CN113610298B - 考虑用户出行行为的用户出行能耗预测及路径推荐方法 - Google Patents
考虑用户出行行为的用户出行能耗预测及路径推荐方法 Download PDFInfo
- Publication number
- CN113610298B CN113610298B CN202110901057.9A CN202110901057A CN113610298B CN 113610298 B CN113610298 B CN 113610298B CN 202110901057 A CN202110901057 A CN 202110901057A CN 113610298 B CN113610298 B CN 113610298B
- Authority
- CN
- China
- Prior art keywords
- user
- travel
- path
- time
- energy consumption
- 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
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000006399 behavior Effects 0.000 title claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 230000003068 static effect Effects 0.000 claims abstract description 20
- 238000010845 search algorithm Methods 0.000 claims abstract description 11
- 230000001133 acceleration Effects 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 16
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 4
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 31
- 230000008569 process Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 18
- 238000010219 correlation analysis Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 101000812677 Homo sapiens Nucleotide pyrophosphatase Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 101100353526 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) pca-2 gene Proteins 0.000 description 1
- 102100039306 Nucleotide pyrophosphatase Human genes 0.000 description 1
- 108091033411 PCA3 Proteins 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了考虑用户出行行为的用户出行能耗预测及路径推荐方法。包括：将路段车速融入静态路网模型中建立动态交通模型，利用深度优先搜索算法根据动态交通模型和用户数据计算用户未来出行可行路径及其车速变化情况，建立基于时空轨迹空间的路网时空出行链；根据路网时空出行链进行行驶工况分析得到反映行驶工况和能耗影响因素的特征参数；利用神经网络计算用户的未来出行可行路径的能耗；根据用户的偏好对可行路径进行打分，将分数最低的路径作为最优路径推荐给用户。本发明将静态路网模型转化为动态交通模型，将路网时空出行链应用在未来出行能耗计算与路径推荐中，基于不同用户的偏好，建立路径评价指标，作为最优路径推荐的依据。
Description
技术领域
本发明涉及能耗预测技术领域，尤其涉及一种考虑用户出行行为的用户出行能耗预测及路径推荐方法。
背景技术
由于非再生能源储藏量的有限性和环境问题给人类社会发展和人类健康造成了严重的负面影响，新能源汽车具有的低碳减排特性进入了人们的视线。以大部分居民出行、工作使用车型为例，微型、小型载客车的日均行驶里程约为49.3km，中型载客车的日均行驶里程约为85.8km，大型载客车的日均行驶里程约为158.9km，公交车的日均行驶里程约为164.4km。大部分居民出行、工作使用车型的日平均行驶里程约为157.4km，若全部使用电动汽车代替，会有较大的电能需求。目前，受到充电基础设施不完备，私人充电桩的安装率不高以及个人习惯的影响，部分电动汽车用户的充电需求难以满足。合理、可靠的出行能耗预测与出行路径规划是电动汽车用户安全出行的前提，因此，有必要准确预测用户出行需求与能耗，并作出切实可行的路径规划。
电动汽车的能耗影响因素研究是电动汽车行驶能耗计算的基础，电动汽车的能耗影响因素主要包括车辆参数、驾驶习惯、路网交通因素和外界环境因素等方面。针对电动汽车能耗影响因素的研究，国内外学者大多利用电动汽车在等速行驶和多工况行驶等复杂工况下行驶时的续航里程，研究了整车参数、电池参数、电机参数和环境温度对电动汽车续航里程的影响。在能耗计算方面，现有研究多从考虑主要影响因素的角度出发，利用主成分分析等方法提取主要影响因素，计算特定行驶工况下电动汽车能耗。部分学者利用电动汽车实际行驶数据或者特定车型的参数提高电动汽车能耗预测的精度。
现有技术中的一种电动汽车的能耗预测方法包括：通过对电动汽车的历史行驶数据进行分割处理，得到行程片段数据和动力学片段数据；利用动力学片段数据和马尔可夫-蒙特卡洛方法预测电动汽车工况；利用机器学习方法建立能耗预测模型，将工况预测数据的行驶特征参数输入建立的能耗预测模型，得到能耗预测值。
上述现有技术中的电动汽车的能耗预测方法的缺点为：用户未来出行模型是连接动态交通模型和计算用户未来出行能耗的纽带，只有针对用户未来出行建立用户未来出行模型，才能对用户在路网中的时空轨迹进行精细化描述，但该方法仅在电动汽车历史行驶数据的基础上进行能耗预测，未考虑用户出行行为特性与动态交通对能耗计算的影响。
该方法仅用起始点、起始时刻、目的地、结束时刻和行驶里程来模拟用户出行行为，在路网动态变化的情况下会产生较大误差；并且在进行路径推荐时，未考虑不同用户的选择偏好以及用户在不同状态下的偏好差异，推荐路径的普适性较差。
发明内容
本发明的实施例提供了一种考虑用户出行行为的用户出行能耗预测及路径推荐方法，以实现根据用户出行能耗为用户推荐最优路径。
为了实现上述目的，本发明采取了如下技术方案。
一种考虑用户出行行为的用户出行能耗预测及路径推荐方法，包括：
将路段车速融入静态路网模型中建立动态交通模型，利用深度优先搜索算法根据所述动态交通模型和用户数据计算用户未来出行可行路径及其车速变化情况，根据所述用户未来出行可行路径的车速变化情况建立基于时空轨迹空间的路网时空出行链；
根据所述路网时空出行链进行行驶工况分析，得到反映行驶工况和能耗影响因素的特征参数；
基于所述特征参数通过神经网络计算出用户的未来出行能耗，根据所述未来出行能耗得到所有可行路径的行程时间、行程距离和行程能耗；
根据用户的偏好对所有可行路径进行打分，将分数最低的路径作为最优路径推荐给用户。
所述的将路段车速融入静态路网模型中建立动态交通模型，包括：
将路网中的路段抽象化为静态路网模型中的边，各路段的属性参数抽象化为边的权值矩阵，将相连接的两个路段的交叉节点抽象化为静态路网模型中的顶点；
根据所述静态路网模型建立能够体现路网车速动态变化的动态交通模型；
优选地，将路段车速融入静态路网模型中建立动态交通模型，包括：
所述动态交通模型的道路车速以6分钟为间隔变化，一天24小时的车速点v共240个；
优选地，所述的利用深度优先搜索算法根据所述动态交通模型和用户数据计算用户未来出行可行路径的车速变化情况，包括：
将用户未来出行地点输入动态交通模型，利用深度优先搜索算法对用户出行起点终点间的路径遍历，获得用户未来出行的可行路径以及可行路径的行程距离，将用户的出行时间、可行路径和可行路径的行程距离输入动态交通模型，利用动态交通模型在动态交通约束下模拟用户未来出行，获得用户可行驶路径中各路段的行程时间以及各路段的车速变化数据。
优选地，所述的根据所述用户未来出行可行路径的车速变化情况建立基于时空轨迹空间的路网时空出行链，包括：
设置用户的路网时空出行链包含时间参数和空间参数；
在用户的路网时空出行链中，将用户每到达一个目的地作为一次出行，在动态交通的约束下实现对用户未来出行模拟，建立用户的路网时空出行链；
将用户的未来出行目的地节点数组和未来出行起始时刻数组输入至动态交通模型中，在动态交通约束下模拟用户未来出行过程中，时间，路网节点以及相应的车速变化，建立用户未来出行的路网时空出行链。
优选地，所述的根据所述路网时空出行链进行行驶工况分析，得到反映行驶工况和能耗影响因素的特征参数，包括：
在电动汽车用户纯电动模式下两次充电行为之间的行驶数据为基础，以行驶距离1km为间隔对行驶数据分段，将电动汽车的行驶数据分为多个行驶片段；选择电动汽车的行驶工况的特征参数；
对电动汽车的行驶工况的特征参数进行标准化处理，并对进行标准化处理后的行驶工况参数与电动汽车能耗之间的皮尔逊相关性分析；
对标准化处理后的行驶工况参数进行主成分分析，获得各行驶工况参数的特征值和贡献率，根据各行驶工况参数的特征值和贡献率对电动汽车的行驶工况的特征参数进行降维处理。
优选地，所述的基于所述特征参数通过神经网络计算出用户的未来出行能耗，根据所述未来出行能耗得到所有可行路径的行程时间、行程距离和行程能耗，包括：
以路段为单位，利用电动汽车经过路段时的车速点变化数据计算电动汽车经过该路段时的行驶工况特征参数，利用环境温度与空调运行功率概率分布获得用户未来出行时的空调运行功率；
对神经网络进行训练和参数初始化，将电动汽车的行驶工况的特征参数输入到初始化后的神经网络，所述神经网络输出电动汽车的荷电状态SOC变化量，根据所述电动汽车的SOC变化量得到所有可行路径的行程时间、行程距离和行程能耗。
优选地，所述的根据用户的偏好对所有可行路径进行打分，将分数最低的路径作为最优路径推荐给用户，包括：
综合考虑用户对行驶路径的需求，确定可行路径的评价指标参数包括行程时间、行程距离和行程能耗，对可行路径的评价指标参数进行标准化处理；
根据用户的路径偏好来确定每种评价指标参数的权重，根据每种评价指标参数的权重对所有可行路径进行打分，将得分最低的路径确定为行程时间最短的路径，把得分最低的路径作为最优路径推荐给用户。
优选地，所述的根据用户的路径偏好来确定每种评价指标参数的权重，根据每种评价指标参数的权重对所有可行路径进行打分
由上述本发明的实施例提供的技术方案可以看出，本发明利用路网车速数据，将静态路网模型转化为动态交通模型，并在动态交通约束下模拟用户未来出行，通过建立路网时空出行链，实现对用户未来出行的精细化描述。并且本发明还将路网时空出行链应用在未来出行能耗计算与路径推荐中，最后基于不同用户的偏好，建立路径评价指标，作为最优路径推荐的依据。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种考虑用户出行行为的用户出行能耗预测及路径推荐方法的处理流程图；
图2为本发明实施例提供的一种路网拓扑示意图；
图3为本发明实施例提供的一种动态交通模型时刻车速和时刻车速点数组计算方法示意图；
图4为本发明实施例提供的一种时空轨迹空间图；
图5为本发明实施例提供的一种路网时空出行链示意图；
图6为本发明实施例提供的一种路网时空出行链可行路径参数计算流程；
图7为本发明实施例提供的一种可行路径遍历中的路网模拟图；
图8为本发明实施例提供的一种空调运行功率概率分布图；
图9为本发明实施例提供的一种未来出行能耗计算中行驶工况数据的计算方法；
图10为本发明实施例提供的一种交通路网图；
图11为本发明实施例提供的一种中用户1可行路径车速变化；
图12为本发明实施例提供的一种用户2可行路径车速变化；
图13为本发明实施例提供的一种用户3可行路径车速变化(W-O)；
图14为本发明实施例提供的一种用户3可行路径车速变化(O-H)；
图15为本发明实施例提供的一种用户各路径的行程能耗；
图16为本发明实施例提供的一种用户1可行路径参数对比图；
图17为本发明实施例提供的一种用户2可行路径参数对比图；
图18本发明实施例提供的一种用户3可行路径参数对比(W-O)图；
图19本发明实施例提供的一种本发明实例中用户3可行路径参数对比(O-H)图；
图20本发明实施例提供的一种本发明实例中用户在交通路网的出行轨迹图；
图21本发明实施例提供的一种用户未来出行模型示意图；
图22为本发明实施例提供的一种用户未来出行模型中的动态交通模型、时空轨迹空间、路网时空出行链数学模型和可行路径遍历四个分步骤之间的关联关系示意图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为了更清楚地说明本发明，下面结合附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
本发明实施例利用路网车速数据，将静态路网模型转化为动态交通模型，并在动态交通约束下模拟用户未来出行，通过建立路网时空出行链，实现对用户未来出行的精细化描述。并且本发明还将路网时空出行链应用在未来出行能耗计算与路径推荐中，最后基于不同用户的偏好，建立路径评价指标，作为最优路径推荐的依据。
实施例一
在本发明实施例中，将电动汽车用户简称为用户。
本发明实施例提供的一种考虑用户出行行为的用户出行能耗预测及路径推荐方法的处理流程如图1所示，包括以下处理步骤：
步骤S1：建立用户未来出行模型：
首先针对用户未来出行过程中电动汽车行驶工况的变化，利用路网交通数据建立动态交通模型，模拟用户未来出行时电动汽车的行驶工况变化情况，再通过基于时空轨迹空间的路网时空出行链实现对用户未来出行的建模。
本发明实施例提供的一种用户未来出行模型如图21所示，建立用户未来出行模型的目的是为了精细化描述用户在路网中的时空轨迹，为能耗预测奠定基础。用户未来出行模型的输入数据包括用户数据(出行开始时间，出行起止地点)，交通数据(静态路网拓扑，路段车速数据)，输出数据为行程时间数组、行程距离数组、路径车速数组，可行路径。输出数据体现了起止地点之间的可行路径以及各路径中的路段车速、距离、行驶时间。
建立用户未来出行模型包括动态交通模型，时空轨迹空间，路网时空出行链数学模型和可行路径遍历四个分步骤，该四个分步骤之间的关联关系如图22所示。具体处理过程包括：将路段车速融入静态路网模型中建立动态交通模型。利用深度优先搜索算法(可行路径遍历的具体方法)根据用户数据(出行开始时间，出行起止地点)和动态交通模型计算用户未来出行可行路径的车速变化情况，并以此建立基于时空轨迹空间的路网时空出行链。时空轨迹空间可以认为是描述路网时空出行链的方式，路网时空出行链体现的是起始地点之间的所有可行路径及可行路径的路段车速、距离、行驶时间参数。
(1)动态交通模型
基于动态交通约束模拟用户的未来出行，获取电动汽车未来行驶的时间、空间和车速变化数据，以实现对电动汽车出行轨迹的精细化建模，进而计算电动汽车未来出行所需能耗。
1)以简单路网为例，如图2所示，路网共有5个路网节点，7个路段，路网中的路段抽象化为图中的边d，各路段的属性参数抽象化为边d的权值矩阵，将相连接的两个路段的交叉节点抽象化为路网中的顶点。
本发明实施例在静态路网模型的基础上，进一步建立如式(1)所示能够体现路网车速动态变化的动态交通模型。
式中，G表示动态交通模型；Y表示路网中所有节点的集合；S表示路网中节点i与j之间的路段的集合；表示路段长度的邻接矩阵，用于描述各路段长度以及各节点的连接关系；V表示路段车速数组，表示路网节点i与节点j之间路段的车速点。
本发明假设路网中的道路都是双行道，且两点之间有且仅有一条路段连接，其中路段长度的邻接矩阵如下所示：
其中，邻接矩阵中的元素γ赋值规则如式(3)所示。
式中，dij表示节点i与节点j之间的长度；inf表示两节点之间无直连路段。
本发明建立的动态交通模型的道路车速以6分钟为间隔变化，一天24小时的车速点v共240个，即1:00至24:00每一个时刻包含10个车速点。
图3为本发明实施例提供的一种动态交通模型时刻车速和时刻车速点数组计算方法示意图，如图3所示，进一步以道路车速点为基础，提出时刻车速计算方法和时刻车速点数组计算方法。
时刻车速为某一时刻所包含的10个车速点的平均值，节点i与节点j之间的路段在t时刻的时刻车速计算公式为：
式中，vij(t)表示节点i与节点j之间的路段在t时刻的时刻车速；表示节点i与节点j之间路段的第k个车速点。
时刻车速点数组为该时刻包含的10个车速点的数组，表示方式为：
式中，为时刻车速点数组，表示t时刻所包含的车速点。
进一步建立路段车速数组V如下所示：
式中，V为三维数组，但是在式(6)中用二维数组进行描述，表示在t时刻的路段车速数组。
现在所使用的导航软件为用户提供路径导航服务时，可以预测用户出行时的道路交通态势，除此之外，针对用户出行时的道路车速信息，也可以利用该路段历史车速数据，通过支持向量回归神经网络模型组合预测模型等方法预测道路的车流量和车速情况。
(2)时空轨迹空间
将电动汽车行驶过程中的车速变化数据融入电动汽车行驶轨迹中，建立融合车速信息的时空轨迹空间来描述电动汽车行驶过程中空间，时间和车速变化情况。
图4为本发明实施例提供的一种时空轨迹空间图，如图4所示，x轴和y轴为路网空间坐标系，描述用户出行过程中的空间变化，z轴为时间坐标轴，描述用户出行过程中的时间变化，路网空间坐标系上点ABCDE所包含的线段为电动汽车映射到空间坐标系上的移动轨迹，点ab所连接的线段为电动汽车的时空轨迹。
电动汽车从路网节点A出发经过B-C-D-E节点，再回到节点A的行驶过程中，电动汽车的时空信息可以通过O＝(x,y,ts,te)描述，其中，O表示电动汽车当前状态，(x,y)表示电动汽车所处的路网节点位置，ts表示电动汽车到达节点(x,y)的时间，te表示电动汽车离开节点(x,y)的时间，电动汽车在节点(x,y)的停留时间可以由te-ts计算。
本发明在考虑电动汽车行驶过程中车速变化情况时，只计算在两个节点之间行驶过程中的车速变化数据，不分析车速变化时电动汽车所处地点以及时间，因此电动汽车车速在时空轨迹空间中通过线段斜率反映，以电动汽车由节点D行驶至节点E为例，电动汽车的车速在a点的te.D+s1时刻和b点te.D+s2时刻发生变化，此时线段Da和线段ab的斜率变化反映了电动汽车车速在te.D+s1时刻的变化，线段ab和线段bE的斜率变化反映了电动汽车车速在te.D+s2时刻的变化。
(3)路网时空出行链数学模型
用户的出行链主要包含时间参数和空间参数两种类型信息，空间参数用来描述用户在路网中的空间转移状态，时间参数用来描述用户在路网中某一节点停驻或在路网中行驶时，每种状态的起止时间。
图5为本发明实施例提供的一种路网时空出行链示意图，如图5所示，电动汽车由路网节点1至节点4的过程中，经过了中间节点2和节点3，每个节点的空间参数x表示电动汽车当前所处的节点，时间参数t表示电动汽车到达该节点的时刻，线段tc为电动汽车由一个节点驶向下一个节点的行程时间，线段ts表示电动汽车在某一节点的停驻时间。
本发明在出行链的基础上，将用户每到达一个目的地作为一次出行，在动态交通的约束下实现对用户未来出行模拟，以此建立用户的路网时空出行链。假设用户当前所处路网节点为L0，用户依序输入未来要去的目的地L1,L2,…,Ln，其中L1为未来出行第一个目的地，L2为到达目的地L1后，未来将要去的第二个目的地，以此类推，系统根据用户输入的目的地建立用户未来出行目的地节点数组Dest。
式中，Y表示路网中所有节点的集合；l表示用户的目的地总数。除此之外，用户输入每次出行的起始时刻T1,T2,…,Tn，系统根据用户输入的出行起始时刻建立用户未来出行起始时刻数组Test。
Test＝[T1,T2,...,Tn]n＝l(8)
进一步将用户的未来出行目的地节点数组和未来出行起始时刻数组输入至动态交通模型中，在动态交通约束下模拟用户未来出行过程中，时间，路网节点以及相应的车速变化，建立用户未来出行的路网时空出行链，路网时空出行链的数学表达式如式(9)所示。
式中，表示第p次出行的起始时间；表示第p次出行起始节点；表示第p次出行目的地节点；Sp表示从至的可行路径数组。
其中，可行路径数组Sp如下所示：
式中，rm表示第m条可行路径。
rm＝[Wm Rm Vm Tm](11)
式中，Wm表示第m条可行路径中按所经路段时序排列的数组；Rm表示第m条可行路径中各路段长度时序排列的数组；Vm表示电动汽车在第m条可行路径中行驶时车速变化数组；Tm表示第m条可行路径的时间参数集合。其中，所经路段数组Wm如下所示：
Wm＝(w)1×h (12)
式中，w表示各路段编号；h表示所经路段总数。
其中，路段长度数组Rm如下所示：
Rm＝(r)1×h (13)
式中，r表示各路段的长度。
其中，路径时间参数集合Tm如下所示：
Tm＝[Tl,m Ts,m Tsum,m] (14)
式中，Tl,m表示第m条可行路径中各路段的行程时间数组；Ts,m表示第m条可行路径中到达各路段的时间数组；Tsum,m表示第m条可行路径的行程时间。
图6为本发明实施例提供的一种路网时空出行链可行路径参数计算流程图，主要是路径时间参数集合Tm和车速变化数组Vm的计算流程图。如图6所示，首先将用户未来出行地点输入动态交通模型，利用深度优先搜索算法对用户出行起止点之间的路径进行遍历，获得用户未来出行的可行路径以及可行路径的行程距离，进一步将用户的出行时间、可行路径和可行路径的行程距离输入动态交通模型，利用动态交通模型在动态交通约束下模拟用户未来出行，获得用户可行驶路径中各路段的行程时间以及各路段的车速变化数据，最后计算可行路径的时间参数集合和可行路径的车速变化数组。
1)路段行程时间数组Tl,m计算方法
电动汽车经过第m条可行路径中第i条路段的行程时间Tl,m(i)为：
式中，Rm(i)表示第i条路段的长度；vh(Ts,m(i))表示第i条路段在Ts,m(i)时刻的时刻车速，其中vh的计算方法如式(4)所示。
2)路段起始时间数组Ts,m计算方法
Ts,m(i+1)＝Ts,m(i)+Tl,m(i) (16)
式中，Ts,m(i+1)表示第i+1条路段的起始出行时间，为第i条路段的起始出行时间与第i条路段的行程时间之和。
3)路径行程时间Tsum,m计算方法
进一步得到车速变化数组Vm如下所示。
式中，Ts,m(h)表示用户到达第h条路段的时刻；Tl,m(h)为第h条路段的行程时间；表示第h条路段在Ts,m时刻包含的车速数据点，其中的计算方法如式(5)所示。
(4)可行路径遍历
图7为本发明实施例提供的一种可行路径遍历中的路网模拟图，该部分基于深度优先搜索算法，对用户出行起止点之间的可行路径进行遍历输出，以图7的路网模拟图为例，可行路径遍历方法步骤如下：
步骤1：输入起始节点ys＝1，终点ye＝5，输入路网矩阵G。
步骤2：建立遍历节点储存数组Qy，将起始节点1放入数组Qy中，并且将节点1遍历标志位置1，此时Qy＝[1]。
步骤3：从节点1出发，找到与节点1相连接且未遍历的节点2和节点4，按一定规则确定优先遍历的节点，此时选择优先遍历节点2，于是将节点2放入数组Qy中，并且将节点2的遍历标志位置1，此时Qy＝[1,2]。
步骤4：从节点2出发，找到与节点2相连接且未遍历的节点3和节点4，按一定规则确定优先遍历的节点，此时选择优先遍历节点3，于是将节点3放入数组Qy中，且将节点3的遍历标志位置1，此时Qy＝[1,2,3]。
步骤5：从节点3出发，找到与节点3相连接且未遍历的节点5，此时选择优先遍历节点5，于是将节点5放入数组Qy中，且将节点5的遍历标记位置1，此时Qy＝[1,2,3,5]。由于节点5为终点，此时寻找到一条起止点之间的路径，将路径Qy＝[1,2,3,5]输出。
步骤6：将节点5从数组Qy中弹出，并将其遍历标志位置0，此时Qy＝[1,2,3]。
步骤7：此时数组Qy的顶节点为节点3，节点3没有除终点外未遍历的点，继续将节点3弹出，并将其遍历标志位置0，此时Qy＝[1,2]。
步骤8：此时数组Qy的顶节点为节点2，节点2存在未遍历的节点4，于是将节点4放入数组Qy，并将其遍历标志位置1，此时Qy＝[1,2,4]。
步骤9：从节点4出发，找到与节点4连接且未遍历的节点5，将节点5放入数组Qy，并将其遍历标志位置1。由于节点5为终点，此时寻找到一条起止点之间的路径，将路径Qy＝[1,2,4,5]输出。
步骤10：重复步骤3到步骤9，即可遍历起止点之间所有的可行路径，并将其输出，当数组Qy为空时，遍历算法结束。
步骤S2：未来出行能耗计算与路径推荐
该步骤的处理过程需要用到S1中的路网时空出行链，该路网时空出行链包括用户的出行开始时间，出行起止地点，可行路径的路段行程时间数组、行程距离数组和路径车速数组，路网时空出行链可以作为能耗计算的依据。
行驶工况参数会影响能耗计算的精准度。行驶工况分析是为了确定能反映行驶工况和能耗影响因素的特征参数，即考虑行驶工况对能耗影响的电动汽车能耗预测模型，通过行驶工况分析选出特征参数。然后，将这些特征参数作为神经网络能耗预测未来出行能耗计算的影响因素。
根据出行能耗的计算结果来推荐最佳路径。通过出行能耗计算，可以得到所有可行路径的行程时间、行程距离和行程能耗。而不同的用户有不同的偏好，因此需要建立路径评价指标，并根据用户偏好类别确定每种评价指标的权重。利用路径分数计算公式(公式25)计算路径得分，将分数最低的路径作为最优路径推荐给用户，分数低表示时间短或距离短或能耗低。
首先对电动汽车的行驶工况数据进行分析，确定可以反映行驶工况和能耗影响因素的行驶工况特征参数，进一步将行驶工况特征参数作为神经网络能耗预测的影响因素，建立考虑行驶工况对能耗影响的电动汽车能耗预测模型，最后建立路径评价体系，根据用户的路径偏好为可行路径打分，为用户推荐最优路径。
(1)行驶工况分析：电动汽车的行驶工况分析是建立未来出行能耗计算模型的基础，本发明以丰田普锐斯混合动力汽车在纯电动模式下的实际行驶数据为基础，对电动汽车的行驶工况与其相应的能耗进行研究分析。
1)行驶工况参数分析：本发明以丰田普锐斯混合动力汽车在纯电动模式下两次充电行为之间的行驶数据为基础，以行驶距离1km为间隔对行驶数据分段，将电动汽车的行驶数据分为3368个行驶片段。
为了尽可能准确地描述电动汽车的行驶工况，并能反映行驶工况和其他因素对电动汽车能耗的影响，通过对以往研究的分析总结，本发明选择13个电动汽车行驶工况参数：行程时间Tl，平均速度Vmean，最大速度Vmax，最小速度Vmin，速度标准差Vstd，平均加速度amean，最大加速度amax，最小加速度amin，加速度标准差astd，加速比例Pa+，减速比例Pa-，怠速比例Pa0，匀速比例Pa＝。
另外选择两个对电动汽车能耗影响较大的参数：环境温度C，空调功率P，并将其作为行驶工况参数进行分析，最终行驶工况参数如表1所示。
表1行驶工况参数
2)行驶工况数据处理：每个行驶片段中包括电动汽车在1km的行驶过程中行驶数据参数变化情况，由于数据采集过程的数据损坏问题，需要进行数据处理。
根据对行驶工况片段数据中SOC(State of charge，荷电状态)变化量分布的分析，本发明保留SOC变化量在1％到15％之间的共3348个行驶工况片段数据来做进一步分析。
3)环境温度与空调运行功率之间概率分布：空调的使用情况主要由环境温度决定，但空调运行功率的大小还与用户的驾驶习惯有关，用户使用空调时的温度大致可分为两个区间，第一个温度区间为2℃至15℃，电动汽车的空调运行功率主要在0.2kW以下。第二个温度区间为19℃至38℃，空调运行功率主要集中在0.8kW以下。
本发明中以小于等于15℃为第一个温度区间，以大于等于19℃为第二个温度区间，图8为本发明实施例提供的一种空调运行功率概率分布图，如图8所示，建立了两个温度区间内电动汽车空调运行功率的概率分布图。
4)相关性分析：首先对数据进行标准化处理，将原始数据标准化为均值为0，方差为1的分布，标准化处理公式如下所示：
式中，x表示原始数据；x′表示标准化后的数据；μ表示原始数据的均值；σ表示原始数据的标准差。
其中：
式中，k表示标准化时的片段数；xi表示第i个行驶片段。
式中，表示原始数据的平均值。
针对行驶工况参数对电动汽车能耗的影响程度不同，首先进行行驶工况参数与电动汽车能耗之间的皮尔逊相关性分析，由相关性分析知，平均速度和行程时间与行驶参数之间的相关性较强。
速度参数之间的相关性分析结果：平均速度，最小速度与最大速度三者之间的相关性较强，平均速度与最小速度之间的相关性系数为0.908，存在极强的正相关性，最小速度与速度的标准差之间存在较强的负相关性。
加速度参数之间的相关性分析结果：加速度参数中，最小加速度与加速度标准差之间存在极强的负相关性，最大加速度与加速度标准差之间存在次强的正相关性，平均加速度与最大加速度之间相关性较弱。
比例参数之间的相关性分析结果：加速比例与怠速比例之间存在极强的负相关性，减速比例与怠速比例之间存在极强的负相关性，加速比例与减速比例存在次强的正相关性。匀速比例与加速比例之间存在次强的负相关性，匀速比例与怠速比例之间存在次强的正相关性。
5)主成分分析：由于特征参数维度过高会影响神经网络预测模型的输入影响参数的个数，但是无规则的减少特征参数维度又会影响对行驶工况的描述，因此需要利用主成分分析(Principal Component Analysis,PCA)来对行驶工况特征参数降维。
首先将行驶工况数据标准化处理，进一步对行驶工况参数进行主成分分析，获得各主成分的特征值和贡献率如表2所示。
表2主成分分析结果
由表2可知，前5个主成分的特征值都大于1，说明前5个主成分对原始变量的解释力度较强，其中前6个主成分的贡献率之和为83.43％，因此本发明选择前6个主成分作为原始变量的主要综合变量来做进一步分析。
为了分析前六个主成分所主要代表的原始变量，进一步计算前六个主成分中每一个原始变量的载荷系数，计算结果如表3所示。
表3主成分载荷系数
表3主成分载荷系数(续表)
由表3可知，主成分PCA1主要描述平均速度和怠速比例两个原始变量；主成分PCA2主要描述最小加速度和加速度标准差两个原始变量；主成分PCA3主要描述环境温度和空调运行功率两个原始变量；主成分PCA4主要描述平均加速度和减速比例两个原始变量；主成分PCA5主要描述最大速度和平均加速度两个原始变量；主成分PCA6主要描述最大加速度和最小加速度两个原始变量。
进一步选取电动汽车行驶工况特征参数，在主成分1中选取载荷系数最大的平均速度作为行驶工况特征参数。在加速度参数中，平均加速度与能耗的相关性较强，因此选取平均加速度为行驶工况特征参数。在主成分6中，最大加速度的载荷系数最大，因此选取最大加速度为行驶工况特征参数。在行驶比例参数中，怠速比例和减速比例与能耗的相关性最强，并且怠速比例与平均速度的相关性较强，减速比例与能耗的相关性大于怠速比例，因此选取减速比例为行驶工况特征参数。
基于前期的行驶工况参数与能耗之间的相关性分析以及行驶工况参数之间的相关性分析，再通过本部分的主成分分析，本发明最终确定7种行驶工况特征参数，如表4所示。
表4行驶工况特征参数
(2)未来出行能耗计算
该部分针对行驶工况对能耗的影响，建立用户未来出行能耗预测模型。
1)BP神经网络数据选择
BP神经网络输入层的输入数据为电动汽车行驶工况特征参数，包含7种影响因素，输入参数分别为X＝{x1,x2,x3,x4,x5,x6,x7}，期望输出参数为电动汽车SOC变化量y，输入和输出参数如表5所示。
表5神经网络参数
2)未来出行行驶工况数据获取
图9为本发明实施例提供的一种未来出行能耗计算中行驶工况数据的计算方法，如图9所示。以用户由A点经过B点最终到达C点的出行路径为例，出行路径分为A-B和B-C两个路段，其中用户经过每个路段时电动汽车车速变化数据已储存在路网时空出行链中。以A-B路段为例，从路网出行链的车速变化数组Vm中提取出经过该路段时车速点变化数据，如图8中虚线框中所示，电动汽车在A-B路段行驶过程中车速点变化数据为
以路段为单位，利用电动汽车经过路段时的车速点变化数据计算电动汽车经过该路段时的行驶工况特征参数，包括平均速度Vmean，平均加速度amean，最大加速度amax，加速度标准差astd，匀速比例Pa＝和减速比例Pa-，最后利用环境温度与空调运行功率概率分布获得用户未来出行时的空调运行功率。
3)神经网络训练
步骤1：将训练数据和测试数据归一化，设置归一化区间为[-1,1]，归一化公式如式(19)所示。
式中，ymax表示规定的归一化范围的最大值；ymin表示规定的归一化范围的最小值；xmax表示输入数据的最大值；xmin表示输入数据的最小值；x表示当前输入数据。
步骤2：神经网络参数初始化。
步骤3：将归一化后的训练数据输入BP神经网络的输入层。
步骤4：依次计算各层的输出。
步骤5：误差计算，BP神经网络的反向传播过程是以输出层的输出数据与期望输出数据的均方误差函数为基础，调整网络的权值，使最终的输出误差最小。均方误差函数E如式所示：
式中，表示实际输出数据；y表示期望输出数据。
若误差在允许范围内则神经网络训练完成，输出预测结果。若误差较大则进行BP神经网络的反向传播过程，对各个神经元的权值进行修正，直至输出误差满足预设目标或训练次数达到预设值。
4)预测结果评价指标
本发明选择平均绝对误差(MAE)，平均绝对百分比误差(MAPE)和准确率(P)作为神经网络预测结果的评价指标，如下式所示：
式中，表示第i组数据的预测值；yi表示第i组数据的实际值；k表示共有k组数据。
(3)个性化路径推荐
建立考虑用户路径偏好的路径评价体系，针对用户的路径偏好对可行路径进行综合评价，为用户进行个性化的路径推荐。
首先综合考虑用户对行驶路径的需求，确定路径的评价指标如表6所示。
表6评价指标
由表2可知，三种评价指标的单位不同，量纲不同会影响最终的路径计算分数，因此需要对可行路径的评价指标参数进行标准化处理，标准化处理公式如下所示：
式中，x表示原始数据；x′表示标准化后的数据；μ表示原始数据的均值；σ表示原始数据的标准差。
进一步根据用户的路径偏好来确定每种评价指标的权重，为用户的可行路径打分，评价指标赋权重的分配方案如表7所示。
表7权重分配方案
如表3所示，用户共有三种路径偏好类别，具体权重分配方案如下。
第一种：选择一种评价指标参数，比如用户选择行程时间，此时在计算中，行程时间的权重a为1，行程距离的权重b和行程能耗的权重c置0。
第二种：选择两种评价指标参数，比如用户选择了行程时间和行程距离，此时行程时间和行程距离两种指标的权重各为0.5，行程能耗的权重置0。
第三种：用户希望综合考虑行程时间，行程距离和行程能耗三种评价指标，此时三种指标的权重各设置为0.3。
最终，路径分数Y的计算公式为：
Y＝a×Tsum+b×Rsum+c×Ssum (25)
用户对评价指标的偏好体现在该评价指标的得分最少，以用户对行程时间的偏好为例，若用户的路径偏好为行程时间，此时a＝1，b＝0，c＝0，因此得分最低的路径为行程时间最短的路径，应该把得分最低的路径作为最优路径推荐给用户。
实施例二：
本实例的路网交通数据来源于高德开放平台，数据参数包括道路名称，区域交通态势评价和道路实时车速。本发明涉及一种考虑用户未来出行行为及未来交通态势的用户出行能耗预测及路径推荐方法，具体步骤如下：
(1)动态交通模型：交通路网如图10所示，交通路网分为居民区(H)，工作区(W)和其他区域(O)三种功能区，共包括28个道路节点和44条交通路段。各功能区中路段车速取自高德开放平台中的交通数据，路段车速在1天24小时中，以6min为时间间隔变化，共240个车速点。
交通路网中各路段的长度大部分在5km至20km范围内。以此建立路段长度邻接矩阵如式(26)所示，单位为km。
由各功能区道路的车速变化可知：
工作区车速主要在20km/h与40km/h之间；居民区车速主要在30km/h与50km/h之间；其他区域中各道路的车速在5km/h与40km/h之间波动。
(2)路网时空出行链：设置3名不同路径偏好的用户，用户全部在工作日出行，各用户的出行需求和路径偏好如表8所示。
1)利用深度优先搜索算法遍历用户出行起止点之间的路径，获得用户未来出行的可行路径以及各路径的行程距离。
2)利用动态交通模型对用户进行动态交通约束下的未来出行模拟，获得各路径的行程时间以及车速变化情况，最后保留行程距离最短的10条路径作进一步分析。
由图11可知，用户1可行路径的车速主要集中在10km/h与45km/h之间，其中路径5的平均速度最小，路径6的平均速度最大。
由图12可知，用户2可行路径的车速主要集中在5km/h与35km/h之间，最高车速可达40km/h，其中路径1的平均速度最小，路径6的平均速度最大。
由图13可知，用户3由工作区至其他区域的可行路径车速主要集中在5km/h与35km/h之间，最高车速可达40km/h，其中路径6的平均速度最小，路径8的平均速度最大。
由图14可知，用户3由其他区域至居民区的可行路径车速主要集中在5km/h与40km/h之间，其中路径4的平均速度最小，为16.4km/h，路径1的平均速度最大，为26km/h。
(3)未来出行能耗计算：将用户可行路径的行驶工况数据输入能耗预测模型，计算可行路径的行程能耗。其中空调运行功率为0，由SOC变化量与电池容量计算行程能耗，最终得到用户各路径的行程能耗如图15所示。由图15可知，用户1可行路径的行程能耗在5kWh与15kWh之间，其中路径10的行程能耗最大，为13.16kWh，用户2可行路径的行程能耗在5kWh与20kWh之间，其中路径6的行程能耗最大，为17.44kWh。用户3由工作区至其他区域可行路径的行程能耗在15kWh与30kWh之间，其中路径9的行程能耗最大，为27.38kWh，用户3由其他区域至居民区可行路径的行程能耗在15kWh与35kWh之间，其中路径10的行程能耗最大，为32.83kWh。
(4)路径评价指标：
1)用户1可行路径的评价指标如图16所示：路径2的行程时间最短，为79.7min，行程距离和行程能耗较低。路径1的行程距离最短，为36.7km，并且行程能耗最低。
2)用户2可行路径的评价指标如图17所示：路径6的行程时间最短，为97.1min，行程距离和行程能耗较低。路径1的行程距离最短，为33.3km，并且路径1的行程能耗最低，但行程时间较长。
3)用户3可行路径的评价指标如图18和图19所示：用户3由工作区至其他区域的可行路径中，路径3的行程时间最短，为117.2min，行程距离和行程能耗适中。路径1的行程距离最短，为37.8km，并且行程能耗最低。用户3由其他区域至居民区的可行路径中，路径1的行程时间最短，为110.6min，并且路径1的行程距离和行程能耗皆为最低。
(5)路径推荐：根据用户的路径偏好对用户的路径评价指标赋权重，最终用户的可行路径打分结果如下。
1)由于用户3由工作区至其他区域的第6条可行路径的行程时间不满足用户下次出行的起始时间，因此将用户3由工作区至其他区域可行路径中的第6条路径剔除。
2)由表5可知，用户1的路径偏好为行程时间最短，在用户1的可行路径中路径2的分值最低，说明路径2的行程时间最短，为用户1的最优路径。
3)用户2的路径偏好为行程距离最短，此时路径1的分值最低，说明路径1的行程距离最短，为用户2的最优路径。
4)用户3的路径偏好为综合考虑行程时间，行程距离和行程能耗，以此为标准综合考虑三种评价指标为可行路径打分，由工作区至其他区域的可行路径中，路径1的分值最低，说明路径1为工作区至其他区域出行的最优路径，由其他区域至居民区的可行路径中，路径1的分值最低，说明两段行程中的路径1皆为用户3的最优路径。
基于以上分析，得到各用户的最优路径如表10所示。
用户在交通路网的出行轨迹如图20所示。
表8用户参数
表9可行路径分数
表10用户最优路径
综上所述，本发明实施例利用路网车速数据，将静态路网模型转化为动态交通模型，并在动态交通约束下模拟用户未来出行，获取用户未来出行的时间，空间和车速变化数据，通过建立路网时空出行链，实现对用户未来出行的精细化描述，克服了传统方法仅用起始点、起始时刻、目的地、结束时刻、行驶里程来模拟用户出行行为造成的误差；并进一步将路网时空出行链应用在未来出行能耗计算与路径推荐中，与已有技术不同的是，本发明建立了路径评价体系，根据用户偏好为可行路径打分，为用户推荐最优路径。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
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该以权利要求的保护范围为准。
Claims (8)
1.一种考虑用户出行行为的用户出行能耗预测及路径推荐方法，其特征在于，包括：
将路段车速融入静态路网模型中建立动态交通模型，利用深度优先搜索算法根据所述动态交通模型和用户数据计算用户未来出行可行路径及其车速变化情况，根据所述用户未来出行可行路径的车速变化情况建立基于时空轨迹空间的路网时空出行链；
根据所述路网时空出行链进行行驶工况分析，得到反映行驶工况和能耗影响因素的特征参数；
基于所述特征参数通过神经网络计算出用户的未来出行能耗，根据所述用户的未来出行能耗得到所有可行路径的行程时间、行程距离和行程能耗；
根据用户的偏好对所有可行路径进行打分，将分数最低的路径作为最优路径推荐给用户；
所述的将路段车速融入静态路网模型中建立动态交通模型，包括：
将路网中的路段抽象化为静态路网模型中的边，各路段的属性参数抽象化为边的权值矩阵，将相连接的两个路段的交叉节点抽象化为静态路网模型中的顶点；
根据所述静态路网模型建立能够体现路网车速动态变化的动态交通模型。
2.根据权利要求1所述的方法，其特征在于，所述的将路段车速融入静态路网模型中建立动态交通模型，包括：
所述动态交通模型的道路车速以6分钟为间隔变化，一天24小时的车速点共240个。
3.根据权利要求2所述的方法，其特征在于，所述的利用深度优先搜索算法根据所述动态交通模型和用户数据计算用户未来出行可行路径的车速变化情况，包括：
将用户未来出行地点输入动态交通模型，利用深度优先搜索算法对用户出行起点终点之间的路径进行遍历，获得用户未来出行的可行路径以及可行路径的行程距离，将用户的出行时间、可行路径和可行路径的行程距离输入动态交通模型，利用动态交通模型在动态交通约束下模拟用户未来出行，获得用户可行驶路径中各路段的行程时间以及各路段的车速变化数据。
4.根据权利要求3所述的方法，其特征在于，所述的根据所述用户未来出行可行路径的车速变化情况建立基于时空轨迹空间的路网时空出行链，包括：
设置用户的路网时空出行链包含时间参数和空间参数；
在用户的路网时空出行链中，将用户每到达一个目的地作为一次出行，在动态交通的约束下实现对用户未来出行模拟，建立用户的路网时空出行链。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述的根据所述路网时空出行链进行行驶工况分析，得到反映行驶工况和能耗影响因素的特征参数，包括：
在电动汽车用户纯电动模式下两次充电行为之间的行驶数据为基础，以行驶距离1km为间隔对行驶数据分段，将电动汽车的行驶数据分为多个行驶片段；选择电动汽车的行驶工况的特征参数包括：行程时间Tl、平均速度Vmean、最大速度Vmax、最小速度Vmin、速度标准差Vstd、平均加速度amean、最大加速度amax、最小加速度amin、加速度标准差astd、加速比例Pa+、减速比例Pa-、怠速比例Pa0和匀速比例Pa＝；
对电动汽车的行驶工况的特征参数进行标准化处理，并进行标准化处理后的行驶工况参数与电动汽车能耗之间的皮尔逊相关性分析；
对标准化处理后的行驶工况参数进行主成分分析，获得各行驶工况参数的特征值和贡献率，根据各行驶工况参数的特征值和贡献率对电动汽车的行驶工况的特征参数进行降维处理。
6.根据权利要求5所述的方法，其特征在于，所述的基于所述特征参数通过神经网络计算出用户的未来出行能耗，根据所述用户的未来出行能耗得到所有可行路径的行程时间、行程距离和行程能耗，包括：
以路段为单位，利用电动汽车经过路段时的车速点变化数据计算出电动汽车经过该路段时的行驶工况特征参数；
对神经网络进行训练和参数初始化，将电动汽车的行驶工况的特征参数输入到初始化后的神经网络，所述神经网络输出电动汽车的荷电状态SOC变化量，根据所述电动汽车的SOC变化量得到所有可行路径的行程时间、行程距离和行程能耗。
7.根据权利要求6所述的方法，其特征在于，所述的根据用户的偏好对所有可行路径进行打分，将分数最低的路径作为最优路径推荐给用户，包括：
综合考虑用户对行驶路径的需求，确定可行路径的评价指标参数包括行程时间、行程距离和行程能耗，对可行路径的评价指标参数进行标准化处理；
根据用户的路径偏好来确定每种评价指标参数的权重，根据每种评价指标参数的权重对所有可行路径进行打分，将得分最低的路径确定为行程时间最短的路径，把得分最低的路径作为最优路径推荐给用户。
8.根据权利要求7所述的方法，其特征在于，所述的根据用户的路径偏好来确定每种评价指标参数的权重，根据每种评价指标参数的权重对所有可行路径进行打分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110901057.9A CN113610298B (zh) | 2021-08-06 | 2021-08-06 | 考虑用户出行行为的用户出行能耗预测及路径推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110901057.9A CN113610298B (zh) | 2021-08-06 | 2021-08-06 | 考虑用户出行行为的用户出行能耗预测及路径推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113610298A CN113610298A (zh) | 2021-11-05 |
| CN113610298B true CN113610298B (zh) | 2024-04-05 |
Family
ID=78307413
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110901057.9A Active CN113610298B (zh) | 2021-08-06 | 2021-08-06 | 考虑用户出行行为的用户出行能耗预测及路径推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113610298B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114655074B (zh) * | 2021-11-16 | 2024-01-30 | 吉林大学 | 一种基于贝叶斯回归的电动汽车实际行驶能耗估计方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107972673A (zh) * | 2016-10-25 | 2018-05-01 | Ifp新能源公司 | 使用线图确定使车辆的能耗最小化的路线的方法 |
| CN108106626A (zh) * | 2017-12-18 | 2018-06-01 | 浙江工业大学 | 一种基于行驶工况的电动汽车出行路径规划方法 |
| CN108489500A (zh) * | 2018-03-13 | 2018-09-04 | 安徽江淮汽车集团股份有限公司 | 一种基于能耗经济性的全局路径规划方法及系统 |
| CN108773279A (zh) * | 2018-04-27 | 2018-11-09 | 北京交通大学 | 一种电动汽车充电路径规划方法及装置 |
| CN112035536A (zh) * | 2020-06-24 | 2020-12-04 | 国网天津市电力公司电力科学研究院 | 一种考虑动态路网交通流的电动汽车能耗预测方法 |
| CN112286212A (zh) * | 2020-12-29 | 2021-01-29 | 北京理工华创电动车技术有限公司 | 一种车网协同节能控制方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8478642B2 (en) * | 2008-10-20 | 2013-07-02 | Carnegie Mellon University | System, method and device for predicting navigational decision-making behavior |
| US10215576B2 (en) * | 2016-08-25 | 2019-02-26 | GM Global Technology Operations LLC | Energy-optimized vehicle route selection |
-
2021
- 2021-08-06 CN CN202110901057.9A patent/CN113610298B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107972673A (zh) * | 2016-10-25 | 2018-05-01 | Ifp新能源公司 | 使用线图确定使车辆的能耗最小化的路线的方法 |
| CN108106626A (zh) * | 2017-12-18 | 2018-06-01 | 浙江工业大学 | 一种基于行驶工况的电动汽车出行路径规划方法 |
| CN108489500A (zh) * | 2018-03-13 | 2018-09-04 | 安徽江淮汽车集团股份有限公司 | 一种基于能耗经济性的全局路径规划方法及系统 |
| CN108773279A (zh) * | 2018-04-27 | 2018-11-09 | 北京交通大学 | 一种电动汽车充电路径规划方法及装置 |
| CN112035536A (zh) * | 2020-06-24 | 2020-12-04 | 国网天津市电力公司电力科学研究院 | 一种考虑动态路网交通流的电动汽车能耗预测方法 |
| CN112286212A (zh) * | 2020-12-29 | 2021-01-29 | 北京理工华创电动车技术有限公司 | 一种车网协同节能控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113610298A (zh) | 2021-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110126841B (zh) | 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法 | |
| Shankar et al. | Method for estimating the energy consumption of electric vehicles and plug‐in hybrid electric vehicles under real‐world driving conditions | |
| CN103364006B (zh) | 用于确定车辆路径的系统和方法 | |
| Levin et al. | Effect of road grade on networkwide vehicle energy consumption and ecorouting | |
| CN108761509A (zh) | 一种基于历史数据的汽车行驶轨迹及里程预测方法 | |
| CN102052926B (zh) | 减少燃料消耗和成本的方法 | |
| Perger et al. | Energy efficient route planning for electric vehicles with special consideration of the topography and battery lifetime | |
| 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 | |
| Guo et al. | A novel energy consumption prediction model with combination of road information and driving style of BEVs | |
| US20220215749A1 (en) | Method for predicting at least one profile of the speed of a vehicle on a road network | |
| Valera et al. | Driving cycle and road grade on-board predictions for the optimal energy management in EV-PHEVs | |
| Grubwinkler et al. | A modular and dynamic approach to predict the energy consumption of electric vehicles | |
| Zhu et al. | An automated vehicle fuel economy benefits evaluation framework using real-world travel and traffic data | |
| Zhao et al. | The creation of a representative driving cycle based on intelligent transportation system (ITS) and a mathematically statistical algorithm: A case study of Changchun (China) | |
| CN116523093A (zh) | 基于随机源荷预测的能源系统的网格需求感知系统及方法 | |
| Sagaama et al. | Evaluation of the energy consumption model performance for electric vehicles in SUMO | |
| CN111191824A (zh) | 一种动力电池容量衰减预测方法及系统 | |
| CN113610298B (zh) | 考虑用户出行行为的用户出行能耗预测及路径推荐方法 | |
| JP2023175992A (ja) | エネルギー供給システムおよび情報処理装置 | |
| CN109583708B (zh) | 多智能体微观交通配流模型的建立方法 | |
| CN116341706A (zh) | 基于综合能源感知的城市移动负荷概率预测系统与方法 | |
| Grubwinkler et al. | A system for cloud-based deviation prediction of propulsion energy consumption for EVs | |
| Cunha et al. | Genetic algorithm for the calibration of vehicle performance models of microscopic traffic simulators | |
| CN112183871A (zh) | 基于空气指数的城市交通诱导系统 | |
| Ruan et al. | A modularized electric vehicle model-in-the-loop simulation for transportation electrification modeling and analysis |
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 |