CN108830414B - 一种电动汽车商用充电区的负荷预测方法 - Google Patents

一种电动汽车商用充电区的负荷预测方法 Download PDF

Info

Publication number
CN108830414B
CN108830414B CN201810599453.9A CN201810599453A CN108830414B CN 108830414 B CN108830414 B CN 108830414B CN 201810599453 A CN201810599453 A CN 201810599453A CN 108830414 B CN108830414 B CN 108830414B
Authority
CN
China
Prior art keywords
charging
road
time
prediction
road condition
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.)
Active
Application number
CN201810599453.9A
Other languages
English (en)
Other versions
CN108830414A (zh
Inventor
窦春霞
张永
岳东
张腾飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201810599453.9A priority Critical patent/CN108830414B/zh
Publication of CN108830414A publication Critical patent/CN108830414A/zh
Application granted granted Critical
Publication of CN108830414B publication Critical patent/CN108830414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种电动汽车商用充电区的负荷预测方法，包括以下步骤：基于路阻函数建立路况模型，并根据实时路况进行选择；归一化处理训练极限学习机的历史数据，并提取出与预测日相似的特征数据；将提取的特征数据送入基于极限学习机的预测模型，训练出路阻函数参数；将实时路况信息代入步骤三中训练好的路阻函数，结合步骤一中路况信息模型，计算出路况结构中各路段所需花费时间；再以此计算出各个充电点服务车辆的概率，结合充电点的充电功率算出负荷。本发明基于实时路况信息，避开商用充电区中的预测难点；利用实时预测方法、结合实时信息提高了预测结果的有效性；并将大量经过特征筛选的历史数据用于极限学习机的训练，提高了预测准确性。

Description

一种电动汽车商用充电区的负荷预测方法
技术领域
本发明属于电动汽车充电技术领域，特别涉及一种利用实时路况信息对电动汽车在商用充电区域进行负荷预测的方法。
背景技术
由于日趋严重的环境污染以及能源危机等问题，电动汽车的发展越来越受到重视，其市场化率也逐年攀升。正是由于电动汽车规模日益增大，其充电行为对配电网配置、经济运行的影响不容忽视，而大多数研究中并没有考虑电动汽车这种波动性较大负荷对电网经济调度的影响。因此，研究电动汽车充电负荷预测及经济调度具有重要意义。
国内外对电动汽车的充电负荷预测已经开展了大量的研究，主要根据电动汽车的种类、电动汽车的时空分布特性、电动汽车充电状态以及充电方式进行统计预测或模拟预测。如有研究通过将电动汽车类别划分为公务车、出租车、私家车以及公共汽车等几大类，分别进行其充电预测；有的着重考虑电动汽车时空分布特性对充电负荷进行统计预测；部分研究通过分析电动汽车的停车需求，将停车场地依据功能划分为居住区、办公区以及商业区等进行预测；还有些学者则着重通过研究电动汽车的充电方式以及充电时的状态对充电量的影响来预测充电负荷；大多数研究通过蒙特卡罗模拟电动汽车的停泊和充电概率，将电动汽车的充电行为完全视为概率事件，对其进行预测。上述研究方案多数是利用历史数据统计分析电动汽车的行为模式和充电规律，对其进行预测，忽略了实时路况对电动汽车行为选择的直接影响，为此，预测的实时性及准确性难以得到保障。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种电动汽车商用充电区的负荷预测方法，该方法基于路况信息建立计及网络拓扑结构和通行时长的道路交通模型，并通过大量数据筛选以及充电行为的研究将电动汽车充电模型进行简化；并基于上述模型，利用极限学习机智能预测各路段所需通过时间；并以此为依据，研究构建服务车辆占总车辆的比例模型；最终预测出充电点的负荷。本发明所要解决的技术问题是针对利用实时路况信息对电动汽车商用充电区的负荷进行预测，提出了一个利用极限学习机提高预测准确率的方法。
为实现以上目的，本发明采用以下技术方案：
本发明提供了一种电动汽车商用充电区的负荷预测方法，包括以下步骤：
S1：基于路阻函数建立路况模型，并根据实时路况进行选择；
S2：归一化处理训练极限学习机的历史数据，并提取出与预测日相似的特征数据；
S3：将步骤S2提取的特征数据送入基于极限学习机的预测模型，训练出路阻函数参数；
S4：将实时路况信息代入步骤S3中训练好的路阻函数，结合步骤S1中路况信息模型，计算出路况结构中各路段所需花费时间；再以此计算出各个充电点服务车辆的概率，结合充电点的充电功率算出负荷。
进一步地，步骤S1所述的路况模型中，车辆从各个区发出寻找合适的充电点进行充电，n个不同的充电点所能服务的区域也不同，其所服务的车辆数是计及不同区域可能到达的车辆的总和；若各区域电动汽车总量为Qj、j＝1,2,...,m，共有m个不同区域，n个不同路段上的充电点，因此要分别计算从j区域到达第i个充电点所需的tj ai，i＝1,2,...,n，j＝1,2,...,m：
Figure BDA0001692693570000021
其中，
Figure BDA0001692693570000022
和
Figure BDA0001692693570000023
分别为路上行驶时间和服务等待时间。
进一步地，步骤S1所述的路况模型中，路上行驶时间tj li由美国路阻函数给出：
Figure BDA0001692693570000024
其中，
Figure BDA0001692693570000025
为电动汽车从j区域到达第i个充电点的理论时间，
Figure BDA0001692693570000026
为当时通过该路口的交通量，单位：辆/h；
Figure BDA0001692693570000027
为路口的实际通行能力，单位：辆/h；J和r为模型待定参数。
进一步地，所述
Figure BDA0001692693570000028
的表达式为：
Figure BDA0001692693570000029
其中，
Figure BDA00016926935700000210
为从j区域到达第i个充电点的路段长度，
Figure BDA00016926935700000211
为该路段理论平均车速。
进一步地，步骤S1所述的路况模型中，服务等待时间
Figure BDA00016926935700000212
由上一时刻充电点的停车N决定，如果N小于充电点的每小时能服务的电动车数量h，则
Figure BDA00016926935700000213
若N大于h且N/h>2，则充电点在服务完现有车辆前不予考虑，否则
Figure BDA00016926935700000214
进一步地，步骤S2中所述归一化的处理公式为：
Figure BDA00016926935700000215
进一步地，步骤S3中极限学习机的预测模型中给定N个训练样本
Figure BDA00016926935700000216
对于隐含层节点数为L，激活函数为gi(aj,bj,Oi)的SLFN数学模型可以表示成：
Figure BDA00016926935700000217
式中：aj∈RN和bj∈R(j＝1,2,...,L)分别为第j个隐含层节点的输入权值和偏置，λj为隐含层与输出层之间的输出权值，yi为网络输出值；SLFN数学模型在激活函数的作用下以零误差逼近任意目标样本，即：
Figure BDA0001692693570000031
则存在aj，bj和λj使得：
Figure BDA0001692693570000032
上述公式矩阵形式表示为：
Hλ＝T；
式中：H为极限学习的隐含层输出矩阵，
Figure BDA0001692693570000033
为隐含层输出权值矩阵，
Figure BDA0001692693570000034
为目标输出矩阵，其中：
Figure BDA0001692693570000035
当数据权值和隐含层偏置被随机确定之后，则其解为：
Figure BDA0001692693570000036
式中：
Figure BDA0001692693570000037
表示隐含层输出矩阵H的摩尔—彭洛斯广义逆。
进一步地，步骤S4中根据之前步骤计算出的
Figure BDA0001692693570000038
i＝1,2,...,n,j＝1,2,...,m；以此为依据，计算从第j个区域到达第i个充电点概率为：
Figure BDA0001692693570000039
式中：nj为能够为第j个区域提供服务的充电点总和，
Figure BDA00016926935700000310
为从第j个区域到达第i个充电点服务车辆，第i个充电点总服务车辆为：
Figure BDA00016926935700000311
式中：mi为第i个充电点所服务的区域总和。
进一步地，在步骤S2前需采用均值法对数据进行预处理，所述均值法的数学公式为：
Figure BDA00016926935700000312
式中：Zi(t)∈{Δt,q,e}，ΔT为采样周期。
与已有技术相比，本发明具有如下有益效果：
本发明从实时路况信息入手，避开了电动汽车在商用充电区中汽车类型多、车辆时空分布复杂的预测难点；利用实时的预测方法、结合实时信息提高了预测结果的有效性；并将大量经过特征筛选的历史数据用于极限学习机的训练，提高了预测准确性。
附图说明
图1是本发明电动汽车商用充电区的负荷预测方法流程图；
图2是本发明实施例的简单树形结构路况模型示意图；
图3是本发明实施例的极限学习机网络结构图；
图4是本发明实施例的每时刻发出车辆数随时间变化示意图；
图5是本发明实施例的路口交通量随时间变化示意图；
图6是本发明实施例的预测结果示意图。
具体实施方式
下面结合附图和具体的实施方式对本发明作进一步详细的说明。所述实施例的示例在附图中示出，在下述本发明的实施方式中描述的具体的实施例仅作为本发明的具体实施方式的示例性说明，旨在用于解释本发明，而不构成为对本发明的限制。
本发明提供了一种电动汽车商用充电区的负荷预测方法，如图1所示，包括以下步骤：
步骤S1：基于路阻函数(BRP)建立两种路况模型，并根据实时路况进行选择。
路况模型中，有简单和复杂两种路况，简单路况是复杂路况中的一种，只有一个出发区和一个目的地的特殊形式。本发明实施例以一种包含三个路段的简单情况为代表用于直观具体的解释本发明，图2是本发明实施例的简单树形结构路况模型，图中示出，车辆从1区出发去往2区的路上共A、B、C共三种可供选择的充电路径，总量为Q车辆从1区发出到达目的地2有三种路径和充电地点供选择，到达3个不同的充电点所需用时不同，对电动汽车的吸引度则不同。到达用时的tai，i＝1,2,3的计算公式为：
tai＝tli+tpi；
式中，tli和tpi分别为路上行驶时间和服务等待时间，路上行驶时间tli由美国路阻函数(BRP)给出：
Figure BDA0001692693570000041
式中，Δti为电动汽车到达第i个路径上的充电点的理论时间，主要由距离决定；Δti＝di/ui，di为从到达第i个路径上的充电点的路段长度，ui为该路段理论平均车速；qi为当时通过该路口的交通量，单位：辆/h；ei为路口的实际通行能力，单位：辆/h；J和r为模型待定参数，其取值视具体情况而随机变化，若J和r取值不当对计算结果的正确性影响很大。
服务等待时间
Figure BDA0001692693570000051
由上一时刻充电点的停车N决定，如果N小于充电点的每小时能服务的电动车数量h，则
Figure BDA0001692693570000052
若N大于h且N/h>2，则充电点在服务完现有车辆前不予考虑，否则
Figure BDA0001692693570000053
步骤S2：归一化处理训练极限学习机的历史数据，并提取出与预测日相似的特征数据。极限学习机的网络结构图详见图3，归一化处理训练极限学习机的历史数据并提取出与预测日相似的特征数据之前要对数据进行预处理。Δt、q和e作为输入变量，而这些数据中常常含有无效值，需要通过均值法进行替换，降低其对预测造成的不良影响。均值法的数学公式如下所述：
Figure BDA0001692693570000054
式中：Zi(t)∈{Δt,q,e}；ΔT为采样周期。
归一化处理公式为：
Figure BDA0001692693570000055
从历史数据中提取出与预测日相似的特征数据构成训练样本可以剔除无关变量的影响，提高预测的精度。为此首要思想是找出影响电动汽车变化的天气和节假日因素，选取其中的主要天气和节假日因素构成一个特征向量，用来描述电动汽车行为特征；其后，用聚类的方法将相似的特征进行归类，采用某种相似度判别标准选取与待预测日相似的历史日所对应的数据；最后将这些数据构成训练集并送入预测模型进行预测。
步骤S3：将步骤S2提取的特征数据送入基于极限学习机的预测模型，训练出路阻函数(BRP)参数。
极限学习机的预测模型是基于传统单隐含层前馈神经网络(Single-hiddenLayer Feed-forward Neural Networks,SLFNN)改进的一种新型快速学习算法。给定N个训练样本
Figure BDA0001692693570000056
对于隐含层节点数为L，激活函数为gi(aj,bj,Oi)的SLFN数学模型可以表示成：
Figure BDA0001692693570000057
式中aj∈RN和bj∈R(j＝1,2,...,L)分别为第j个隐含层节点的输入权值和偏置；λj为隐含层与输出层之间的输出权值；yi为网络输出值。在ELM中认为SLFN能在激活函数的作用下以零误差逼近任意目标样本，即：
Figure BDA0001692693570000061
那么就存在aj，bj和λj使得：
Figure BDA0001692693570000062
上述公式可以用矩阵形式表示为：
Hλ＝T
式中H为极限学习的隐含层输出矩阵；
Figure BDA0001692693570000063
为隐含层输出权值矩阵；
Figure BDA0001692693570000064
为目标输出矩阵。
Figure BDA0001692693570000065
根据ELM算法，一旦数据权值和隐含层偏置被随机确定之后，则其解为：
Figure BDA0001692693570000066
其中
Figure BDA0001692693570000067
表示隐含层输出矩阵H的摩尔—彭洛斯(Moore-Penrose)广义逆。
步骤S4：将实时路况信息代入步骤S3中训练好的路阻函数，结合步骤S1中路况信息模型，计算出路况结构中各路段所需花费时间；再以此计算出各个充电点服务车辆的概率，结合充电点的充电功率算出负荷。
根据之前步骤计算出的
Figure BDA0001692693570000068
i＝1,2,...,n,j＝1,2,...,m；以此为依据，计算从第j个区域到达第i个充电点概率为：
Figure BDA0001692693570000069
其中nj为能够为第j个区域提供服务的充电点总和.
则从第j个区域到达第i个充电点服务车辆为
Figure BDA00016926935700000610
第i个充电点总服务车辆为:
Figure BDA00016926935700000611
其中mi为第i个充电点所服务的区域总和，依据充电区均是短时快充的特性，则利用所求车辆数和充电点的快充功率即可预测出该点的负荷。
图6是本发明实施例的预测结果示意图，图中可以看出A、B、C三条路径的负荷预测结果的峰谷形状与图4每时刻出发车辆的总数峰谷形状类似，总体上成正比关系；而与图5中的三条路径的路口交通量总体上成反比例关系，由此可知，本发明所提出的预测方法，其结果实时匹配路况信息，使得预测结果的实时性与有效性得到充分保障。
本发明基于路况信息建立计及网络拓扑结构和通行时长的道路交通模型，并通过大量数据筛选以及充电行为的研究将电动汽车充电模型进行简化；并基于上述模型，利用极限学习机智能预测各路段所需通过时间；并以此为依据，研究构建服务车辆占总车辆的比例模型；最终预测出商用区充电点的负荷。本发明提供的预测方法从实时路况信息入手，避开了电动汽车在商用充电区中汽车类型多、车辆时空分布复杂的预测难点；利用实时的预测方法、结合实时信息提高了预测结果的有效性；并将大量经过特征筛选的历史数据用于极限学习机的训练，提高了预测准确性。
应该注意的是，上述实施例是对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，单词“包含”不排除存在未列在权利要求中的数据或步骤。

Claims (6)

1.一种电动汽车商用充电区的负荷预测方法，其特征在于，包括以下步骤：
S1：基于路阻函数建立路况模型，并根据实时路况进行选择；所述路况模型中，车辆从各个区发出寻找合适的充电点进行充电，n个不同的充电点所能服务的区域也不同，其所服务的车辆数是计及不同区域可能到达的车辆的总和；若各区域电动汽车总量为Qj、j＝1,2,...,m，共有m个不同区域，n个不同路段上的充电点，因此要分别计算从j区域到达第i个充电点所需的tj ai，i＝1,2,...,n，j＝1,2,...,m：
Figure FDA0003126298610000011
其中，
Figure FDA0003126298610000012
和
Figure FDA0003126298610000013
分别为路上行驶时间和服务等待时间；所述路况模型中，路上行驶时间tj li由美国路阻函数给出：
Figure FDA0003126298610000014
其中，
Figure FDA0003126298610000015
为电动汽车从j区域到达第i个充电点的理论时间，
Figure FDA0003126298610000016
为当时通过路口的交通量，单位：辆/h；
Figure FDA0003126298610000017
为路口的实际通行能力，单位：辆/h；J和r为模型待定参数；其中，
Figure FDA0003126298610000018
的表达式为：
Figure FDA0003126298610000019
其中，
Figure FDA00031262986100000110
为从j区域到达第i个充电点的路段长度，
Figure FDA00031262986100000111
为该路段理论平均车速；
S2：归一化处理训练极限学习机的历史数据，并提取出与预测日相似的特征数据；
S3：将步骤S2提取的特征数据送入基于极限学习机的预测模型，训练出路阻函数参数；
S4：将实时路况信息代入步骤S3中训练好的路阻函数，结合步骤S1中路况信息模型，计算出路况结构中各路段所需花费时间；再以此计算出各个充电点服务车辆的概率，结合充电点的充电功率算出负荷。
2.根据权利要求1所述的一种电动汽车商用充电区的负荷预测方法，其特征在于：步骤S1所述的路况模型中，服务等待时间
Figure FDA0003126298610000021
由上一时刻充电点的停车N决定，如果N小于充电点的每小时能服务的电动车数量h，则
Figure FDA0003126298610000022
若N大于h且N/h>2，则充电点在服务完现有车辆前不予考虑，否则
Figure FDA0003126298610000023
3.根据权利要求1所述的一种电动汽车商用充电区的负荷预测方法，其特征在于：步骤S2中所述归一化的处理公式为：
Figure FDA0003126298610000024
4.根据权利要求1所述的一种电动汽车商用充电区的负荷预测方法，其特征在于：步骤S3中极限学习机的预测模型中给定N个训练样本
Figure FDA0003126298610000025
对于隐含层节点数为L，激活函数为gi(aj,bj,Oi)的SLFN数学模型可以表示成：
Figure FDA0003126298610000026
式中：aj∈RN和bj∈R(j＝1,2,...,L)分别为第j个隐含层节点的输入权值和偏置，λj为隐含层与输出层之间的输出权值，yi为网络输出值；SLFN数学模型在激活函数的作用下以零误差逼近任意目标样本，即：
Figure FDA0003126298610000027
则存在aj，bj和λj使得：
Figure FDA0003126298610000028
上述公式矩阵形式表示为：
Hλ＝T；
式中：H为极限学习的隐含层输出矩阵，
Figure FDA0003126298610000031
为隐含层输出权值矩阵，
Figure FDA0003126298610000032
为目标输出矩阵，其中：
Figure FDA0003126298610000033
当数据权值和隐含层偏置被随机确定之后，则其解为：
Figure FDA0003126298610000034
式中：
Figure FDA0003126298610000035
表示隐含层输出矩阵H的摩尔—彭洛斯广义逆。
5.根据权利要求1所述的一种电动汽车商用充电区的负荷预测方法，其特征在于：步骤S4中根据之前步骤计算出的
Figure FDA0003126298610000036
以此为依据，计算从第j个区域到达第i个充电点概率为：
Figure FDA0003126298610000037
式中：nj为能够为第j个区域提供服务的充电点总和，
Figure FDA0003126298610000038
为从第j个区域到达第i个充电点服务车辆，第i个充电点总服务车辆为：
Figure FDA0003126298610000039
式中：mi为第i个充电点所服务的区域总和。
6.根据权利要求1所述的一种电动汽车商用充电区的负荷预测方法，其特征在于：在步骤S2前需采用均值法对数据进行预处理，所述均值法的数学公式为：
Figure FDA00031262986100000310
式中：Zi(t)∈{Δt,q,e}，ΔT为采样周期。
CN201810599453.9A 2018-06-12 2018-06-12 一种电动汽车商用充电区的负荷预测方法 Active CN108830414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810599453.9A CN108830414B (zh) 2018-06-12 2018-06-12 一种电动汽车商用充电区的负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810599453.9A CN108830414B (zh) 2018-06-12 2018-06-12 一种电动汽车商用充电区的负荷预测方法

Publications (2)

Publication Number Publication Date
CN108830414A CN108830414A (zh) 2018-11-16
CN108830414B true CN108830414B (zh) 2021-11-09

Family

ID=64145202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810599453.9A Active CN108830414B (zh) 2018-06-12 2018-06-12 一种电动汽车商用充电区的负荷预测方法

Country Status (1)

Country Link
CN (1) CN108830414B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
LU101181B1 (de) * 2019-04-12 2020-10-12 Compredict Gmbh Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs
CN110010987B (zh) * 2019-04-12 2022-08-16 苏州正力新能源科技有限公司 一种基于大数据的电动汽车剩余充电时间预测方法
CN114274800B (zh) * 2021-12-31 2024-04-12 同济大学 一种营运电动汽车群体聚合充电行为预测方法及相关装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3268963B2 (ja) * 1995-07-11 2002-03-25 富士通株式会社 在高管理システム
CN103236177B (zh) * 2013-03-26 2015-02-18 清华大学 一种基于车网路多系统融合的智能交互系统的控制方法

Also Published As

Publication number Publication date
CN108830414A (zh) 2018-11-16

Similar Documents

Publication Publication Date Title
Liu et al. Bus arrival time prediction based on LSTM and spatial-temporal feature vector
Xu et al. Deep belief network-based support vector regression method for traffic flow forecasting
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
Pan et al. Driving range estimation for electric vehicles based on driving condition identification and forecast
CN110288212B (zh) 基于改进的mopso的电动出租车新建充电站选址方法
CN108198425A (zh) 一种电动汽车行驶工况的构建方法
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
CN108830414B (zh) 一种电动汽车商用充电区的负荷预测方法
CN105868787A (zh) 基于工况识别和模糊能耗的电动汽车续驶里程估算方法
CN111860989B (zh) 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法
Yang et al. Application of data science technologies in intelligent prediction of traffic congestion
CN111310294A (zh) 交通管理与控制服务指数的评价指标体系建立及发布方法
CN114048920A (zh) 充电设施建设的选址布局方法、装置、设备及存储介质
Liu et al. Modelling the energy consumption of electric vehicles under uncertain and small data conditions
Deng et al. Heterogenous trip distance‐based route choice behavior analysis using real‐world large‐scale taxi trajectory data
CN111899511A (zh) 一种共线线路avl数据的公交车到站时间预测方法
CN112036602A (zh) 一种集成人机智能的5g电动汽车充电预测方法和系统
Yu et al. A-EMCS for PHEV based on real-time driving cycle prediction and personalized travel characteristics
Cui et al. Dynamic pricing for fast charging stations with deep reinforcement learning
CN117056765A (zh) 一种车速多时间尺度预测方法、系统、设备、介质及终端
Jun et al. Research of traffic flow forecasting based on neural network
Ling et al. Prediction of charging requirements for electric vehicles based on multiagent intelligence
CN113345252B (zh) 一种收费站下道流量短时预测方法与装置
Lian et al. Research on adaptive control strategy optimization of hybrid electric vehicle
Liu et al. A method to improve accuracy of velocity prediction using Markov model

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
GR01 Patent grant
GR01 Patent grant