CN107146013A - 一种基于灰色预测和支持向量机的分类型电动汽车需求时空分布动态预测方法 - Google Patents
一种基于灰色预测和支持向量机的分类型电动汽车需求时空分布动态预测方法 Download PDFInfo
- Publication number
- CN107146013A CN107146013A CN201710297707.7A CN201710297707A CN107146013A CN 107146013 A CN107146013 A CN 107146013A CN 201710297707 A CN201710297707 A CN 201710297707A CN 107146013 A CN107146013 A CN 107146013A
- Authority
- CN
- China
- Prior art keywords
- mrow
- electric automobile
- msub
- data
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 43
- 238000009826 distribution Methods 0.000 title claims description 41
- 230000002123 temporal effect Effects 0.000 title claims description 36
- 238000006467 substitution reaction Methods 0.000 claims abstract description 50
- 238000011161 development Methods 0.000 claims abstract description 15
- 238000011160 research Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 238000009499 grossing Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000001373 regressive effect Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 241000170545 Iago Species 0.000 claims description 3
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000010219 correlation analysis Methods 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 27
- 230000018109 developmental process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000027648 face development Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G06Q50/40—
Abstract
本发明应用于电力系统领域,具体涉及一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法。包括:首先利用高准确定的改进灰色模型,对不同类型车辆数量进行预测;接着基于不同类型电动汽车所占比例及影响因素的非线性特点,利用支持向量机回归法,利用预测样本得到分类型电动汽车替代比例预测结果,利用迭代法不断修正预测结果;最后将前两者预测结果按照汽车类型进行匹配,建立分类型电动汽车需求增长预测模型,结合用户出行规律研究,对分类型电动汽车需求实现准确的动态时空预测。因此本发明具有如下优点:充分考虑历史数据不足的特点和不同因素对电动汽车发展的影响,结合用户出行规律的研究,实现更为准确的动态预测。
Description
技术领域
本发明应用于电力系统领域,用于对分类型电动汽车的数量需求进行准确的合理预测,以便于电动汽车的充电负荷的准确分析和充电站点的合理规划建设,具体涉及一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法。
背景技术
能源产业是国民经济的基础产业,是确保国家战略安全的必要前提,同时也是实现经济可持续发展的重要保障。然而随着我国经济规模的不断扩大,我国对石油等传统能源的需求不但增大,排放到大气中的碳含量也越来越多,使得能源紧缺与生态环境恶化的压力日益增大。而电动汽车以其节能、环保的优势,成为解决能源资源紧张、大气污染严重的有效途径。
电动汽车产业已经列为我国的七大战略性新兴产业,我国政府推出一系列鼓励扶持政策,加速推动电动汽车产业发展。电动汽车保有量快速增长,截至2015年8月底,我国电动汽车保有量达到22.30万辆,国家明确提出到2020年电动汽车保有量达到500万辆。
随着电池寿命的增长、电池容量的增加和充电设施充电时间的缩短等科学技术的进步,同时国家政策的大力引导和政府大力推广,电动汽车数量将会呈现出爆炸性增长的趋势,这将会对充电设施的建设规模和服务能力带来巨大的挑战。为了能够实现电动汽车充电基础设施与电动汽车规模的同步发展的目标,必须对电动汽车的需求增长做出准确的预测,因此非常有必要探索分类型电动汽车需求动态预测的准确方法。
目前国内学者对电动汽车保有量的预测进行了大量的研究,但考虑因素比较单一,也很少进行分类探究,主要利用线性回归等单一方法进行估计,这对分类型电动汽车保有量的预测准确性有一定的影响,并且对于分类型电动汽车需求时空分布动态预测方面的研究仍处于空白。
发明内容
由于之前学者对于电动汽车保有量的预测考虑影响因素单一、准确性较差的、不具有动态性等局限性,本文提出了结合灰色预测法和支持向量机的基于更新替代比例模型的分类型电动汽车需求动态预测的方法,对分类型电动汽车的保有量进行准确的动态预测,在此基础上,结合用户出行规律研究,对电动私人用车和电动出租车的时空分布进行了预测,结合具有固定行驶路径特点的其他类型电动汽车,实现电动汽车需求时空分布动态预测。首先根据电动汽车的行驶特点和功能,可以将电动汽车分为电动公交车、电动出租车、电动专用车、电动公务车以及私人乘用车四类,并探究不同类型的电动汽车的行为模式,利用改进灰色预测模型对分类型汽车数量进行准确预测;然后分析电池寿命增长、电池容量增大、充电设施充电时间缩短等技术进步因素对不同类型电动汽车替代比例的影响,以及国家政策对不同类型电动汽车的引导,构建支持向量机迭代预测模型,对分类型电动汽车替代比例进行预测;接着结合分类型汽车数量预测结果以及分类型电动汽车替代比例预测结果,构件更新替代比例模型,实现对分类型电动汽车需求的动态预测;最后,基于对用户行为规律的研究,结合分类型电动汽车需求的预测结果,对电动私人用车及电动出租车的时空分布特性进行了预测,实现分类型电动汽车需求时空分布动态预测。
本发明属于电力系统技术领域,是一种结合灰色预测法和支持向量机建立的基于更新替代比例模型的分类型电动汽车需求动态预测,并结合用户出行规律对电动汽车需求时空分布进行预测的方法。其步骤如下:
一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法,其特征在于,包括:
步骤1,建立分类型车辆数量预测模型,通过对区域公交车、出租车、专用车、公务车及私人乘用车等不同类型车辆的数据特点分析,选择灰色预测法进行预测;对传统灰色预测法进行研究针对其局限性和不同类型车辆数据特点进行改进,得到高准确性的改进灰色预测模型,构建分类型车辆数量预测模型;将调研所得的区域不同类型车辆的发展趋势,通过分类型车辆数量预测模型,预测该区域不同类型车辆未来的总体发展趋势;
步骤2,建立分类型电动汽车替代比例迭代预测模型,通过对区域电动公交车、电动出租车、电动专用车、电动公务车及私人乘用车等不同类型车辆所占该类型车辆的比例数据的数据特点分析,以及影响因素的非线性特点,选择支持向量机回归法得到决策回归方程,利用预测样本的到分类型电动汽车的替代比例数据预测结果,利用迭代法不断修正预测结果,构建基于SVM的电动汽车分类型替代比例迭代预测模型;
步骤3,建立分类型电动汽车需求增长预测模型;结合分类分类型车辆数量预测模型预测结果和分类型电动汽车替代比例迭代预测模型预测结果,将两者预测结果按照汽车类型进行匹配,建立分类型电动汽车需求增长预测模型,对区域内分类型电动汽车数量实现准确的动态预测。
在上述的一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法,所述步骤1中,建立改进灰色预测模型,包括:
步骤2.1、原始数据平滑处理步骤,对生成公式进行如下改进:
原始数据序列两端数据平滑处理方式:
x(1)(1)=(3x(0)(1)+x(0)(2))/4
x(1)(n)=(x(0)(n-1)+3x(0)(n))/4
原始数据序列中间数据平滑处理方式:
x(1)(m)=(x(0)(m-1)+2x(0)(m)+x(0)(m+1))/4 1<m<n
利用以上处理方法来代替传统的累加生成方式,可以得到更加光滑的数据;
步骤2.2、建立灰色微分方程,基于如下公式:
用最小二乘法求出模型参数向量α即得到GM(1,1)模型;
步骤2.3、利用改进后背景值,建立差分方程的步骤,针对高增长的差分方程的背景值进行修正;
针对累加数据呈高增长趋势的情况可以将数据处理为指数形式,即x(1)(t)=μeat,将该公式带入到积分公式中,即即可以得到
针对平增长或递增长采用紧邻生成序列作为背景值,即:
z(1)(k)=0.5x(1)(k)+0.5x(1)(k-1)
步骤2.4、对模型进行检验的步骤:对已经建立的模型进行检验,利用测试集检验模型是不是合适,若合适可行,则进行下一步;若不满足误差要求,则返回到第一步,对数据再进行一次平滑处理否则返回到第一步,利用公式对数据再进行一次平滑处理;
步骤2.5、逆生长得到预测结果:对求出的结果进行还原,进行逆生长处理,也就是即累减生成IAGO,此处要根据累加生成的次数进行,得到真实的预测结果。
在上述的一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法,所述步骤1中,分类型车辆数量预测模型的建立包括:
步骤3.1、对原始数据进行处理:将某一类型的车辆近几年的历史数据作为原始数据,利用改进后的累加生成方法,对原始数据进行平滑处理;
步骤3.2、选择合适的背景值,将微分方程准确转化为差分方程:根据第一步对原始数据的处理,对数据大致增长趋势进行分析,若原始数据为平增长或者低增长,则利用原始方法即利用紧邻生成序列代替背景值,进一步计算;若原始数据为高增长趋势,则利用改进的背景值生成公式,带入后做进一步计算;
步骤3.3、利用最小二乘法,求出待求参数向量α;
步骤3.4、对已经建立的模型进行检验,判断微分方程的解是否合适,若合适,则进行下一步,否则返回到第一步,对数据进一步处理;
步骤3.5、根据建立的合适的差分方程对结果进行预测,即对差分方程进行求解;
步骤3.6、对求出的结果进行还原,进行逆生长处理,也就是累减生成,根据累加生成的次数进行,得到最终某类型车辆数量的预测结果。
在上述的一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法,所述步骤2中,所述支持向量机迭代预测模型中,输入向量x∈Rm为电动汽车替代比例历史数据、技术进步影响因素、政府政策引导等等,输出y为更新替代比例预测值;根据已知数据建立训练样本集和预测样本集,建立SVM回归目标函数,解得最优解带回到回归决策函数方程,得到回归预测函数,最后计算预测结果,具体包括:
步骤4.1、对历史数据进行预处理和归一化处理;
其中为归一化后的数据值,xi为实际历史数据,xi min=min(xi),xi max=max(xi),m为输入向量的维数,即影响预测因素的个数;
步骤4.2、建立预测样本,形成训练样本集和测试样本集;样本输入一般分为以下两类:
A={a1,a2,…,aK},预测年份之前K年的更新替代比例的历史数据;
B={b1,b2,…,bT},预测年的技术因素及政策影响因素,包括电池容量、电池寿命、充电电流、政策规划比例因素;
步骤4.3、建立SVM预测模型,根据训练样本建立如下的SVM回归目标函数;
其中xi为第i个训练样本的输入,K(xi,xj)为核函数,此处选择径向内积核函数,即对最小优化函数求解,得到最有优解
步骤4.4、确定回归决策函数,将代入下式,得到决策回归函数;
步骤4.5、利用预测样本及上一步得到的决策回归方程对分类型电电动汽车更新替代比例进行预测。
在上述的一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法,所述步骤3中,基于改进灰色预测的分类型车辆数量预测模型和基于支持向量机的分类型电动汽车替代比例迭代模型,结合更新替代比例模型,得到分类型电动汽车需求预测模型,具体是:利用基于改进灰色预测的分类型车辆数量预测模型得到待预测年份分类型车辆总体数据预测结果,结合当前技术进步及政策因素的影响,利用基于支持向量机的分类型电动汽车替代比例迭代预测模型预测相对应的待预测年份的分类型电动汽车更新替代比例,两者预测结果相结合实现动态准确的预测:
(汽车的类型)
其中是指a类型电动汽车第t年的预测保有量,是指a类型汽车第t年的预测保有量,是指a类型电动汽车第t年的预测更新替代比例。
在上述的一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法,还包括:
建立电动私人乘用车及电动出租车的时空分布预测模型的步骤:结合分类型电动汽车需求预测结果,得到电动私人乘用车及电动出租车需求量预测结果,基于对用户出行规律研究,实现对电动私人乘用车及电动出租车需求的时空分布预测,结合具有固定行驶路径特点的其他类型电动汽车,实现电动汽车需求的时空分布预测。
在上述的一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法,所述建立电动私人乘用车及电动出租车的时空分布预测模型的步骤基于出行链的空间特性分析,具体包括:
分析条件一,空间转移:定义当前时刻的状态为Ei,下一时刻的状态为Ej,则马尔科夫链可用条件概率表示
P(Ei→Ej)=P(Ej/Ei)=Pij
若将每个行驶目的地视为一个状态,根据马尔科夫理论,车辆下一个状态(目的地)即由当前状态决定;记为pij从状态Ei转为状态Ej的状态转移概率,则其一步状态转移概率可写成矩阵形式为,
其中pij满足如下条件:
根据典型出行链中出现的4大场景,通过对该地区居民出行统计数据进行调研,依据上式就可以表示出电动汽车从一个目的地行驶到另一个目的地的一步转移概率为
矩阵中用英文缩写来表示出行链的起点与终点:H代表居民区、W代表工作区/校园区、SR代表商业区、O代表其他区域;
分析条件二,出行距离:定义出行者的出行距离服从一下规律分布,根据出行距离可以将目的地选择范围缩小,使用蒙特卡洛模拟确定具体位置:
式中:fD为出行距离的概率密度;μD为居民平均出行距离;δD为出行距离方差,
然后对电动私人用车及电动出租车进行时空分布预测,具体操作步骤包括:
步骤7.1、初始化待预测地区的地图信息,输入该地区电动私人用车及电动出租车的需求预测估计N;
步骤7.2、抽取起始地点,确定起始点;
步骤7.3、抽取目的地,根据出行距离分析,缩小选择范围,确定终点;
步骤7.4、根据路况信息,选择路径;
步骤7.5、将该地区的N辆电动私人用车及电动出租车进行叠加,得到该类型车辆的时空分布预测结果。
因此,本发明具有如下优点:1、本发明充分考虑不同类型电动汽车发展趋势的不同,将电动汽车分为电动公交车、电动出租车、电动专用车、电动公务车及私人乘用车,对分类型电动汽车需求进行预测。2、充分考虑了政府政策、技术进步等因素对电动汽车需求的影响,更为准确的对电动汽车需求进行预测。3、基于支持向量机的预测模型,可以有效处理电动汽车替代比利时数据较少的情况,对电动汽车需求进行准确预测。4、结合用户出行规律研究,实现分类型电动汽车的需求的时空分布预测。
附图说明
图1是基于改进灰色预测和支持向量机的分类型电动汽车需求时空分布动态预测方法流程示意图。
图2是预测分类型车辆数量示意图。
图3是动态预测支持向量机的分类型替代比例示意图。
图4是分类型电动汽车需求动态预测模型示意图。
图5是典型出行链示意图。
图6是电动私人乘用车及电动出租车时空分布预测示意图。
具体实施方法
一、本发明主要包括以下步骤:
第一步,建立分类型车辆数量预测模型。本文通过对区域公交车、出租车、专用车、公务车及私人乘用车等不同类型车辆的数据特点分析,选择灰色预测法进行预测;对传统灰色预测法进行研究针对其局限性和不同类型车辆数据特点进行改进,得到高准确性的改进灰色预测模型,构建分类型车辆数量预测模型;将调研所得的区域不同类型车辆的发展趋势,通过分类型车辆数量预测模型,预测该区域不同类型车辆未来的总体发展趋势。
第二步,建立分类型电动汽车替代比例迭代预测模型。本文通过对区域电动公交车、电动出租车、电动专用车、电动公务车及私人乘用车等不同类型车辆所占该类型车辆的比例数据的数据特点分析,以及影响因素的非线性特点,选择支持向量机回归法得到决策回归方程,利用预测样本的到分类型电动汽车的替代比例数据预测结果,利用迭代法不断修正预测结果,构建基于SVM的电动汽车分类型替代比例迭代预测模型。
第三步,建立分类型电动汽车需求增长预测模型。结合分类分类型车辆数量预测模型预测结果和分类型电动汽车替代比例迭代预测模型预测结果,将两者预测结果按照汽车类型进行匹配,建立分类型电动汽车需求增长预测模型,对区域内分类型电动汽车数量实现准确的动态预测。
第四步,建立电动私人乘用车及电动出租车的时空分布预测模型。结合分类型电动汽车需求预测结果,得到电动私人乘用车及电动出租车需求量预测结果,基于对用户出行规律研究,实现对电动私人乘用车及电动出租车需求的时空分布预测,结合具有固定行驶路径特点的其他类型电动汽车,实现电动汽车需求的时空分布预测。
二、下面结合具体案例对本发明的方法进行详细介绍。
1、基于改进灰色预测法的分类型车辆数量预测模型。
汽车的分类型需求预测是根据过去和现在的电动汽车统计数据来推测其未来的数值,因此可以看出汽车的分类型数量预测的研究对象是随机事件、是不肯定事件,而且汽车未来发展不确定因素非常多。然而灰色系统理论可以很有效的解决即含有已知信息又含有未知或者不确定信息的系统的预测问题,所以选择灰色预测法来构建分类型车辆数量预测模型是合理的。
1.1、改进灰色预测模型。
灰色理论预测模型是通过分析系统数据、因素之间相互影响、相异程度等,利用数据统计的方法,来对系统进行合理预测。其主要过程就是要先做关联度分析,对原始数据进行处理,得到随机性减小规律性增强的生成数据,再根据成熟的生成数据建立相应的微分方程模型,进行分析,从而预测系统未来的发展趋势。由此,可以得出,由该方法分析所得的数据,并不能直接使用,需要经过逆生成即累减生成后才可以使用。
对传统GM(1,1)模型局限性分析,可以分析处该模型具有两个局限:
从GM(1,1)模型建立的过程可以看出,第一步对原始数据的处理是非常重要的,是为了将原始数据的随机性减小,并一定程度上处理掉“坏数据”,并强化原始数据发展趋势的信息。但是传统的灰色预测模型中对数据的处理是直接采用累加生成的方式,这种方式比较简单,一定程度上对原始数据中的“坏数据”处理可能不足,生成数据不够“光滑”,这将影响灰色预测模型后面所有的建立过程,直接影响模型预测的准确性。
GM(1,1)模型的预测结果是由对生成数据建立灰色微分方程,并对方程求解得出的,那么方程中未知系数a,μ的准确性将直接影响最后的求解结果。然而未知系数a,μ的求解与背景值的构造有直接关系,传统灰色预测模型中直接用紧邻均值生成序列即z(1)(k)=0.5x(1)(k)+0.5x(1)(k-1)构造背景值,这是导致灰色预测模型预测结果误差的主要因素之一。
综上所述,即有两个思路对灰色预测模型进行改进,来提高灰色预测模型预测的准确性。一方面,可以从对原始数据的处理的角度进行,改进生成数据的方法,增加生成数据的光滑度,最大可能的改善原始数据的离散型、随机性,强化原始数据发展变化趋势,提高数据的规律性;另一方面,从GM模型建立的过程入手,提高将灰色微分方程转化为差分方程过程的准确性,减小两个方程之间的差异,即针对背景值的构造进行改善。改进灰色预测模型,可以归纳为以下步骤:
(1)、原始数据平滑处理。
根据前文的分析可以知道,对原始数据处理的目的就是减小原始数据的离散行、随机性,强化原始数据变化趋势的规律性展示,所以非常有必要对原始数据的处理过程进行改进,使得生成数据光滑度更好。于是对生成公式进行如下改进:
原始数据序列两端数据平滑处理方式:
x(1)(1)=(3x(0)(1)+x(0)(2))/4
x(1)(n)=(x(0)(n-1)+3x(0)(n))/4
原始数据序列中间数据平滑处理方式:
x(1)(m)=(x(0)(m-1)+2x(0)(m)+x(0)(m+1))/41<m<n
利用以上处理方法来代替传统的累加生成方式,可以得到更加光滑的数据。
(2)、建立灰色微分方程。
用最小二乘法求出模型参数向量α即得到GM(1,1)模型;
(3)、利用改进后背景值,建立差分方程。
背景值的选择,直接关系到将微分方程转化为差分方程的准确性,对于直接用紧邻均值生成序列来代替背景值是不准确的,所以对于背景值的修正是非常必要的。本质上来说,z(1)(k)是x(1)(t)的近似积分值,即所以直接用紧邻均值生成序列来作为背景值是非常不准确的。为了能将微分方程准确的转化为差分方程,针对高增长、平增长、低增长的差分方程公式应该是存在差异的。很显然针对平增长、低增长的差分方程使用紧邻均值生成序列作为背景值误差较小,但是针对高增长的差分方程用该方法就存在较大的问题,所以这里主要针对高增长的差分方程的背景值进行修正。
针对累加数据呈高增长趋势的情况可以将数据处理为指数形式,即x(1)(t)=μeat,将该公式带入到积分公式中,即即可以得到
针对平增长或递增长采用紧邻生成序列作为背景值,即:
z(1)(k)=0.5x(1)(k)+0.5x(1)(k-1)
(4)、对模型进行检验。
利用测试集对已经建立的模型进行检验,判断模型是不是合适,若合适可行,则进行下一步;若不满足误差要求,则返回到第一步,对数据再进行一次平滑处理;
(5)、逆生长得到预测结果。
对求出的结果进行还原,即进行逆生长处理(即累减生成IAGO),此处要根据累加生成的次数进行,得到真实的预测结果。
1.2、分类型车辆数量预测模型。
以往年的分类型车辆历史数据作为输入量,分类型车辆预测数量为输出量,基于改进灰色预测模型GM(1,1),构建分类型车辆数量预测模型。实施步骤总结如下:
第一步,对原始数据进行处理:将某一类型的车辆近几年的历史数据作为原始数据,利用改进后的累加生成方法,对原始数据进行平滑处理。
第二步,选择合适的背景值,将微分方程准确转化为差分方程:根据第一步对原始数据的处理,对数据大致增长趋势进行分析,若原始数据为平增长或者低增长,则利用原始方法即利用紧邻生成序列代替背景值,进一步计算;若原始数据为高增长趋势,则利用改进的背景值生成公式,带入后做进一步计算。
第三步,利用最小二乘法,求出待求参数向量α。
第四步,对已经建立的模型进行检验,判断微分方程的解是否合适,若合适,则进行下一步,否则返回到第一步,对数据进一步处理。
第五步,根据建立的合适的差分方程对结果进行预测,即对差分方程进行求解。
第六步,对求出的结果进行还原,即进行逆生长处理(即累减生成),此处要根据累加生成的次数进行,得到最终某类型车辆数量的预测结果。
分类型车辆数量预测模型建立示意图如图2所示。
2、基于支持向量机的分类型电动汽车替代比例动态预测模型。
支持向量机是一种非常新的方法,但是这种方法处理问题的能力却一点都不输给传统的预测方法,是一种非常实用的方法。支持向量机是以传统的统计学习理论为基础,从线性可分情况下的最优面分类发展而来的。该方法的核心在于利用机器学习的方法,找到平面内各点的拟合函数,进行较为准确的预测。
支持向量机对于解决有限样本、非线性及高维模式识别等问题具有很大的优势。利用支持向量机可以在数据响度不足的情况下,可以利用小样本更好的寻找到其中的规律,以便进行准确的预测。由于分类型电动汽车更新比例数据存在样本较小、数据不足等情况,选择支持向量机的方法来对其进行预测估计是合理的。
2.1、支持向量机迭代预测模型。
本文建立了支持向量机的分类型电动汽车替代比例迭代预测模型,针对传统预测方法的缺陷,本文提出了包含技术进步及政府政策引导等影响因素。模型中输入向量x∈Rm为电动汽车替代比例历史数据、技术进步影响因素、政府政策引导等等,输出y为更新替代比例预测值。根据已知数据建立训练样本集和预测样本集,建立SVM回归目标函数,解得最优解带回到回归决策函数方程,得到回归预测函数,最后计算预测结果。
(1)对历史数据进行预处理和归一化处理。
其中为归一化后的数据值,xi为实际历史数据,xi min=min(xi),xi max=max(xi),m为输入向量的维数,即影响预测因素的个数。
(2)建立预测样本,形成训练样本集和测试样本集。样本输入一般分为以下两类:
A={a1,a2,…,aK},预测年份之前K年的更新替代比例的历史数据;
B={b1,b2,…,bT},预测年的技术因素及政策影响因素,包括电池容量、电池寿命、充电电流、政策规划比例等因素(归一化后数据);
(3)建立SVM预测模型,根据训练样本建立如下的SVM回归目标函数。
其中xi为第i个训练样本的输入,K(xi,xj)为核函数,此处选择径向内积核函数,即对最小优化函数求解,得到最有优解
(4)确定回归决策函数,将代入下式,得到决策回归函数。
(5)利用预测样本及上一步得到的决策回归方程对分类型电电动汽车更新替代比例进行预测。
基于支持向量机的分类型电动汽车替代比例迭代模型具体操作流程如图3所示.
2.2、支持向量机迭代预测模型预测分类型电动汽车更新替代比例的优势。
SVM在解决有限样本、非线性及高维识别问题具有明显优势,而影响更新替代比例的因素具有非线性特点,故本文利用支持向量机优越的非线性学习能力及预测性能,提出基于支持向量机的分类型电动汽车替代比例迭代预测模型。
(1)SVM采用结构风险最小化原理,成功解决了传统神经网络的过学习与欠学习问题,故将SVM应用到电动汽车更新替代比例预测中,可以避免传统方法使用神经网络预测所带来的过学习现象。
(2)SVM回归通过核函数,将低维输入空间映射到高维特征空间,再在高维特征空间中进行线性回归。算法最终将转化成为一个二次型寻优问题,从理论上来说,得到的是全局最优解。与传统预测方法中使用的神经网络相比,解决了无法避免的局部极值问题。
(3)SVM采用结构风险最小化原理,提高了对未来的样本的泛能力。故采用基于向量机的迭代预测模型可以有效的对电动汽车分类型替代比例进行预测。
3、分类型电动汽车需求动态预测模型。
本文这部分结合基于改进灰色预测的分类型车辆数量预测模型和基于支持向量机的分类型电动汽车替代比例迭代模型,结合更新替代比例模型,得到分类型电动汽车需求预测模型。
首先利用基于改进灰色预测的分类型车辆数量预测模型得到待预测年份分类型车辆总体数据预测结果,结合当前技术进步及政策因素的影响,利用基于支持向量机的分类型电动汽车替代比例迭代预测模型预测相对应的待预测年份的分类型电动汽车更新替代比例,两者预测结果相结合实现动态准确的预测:
(汽车的类型)
其中是指a类型电动汽车第t年的预测保有量,是指a类型汽车第t年的预测保有量,是指a类型电动汽车第t年的预测更新替代比例。
具体操作逻辑如图4所示.
4、电动汽车时空分布预测。
电动公交车、电动专用车具有较为固定的行驶路径和行驶时间即较为固定的时空分布,电动私人乘用车及电动出租车的时空分布与电动汽车用户的驾驶习惯有着密切的联系,然而电动汽车时空分布预测对电动汽车充换电需求预测、电动汽车出行路线推荐以及电动汽车充换电站规划等研究都具有重要意义,所以非常有必要对电动私人乘用车及电动出租车的时空分布进行研究。
首先,对出行者的行为特点、驾驶习惯进行研究,分析出行者的出行终点和起点类型的潜在关系。其次,结合实际路况信息确定出行者出行的具体起点和终点位置,确定出行路线,最终将该区域内所有的电动私人乘用车以及电动出租车进行叠加,得到该区域电动汽车时空电动私人用车以及电动出租车的时空分布情况。
4.1、出行链分析。
出行链是指从初始地出发,经过若干次出行,最后再次回到初始地的整个过程。这种出行链式的方法可以将出行者一天的出行活动进行处理,与人们的日常生活规律基本一致,与出行者实际决策过程十分相近,可以有效地模拟出行者在出行链过程中对各个出行活动的决策过程,从而为分析电动汽车用户的出行规律提供了很大的帮助。经过调研可以得出,典型的出行链如图5所示:
4.2、出行链的空间特性分析。
(1)空间转移。
马尔科夫过程是用于描述具有无后效性的随机过程:若每次状态的转移只与前一刻的状态有关而与过去的状态无关,离散马尔科夫过程称为马尔科夫链。记当前时刻的状态为Ei,下一时刻的状态为Ej,则马尔科夫链可用条件概率表示
P(Ei→Ej)=P(Ej/Ei)=Pij
若将每个行驶目的地视为一个状态,根据马尔科夫理论,车辆下一个状态(目的地)即由当前状态决定。记为pij从状态Ei转为状态Ej的状态转移概率,则其一步状态转移概率可写成矩阵形式为,
其中pij满足如下条件:
根据典型出行链中出现的4大场景,通过对该地区居民出行统计数据进行调研,依据上式就可以表示出电动汽车从一个目的地行驶到另一个目的地的一步转移概率为
矩阵中用英文缩写来表示出行链的起点与终点:H代表居民区、W代表工作区/校园区、SR代表商业区、O代表其他区域。
(2)出行距离。
通过研究表明出行者的出行距离服从一下规律分布,根据出行距离可以将目的地选择范围缩小,使用蒙特卡洛模拟确定具体位置。
式中:fD为出行距离的概率密度;μD为居民平均出行距离;δD为出行距离方差。
4.3、电动私人用车及电动出租车时空分布预测。
根据前面的研究分析,可以对电动私人用车及电动出租车进行时空分布预测,具体操作步骤如图6所示:
第一步,初始化待预测地区的地图信息,输入该地区电动私人用车及电动出租车的需求预测估计N;
第二步,抽取起始地点,确定起始点;
第三步,抽取目的地,根据出行距离分析,缩小选择范围,确定终点;
第四步,根据路况信息,选择路径;
第五步,将该地区的N辆电动私人用车及电动出租车进行叠加,得到该类型车辆的时空分布预测结果。
4.4、电动汽车时空分布预测。
通过前文的分析可以知道电动公交车和电动专用车的行驶时间和行驶路径是非常固定的,即这两类型的车辆具有较为固定的时空分布特性,所以可以通过将这两类车的分布特性与电动私人乘用车及电动出租车的时空分布预测结果进行就叠加,来得到电动汽车的时空分布预测。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (7)
1.一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法,其特征在于,包括:
步骤1,建立分类型车辆数量预测模型,通过对区域公交车、出租车、专用车、公务车及私人乘用车等不同类型车辆的数据特点分析,选择灰色预测法进行预测;对传统灰色预测法进行研究针对其局限性和不同类型车辆数据特点进行改进,得到高准确性的改进灰色预测模型,构建分类型车辆数量预测模型;将调研所得的区域不同类型车辆的发展趋势,通过分类型车辆数量预测模型,预测该区域不同类型车辆未来的总体发展趋势;
步骤2,建立分类型电动汽车替代比例迭代预测模型,通过对区域电动公交车、电动出租车、电动专用车、电动公务车及私人乘用车等不同类型车辆所占该类型车辆的比例数据的数据特点分析,以及影响因素的非线性特点,选择支持向量机回归法得到决策回归方程,利用预测样本的到分类型电动汽车的替代比例数据预测结果,利用迭代法不断修正预测结果,构建基于SVM的电动汽车分类型替代比例迭代预测模型;
步骤3,建立分类型电动汽车需求增长预测模型;结合分类分类型车辆数量预测模型预测结果和分类型电动汽车替代比例迭代预测模型预测结果,将两者预测结果按照汽车类型进行匹配,建立分类型电动汽车需求增长预测模型,对区域内分类型电动汽车数量实现准确的动态预测。
2.根据权利要求1所述的一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法,其特征在于,所述步骤1中,建立改进灰色预测模型,包括:
步骤2.1、原始数据平滑处理步骤,对生成公式进行如下改进:
原始数据序列两端数据平滑处理方式:
x(1)(1)=(3x(0)(1)+x(0)(2))/4
x(1)(n)=(x(0)(n-1)+3x(0)(n))/4
原始数据序列中间数据平滑处理方式:
x(1)(m)=(x(0)(m-1)+2x(0)(m)+x(0)(m+1))/4 1<m<n
利用以上处理方法来代替传统的累加生成方式,可以得到更加光滑的数据;
步骤2.2、建立灰色微分方程,基于如下公式:
<mrow>
<mfrac>
<mrow>
<msup>
<mi>dX</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
</mrow>
<mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo>+</mo>
<msup>
<mi>aX</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<mi>&mu;</mi>
</mrow>
用最小二乘法求出模型参数向量α即得到GM(1,1)模型;
步骤2.3、利用改进后背景值,建立差分方程的步骤,针对高增长的差分方程的背景值进行修正;
针对累加数据呈高增长趋势的情况可以将数据处理为指数形式,即x(1)(t)=μeat,将该公式带入到积分公式中,即即可以得到
<mrow>
<msup>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Integral;</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>t</mi>
<mo>=</mo>
<munderover>
<mo>&Integral;</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msup>
<mi>&mu;e</mi>
<mrow>
<mi>a</mi>
<mi>t</mi>
</mrow>
</msup>
<mi>d</mi>
<mi>t</mi>
<mo>=</mo>
<mfrac>
<mi>&mu;</mi>
<mi>a</mi>
</mfrac>
<mrow>
<mo>(</mo>
<mrow>
<msup>
<mi>e</mi>
<mrow>
<mi>a</mi>
<mi>k</mi>
</mrow>
</msup>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</msup>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>ln</mi>
<mi> </mi>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>ln</mi>
<mi> </mi>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
针对平增长或递增长采用紧邻生成序列作为背景值,即:
z(1)(k)=0.5x(1)(k)+0.5x(1)(k-1)
步骤2.4、对模型进行检验的步骤:对已经建立的模型进行检验,利用测试集检验模型是不是合适,若合适可行,则进行下一步;若不满足误差要求,则返回到第一步,对数据再进行一次平滑处理否则返回到第一步,利用公式对数据再进行一次平滑处理;
步骤2.5、逆生长得到预测结果:对求出的结果进行还原,进行逆生长处理,也就是即累减生成IAGO,此处要根据累加生成的次数进行,得到真实的预测结果。
3.根据权利要求1所述的一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法,其特征在于,所述步骤1中,分类型车辆数量预测模型的建立包括:
步骤3.1、对原始数据进行处理:将某一类型的车辆近几年的历史数据作为原始数据,利用改进后的累加生成方法,对原始数据进行平滑处理;
步骤3.2、选择合适的背景值,将微分方程准确转化为差分方程:根据第一步对原始数据的处理,对数据大致增长趋势进行分析,若原始数据为平增长或者低增长,则利用原始方法即利用紧邻生成序列代替背景值,进一步计算;若原始数据为高增长趋势,则利用改进的背景值生成公式,带入后做进一步计算;
步骤3.3、利用最小二乘法,求出待求参数向量α;
步骤3.4、对已经建立的模型进行检验,判断微分方程的解是否合适,若合适,则进行下一步,否则返回到第一步,对数据进一步处理;
步骤3.5、根据建立的合适的差分方程对结果进行预测,即对差分方程进行求解;
步骤3.6、对求出的结果进行还原,进行逆生长处理,也就是累减生成,根据累加生成的次数进行,得到最终某类型车辆数量的预测结果。
4.根据权利要求1所述的一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法,其特征在于,所述步骤2中,所述支持向量机迭代预测模型中,输入向量x∈Rm为电动汽车替代比例历史数据、技术进步影响因素、政府政策引导等等,输出y为更新替代比例预测值;根据已知数据建立训练样本集和预测样本集,建立SVM回归目标函数,解得最优解带回到回归决策函数方程,得到回归预测函数,最后计算预测结果,具体包括:
步骤4.1、对历史数据进行预处理和归一化处理;
<mrow>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>min</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>max</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>min</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
其中为归一化后的数据值,xi为实际历史数据,ximin=min(xi),ximax=max(xi),m为输入向量的维数,即影响预测因素的个数;
步骤4.2、建立预测样本,形成训练样本集和测试样本集;样本输入一般分为以下两类:
A={a1,a2,…,aK},预测年份之前K年的更新替代比例的历史数据;
B={b1,b2,…,bT},预测年的技术因素及政策影响因素,包括电池容量、电池寿命、充电电流、政策规划比例因素;
步骤4.3、建立SVM预测模型,根据训练样本建立如下的SVM回归目标函数;
<mrow>
<mi>min</mi>
<mi> </mi>
<mi>i</mi>
<mi>m</mi>
<mi>i</mi>
<mi>z</mi>
<mi>e</mi>
<mrow>
<mo>{</mo>
<mrow>
<mo>-</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>a</mi>
<mi>j</mi>
<mo>*</mo>
</msubsup>
<mo>-</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&epsiv;</mi>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msubsup>
<mi>a</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>a</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>-</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>a</mi>
<mi>j</mi>
<mo>*</mo>
</msubsup>
<mo>-</mo>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>}</mo>
</mrow>
</mrow>
其中xi为第i个训练样本的输入,K(xi,xj)为核函数,此处选择径向内积核函数,即对最小优化函数求解,得到最有优解
步骤4.4、确定回归决策函数,将代入下式,得到决策回归函数;
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>w</mi>
<mo>&CenterDot;</mo>
<mi>x</mi>
<mo>+</mo>
<mi>b</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>a</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>)</mo>
</mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
</mrow>
步骤4.5、利用预测样本及上一步得到的决策回归方程对分类型电电动汽车更新替代比例进行预测。
5.根据权利要求1所述的一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法,其特征在于,所述步骤3中,基于改进灰色预测的分类型车辆数量预测模型和基于支持向量机的分类型电动汽车替代比例迭代模型,结合更新替代比例模型,得到分类型电动汽车需求预测模型,具体是:利用基于改进灰色预测的分类型车辆数量预测模型得到待预测年份分类型车辆总体数据预测结果,结合当前技术进步及政策因素的影响,利用基于支持向量机的分类型电动汽车替代比例迭代预测模型预测相对应的待预测年份的分类型电动汽车更新替代比例,两者预测结果相结合实现动态准确的预测:
(汽车的类型)
其中是指a类型电动汽车第t年的预测保有量,是指a类型汽车第t年的预测保有量,是指a类型电动汽车第t年的预测更新替代比例。
6.根据权利要求1所述的一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法,其特征在于,还包括:
建立电动私人乘用车及电动出租车的时空分布预测模型的步骤:结合分类型电动汽车需求预测结果,得到电动私人乘用车及电动出租车需求量预测结果,基于对用户出行规律研究,实现对电动私人乘用车及电动出租车需求的时空分布预测,结合具有固定行驶路径特点的其他类型电动汽车,实现电动汽车需求的时空分布预测。
7.根据权利要求6所述的一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法,其特征在于,所述建立电动私人乘用车及电动出租车的时空分布预测模型的步骤基于出行链的空间特性分析,具体包括:
分析条件一,空间转移:定义当前时刻的状态为Ei,下一时刻的状态为Ej,则马尔科夫链可用条件概率表示
P(Ei→Ej)=P(Ej/Ei)=Pij
若将每个行驶目的地视为一个状态,根据马尔科夫理论,车辆下一个状态(目的地)即由当前状态决定;记为pij从状态Ei转为状态Ej的状态转移概率,则其一步状态转移概率可写成矩阵形式为,
其中pij满足如下条件:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo><</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo><</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>...</mo>
<mi>n</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>...</mo>
<mi>n</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
根据典型出行链中出现的4大场景,通过对该地区居民出行统计数据进行调研,依据上式就可以表示出电动汽车从一个目的地行驶到另一个目的地的一步转移概率为
矩阵中用英文缩写来表示出行链的起点与终点:H代表居民区、W代表工作区/校园区、SR代表商业区、O代表其他区域;
分析条件二,出行距离:定义出行者的出行距离服从一下规律分布,根据出行距离可以将目的地选择范围缩小,使用蒙特卡洛模拟确定具体位置:
<mrow>
<msub>
<mi>f</mi>
<mi>D</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>x&delta;</mi>
<mi>D</mi>
</msub>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>ln</mi>
<mi> </mi>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>D</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&delta;</mi>
<mi>D</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
式中:fD为出行距离的概率密度;μD为居民平均出行距离;δD为出行距离方差,
然后对电动私人用车及电动出租车进行时空分布预测,具体操作步骤包括:
步骤7.1、初始化待预测地区的地图信息,输入该地区电动私人用车及电动出租车的需求预测估计N;
步骤7.2、抽取起始地点,确定起始点;
步骤7.3、抽取目的地,根据出行距离分析,缩小选择范围,确定终点;
步骤7.4、根据路况信息,选择路径;
步骤7.5、将该地区的N辆电动私人用车及电动出租车进行叠加,得到该类型车辆的时空分布预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710297707.7A CN107146013A (zh) | 2017-04-28 | 2017-04-28 | 一种基于灰色预测和支持向量机的分类型电动汽车需求时空分布动态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710297707.7A CN107146013A (zh) | 2017-04-28 | 2017-04-28 | 一种基于灰色预测和支持向量机的分类型电动汽车需求时空分布动态预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107146013A true CN107146013A (zh) | 2017-09-08 |
Family
ID=59774467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710297707.7A Pending CN107146013A (zh) | 2017-04-28 | 2017-04-28 | 一种基于灰色预测和支持向量机的分类型电动汽车需求时空分布动态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107146013A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510128A (zh) * | 2018-04-11 | 2018-09-07 | 华南理工大学广州学院 | 一种区域电动汽车充电负荷时空分布预测方法 |
CN108681795A (zh) * | 2018-05-23 | 2018-10-19 | 华南理工大学 | 城市交通路网和用户出行链约束下的电动汽车充电负荷时空预测方法 |
CN109102114A (zh) * | 2018-08-02 | 2018-12-28 | 中南大学 | 一种基于数据融合的公交出行下车站点估计方法 |
CN109308541A (zh) * | 2018-08-02 | 2019-02-05 | 华南理工大学 | 一种基于场景分析的电动汽车充电负荷预测方法 |
CN109711913A (zh) * | 2017-10-25 | 2019-05-03 | 中国电力科学研究院有限公司 | 一种电动汽车供需差预测方法和充电桩布局规划方法 |
WO2019105065A1 (zh) * | 2017-11-28 | 2019-06-06 | 蔚来汽车有限公司 | 基于电子地图的充电请求发起时间预测方法和装置 |
CN110046787A (zh) * | 2019-01-15 | 2019-07-23 | 重庆邮电大学 | 一种城市区域电动汽车充电需求时空预测方法 |
CN110287543A (zh) * | 2019-05-30 | 2019-09-27 | 武汉大学 | 一种继电保护装置寿命预测方法 |
CN110348644A (zh) * | 2019-07-18 | 2019-10-18 | 广州市交通规划研究院 | 一种电动汽车充电设施建设需求预测的方法 |
CN111310990A (zh) * | 2020-02-07 | 2020-06-19 | 北京联合大学 | 一种基于改进灰色组合模型的轨道质量预测方法及系统 |
CN112348258A (zh) * | 2020-11-09 | 2021-02-09 | 合肥工业大学 | 一种基于深度q网络的共享单车预测调度方法 |
CN112561499A (zh) * | 2021-02-01 | 2021-03-26 | 开封大学 | 一种基于低碳经济的新能源数据管理系统 |
CN113077007A (zh) * | 2021-04-19 | 2021-07-06 | 国网浙江省电力有限公司物资分公司 | 一种电力物资配置需求测算的模型匹配系统 |
CN113379159A (zh) * | 2021-07-05 | 2021-09-10 | 南京工程学院 | 基于灰色模型和马尔可夫决策过程的出租车司机寻客路线推荐方法 |
-
2017
- 2017-04-28 CN CN201710297707.7A patent/CN107146013A/zh active Pending
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711913A (zh) * | 2017-10-25 | 2019-05-03 | 中国电力科学研究院有限公司 | 一种电动汽车供需差预测方法和充电桩布局规划方法 |
WO2019105065A1 (zh) * | 2017-11-28 | 2019-06-06 | 蔚来汽车有限公司 | 基于电子地图的充电请求发起时间预测方法和装置 |
CN108510128A (zh) * | 2018-04-11 | 2018-09-07 | 华南理工大学广州学院 | 一种区域电动汽车充电负荷时空分布预测方法 |
CN108681795B (zh) * | 2018-05-23 | 2021-12-21 | 华南理工大学 | 城市交通路网和用户出行链约束下的电动汽车充电负荷时空预测方法 |
CN108681795A (zh) * | 2018-05-23 | 2018-10-19 | 华南理工大学 | 城市交通路网和用户出行链约束下的电动汽车充电负荷时空预测方法 |
CN109102114A (zh) * | 2018-08-02 | 2018-12-28 | 中南大学 | 一种基于数据融合的公交出行下车站点估计方法 |
CN109308541A (zh) * | 2018-08-02 | 2019-02-05 | 华南理工大学 | 一种基于场景分析的电动汽车充电负荷预测方法 |
CN109102114B (zh) * | 2018-08-02 | 2022-04-05 | 中南大学 | 一种基于数据融合的公交出行下车站点估计方法 |
CN110046787A (zh) * | 2019-01-15 | 2019-07-23 | 重庆邮电大学 | 一种城市区域电动汽车充电需求时空预测方法 |
CN110287543A (zh) * | 2019-05-30 | 2019-09-27 | 武汉大学 | 一种继电保护装置寿命预测方法 |
CN110287543B (zh) * | 2019-05-30 | 2022-05-13 | 武汉大学 | 一种继电保护装置寿命预测方法 |
CN110348644A (zh) * | 2019-07-18 | 2019-10-18 | 广州市交通规划研究院 | 一种电动汽车充电设施建设需求预测的方法 |
CN110348644B (zh) * | 2019-07-18 | 2021-03-30 | 广州市交通规划研究院 | 一种电动汽车充电设施建设需求预测的方法 |
CN111310990A (zh) * | 2020-02-07 | 2020-06-19 | 北京联合大学 | 一种基于改进灰色组合模型的轨道质量预测方法及系统 |
CN112348258A (zh) * | 2020-11-09 | 2021-02-09 | 合肥工业大学 | 一种基于深度q网络的共享单车预测调度方法 |
CN112348258B (zh) * | 2020-11-09 | 2022-09-20 | 合肥工业大学 | 一种基于深度q网络的共享单车预测调度方法 |
CN112561499A (zh) * | 2021-02-01 | 2021-03-26 | 开封大学 | 一种基于低碳经济的新能源数据管理系统 |
CN113077007A (zh) * | 2021-04-19 | 2021-07-06 | 国网浙江省电力有限公司物资分公司 | 一种电力物资配置需求测算的模型匹配系统 |
CN113379159A (zh) * | 2021-07-05 | 2021-09-10 | 南京工程学院 | 基于灰色模型和马尔可夫决策过程的出租车司机寻客路线推荐方法 |
CN113379159B (zh) * | 2021-07-05 | 2024-01-02 | 南京工程学院 | 基于灰色模型和马尔可夫决策过程的出租车司机寻客路线推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107146013A (zh) | 一种基于灰色预测和支持向量机的分类型电动汽车需求时空分布动态预测方法 | |
CN108761509B (zh) | 一种基于历史数据的汽车行驶轨迹及里程预测方法 | |
Sun et al. | A machine learning method for predicting driving range of battery electric vehicles | |
Lin et al. | An ensemble learning velocity prediction-based energy management strategy for a plug-in hybrid electric vehicle considering driving pattern adaptive reference SOC | |
CN103745110B (zh) | 纯电动公交车营运续驶里程估算方法 | |
Shankar et al. | Method for estimating the energy consumption of electric vehicles and plug‐in hybrid electric vehicles under real‐world driving conditions | |
Li et al. | Prediction of electric bus energy consumption with stochastic speed profile generation modelling and data driven method based on real-world big data | |
CN113902011A (zh) | 基于循环神经网络的城市轨道交通短时客流预测方法 | |
Xie et al. | A hybrid method combining Markov prediction and fuzzy classification for driving condition recognition | |
CN106427589A (zh) | 基于工况预测和模糊能耗的电动汽车续驶里程估算方法 | |
CN103745111B (zh) | 纯电动乘用车续驶里程预测方法 | |
CN106910199A (zh) | 面向城市空间信息采集的车联网众包方法 | |
CN109934403A (zh) | 基于数学模型的电动汽车居民区域充电负荷分析预测方法 | |
Guo et al. | A novel energy consumption prediction model with combination of road information and driving style of BEVs | |
CN112734094B (zh) | 一种智慧城市智轨车辆故障基因预测方法及系统 | |
CN114492919A (zh) | 一种基于交通流量的电动汽车充电负荷预测系统及方法 | |
CN111063204A (zh) | 一种基于收费站流量的高速公路车速预测模型训练方法 | |
CN114048920A (zh) | 充电设施建设的选址布局方法、装置、设备及存储介质 | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
Foiadelli et al. | Energy consumption prediction of electric vehicles based on big data approach | |
Pan et al. | Development of an energy consumption prediction model for battery electric vehicles in real-world driving: A combined approach of short-trip segment division and deep learning | |
CN115422747A (zh) | 一种机动车尾气污染物排放量的计算方法和计算装置 | |
CN113780665A (zh) | 一种基于增强循环神经网络的私家车停留位置预测方法和系统 | |
Shi et al. | Low-cost reconstruction of typical driving cycles based on empirical information and low-frequency speed data | |
CN111784027A (zh) | 计及地理信息的城市范围电动汽车充电需求预测方法 |
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 |
Application publication date: 20170908 |
|
RJ01 | Rejection of invention patent application after publication |