CN107025522A - 基于大数据的共享出行节能减排评估方法 - Google Patents
基于大数据的共享出行节能减排评估方法 Download PDFInfo
- Publication number
- CN107025522A CN107025522A CN201710224607.1A CN201710224607A CN107025522A CN 107025522 A CN107025522 A CN 107025522A CN 201710224607 A CN201710224607 A CN 201710224607A CN 107025522 A CN107025522 A CN 107025522A
- Authority
- CN
- China
- Prior art keywords
- shared trip
- reduction
- shared
- emission
- energy
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Abstract
本发明公开了一种基于大数据的共享出行节能减排评估方法,在该方法中生成了适用于共享出行分析的用户、车辆、订单等多维大数据;测算共享出行节能减排效果,建立车用燃料生命周期模型和环境投入‑产出模型,分别评估共享出行的直接和间接节能减排效果;开展政策效果模拟,最终形成共享出行节能减排路径。本发明首次建立了共享出行大数据,提高了基础数据的代表性、可靠性和连续性。提出了综合评估共享出行节能减排的方法体系,具有精度高、可实施性强、主体明确等特点,能够有效支撑政府管理及企业运营决策。
Description
技术领域
本发明涉及节能减排评估方法领域,具体是一种基于大数据的共享出行节能减排评估方法。
背景技术
目前,共享出行节能减排评估通常采用小样本、小范围、信息不完备的调查数据,难以提炼有代表性的共享出行人车属性及时空分布规律,对准确估计其整体影响产生了很大的制约。同时,现有的共享出行节能减排评估方法多针对共享出行替代传统交通方式所产生的直接效果评估,而忽略了由于共享出行方式改变用户未来购车换车意愿所带来的产业相关的间接效果,评估方法不完整。由于数据和方法的局限性大大降低了共享出行效果评估的可靠度,存在对政策制定产生偏差的风险。
发明内容 本发明的目的是提供一种基于大数据的共享出行节能减排评估方法,以解决现有技术共享出行节能减排评估方法和数据存在不足的问题。
为了达到上述目的,本发明所采用的技术方案为:
基于大数据的共享出行节能减排评估方法,其特征在于:包括以下步骤:
(1)基于共享出行服务平台和汽车企业平台,采集数据并对应建立共享出行订单数据库和车辆燃料消耗数据库,开展共享出行用户行为调查,构建共享出行用户行为选择数据库;
(2)集成共享出行订单数据库、车辆燃料消耗数据库和用户行为选择数据库,生成共享出行用户-车辆-订单多维大数据;
(3)基于共享出行用户-车辆-订单多维大数据,建立车用燃料生命周期模型、环境投入-产出分析模型;其中:
车用燃料生命周期模型测算共享出行能耗排放以及不采用共享出行采用替代交通方式能耗排放,评估产生的直接节能减排效果;
环境投入-产出分析模型测算共享出行引起的用户购车换车意愿改变所带来的汽车生产制造及服务相关行业的能耗和排放变化,评估所产生的间接节能减排效果;
(4)模拟政府、企业、居民的行为变化对共享出行节能减排效果的影响,设定政企民联合减排、政府企业合作减排、政府居民合作减排、企业居民合作减排、政府管控、企业运营、居民行为改变策略,调整相应的政策变量,并重复执行步骤(3);
(5)分析步骤(4)调整政策变量后政企民联合减排、政府企业合作减排、政府居民合作减排、企业居民合作减排、政府管控、企业运营、居民行为改变策略的节能减排效果及实施难易程度,明确政府、企业、居民各自的减排责任和具体措施,提出近期、中期、远期实现共享出行节能减排的有效路径。
所述的基于大数据的共享出行节能减排评估方法,其特征在于:所述的步骤(1)中通过共享出行服务平台,实时采集共享出行的海量订单数据,建立订单数据库;借助汽车企业平台采集车辆数据,建立车辆燃料消耗数据库,并根据共享出行订单的时空分布以及出行车辆的技术性能指标,将订单信息和车辆燃料信息智能匹配;步骤(1)中还开展共享出行用户行为调查,捕捉用户的社会经济属性、替代交通方式、及未来行为意向信息,建立共享出行用户行为选择数据库。
所述的基于大数据的共享出行节能减排评估方法,其特征在于:所述的步骤(3)中依托共享出行用户-车辆-订单多维大数据构建车用燃料生命周期模型,通过车用燃料生命周期模型解析共享出行车辆及替代交通方式所用燃料在开采、运输、转换、加工、终端使用全生命周期过程中的能耗和排放,并考虑不同服务类型、有效服务里程、车辆燃料类型、运行路况、区域差异关键因素对共享出行能耗和排放的作用测算共享出行能耗排放,考虑传统交通方式的燃料类型、运行路况、区域差异关键因素测算不采用共享出行采用替代交通方式的能耗排放,以评估共享出行的直接节能减排效果。
所述的基于大数据的共享出行节能减排评估方法,其特征在于:所述的步骤(3)中依托共享出行用户-车辆-订单多维大数据构建环境投入-产出分析模型,测算用户受共享出行影响而改变未来购车换车意愿所造成的汽车生产制造及服务等行业的能耗和排放变化,以评估共享出行的间接节能减排效果。
所述的基于大数据的共享出行节能减排评估方法,其特征在于:所述的步骤(4)中,对政府、企业、居民的行为进行模拟,将提高电动车占比、推广使用清洁能源、缩短接单时间、提高共乘人数、提高拼车成功率、提高共享出行服务使用率上述政策行为有序组合,形成政企民联合减排、政府企业合作减排、政府居民合作减排、企业居民合作减排、政府管控、企业运营、居民行为改变策略。
本发明构建了适用于共享出行分析的用户-车辆-订单多维大数据,测算共享出行节能减排效果,建立车用燃料生命周期模型和环境投入-产出模型,分别评估共享出行的直接和间接节能减排效果,开展政策效果模拟,形成共享出行节能减排路径。
与已有技术相比,本发明的有益效果体现在:
本发明基于共享出行海量订单数据、车辆燃料消耗数据和共享出行用户行为数据,首次生成了适用于共享出行分析的用户-车辆-订单多维大数据,能够更为准确地呈现共享出行的人车属性及时空分布特征,提高了基础数据的代表性、可靠性和连续性。提出了综合评估共享出行节能减排的方法体系,系统地测算了共享出行的直接和间接节能减排效果,并通过政策模拟确定了政府、企业、居民各自的减排责任和有效措施,具有精度高、可操作性强、主体明确等特点,能够有效支撑政府管理和规划及企业运营决策。
附图说明
图1为基于大数据的共享出行节能减排评估方法的流程示意图。
具体实施方式
如图1所示,基于大数据的共享出行节能减排评估方法,包括以下步骤:
(1)基于共享出行服务平台和汽车企业平台,采集数据并对应建立共享出行订单数据库和车辆燃料消耗数据库,开展共享出行用户行为调查,构建共享出行用户行为选择数据库;
(2)集成共享出行订单数据库、车辆燃料消耗数据库和用户行为选择数据库,生成共享出行用户-车辆-订单多维大数据;
(3)基于共享出行用户-车辆-订单多维大数据,建立车用燃料生命周期模型、环境投入-产出分析模型;其中:
车用燃料生命周期模型测算共享出行能耗排放以及不采用共享出行采用替代交通方式能耗排放,评估产生的直接节能减排效果;
环境投入-产出分析模型测算共享出行引起的用户购车换车意愿改变所带来的汽车生产制造及服务相关行业的能耗和排放变化,评估所产生的间接节能减排效果;
(4)模拟政府、企业、居民的行为变化对共享出行节能减排效果的影响,设定政企民联合减排、政府企业合作减排、政府居民合作减排、企业居民合作减排、政府管控、企业运营、居民行为改变策略,调整相应的政策变量,并重复执行步骤(3);
(5)分析步骤(4)调整政策变量后政企民联合减排、政府企业合作减排、政府居民合作减排、企业居民合作减排、政府管控、企业运营、居民行为改变策略的节能减排效果及实施难易程度,明确政府、企业、居民各自的减排责任和具体措施,提出近期、中期、远期实现共享出行节能减排的有效路径。
步骤(1)中通过共享出行服务平台,实时采集共享出行的海量订单数据,建立订单数据库;借助汽车企业平台采集车辆数据,建立车辆燃料消耗数据库,并根据共享出行订单的时空分布以及出行车辆的技术性能指标,将订单信息和车辆燃料信息智能匹配;步骤(1)中还开展共享出行用户行为调查,捕捉用户的社会经济属性、替代交通方式、及未来行为意向信息,建立共享出行用户行为选择数据库。
步骤(3)中依托共享出行用户-车辆-订单多维大数据构建车用燃料生命周期模型,通过车用燃料生命周期模型解析共享出行车辆及替代交通方式所用燃料在开采、运输、转换、加工、终端使用全生命周期过程中的能耗和排放,并考虑不同服务类型、有效服务里程、车辆燃料类型、运行路况、区域差异关键因素对共享出行能耗和排放的作用测算共享出行能耗排放,考虑传统交通方式的燃料类型、运行路况、区域差异关键因素测算不采用共享出行采用替代交通方式的能耗排放,以评估共享出行的直接节能减排效果。
步骤(3)中依托共享出行用户-车辆-订单多维大数据构建环境投入-产出分析模型,测算用户受共享出行影响而改变未来购车换车意愿所造成的汽车生产制造及服务等行业的能耗和排放变化,以评估共享出行的间接节能减排效果。
步骤(4)中,对政府、企业、居民的行为进行模拟,将提高电动车占比、推广使用清洁能源、缩短接单时间、提高共乘人数、提高拼车成功率、提高共享出行服务使用率上述政策行为有序组合,形成政企民联合减排、政府企业合作减排、政府居民合作减排、企业居民合作减排、政府管控、企业运营、居民行为改变策略。
如图1所示,构建共享出行服务平台实时采集用户和车辆的出行数据;共享出行用户行为调查的作用是收集用户的社会经济属性、交通出行方式以及未来的购车意愿等信息;车用燃料生命周期建模的作用是模拟交通方式所用燃料在开采、运输、转换、加工、终端使用等全生命周期过程中的能耗和排放。
环境投入-产出分析模型的作用是描述各行业之间的投入产出关系及其产生的环境影响;替代交通方式能耗排放测算的作用是测算用户不选择共享出行情况下,采用其他替代交通方式所产生的能耗和排放;直接节能减排效果评估的作用是评估共享出行替代传统交通方式后所产生的车用燃料相关的能耗和排放变化;间接节能减排效果评估的作用是评估用户受共享出行影响而改变未来购车换车意愿所带来的产业相关的能耗和排放变化。
政策效果模拟的作用是模拟提高电动车占比、推广使用清洁能源、缩短接单时间、提高共乘人数、提高拼车成功率、提高共享出行服务使用率等政策行为对共享出行节能减排效果的影响;政企民联合减排的作用是模拟政府、企业、居民行为共同变化对共享出行节能减排的影响,此处政府行为包括提高电动车占比和推广使用清洁能源等,企业行为包括缩短接单时间、提高共乘人数、提高拼车成功率等,居民行为包括提高共享出行服务使用率等;政府企业合作减排的作用是模拟政府和企业行为共同变化对共享出行节能减排的影响;政府居民合作减排的作用是模拟政府和居民行为共同变化对共享出行节能减排的影响;企业居民合作减排的作用是模拟企业和居民行为共同变化对共享出行节能减排的影响;政府管控的作用是模拟政府行为单独变化对共享出行节能减排的影响;企业运营的作用是模拟企业行为单独变化对共享出行节能减排的影响;居民行为改变的作用是模拟居民行为单独变化对共享出行节能减排的影响;共享出行节能减排路径的作用是制定近期、中期、远期实现共享出行节能减排的有效路径。
Claims (5)
1.基于大数据的共享出行节能减排评估方法,其特征在于:包括以下步骤:
(1)基于共享出行服务平台和汽车企业平台,采集数据并对应建立共享出行订单数据库和车辆燃料消耗数据库,开展共享出行用户行为调查,构建共享出行用户行为选择数据库;
(2)集成共享出行订单数据库、车辆燃料消耗数据库和用户行为选择数据库,生成共享出行用户-车辆-订单多维大数据;
(3)基于共享出行用户-车辆-订单多维大数据,建立车用燃料生命周期模型、环境投入-产出分析模型;其中:
车用燃料生命周期模型测算共享出行能耗排放以及不采用共享出行采用替代交通方式能耗排放,评估产生的直接节能减排效果;
环境投入-产出分析模型测算共享出行引起的用户购车换车意愿改变所带来的汽车生产制造及服务相关行业的能耗和排放变化,评估所产生的间接节能减排效果;
(4)模拟政府、企业、居民的行为变化对共享出行节能减排效果的影响,设定政企民联合减排、政府企业合作减排、政府居民合作减排、企业居民合作减排、政府管控、企业运营、居民行为改变策略,调整相应的政策变量,并重复执行步骤(3);
(5)分析步骤(4)调整政策变量后政企民联合减排、政府企业合作减排、政府居民合作减排、企业居民合作减排、政府管控、企业运营、居民行为改变策略的节能减排效果及实施难易程度,明确政府、企业、居民各自的减排责任和具体措施,提出近期、中期、远期实现共享出行节能减排的有效路径。
2.根据权利要求1所述的基于大数据的共享出行节能减排评估方法,其特征在于:所述的步骤(1)中通过共享出行服务平台,实时采集共享出行的海量订单数据,建立订单数据库;借助汽车企业平台采集车辆数据,建立车辆燃料消耗数据库,并根据共享出行订单的时空分布以及出行车辆的技术性能指标,将订单信息和车辆燃料信息智能匹配;步骤(1)中还开展共享出行用户行为调查,捕捉用户的社会经济属性、替代交通方式、及未来行为意向信息,建立共享出行用户行为选择数据库。
3.根据权利要求1所述的基于大数据的共享出行节能减排评估方法,其特征在于:所述的步骤(3)中依托共享出行用户-车辆-订单多维大数据构建车用燃料生命周期模型,通过车用燃料生命周期模型解析共享出行车辆及替代交通方式所用燃料在开采、运输、转换、加工、终端使用全生命周期过程中的能耗和排放,并考虑不同服务类型、有效服务里程、车辆燃料类型、运行路况、区域差异关键因素对共享出行能耗和排放的作用测算共享出行能耗排放,考虑传统交通方式的燃料类型、运行路况、区域差异关键因素测算不采用共享出行采用替代交通方式的能耗排放,以评估共享出行的直接节能减排效果。
4.根据权利要求1所述的基于大数据的共享出行节能减排评估方法,其特征在于:所述的步骤(3)中依托共享出行用户-车辆-订单多维大数据构建环境投入-产出分析模型,测算用户受共享出行影响而改变未来购车换车意愿所造成的汽车生产制造及服务等行业的能耗和排放变化,以评估共享出行的间接节能减排效果。
5.根据权利要求1所述的基于大数据的共享出行节能减排评估方法,其特征在于:所述的步骤(4)中,对政府、企业、居民的行为进行模拟,将提高电动车占比、推广使用清洁能源、缩短接单时间、提高共乘人数、提高拼车成功率、提高共享出行服务使用率上述政策行为有序组合,形成政企民联合减排、政府企业合作减排、政府居民合作减排、企业居民合作减排、政府管控、企业运营、居民行为改变策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710224607.1A CN107025522A (zh) | 2017-04-07 | 2017-04-07 | 基于大数据的共享出行节能减排评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710224607.1A CN107025522A (zh) | 2017-04-07 | 2017-04-07 | 基于大数据的共享出行节能减排评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107025522A true CN107025522A (zh) | 2017-08-08 |
Family
ID=59528210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710224607.1A Pending CN107025522A (zh) | 2017-04-07 | 2017-04-07 | 基于大数据的共享出行节能减排评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107025522A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111383045A (zh) * | 2018-12-28 | 2020-07-07 | 丰田自动车株式会社 | 信息处理装置和移动车辆系统 |
-
2017
- 2017-04-07 CN CN201710224607.1A patent/CN107025522A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111383045A (zh) * | 2018-12-28 | 2020-07-07 | 丰田自动车株式会社 | 信息处理装置和移动车辆系统 |
CN111383045B (zh) * | 2018-12-28 | 2023-12-05 | 丰田自动车株式会社 | 信息处理装置和移动车辆系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Location optimization of electric vehicle charging stations: Based on cost model and genetic algorithm | |
Li et al. | An evolutionary analysis on the effect of government policies on electric vehicle diffusion in complex network | |
Duan et al. | Test scenario generation and optimization technology for intelligent driving systems | |
Lv et al. | Impacts of intelligent transportation systems on energy conservation and emission reduction of transport systems: A comprehensive review | |
Xydas et al. | A data-driven approach for characterising the charging demand of electric vehicles: A UK case study | |
Bi et al. | GIS aided sustainable urban road management with a unifying queueing and neural network model | |
Sun et al. | Hybrid electric buses fuel consumption prediction based on real-world driving data | |
CN105528498B (zh) | 网联智能电动车辆一体化建模与集成控制方法 | |
CN108681788B (zh) | 一种基于主动安全的城市离散交通网络设计方法 | |
Li et al. | Predicting vehicle fuel consumption based on multi-view deep neural network | |
Borysova et al. | Priorities of marketing, competitiveness, and innovative development of transport service providers under sustainable urban development | |
Tsoi et al. | Pioneers of electric mobility: Lessons about transport decarbonisation from two bay areas | |
CN110310039A (zh) | 一种锂电池全生命周期在线优化监控系统及监控方法 | |
Sun et al. | Transit-gym: A simulation and evaluation engine for analysis of bus transit systems | |
Zhang et al. | Energy management strategy of a novel parallel electric-hydraulic hybrid electric vehicle based on deep reinforcement learning and entropy evaluation | |
Zhang et al. | Battery swapping demand simulation for electric micromobility vehicles considering multi-source information interaction and behavior decision | |
CN107025522A (zh) | 基于大数据的共享出行节能减排评估方法 | |
Yang et al. | Exploring the role of environmental regulations in the production and diffusion of electric vehicles | |
CN112765726A (zh) | 一种寿命预测方法及装置 | |
CN116502964A (zh) | 电动汽车碳排放时空分布监测建模方法及装置 | |
Patil | An Empirical Study of the Factors Influencing the Adoption of Electric Vehicles | |
Rix et al. | Why taxi tracking trumps tracking passengers with apps in planning for the electrification of Africa’s paratransit | |
Brummitt et al. | Truck Platooning and Its Impact on Fuel Emissions | |
Stokić et al. | A bilinear interpolation model for estimating commercial vehicles' fuel consumption and exhaust emissions | |
Crisalli et al. | A meso-simulation approach for the estimation of traffic flows in presence of automated vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170808 |