CN111967811B - 面向城市交通环境的混合动力物流车路径规划方法及系统 - Google Patents

Abstract

本发明属于物流输送技术领域，具体涉及一种面向城市交通环境的混合动力物流车路径规划方法及系统。该面向城市交通环境的混合动力物流车路径规划方法包括以每一信号灯路口和每一货物配送点为节点划分路段，确定所有可选路径；获取用户需求；根据用户需求为配送时间最优，选择配送时间最优的可选路径作为时间目标路径并将时间目标路径输出至用户；根据用户需求为配送油耗最优，选择配送油耗最优的可选路径作为油耗目标路径并将油耗目标路径输出至用户。根据本发明实施例的面向城市交通环境的混合动力物流车路径规划方法，以用户的需求为目标，计算不同需求下的目标路径，降低运输成本，提高运输速度。

Description

面向城市交通环境的混合动力物流车路径规划方法及系统

技术领域

本发明属于物流输送技术领域，具体涉及一种面向城市交通环境的混合动力物流车路径规划方法及系统。

背景技术

本部分提供的仅仅是与本公开相关的背景信息，其并不必然是现有技术。

物流业作为国民经济的一个新兴基础性的产业，其正在全球范围内加速发展。随着我国经济的蓬勃发展，在一系列政策措施的推动下，我国物流业也快速发展起来。但是，物流业的快速发展也带来一系列的环境问题。在保护环境的时代大背景下，如何降低物流车对环境的污染成为越来越多学者研究的问题。

对于现有的面向城市交通环境的混合动力物流车路径规划方法，存在着以下问题：1、在以油耗最优为目标时，往往最常考虑行驶距离的影响。但是，对于物流车来说，最省油的路径往往不是最短路径，因为物流车的载重量对于滚动阻力和爬坡阻力密切相关，尤其是当物流车在山区行驶时，由于山区道路的坡度变化较大，则需要克服爬坡阻力而消耗的能量较多，因此在山区行驶时物流车的载重量对于油耗的影响较大。在不同配送点会卸载不同的货物重量，现有技术并未考虑货物重量对油耗的影响。2、在全局路径规划中，采用动态规划算法时需要计算每一路径的油耗，并没有将一些完全不必要的路径排除，导致计算量大，运行负担重。3、物流车在配送货物时，有些客户对于时限有特殊要求，现有技术中并未将时间需求优先作为目标来进行货物输送。

发明内容

本发明的目的是至少解决现有技术未考虑客户要求的问题。该目的是通过以下技术方案实现的：

本发明的第一方面提出了一种面向城市交通环境的混合动力物流车路径规划方法，包括：

以每一信号灯路口和每一货物配送点为节点划分路段，确定经过配送起点、每一所述货物配送点和配送终点的所有可选路径，每一所述可选路径包括m段路段，m≥2；

获取用户需求；

根据所述用户需求为配送时间最优，选择配送时间最优的所述可选路径作为时间目标路径并将所述时间目标路径输出至用户；

根据所述用户需求为配送油耗最优，选择配送油耗最优的所述可选路径作为油耗目标路径并将所述油耗目标路径输出至用户。

根据本发明实施例的面向城市交通环境的混合动力物流车路径规划方法，起点至终点经过不同的信号灯路口和货物配送点能够组合出多种路径，根据用户的需求不同，选择配送时间最优或配送油耗最优的路径作为目标路径并将目标路径输送至用户，用户按照目标路径的指示进行货物的配送。以用户的需求为目标，计算不同需求下的目标路径，最大程度的利用运输车辆的容积，降低运输成本，提高运输速度。将每一路径以每一信号灯路口和每一货物配送点为节点划分路段，当用户需求为配送时间最优时，计算每一可选路径的配送时间，选择配送时间最优的可选路径也就是配送时间最少的可选路径作为时间目标路径。当用户需求为配送油耗最优时，计算每一可选路径的配送油耗，选择配送油耗最优的可选路径也就是配送油耗最少的可选路径作为油耗目标路径。

另外，根据本发明的面向城市交通环境的混合动力物流车路径规划方法，还可具有如下附加的技术特征：

在本发明的一些实施例中，所述根据所述用户需求为配送时间最优，选择配送时间最优的所述可选路径作为时间目标路径并将所述时间目标路径输出至用户包括：

获取每一所述路段的第一路段信息；

根据所述第一路段信息，对所述可选路径按照配送距离进行升序排序；

从所述可选路径中选择前n条配送距离最短的路径作为时间候选路径， n≥4；

获取天气信息和每一所述路段的第二路段信息；

根据所述天气信息和所述第二路段信息，计算每一所述时间候选路径的配送时间，选择配送时间最优的所述时间候选路径作为所述时间目标路径并将所述时间目标路径输送至用户。

在本发明的一些实施例中，所述天气信息包括降雨量和降雪量，所述第一路段信息包括所述路段的长度、坡度、掉头路口的可用宽度、平均车速和车辆限速，所述第二路段信息包括所述路段的长度、宽度、车辆限速、平均车速、车道数目和交通信号；

所述根据所述天气信息和所述第二路段信息，计算每一所述时间候选路径的配送时间，选择配送时间最优的所述时间候选路径作为所述时间目标路径并将所述时间目标路径输送至用户包括：

根据所述天气信息和所述第二路段信息，利用深度神经网络，计算所述物流车通过拥堵路段的拥堵时间；

根据所述第二路段信息，利用深度神经网络，计算所述物流车通过掉头路段的掉头时间；

选择所述拥堵时间和所述掉头时间之和为最小的所述时间候选路径作为所述时间目标路径并将所述时间目标路径输送至用户。

在本发明的一些实施例中，所述根据所述天气信息和所述第二路段信息，利用深度神经网络，计算所述物流车通过拥堵路段的拥堵时间包括：

利用第一深度神经网络，输入时间段、时间段所对应的所述平均车速、所述车道数目和所述天气信息，计算所述拥堵路段的拥堵状态，输出所述拥堵状态为0、1、2、3或4；

根据所述拥堵状态为0，利用公式

计算所述拥堵时间，其中，ti 为所述拥堵时间，Li为所述拥堵路段的长度，Vi为所述拥堵路段的平均车速；

根据所述拥堵状态为1或2，利用公式

计算所述拥堵时间，其中，ty为所述拥堵时间，tr为所述拥堵路段的信号灯红灯时长，s为所述拥堵路段的交通饱和流量，q为所述拥堵路段的实际交通流量，c为所述拥堵路段的一个交通信号控制环内各个信号控制步长的时间总和；

根据所述拥堵状态为3或4，利用第二深度神经网络，输入时间段、时间段所对应的所述平均车速、所述车道数目、所述天气信息和所述拥堵状态3或 4，计算所述拥堵时间。

在本发明的一些实施例中，所述根据所述第二路段信息，利用深度神经网络，计算所述物流车通过掉头路段的掉头时间包括：

获取所述物流车的最小转弯直径、当前掉头路口的第一宽度信息和第一交通流统计均值信息；

根据所述最小转弯直径、所述第一宽度信息和所述第一交通流统计均值信息，计算所述物流车在所述当前掉头路口掉头的第一调整次数和受到所述物流车掉头影响的第一车道数量；

利用第三深度神经网络，输入所述第一调整次数、所述第一车道数量和所述第一交通流统计均值信息，输出所述物流车通过所述当前掉头路口的第一时间；

由所述当前掉头路口向所述掉头路段的其他掉头路口延伸，获取所述其他掉头路口的第二宽度信息和第二交通流统计均值信息；

根据所述最小转弯直径、所述第二宽度信息和所述第二交通流统计均值信息，计算所述物流车在所述其他掉头路口掉头的第二调整次数和受到所述物流车掉头影响的第二车道数量；

所述物流车通过所述其他掉头路口的第二时间包括从所述当前掉头路口前往所述其他掉头路口的第三时间和通过所述其他掉头路口的第四时间；

利用第四深度神经网络，输入所述第二调整次数、所述第二车道数量和所述第二交通流统计均值信息，输出所述第四时间；

获取所述当前掉头路口至所述其他掉头路口的路程和车速；

根据所述路程和所述车速，计算所述第三时间；

根据所述第三时间大于所述第一时间，停止路口延伸；

确定所述第一时间和所述第二时间中最小的为所述物流车通过掉头路段的时间，所述时间目标路径包括所述第一时间和所述第二时间中最小的所对应的掉头路段。

在本发明的一些实施例中，所述根据所述用户需求为配送油耗最优，选择配送油耗最优的所述可选路径作为油耗目标路径并将所述油耗目标路径输出至用户包括：

按照配送距离对所述可选路径进行降序排序；

计算所述物流车装载全部货物以最短所述配送距离进行配送的第一油耗；

所述物流车装载部分货物以所述可选路径配送的油耗为第二油耗，排除所述第二油耗大于所述第一油耗所对应的所述可选路径，余下的所述可选路径作为油耗可选路径；

排除货物需求量对油耗的影响小于所述路段距离对油耗的影响所对应的所述油耗可选路径，余下的所述油耗可选路径作为油耗候选路径；

选择配送油耗最优的所述油耗候选路径作为所述油耗目标路径并将所述油耗目标路径输送至用户。

在本发明的一些实施例中，所述排除货物需求量对油耗的影响小于所述路段距离对油耗的影响所对应的所述油耗可选路径，余下的所述油耗可选路径作为油耗候选路径包括：

将每一所述油耗可选路径中配送点的货物需求量进行升序排列，获取前p 个所述配送点的配送点集合；

将每一所述油耗可选路径中任意两个所述配送点之间的距离降序排列，获取前q个所述路段距离的距离集合；

获取同时满足所述配送点属于所述配送点集合和配送距离属于所述距离集合路段，利用

进行验证，其中，wj为第j个配送点的货物需求量， w0为需要配送的货物总量，si，j为第i个配送点到第j个配送点的距离，s0 为所述物流车的行驶总距离，C为常数；

查找通过验证的所述路段在所对应的所述油耗可选路径中的顺序；

排除所述路段的顺序在第三位以内所对应的所述油耗可选路径，余下的所述油耗可选路径作为所述油耗候选路径。

在本发明的一些实施例中，所述选择配送油耗最优的所述油耗候选路径作为所述油耗目标路径并将所述油耗目标路径输送至用户包括：

建立电池和发动机混合动力驱动的所述物流车的模型；

利用整车纵向动力学模型

计算所述物流车的需求功率，其中，Pr为需求功率，Gi是从第i个配送点离开时的整备质量和货物装载质量之和，g为重力加速度，f为滚动阻力系数，CD 为空气阻力系数，ρ为空气密度，A为迎风面积，v为车速，θ为坡度角度，δ为汽车旋转质量换算系数，

为加速度，r为车轮滚动半径，i0为主减速器传动比，ηt为传动效率；

根据所述需求功率和功率平衡原理，确定每一所述油耗候选路径的所述发动机的油耗；

选择油耗最优的所述油耗候选路径作为所述油耗目标路径并将所述油耗目标路径输送至用户。

在本发明的一些实施例中，所述根据所述需求功率和功率平衡原理，确定每一所述油耗候选路径的所述发动机的油耗包括：

获取所述物流车驾驶循环速度的更新频率和所述电池的容量；

根据所述更新频率和所述容量，确定离散步长和SOC离散网格的大小，对所述电池进行时间和SOC离散；

根据所述电池的最大充放电电流和最大工作空间，确定所述电池在驾驶循环中的可行域；

根据所述需求功率和所述功率平衡原理，结合发动机的油耗map图，在所述电池的可行域内遍历计算每一所述油耗候选路径的油耗矩阵 F_fuel＝{fuel(k)|1≤k≤N}，k为所述离散步长；

利用贝尔曼原理，结合

以累计油耗最小J为目标，得到最优的能量管理策略所对应的所述油耗候选路径；

选择油耗最小的所述油耗候选路径作为油耗目标路径。

本发明的第二方面提出了一种面向城市交通环境的混合动力物流车路径规划系统，包括：

获取模块，获取模块用于带信号灯的交叉口、配送点、获取可选路径和用户需求；

路径规划模块，路径规划模块用于根据获取模块的信息，规划时间目标路径和油耗目标路径；

输出模块，输出模块用于将路径规划模块的结果输出给用户。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的附图标记表示相同的部件。在附图中：

图1为本发明实施例的面向城市交通环境的混合动力物流车路径规划方法的流程图；

图2为图1所示的根据所述用户需求为配送时间最优，选择配送时间最优的所述可选路径作为时间目标路径并将所述时间目标路径输出至用户的流程图；

图3为图2所示的根据所述天气信息和所述第二路段信息，计算每一所述时间候选路径的配送时间，选择配送时间最优的所述时间候选路径作为所述时间目标路径并将所述时间目标路径输送至用户的流程图；

图4为图3所示的根据所述天气信息和所述第二路段信息，利用深度神经网络，计算所述物流车通过拥堵路段的拥堵时间的流程图；

图5为图3所示的根据所述第二路段信息，利用深度神经网络，计算所述物流车通过掉头路段的掉头时间的流程图；

图6为图1所示的根据所述用户需求为配送油耗最优，选择配送油耗最优的所述可选路径作为油耗目标路径并将所述油耗目标路径输出至用户的流程图；

图7为图6所示的选择货物需求量对油耗的影响大于所述路段距离对油耗的影响所对应的所述油耗可选路径作为油耗候选路径的流程图；

图8为图6所示的选择配送油耗最优的所述油耗候选路径作为所述油耗目标路径并将所述油耗目标路径输送至用户的流程图；

图9为图8所示的根据所述需求功率和能量管理策略，确定每一所述油耗候选路径的所述发动机的油耗的流程图；

图10本发明实施例的面向城市交通环境的混合动力物流车路径规划系统的结构框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。

尽管可以在文中使用术语第一、第二、第三等来描述多个元件、部件、区域、层和/或部段，但是，这些元件、部件、区域、层和/或部段不应被这些术语所限制。这些术语可以仅用来将一个元件、部件、区域、层或部段与另一区域、层或部段区分开。除非上下文明确地指出，否则诸如“第一”、“第二”之类的术语以及其它数字术语在文中使用时并不暗示顺序或者次序。因此，以下讨论的第一元件、部件、区域、层或部段在不脱离示例实施方式的教导的情况下可以被称作第二元件、部件、区域、层或部段。

为了便于描述，可以在文中使用空间相对关系术语来描述如图中示出的一个元件或者特征相对于另一元件或者特征的关系，这些相对关系术语例如为“内部”、“外部”、“内侧”、“外侧”、“下面”、“下方”、“上面”、“上方”等。这种空间相对关系术语意于包括除图中描绘的方位之外的在使用或者操作中装置的不同方位。例如，如果在图中的装置翻转，那么描述为“在其它元件或者特征下面”或者“在其它元件或者特征下方”的元件将随后定向为“在其它元件或者特征上面”或者“在其它元件或者特征上方”。因此，示例术语“在……下方”可以包括在上和在下的方位。装置可以另外定向(旋转 90度或者在其它方向)并且文中使用的空间相对关系描述符相应地进行解释。

如图1所示，根据本发明的实施方式，提出了一种面向城市交通环境的混合动力物流车路径规划方法，包括：

以每一信号灯路口和每一货物配送点为节点划分路段，确定经过配送起点、每一货物配送点和配送终点的所有可选路径，每一可选路径包括m段路段， m≥2；

获取用户需求；

根据用户需求为配送时间最优，选择配送时间最优的可选路径作为时间目标路径并将时间目标路径输出至用户；

根据用户需求为配送油耗最优，选择配送油耗最优的可选路径作为油耗目标路径并将油耗目标路径输出至用户。

根据本发明实施例的面向城市交通环境的混合动力物流车路径规划方法，起点至终点经过不同的信号灯路口和货物配送点能够组合出多种路径，根据用户的需求不同，选择配送时间最优或配送油耗最优的路径作为目标路径并将目标路径输送至用户，用户按照目标路径的指示进行货物的配送。以用户的需求为目标，计算不同需求下的目标路径，最大程度的利用运输车辆的容积，降低运输成本，提高运输速度。将每一路径以每一信号灯路口和每一货物配送点为节点划分路段，当用户需求为配送时间最优时，计算每一可选路径的配送时间，选择配送时间最优的可选路径也就是配送时间最少的可选路径作为时间目标路径。当用户需求为配送油耗最优时，计算每一可选路径的配送油耗，选择配送油耗最优的可选路径也就是配送油耗最少的可选路径作为油耗目标路径。

在本发明的一些实施例中，如图2所示，根据用户需求为配送时间最优，选择配送时间最优的可选路径作为时间目标路径并将时间目标路径输出至用户包括获取每一路段的第一路段信息，根据第一路段信息，对可选路径按照配送距离进行升序排序，从可选路径中选择前n条路径作为时间候选路径，n≥4，获取天气信息和每一路段的第二路段信息，根据天气信息和第二路段信息，计算每一时间候选路径的配送时间，选择配送时间最优的时间候选路径作为时间目标路径并将时间目标路径输送至用户。根据第一路段信息，对可选路径按照配送距离进行升序排序就是按照配送距离从小到大对可选路径进行排序，从排序后的可选路径中选择前n条路径作为时间候选路径，前n条的配送距离较小，也就是意味着所需要的配送时间较短，根据第一路段信息排除了一些不必要的路径，减少了计算量，减轻了物流车的运行负担。其中，时间后续路径的数量大于等于4条，时间候选路径保留较大的基数，在大基数中选择时间目标路径，有利于提高选择的准确性，才能够得到最优的结果。得到时间候选路径之后，在根据天气信息和每一路段的第二路段信息，计算每一时间候选路径的配送时间，选择配送时间最优的时间候选路径作为时间目标路径并将时间目标路径输送至用户。

其中，第一路段信息包括路段的长度、坡度、掉头路口的可用宽度、平均车速和车辆限速，路段的长度和坡度与配送时间成正相关；掉头路口的可用宽度、平均车速和车辆限速与配送时间成负相关，在可选路径中所排除掉的路径中的某一路段的长度、坡度、掉头路口的可用宽度、平均车速和车辆限速对配送时间的影响较大，会导致配送时间不能满足用户的需求，被排除掉的路径中可以是符合长度较长、坡度较大、掉头路口的可用宽度较窄、平均车速较小和车辆限速较小中的一项或几项。第一路段信息可以通过GPS定位系统和道路传感器获取。

在本发明的一些实施例中，天气信息包括降雨量和降雪量，第二路段信息包括路段的长度、宽度、车辆限速、平均车速、车道数目和交通信号。如图3 所示，根据天气信息和第二路段信息，计算每一时间候选路径的配送时间，选择配送时间最优的时间候选路径作为时间目标路径并将时间目标路径输送至用户包括：根据天气信息和第二路段信息，利用深度神经网络，计算物流车通过拥堵路段的拥堵时间；根据第二路段信息，利用深度神经网络，计算物流车通过掉头路段的掉头时间；选择拥堵时间和掉头时间之和为最小的时间候选路径作为时间目标路径并将时间目标路径输送至用户。天气是否良好影响配送时间的长短，在选择时间目标路径时，将天气信息作为考虑的因素之一，排除不合理的路径，减少计算量，减轻运行负担。同样的，第二路段信息包括路段的长度、宽度、车辆限速、平均车速、车道数目和交通信号，其中，长度、车道数目和交通信号与配送时间成正相关，宽度、车辆限速、平均车速与配送时间成负相关。利用深度神经网络，计算物流车通过拥堵路段和掉头路段的时间，利用现有的数据找出输入与输出之间的关系，然后利用这样的关系进行仿真，可以得到与输入对应的输出。每一路段包括至少一个拥堵路段和/或至少一个掉头路段，计算物流车通过拥堵路段的时间和通过掉头路段的时间就可以得到通过每一路段的时间，选择拥堵时间和掉头时间之和为最小的时间候选路径作为时间目标路径。

其中，天气信息可以通过天气预报系统获取，第二路段信息可以通过GPS 定位系统和道路传感器获取。

在本发明的一些实施例中，深度神经网络包括输入层、两个LSTM(Long Short-Term Memory长短期记忆网络)层、sigmoid函数层和输出层。如图4 所示，根据天气信息和第二路段信息，利用深度神经网络，计算物流车通过拥堵路段的拥堵时间包括：利用第一深度神经网络，输入时间段、时间段所对应的平均车速、车道数目和天气信息，计算拥堵路段的拥堵状态，输出拥堵状态为0、1、2、3或4。第一深度神经网络中输入层包括时间段、时间段所对应的平均车速、车道数目和天气信息，输出层为拥堵状态。拥堵状态0代表车速范围是40km/h以上，拥堵状态0代表不饱和交通状态。拥堵状态1代表车速范围是30-40km/h，拥堵状态2代表车速范围是20-30km/h，拥堵状态1和拥堵状态 2代表低饱和交通状态，即交叉口的每一个信号相位结束时，排队车辆都能完全消散。拥堵状态3代表车速范围是10-20km/h，拥堵状态4代表车速范围是 0-10km/h。拥堵状态3和拥堵状态4代表过饱和交通状态，即交叉口的每一个信号相位结束时，排队车辆不能消散，产生拥堵。根据拥堵状态为0，利用公式

计算拥堵时间，其中，ti为拥堵时间，Li为拥堵路段的长度，Vi 为拥堵路段的平均车速。根据拥堵状态为1或2，利用公式

计算拥堵时间，其中，ty为拥堵时间，tr为拥堵路段的信号灯红灯时长，s为拥堵路段的交通饱和流量，q为拥堵路段的实际交通流量，c为拥堵路段的一个交通信号控制环内各个信号控制步长的时间总和。根据拥堵状态为3或4，利用第二深度神经网络，输入时间段、时间段所对应的平均车速、车道数目、天气信息和拥堵状态3或4，计算拥堵时间。当拥堵状态为3或4时，需要再次利用第二深度神经网络，第二深度神经网络包括输入层、两个LTSM、输出层，与第一深度神经网络不同，输入层包括时间段、时间段所对应的平均车速、车道数目、天气信息和拥堵状态3或4，输出层为拥堵状态3或4的拥堵时间。

其中，Li、Vi、tr、s、q、c可以通过GPS定位系统、道路传感器和交通信号网络获取。

在本发明的一些实施例中，如图5所示，根据第二路段信息，利用深度神经网络，计算物流车通过掉头路段的掉头时间包括：获取物流车的最小转弯直径D1、当前掉头路口的第一宽度信息B1和第一交通流统计均值信息q1；根据最小转弯直径D1、第一宽度信息B1和第一交通流统计均值信息q1，计算物流车在当前掉头路口掉头的第一调整次数m1和受到物流车掉头影响的第一车道数量k1；利用第三深度神经网络，输入第一调整次数m1、第一车道数量k1和第一交通流统计均值信息q1，输出物流车通过当前掉头路口的第一时间t1。其中，当前掉头路口的第一宽度信息B1包括当前行驶车道和对向最内侧车道宽度之和b1以及对向其他可行驶车道宽度之和b2，根据最小转弯直径D1和第一宽度信息B1，可以判断m1和k1的取值范围，当D1≤b1，则m1＝0，k1＝0，说明在当前掉头路口可以直接进行掉头，不需要进行调整，m1＝0，受到物流车掉头影响的第一车道数量为0。当b1+b2≥D1>b1时，m1＝0，k1>0，说明在当前掉头路口不需要进行调整，同时受到物流车掉头影响的第一车道数量大于0。当D1>b1+b2时，m1>0，k1>0，说明在当前掉头路口需要进行调整，同时受到物流车掉头影响的第一车道数量大于0。利用第三深度神经网络，第三深度神经网络包括输入层、两个LTSM、sigmoid函数层和输出层，输入层包括第一调整次数m1、受到物流车掉头影响的第一车道数量k1和第一交通流统计均值信息q1，输出层为在当前掉头路口所耗费的第一时间t1。除了计算在当前掉头路口进行掉头所耗费的第一时间，由于交通情况复杂，在当前掉头路口点头不一定是最佳选择，因此还需要由当前掉头路口向掉头路段的其他掉头路口延伸。由当前掉头路口向掉头路段的其他掉头路口延伸，获取其他掉头路口的第二宽度信息 D2和第二交通流统计q2均值信息；根据最小转弯直径D2、第二宽度信息B2和第二交通流统计均值信息q2，计算物流车在其他掉头路口掉头的第二调整次数m2和受到物流车掉头影响的第二车道数量k2；物流车通过其他掉头路口的第二时间t2包括从当前掉头路口前往其他掉头路口的第三时间t21和通过其他掉头路口的第四时间t22；利用第四深度神经网络，输入第二调整次数m2、第二车道数量k2和第二交通流统计均值信息q2，输出第四时间t22；获取当前掉头路口至其他掉头路口的路程和车速；根据路程和车速，计算第三时间t21；根据第三时间t21大于第一时间t1，停止路口延伸；确定第一时间t1和第二时间 t2中最小的为物流车通过掉头路段的时间，时间目标路径包括第一时间t1和第二时间t2中最小的所对应的掉头路段。其中，其他掉头路口的第二宽度信息 B2包括其他行驶车道和对向最内侧车道宽度之和b3以及对向其他可行驶车道宽度之和b4，根据最小转弯直径D2和第二宽度信息B2，可以判断m2和k2的取值范围，当D2≤b2，则m2＝0，k2＝0，说明在当前掉头路口可以直接进行掉头，不需要进行调整，m2＝0，受到物流车掉头影响的第二车道数量为0。当 b3+b4≥D2>b3时，m2＝0，k2>0，说明在当前掉头路口不需要进行调整，同时受到物流车掉头影响的第二车道数量大于0。当D2>b3+b4时，m2>0，k2>0，说明在当前掉头路口需要进行调整，同时受到物流车掉头影响的第二车道数量大于 0。利用第四深度神经网络，第四深度神经网络包括输入层、两个LTSM、sigmoid 函数层和输出层，输入层包括第二调整次数m2、受到物流车掉头影响的第二车道数量k2和第二交通流统计均值信息q2，输出层为在当前掉头路口所耗费的第二时间t2。第二时间包括从当前掉头路口前往其他掉头路口的第三时间t21 和通过其他掉头路口的第四时间t22，根据第三时间t21大于第一时间t1，停止路口延伸，在当前掉头路口和第二时间t2小于第一时间t1所对应的掉头路段中选择时间最小的路段作为目标时间路径中的掉头路段。

在本发明的一些实施例中，选择拥堵时间和掉头时间之和为最小的时间候选路径作为时间目标路径并将时间目标路径输送至用户包括：搜索以起点为起始点的所有路段作为第一路段和每一第一路段与终点之间的直线距离作为第一启发距离，获取第一路段与终点之间的平均车速，计算通过第一启发距离的第一启发时间，确定所有第一路段的拥堵时间、掉头时间和第一启发时间之和最小的所对应的第一路段作为第一目标路段；搜索以第一目标路段的终点为起始点的所有路段为第二路段和每一第二路段与终点之间的直线距离作为第二启发距离，获取第二路段与终点之间的平均车速，计算通过第二启发距离的第二启发时间，确定所有第二路段的拥堵时间、掉头时间和第二启发时间之和最小的所对应的第二路段作为第二目标路段；……搜索以第(n-2)目标路段的终点为起始点的所有路段为第(n-1)路段和每一第(n-1)路段与终点之间的直线距离作为第(n-1)启发距离，获取第(n-1)路段与终点之间的平均车速，计算通过第(n-1)启发距离的第(n-1)启发时间，确定所有第(n-1)路段的拥堵时间、掉头时间和第(n-1)启发时间之和最小的所对应的第(n-1)路段作为第(n-1)目标路段；搜索以第(n-1)目标路段的终点为起始点的所有路段为第n路段和每一第n路段与终点之间的直线距离作为第n启发距离，获取第 n路段与终点之间的平均车速，计算通过第n启发距离的第n启发时间，确定所有第n路段的拥堵时间、掉头时间和第n启发时间之和最小的所对应的第n 路段作为第n目标路段；确定第一目标路段、第二目标路段……第(n-1) 目标路段和第n路段所在的时间候选路径为时间目标路径并将时间目标路径输送至用户。搜寻所有以配送的起点作为起始点的路段，在这些路段中查找配送时间最小的路段作为时间目标路径的第一目标路段，配送时间最小也就是拥堵时间和掉头时间之和最小，再搜寻所有以第一目标路段的终点作为新的起始点的路段，在这些路段中查找配送时间最小的路段作为时间目标路径的第二目标路段，以此类推，再搜寻所有以第(n-2)目标路段的终点作为新的起始点的路段，在这些路段中查找配送时间最小的路段作为时间目标路径的第(n-1)目标路段，直至搜寻所有以第(n-1)目标路段的终点为起始点同时以配送的终点为终止点的第n路段，在这些路段中查找配送时间最小的路段作为时间目标路径的第n目标路段，最终确定了第一目标路段、第二目标路段……第(n-1) 目标路段和第n目标路段连接后所形成的路径为时间目标路径。将配送起点至终点之间的路径划分为多个路段，通过对多个路段的配送时间进行计算，最终选择配送时间最少的路段组合形成时间目标路径。

本发明所提供的面向城市交通环境的混合动力物流车路径规划方法以配送时间最优为需求时，先筛选所有可选路径，再从可选路径中筛选前n条配送距离最短的路径为时间候选路径，再从时间候选路径中筛选出时间目标路径。每一次的筛选都会排除掉一些不必要的路径，从而减少了计算量，降低了运行负担。将每一路径都以每一信号灯路口和每一货物配送点为节点划分路段，同时获取天气信息、第一路段信息和第二路段信息，实现动态规划，考虑到了实际运输过程中各因素对配送时间的影响。

在本发明的一些实施例中，在用户需求为配送油耗时，每一配送点的货物需求量之和不大于物流车的最大装载量，且物流车货物重量增加量与油耗增加量成正相关，物流车只负责货物的配送，不负责货物的揽收，每到达一个配送点，将该配送点的货物全部卸载，在配送过程中不再经过该配送点，当将物流车的全部货物卸载后，物流车回到配送中心。设G＝{0，1，2，…，n}为所有配送点的集合，其中，0表示配送中心，即是货车任一潜在配送路径的起点，G’＝{1，2，…，n}为货物配送点。Si，j(i，j∈G，i≠j)表示第i号货物配送点到第j号货物配送点的配送运输距离，s0表示车辆行驶总距离，(i∈G’)表示货车在第i号配送点的卸货质量，w0表示需要配送的货物总质量。其中，由于车辆的配送路线根据配送顺序的不同而发生改变，取配送路线最长的配送距离为车辆行驶总距离s0。

在本发明的一些实施例中，前文已经对用户需求为配送时间最优进行了详细的描述，下面对用户需求为配送油耗最优进行详细的描述，首先需要排除掉一些不必要的路径。具体的，如图6所示，根据用户需求为配送油耗最优，选择配送油耗最优的可选路径作为油耗目标路径并将油耗目标路径输出至用户包括：按照配送距离对可选路径进行降序排序；计算物流车装载全部货物以最短配送距离进行配送的第一油耗，Q_m＝0.01as′_m+0.01(a+bw₀)s_m，其中，Qm 为混合动力物流车装载全部货物时在最短路径行驶所需的第一油耗，a为混合动力物流车在空载的情况下的百公里油耗，b为货物每增加一吨百公里油耗的增加量，s’m为最短路径的最后一个配送点到配送中心的行驶距离，sm为最短路径的行驶距离。物流车装载部分货物以可选路径配送的油耗为第二油耗， Q_g＝0.01as′_g+0.01(a+bw₀e)s_g，其中，

设G”为所有其货物需求量不超过0.02w0的配送点的集合，则w0’为集合G”内所有配送点货物需求量的总和，且w0’≤0.2w0，Qg为混合动力物流车装载部分货物时在第g条路径行驶所需的第二油耗，s’g为第g条路径的最后一个配送点到配送中心的行驶距离，sg为第g条路径的行驶距离，g＝1,2…。每一可选路径按照配送距离进行降序排序，先进行第二油耗计算的可选路径的配送距离最大。从行驶距离最长的路径开始，即g＝1开始，比较Qg与Qm的大小，当Qg＞Qm，代表第g条路径所需的第二油耗大于最短路径所需的第一油耗，其对应的第g条路径即可排除，当Qg＜Qm时，停止比较，不再进行第二油耗的计算，由于路径的行驶距离与油耗成正相关，因此可以确定Qg所对应的第g条及以后的路径成为油耗可选路径，排除第二油耗大于第一油耗所对应的可选路径，余下的可选路径作为油耗可选路径，以此来排除掉一些油耗过高的路径，余下的可选路径作为油耗可选路径；再排除货物需求量对油耗的影响小于路段距离对油耗的影响所对应的油耗可选路径，余下的油耗可选路径作为油耗候选路径，也就是要保留货物需求量对油耗的影响大于路段距离对油耗的影响所对应的油耗可选路径，才能符合用户需求。可选路径通过一次排除得到油耗可选路径，油耗可选路径经过一次排除得到油耗候选路径，选择配送油耗最优的油耗候选路径作为油耗目标路径并将油耗目标路径输送至用户。

在本发明的一些实施例中，如图7所示，排除货物需求量对油耗的影响小于路段距离对油耗的影响所对应的油耗可选路径，余下的油耗可选路径作为油耗候选路径包括：将每一油耗可选路径中配送点的货物需求量进行升序排列，获取前p个配送点的配送点集合；将每一油耗可选路径中任意两个配送点之间的距离降序排列，获取前q个路段距离的距离集合；获取同时满足配送点属于配送点集合和配送距离属于距离集合路段，利用

进行验证，其中， wj为第j个配送点的货物需求量，w0为需要配送的货物总量，si，j为第i个配送点到第j个配送点的距离，s0为物流车的行驶总距离，C为常数，其取值可以根据具体车型的百公里油耗、载货量以及行驶路程来决定，范围在5-8之间。查找通过验证的路段在所对应的油耗可选路径中的顺序，如果通过验证的路段在所对应的油耗可选路径中的顺序为第三位以内，也就是说需要优先配送货物需求量小同时配送距离长的配送点，与需求为油耗最优的需求相反，因此，通过验证的路段在所对应的油耗可选路径中的顺序为第三位以内的路径应该排除，也就是余下的油耗可选路径作为油耗候选路径。

在本发明的一些实施例中，如图8所示，选择配送油耗最优的油耗候选路径作为油耗目标路径并将油耗目标路径输送至用户包括：建立电池和发动机混合动力驱动的物流车的整车模型；利用整车纵向动力学模型

计算物流车的需求功率，其中，Pr为需求功率，Gi是从第i个配送点离开时的整备质量和货物装载质量之和，g为重力加速度，f为滚动阻力系数，CD为空气阻力系数，ρ为空气密度，A为迎风面积，v为车速，θ为坡度角度，δ为汽车旋转质量换算系数，

为加速度，r为车轮滚动半径，i0为主减速器传动比，ηt为传动效率；根据需求功率和功率平衡原理，确定每一油耗候选路径的发动机的油耗；选择油耗最优的油耗候选路径作为油耗目标路径并将油耗目标路径输送至用户。

其中，物流车为混合动力，物流车的整车模型包括发动机模型、电机模型、动力蓄电池模型以及整车纵向动力学模型，动力蓄电池模型为：

I为电池的充放电电流，U_o为电池的开路电压，R为电池的内阻，P_batt为电池的充放电功率。发动机模型和电机模型采用实验建模。建立整车纵向动力学模型后可以计算出需求功率，需求功率为电池的功率和发动机的功率之和，在物流车进行配送的过程中，根据车辆工况、路段等信息，电池和发动机所输出的功率不同，当发动机的最大功率大于等于需求功率时，则为发动机驱动模式，当电池的最大功率大于等于需求功率时，则为电池驱动模式，当发动机和电池的最大功率均小于等于需求功率，则为发动机和电池混合驱动模式。对应不同的驱动模式，发动机的油耗不同，结合需求功率和功率平衡原理，确定每一油耗候选路径的发动机油耗。

在本发明的一些实施例中，如图9所示，根据需求功率和功率平衡原理，确定每一油耗候选路径的发动机的油耗包括：获取物流车驾驶循环速度的更新频率和电池的容量；根据更新频率和容量，确定离散步长和SOC离散网格的大小，对电池进行时间和SOC(stateof charge荷电状态)离散；根据电池的最大充放电电流和最大工作空间，确定电池在驾驶循环中的可行域，也就是确定了电池的工作时间。再根据需求功率和功率平衡原理可计算出发动机的功率，利用发动机的油耗map图，在电池的可行域内遍历计算每一油耗候选路径的油耗矩阵，油耗矩阵为F_fuel＝{fuel(k)|1≤k≤N}，k为离散步长。每一油耗候选路径均有一个油耗矩阵，每一油耗矩阵都是三维矩阵，即(k，i，j)，其中，k代表第j+1时刻的第k个SOC状态点，i代表第j时刻的第i个SOC状态点，j代表时刻，结合发动机的油耗map图，每两个SOC状态点之间即可确定油耗值。利用贝尔曼原理，结合公式

以J最小为目标，在油耗矩阵中找到最短路径即为油耗候选路径的最小油耗。第一油耗候选路径的最小油耗记为F1，第二油耗候选路径的最小油耗记为F2……，第(n-1) 油耗候选路径的最小油耗记为F(n-1)，第n油耗候选路径的最小油耗记为Fn。在F1-Fn中选择最小的油耗，其所对应的油耗候选路径即为油耗目标路径。具体的，F1与F2比较，如果F1＜F2，继续比较F1和F3，如果F1＞F2，继续比较F2和F3，以此类推，得到F1-Fn中最小的油耗，其所对应的油耗候选路径为油耗目标路径。进行大小比较的方式不仅限于以上描述。

本发明所提供的面向城市交通环境的混合动力物流车路径规划方法以配送油耗最优为需求时，先筛选所有可选路径，再从可选路径中筛选油耗可选路径，再从油耗可选路径中筛选出油耗候选路径，最后从耗候选路径中筛选出油耗目标路径。每一次的筛选都会排除掉一些不必要的路径，考虑到了货物需求量对配送油耗的影响，合理规划配送点的先后顺序，从而减少了计算量，降低了运行负担。再结合将每一路径都以每一信号灯路口和每一货物配送点为节点划分路段，同时获取天气信息、第一路段信息和第二路段信息，实现动态规划，考虑到了实际运输过程中各因素对配送油耗的影响。

如图10所示，根据本发明的实施方式，提出了一种面向城市交通环境的混合动力物流车路径规划系统，包括：

获取模块，获取模块用于带信号灯的交叉口、配送点、获取可选路径和用户需求；

路径规划模块，路径规划模块用于根据获取模块的信息，规划时间目标路径和油耗目标路径；

输出模块，输出模块用于将路径规划模块的结果输出给用户。

在本发明的一些实施例中，获取模块包括用户需求单元和信息单元，用户需求单元用于获取可选路径和用户需求，即用户希望选择的路径是以时间最优为目标还是以油耗最优为目标。用户需求单元可通过车辆中的智能显示设备获得用户的需求信息，即用户在智能显示设备的用户界面上输入出发地、目的地以及需求，需求的选项为时间或油耗，还可以通过智能手机、平板电脑和智能手表等来实现。信息单元用于获取带信号灯的交叉口、配送点、第一路段信息、第二路段信息和天气信息，配送点包括各配送点的地理位置和货物需求量，天气信息包括降雨量和降雪量，第一路段信息包括路段的长度、坡度、掉头路口的可用宽度、平均车速和车辆限速，第二路段信息包括路段的长度、宽度、车辆限速、平均车速、车道数目和交通信号。信息单元可通过GPS定位、天气预报系统以及道路传感器获得详细数据。

在本发明的一些实施例中，如图10所示，路径规划模块包括路径规划时间单元和路径规划油耗单元。路径规划时间单元用于获取时间最优的目标路径，且在用户的需求为目标路径所需时间最优时运行。路径规划油耗单元用于获取油耗最优的目标路径，且在用户的需求为目标路径所需油耗最优时运行。

在本发明的一些实施例中，如图10所示，路径规划时间单元包括时间候选路径子单元和时间子单元。时间候选路径子单元用于从所有可选路径中筛选出时间候选路径，即根据获取模块中信息单元的数据，从所有可选路径中筛选出前n条最短路径作为时间候选路径。时间子单元用于在由时间候选路径子单元得到的时间候选路径中选择所需时间最优的时间目标路径。

在本发明的一些实施例中，如图10所示，时间子单元包括时间子一单元、时间子二单元和时间获取单元。时间子一单元用于获取通过拥堵路段的拥堵时间。时间子二单元用于获取车辆通过掉头路段的掉头时间。时间获取单元用于结合时间子一单元和时间子二单元的结果，选择所需时间最优的时间目标路径。

在本发明的一些实施例中，如图10所示，路径规划油耗单元包括油耗候选路径子单元和油耗子单元。油耗候选路径子单元用于从所有可选路径中筛选出油耗候选路径，即利用建立的载重量和行驶距离对油耗的影响关系，提前排除油耗过高的路径，从而得到候选路径。油耗子单元用于在由油耗候选路径子单元得到的油耗候选路径中选择所需油耗最优的目标路径。

在本发明的一些实施例中，如图10所示，油耗子单元包括油耗子一单元和油耗获取单元。油耗子一单元用于获取油耗候选路径中每个油耗候选路径混合动力物流车所需油耗。油耗获取单元用于根据油耗子一单元的结果，选择所需油耗最优的油耗目标路径，即比较各油耗候选路径的油耗，将油耗最优的路径作为油耗目标路径。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种面向城市交通环境的混合动力物流车路径规划方法，其特征在于，包括：

以每一信号灯路口和每一货物配送点为节点划分路段，确定经过配送起点、每一所述货物配送点和配送终点的所有可选路径，每一所述可选路径包括m段路段，m≥2；

获取用户需求；

根据所述用户需求为配送时间最优，选择配送时间最优的所述可选路径作为时间目标路径并将所述时间目标路径输出至用户，包括：获取每一所述路段的第一路段信息；根据所述第一路段信息，对所述可选路径按照配送距离进行升序排序；从所述可选路径中选择前n条配送距离最短的路径作为时间候选路径，n≥4；获取天气信息和每一所述路段的第二路段信息；根据所述天气信息和所述第二路段信息，计算每一所述时间候选路径的配送时间，选择配送时间最优的所述时间候选路径作为所述时间目标路径并将所述时间目标路径输送至用户；

所述天气信息包括降雨量和降雪量，所述第一路段信息包括所述路段的长度、坡度、掉头路口的可用宽度、平均车速和车辆限速，所述第二路段信息包括所述路段的长度、宽度、车辆限速、平均车速、车道数目和交通信号；

所述根据所述天气信息和所述第二路段信息，计算每一所述时间候选路径的配送时间，选择配送时间最优的所述时间候选路径作为所述时间目标路径并将所述时间目标路径输送至用户包括：根据所述天气信息和所述第二路段信息，利用深度神经网络，计算所述物流车通过拥堵路段的拥堵时间，包括：利用第一深度神经网络，输入时间段、时间段所对应的所述平均车速、所述车道数目和所述天气信息，计算所述拥堵路段的拥堵状态，输出所述拥堵状态为0、1、2、3或4；根据所述拥堵状态为0，利用公式

计算所述拥堵时间，其中，ti为所述拥堵时间，Li为所述拥堵路段的长度，Vi为所述拥堵路段的平均车速；根据所述拥堵状态为1或2，利用公式

计算所述拥堵时间，其中，ty为所述拥堵时间，tr为所述拥堵路段的信号灯红灯时长，s为所述拥堵路段的交通饱和流量，q为所述拥堵路段的实际交通流量，c为所述拥堵路段的一个交通信号控制环内各个信号控制步长的时间总和；根据所述拥堵状态为3或4，利用第二深度神经网络，输入时间段、时间段所对应的所述平均车速、所述车道数目、所述天气信息和所述拥堵状态3或4，计算所述拥堵时间；

根据所述第二路段信息，利用深度神经网络，计算所述物流车通过掉头路段的掉头时间；

选择所述拥堵时间和所述掉头时间之和为最小的所述时间候选路径作为所述时间目标路径并将所述时间目标路径输送至用户；

根据所述用户需求为配送油耗最优，选择配送油耗最优的所述可选路径作为油耗目标路径并将所述油耗目标路径输出至用户。

2.根据权利要求1所述的面向城市交通环境的混合动力物流车路径规划方法，其特征在于，所述根据所述第二路段信息，利用深度神经网络，计算所述物流车通过掉头路段的掉头时间包括：

获取所述物流车的最小转弯直径、当前掉头路口的第一宽度信息和第一交通流统计均值信息；

根据所述最小转弯直径、所述第一宽度信息和所述第一交通流统计均值信息，计算所述物流车在所述当前掉头路口掉头的第一调整次数和受到所述物流车掉头影响的第一车道数量；

利用第三深度神经网络，输入所述第一调整次数、所述第一车道数量和所述第一交通流统计均值信息，输出所述物流车通过所述当前掉头路口的第一时间；

由所述当前掉头路口向所述掉头路段的其他掉头路口延伸，获取所述其他掉头路口的第二宽度信息和第二交通流统计均值信息；

根据所述最小转弯直径、所述第二宽度信息和所述第二交通流统计均值信息，计算所述物流车在所述其他掉头路口掉头的第二调整次数和受到所述物流车掉头影响的第二车道数量；

所述物流车通过所述其他掉头路口的第二时间包括从所述当前掉头路口前往所述其他掉头路口的第三时间和通过所述其他掉头路口的第四时间；

利用第四深度神经网络，输入所述第二调整次数、所述第二车道数量和所述第二交通流统计均值信息，输出所述第四时间；

获取所述当前掉头路口至所述其他掉头路口的路程和车速；

根据所述路程和所述车速，计算所述第三时间；

根据所述第三时间大于所述第一时间，停止路口延伸；

确定所述第一时间和所述第二时间中最小的为所述物流车通过掉头路段的时间，所述时间目标路径包括所述第一时间和所述第二时间中最小的所对应的掉头路段。

3.根据权利要求1所述的面向城市交通环境的混合动力物流车路径规划方法，其特征在于，所述根据所述用户需求为配送油耗最优，选择配送油耗最优的所述可选路径作为油耗目标路径并将所述油耗目标路径输出至用户包括：

按照配送距离对所述可选路径进行降序排序；

计算所述物流车装载全部货物以最短所述配送距离进行配送的第一油耗；

所述物流车装载部分货物以所述可选路径配送的油耗为第二油耗，排除所述第二油耗大于所述第一油耗所对应的所述可选路径，余下的所述可选路径作为油耗可选路径；

排除货物需求量对油耗的影响小于所述路段距离对油耗的影响所对应的所述油耗可选路径，余下的所述油耗可选路径作为油耗候选路径；

选择配送油耗最优的所述油耗候选路径作为所述油耗目标路径并将所述油耗目标路径输送至用户。

4.根据权利要求3所述的面向城市交通环境的混合动力物流车路径规划方法，其特征在于，所述排除货物需求量对油耗的影响小于所述路段距离对油耗的影响所对应的所述油耗可选路径，余下的所述油耗可选路径作为油耗候选路径包括：

将每一所述油耗可选路径中配送点的货物需求量进行升序排列，获取前p个所述配送点的配送点集合；

将每一所述油耗可选路径中任意两个所述配送点之间的距离降序排列，获取前q个所述路段距离的距离集合；

获取同时满足所述配送点属于所述配送点集合和配送距离属于所述距离集合路段，利用

进行验证，其中，wj为第j个配送点的货物需求量，w0为需要配送的货物总量，si，j为第i个配送点到第j个配送点的距离，s0为所述物流车的行驶总距离，C为常数；

查找通过验证的所述路段在所对应的所述油耗可选路径中的顺序；

排除所述路段的顺序在第三位以内所对应的所述油耗可选路径，余下的所述油耗可选路径作为所述油耗候选路径。

5.根据权利要求3所述的面向城市交通环境的混合动力物流车路径规划方法，其特征在于，所述选择配送油耗最优的所述油耗候选路径作为所述油耗目标路径并将所述油耗目标路径输送至用户包括：

建立电池和发动机混合动力驱动的所述物流车的模型；

利用整车纵向动力学模型

计算所述物流车的需求功率，其中，Pr为需求功率，Gi是从第i个配送点离开时的整备质量和货物装载质量之和，g为重力加速度，f为滚动阻力系数，CD为空气阻力系数，ρ为空气密度，A为迎风面积，v为车速，θ为坡度角度，δ为汽车旋转质量换算系数，

为加速度，r为车轮滚动半径，i0为主减速器传动比，ηt为传动效率；

根据所述需求功率和功率平衡原理，确定每一所述油耗候选路径的所述发动机的油耗；

选择油耗最优的所述油耗候选路径作为所述油耗目标路径并将所述油耗目标路径输送至用户。

6.根据权利要求5所述的面向城市交通环境的混合动力物流车路径规划方法，其特征在于，所述根据所述需求功率和功率平衡原理，确定每一所述油耗候选路径的所述发动机的油耗包括：

获取所述物流车驾驶循环速度的更新频率和所述电池的容量；

根据所述更新频率和所述容量，确定离散步长和SOC离散网格的大小，对所述电池进行时间和SOC离散；

根据所述电池的最大充放电电流和最大工作空间，确定所述电池在驾驶循环中的可行域；

根据所述需求功率和所述功率平衡原理，结合发动机的油耗map图，在所述电池的可行域内遍历计算每一所述油耗候选路径的油耗矩阵F_fuel＝{fuel(k)|1≤k≤N}，k为所述离散步长；

利用贝尔曼原理，结合

以累计油耗J最小为目标，得到最优的能量管理策略所对应的所述油耗候选路径；

选择油耗最小的所述油耗候选路径作为油耗目标路径。

Images