适应度。确定从目标函数到适应度函数的转换使用指数函数,即适应度函数为f(z)=1000e0.048Z,其中,将路径私家车和公交车的出行人数和加载上网,得到路段出行人数xa1和xa2,保证了路径路段关系,从而满足约束条件式(6)和式(7)。
步骤③:根据步骤②计算得到的个体适应度值,采用基于排名的轮盘赌法进行选择操作。
步骤④:实施交叉和变异操作。根据交叉概率Pc,执行两点算术交叉操作。根据变异概率Pm,执行非均匀变异操作。产生新的种群。交叉和变异操作可以参阅参考文献(王小平,曹立明《遗传算法——理论、应用与软件实现》西安:西安交通大学出版社,2002.)
步骤⑤:根据目标函数式(3),输出满足约束条件的最优个体。不断重复步骤②、步骤③和步骤④,当进化代数达到最大进化代数时,结束循环,并遍历所有个体,找出满足约束条件式(4)、式(5)和式(8)以及低碳排放约束式(1)和式(2)的最优个体,作为结果输出。
在步骤③中,基于排名的轮盘赌法为现有技术,具体可以参阅玄光男,陈润伟著的《遗传算法与优化工程》。基于排名的轮盘赌法首先需要确定个体的生存概率,对个体按适应度值从高到低排序,排在第n个位置的个体n的生存概率为p(n)=q(1-q)n-1,q为随机产生的[0,1]之间的实数。依据生存概率计算个体的选择概率,即用每个个体的生存概率除以所有个体的生存概率之和,如式(9)所示。再次,用个体的累计概率(即包括n在内的前n个个体的概率ps(n)之和)构造一个轮盘;最后,进行轮盘选择,即产生一个[0,1]区间内的随机数,若小于或等于个体n的累积概率且大于个体n-1的累积概率,选择个体n进入子代种群。
作为优选,在步骤①中交叉概率Pc=0.85,变异概率Pm=0.015,每一代产生的种群数目M=50,最大进化代数G=20。
实施例:
模型的使用简单快捷,实施例利用如下图1的简单的只存在一个起讫点的交通网络,来说明通过模型的定量分析可以为交通规划者提供满足低碳排放约束条件的合理的公交车和私家车的出行比例。图4为本发明的流程图。
图1中有一个起讫点rs和两条路径;路径1、路径2,由于只存在两条路径,路径上的出行人数即是路段上的出行人数。起讫点间交通出行总人数为qrs=1000。私家车或公交车私家车和公交车在路段a的走行时间函数ta1(xa1)和ta2(xa2)分别为:
路段1的CO环境容量V1=35,路段2的CO环境容量V236。私家车的平均载客数n为1,公交车的平均载客数m为20,PF1为3.10MJ/人·千米,PF2为0.37MJ/人·千米,RFmax为1.8MJ/人·千米,α为2。
将以上数值代入考虑低碳排放约束的交通方式与交通分配组合模型(5-17)~(5-17g),其中V1和V2分别为两个路段的Va:
约束条件
利用基于实数编码的遗传算法求解,求解流程见图2,求解步骤如步骤①至步骤⑤所示。得到如下的优化结果: 公交车起讫点r-s间出行总人数私家车起讫点r-s间出行总人数
未考虑低碳约束条件时的交通方式和交通分配组合模型中不包含约束条件(5-17f)和(5-17g),即为(5-17)~(5-17e)。同样利用基于实数编码的遗传算法求解,求解结果如下: 公交车r-s间的出行总人数私家车r-s间的出行总人数通过对比考虑低碳排放约束影响前后的模型优化结果可知,考虑低碳排放约束的交通方式与交通分配组合模型的私家车出行总人数下降了17.2%,公交车出行总人数上升了30.3%,交通系统碳排放总量下降了21%。为达到低碳排放约束,在交通方式选择方面,交通规划者需要提高公交的服务水平,从而吸引出行者采用公交出行,使公交出行比例上升30.3%。在路径选择方面,需要均衡各路段上的私家车数量,使路段上的车辆数不超过CO环境二级标准所能容纳的最大车辆数。
Claims (2)
1.一种考虑低碳排放约束影响的交通方式与路径选择方法,包括如下步骤:
步骤1:建立抽象的交通网络:从起点r到讫点s间有多条路径,每条路径由若干条起终点相互连接的路段组成,已知起讫点rs间的交通出行总人数;
步骤2:分别建立含碳尾气排放物CO和CO2的低碳排放约束条件:其中CO2的约束条件为任意起始点间公交车和私家车的出行人数与两种交通方式的单位里程人均CO2排放量的乘积应不大于交通出行总人数与城市交通系统人均能源消耗限值的乘积,如式(1)所示;CO的约束条件为道路机动车的流量不应超过CO环境二级标准所能容纳的最大机动车数量,如式(2)所示:
式中,代表任意的,代表对任意的起讫点rs都有式(1)成立;qrs为r与s之间的出行总人数;为r与s之间公交车出行人数;为r与s之间私家车出行人数;RF1为小汽车的单位里程人均CO2排放量,为定值;RF2为公交车单位里程人均CO2排放量,为定值;RFmax为城市交通系统人均能源消耗限值,为定值;
代表对任意的路段a都有式(2)成立;xa1为路段a上私家车出行人数,n为每辆私家车的平均载客人数;xa2为路段a上公交车出行人数,m为每辆公交车的平均载客人数;Va为满足CO环境二级标准路段a所能容纳的最大机动车数量,为定值;α为公交车的当量小汽车换算系数;
步骤3:在传统的交通方式和交通分配组合模型中加入步骤2所述的低碳排放约束条件,建立考虑低碳排放约束的交通方式和交通分配组合模型,其能够分析低碳排放约束对出行方式及路径选择的影响:以xa1、xa2以及为决策变量,以交通出行总时间最小化为目标,建立如式(3)的目标函数:
其中:φrs为经验参数,该参数概括了除行驶阻力之外的所有影响运输方式选择的因素;ta1(xa1)和ta2(xa2)分别代表私家车和公交车在路段a的走行时间函数;
然后,建立对应式(3)目标函数的约束条件式,包含与传统的交通方式与交通分配模型相同的约束条件,即守恒约束、路径路段关系约束以及非负约束,以及不同于传统模型的低碳排放约束条件:
守恒约束:k条路径的私家车出行人数之和等于起讫点间私家车出行人数,如式(4)所示;k条路径的公交车出行人数等于起讫点间公交车出行人数的总和,如式(5)所示:
其中:为起讫对r-s之间路径k上的第i种方式的出行人数,i=1代表私家车,i=2代表公交车;
路径路段关系约束:路段a上的私家车出行人数等于通过路段a的路径上的私家车出行人数的累加之和,如式(6)所示;公交车亦然,如式(7)所示:
其中:为路段路径的关联变量,i=1代表私家车,i=2代表公交车,如果路段a第i种交通方式在起讫对r-s之间的第k条路径上,为1,否则为0;
非负约束:路径和路段交通出行人数都是大于或者等于0的实数,如(8)所示:
步骤4:基于步骤1的交通网络以及起讫点间给定的出行总人数,求解步骤3所述的交通分配组合模型,获得路段的私家车出行人数和公交车出行人数,进而求得起讫点间私家车和公交车的出行人数。
2.根据权利要求1所述一种考虑低碳排放约束影响的交通方式与路径选择方法,其特征在于:所述步骤4中,对所述交通分配组合模型中的目标函数和约束条件的求解采用基于实数编码的遗传算法,包括如下步骤:
步骤①:初始化,确定遗传算法的交叉概率Pc,变异概率Pm,每一代产 生的种群数目M,最大进化代数G,分别对任意起讫点rs间每条路径k上私家车出行人数和公交车出行人数进行实数编码,作为种群中的个体,随机地产生符合守恒约束式(4)和式(5),非负约束式(8)和低碳排放约束式(1)和式(2)的初始种群;
步骤②:确定适应度函数并计算各个体的适应度,确定从目标函数到适应度函数的转换使用指数函数,将和加载上网,得到xa1和xa2,保证了路径路段关系,从而满足约束条件式(6)和式(7);
步骤③:根据步骤②计算得到的各个体的适应度,采用基于排名的轮盘赌法进行选择操作;
步骤④:实施交叉和变异操作:根据交叉概率Pc,执行两点算术交叉操作;根据变异概率Pm,执行非均匀变异操作,从而产生新的种群;
步骤⑤:根据目标函数式(3),输出满足约束条件的最优个体:不断重复步骤②、步骤③和步骤④,当进化代数达到最大进化代数时,结束循环,并遍历所有个体,找出满足约束条件式(4)、式(5)和式(8)以及低碳排放约束式(1)和式(2)的最优个体,作为结果输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310053093.XA CN103148862B (zh) | 2013-02-18 | 2013-02-18 | 一种考虑低碳排放约束影响的交通方式与路径选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310053093.XA CN103148862B (zh) | 2013-02-18 | 2013-02-18 | 一种考虑低碳排放约束影响的交通方式与路径选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103148862A CN103148862A (zh) | 2013-06-12 |
CN103148862B true CN103148862B (zh) | 2015-06-17 |
Family
ID=48547071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310053093.XA Expired - Fee Related CN103148862B (zh) | 2013-02-18 | 2013-02-18 | 一种考虑低碳排放约束影响的交通方式与路径选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103148862B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680788B (zh) * | 2015-02-11 | 2017-06-13 | 北京交通大学 | 一种用于交通路径选择的生态阻抗计算方法 |
CN105865476B (zh) * | 2016-06-21 | 2018-08-28 | 北京航空航天大学 | 一种动态交通环境下的汽车最低碳路径搜索方法 |
CN106570583B (zh) * | 2016-10-25 | 2020-04-14 | 北京航空航天大学 | 一种动态交通环境下燃油汽车的最低碳行程确定方法 |
CN107798867B (zh) * | 2017-10-12 | 2020-11-13 | 上海交通大学 | 一种基于电动汽车和内燃机车混合车流的拥堵交通网络均衡方法 |
CN107766989A (zh) * | 2017-11-06 | 2018-03-06 | 东南大学 | 基于居民出行调查的家庭交通尾气排放等级识别方法 |
CN107704976A (zh) * | 2017-11-06 | 2018-02-16 | 东南大学 | 基于居民出行调查的城市家庭交通尾气排放量预测方法 |
CN108253988A (zh) * | 2017-12-29 | 2018-07-06 | 重庆大学 | 基于电动汽车的循环取货路径规划方法 |
CN108491954B (zh) * | 2018-02-06 | 2021-07-27 | 浙江工业大学 | 一种私家车转换公交的控排匹配方法 |
CN108389417B (zh) * | 2018-04-24 | 2019-11-05 | 西南交通大学 | 一种考虑空气污染暴露的混合用户出行诱导方法 |
CN111145562B (zh) * | 2018-11-06 | 2021-01-15 | 交通运输部规划研究院 | 城际公路出行量统计方法、装置及电子设备 |
CN110909434B (zh) * | 2019-10-11 | 2023-03-14 | 东南大学 | 一种低碳导向下的城市公共交通干线网络设计方法 |
CN110807175A (zh) * | 2019-10-31 | 2020-02-18 | 广州市交通规划研究院 | 一种基于目标城市交通模型数据的城市交通碳排放测算方法 |
CN111341135B (zh) * | 2019-12-24 | 2021-05-14 | 中山大学 | 基于兴趣点及导航数据的手机信令数据出行方式识别方法 |
CN113327079B (zh) * | 2021-05-28 | 2022-06-28 | 东北师范大学 | 一种基于网约车轨迹的路径选择潜在因素可视分析方法 |
CN114111823A (zh) * | 2021-10-19 | 2022-03-01 | 车主邦(北京)科技有限公司 | 路径规划方法、装置、电子设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127040A (zh) * | 2007-09-14 | 2008-02-20 | 东南大学 | 公路起讫点交通流特征的提取方法 |
EP2221581A1 (en) * | 2009-02-18 | 2010-08-25 | Harman Becker Automotive Systems GmbH | Method of estimating a propulsion-related operating parameter |
EP2390861A1 (en) * | 2010-05-26 | 2011-11-30 | Deutsche Telekom AG | Method and system for traffic control and traffic emission control |
-
2013
- 2013-02-18 CN CN201310053093.XA patent/CN103148862B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127040A (zh) * | 2007-09-14 | 2008-02-20 | 东南大学 | 公路起讫点交通流特征的提取方法 |
EP2221581A1 (en) * | 2009-02-18 | 2010-08-25 | Harman Becker Automotive Systems GmbH | Method of estimating a propulsion-related operating parameter |
EP2390861A1 (en) * | 2010-05-26 | 2011-11-30 | Deutsche Telekom AG | Method and system for traffic control and traffic emission control |
Non-Patent Citations (3)
Title |
---|
"城市道路交通环境污染控制系统";李铁柱等;《交通与计算机》;20011231;第19卷(第1期);3-7 * |
"基于能源消耗的城市交通结构优化";陆化普;《清华大学学报》;20041231;第44卷(第3期);383-386 * |
"机动车尾气污染对居民出行选择的影响";李志斌等;《交通信息与安全》;20091231;第27卷(第3期);56-59 * |
Also Published As
Publication number | Publication date |
---|---|
CN103148862A (zh) | 2013-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103148862B (zh) | 一种考虑低碳排放约束影响的交通方式与路径选择方法 | |
CN104318758B (zh) | 基于多层次多模式的公交线网规划方法 | |
CN111951549B (zh) | 在网联车辆环境下的自适应交通信号灯控制方法及系统 | |
CN102360401B (zh) | 一种基于遗传算法的城市轨道交通节能运行图设计方法 | |
CN109615135A (zh) | 一种基于动态规划算法的列车运行优化方法 | |
CN107749165A (zh) | 基于城市道路拥堵指数的计算方法 | |
CN105894814A (zh) | 考虑环境效益的多种交通管控措施联合优化方法及系统 | |
CN110827184A (zh) | 一种道路交通碳排放计算模块及计算方法 | |
CN105957348B (zh) | 一种基于gis和pems的城市公交线路节点处排放估算方法 | |
CN107766945A (zh) | 城市路网承载力的计算方法 | |
CN115455681A (zh) | 一种面向多载运工具的通勤交通碳排放空间分布估算方法 | |
Song et al. | Study on minimum emission control strategy on arterial road based on improved simulated annealing genetic algorithm | |
CN105355048B (zh) | 一种交通指数与机动车污染物排放耦合分析方法 | |
CN115660501A (zh) | 电动汽车充电负荷可调裕度评估方法 | |
Rana et al. | The role of battery operated auto-rickshaw in the transportation system of a city | |
CN111126878A (zh) | 一种基于生态指数的城市交通运行评价方法 | |
Dong et al. | Analysis and control of intelligent traffic signal system based on adaptive fuzzy neural network | |
CN103426294B (zh) | 一种基于紧急交通流优先级别多层模糊的划分方法 | |
CN115330043A (zh) | 一种城市充电站的选址规划方法及系统 | |
CN111199080A (zh) | 一种考虑不同类型充电需求的城市电动汽车充电设施规划方法 | |
Qin et al. | Eco-driving speed optimization model of urban intelligent connected vehicle platoon considering driver's comfort level | |
CN106056909A (zh) | 一种中小城市快速公交阈值确定方法 | |
CN106781543A (zh) | 一种城市道路交叉口信号控制多目标优化方法 | |
Song et al. | Elman neural network model of traffic flow predicting in mountain expressway tunnel | |
Zeng et al. | Study on a New Mobility Pattern Based on Autonomous Road Transportation System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150617 Termination date: 20220218 |