CN113849493A - 一种基于大数据的电动汽车行程链构建方法 - Google Patents
一种基于大数据的电动汽车行程链构建方法 Download PDFInfo
- Publication number
- CN113849493A CN113849493A CN202111135901.8A CN202111135901A CN113849493A CN 113849493 A CN113849493 A CN 113849493A CN 202111135901 A CN202111135901 A CN 202111135901A CN 113849493 A CN113849493 A CN 113849493A
- Authority
- CN
- China
- Prior art keywords
- segment
- data
- segments
- fragment
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明所提供了一种基于大数据的电动汽车行程链构建方法,能够充分发挥新能源汽车大数据的优势,有效利用新能源汽车国家监测与管理平台采集的城市全量电动乘用车运行数据作为数据源基础,从数据层面保障了行程链构建算法结果的全面性、准确性。在确定最常驻片区的过程中使用了H3六边形网络地理空间索引系统对城市区域进行了全覆盖划分,既保证了车辆空间转移位置特征统计的准确性,同时也充分保障了车主的隐私安全。本发明的行程链构建方法基于用户历史出行逻辑进行时空转移链的切分,符合电动汽车用户的使用习惯,克服了现有技术参考燃油车辆模拟电动车需求的局限与弊端。
Description
技术领域
本发明属于新能源汽车大数据采集与处理技术领域,尤其涉及一种基于大数据技术构建电动汽车行程链的方法。
背景技术
随着我国新能源汽车产业的发展,电动汽车续航里程较短,充电过程长,充电不方便等问题逐渐显现,成为限制电动汽车推广应用和消费者购买电动汽车的主要因素之一。此外,充电桩发展初期布局不合理,不完善,造成多数地区一桩难求而偏远地区充电桩闲置,快充桩与慢充桩的布局不合理,充电桩利用率不足等问题造成了目前消费者充电难、充电体验差和运营商投资效益不佳、盈利难的困境,已经成为我国新能源汽车市场健康、快速发展的关键障碍。对于这些技术问题,现有技术中尚未出现良好的解决手段,因此如何充分挖掘车辆使用、充电行为特征,实现用户实际充电需求与基础设施选址、部署规划两者间相互平衡,是优化电动汽车使用体验、降低用户“里程焦虑”和提高充电桩利用率的关键技术,也是当前急需解决的技术问题。
发明内容
有鉴于此,本发明旨在发挥新能源汽车大数据技术便于挖掘多种车辆历史运行数据的优点,实现充电特征及需求的真实反映与精确分析统计,提供一种基于大数据的电动汽车行程链构建方法,具体包括以下步骤:
步骤一、利用新能源汽车大数据平台收集电动汽车的历史运行数据,提取出不同时间段中由车辆的行驶与停车、能量消耗及位置等数据构成的数据片段,并结合车辆的行驶和充电情况,对所述数据片段分配对应的状态类型:行驶状态X、充电状态C以及停车未充电状态T;
步骤二、将所述状态存在异常的数据片段执行:与邻近的数据片段合并来实现修正,并将异常片段删除;
步骤三、针对经步骤二后保留的各数据片段中最初和最后位置数据,基于六边形算法H3分别分配六边形片区,同时生成各片区ID,由最初和最后位置对应的片区ID共同组成各数据片段的片区ID列表,并作为各数据片段的一个新增字段;
步骤四、选取每辆车状态类型为充电状态C以及停车未充电状态T的数据片段,统计一定时期内各片区ID对应的累积时长,将累积时长最长的片区作为车辆最常驻片区;
步骤五、以天为单位按时间顺序查找每辆车对应最常驻片区的数据片段,并以其作为起始与结束条件确定该车每天的完整行程链。
进一步地,步骤一中所提取的数据片段具体包含以下字段:
每辆车的唯一标志vin,状态类型segmentType,行驶与停车数据相关字段:片段条件开始时间conditionStartDateStr、片段起始时间segmentStartDateStr、片段条件结束时间conditionEndDateStr、片段时长segmentInternal、片段条件时长conditionInternal、片段起始里程segmentStartMileage、片段条件结束里程conditionEndMileage,能量消耗数据相关字段:片段起始SOC segmentStartSoc、片段条件结束SOC conditionEndSoc,位置数据相关字段:片段开始城市segmentStartCity、片段开始街道segmentStartDistrict、片段结束城市segmentEndCity、片段结束街道segmentEndDistrict、经度列表lngList、纬度列表latList。
进一步地,步骤二中通过将某状态类型持续时间小于相应下限阈值的数据片段标记为发生异常的待修正片段,并执行以下操作:
2.1)保持时序上前向邻近数据片段的segmentType、conditionStartDateStr、segmentStartDateStr、conditionStartMileage、segmentStartMileage、conditionStartSoc、segmentStartSoc、segmentStartCity以及 segmentStartDistrict字段均不变;
2.2)将前向邻近数据片段的segmentEndDateStr、conditionEndDateStr、segmentEndMileage、conditionEndMileage、segmentEndSoc、conditionEndSoc、segmentEndCity以及segmentEndDistrict字段均修正为待修正片段的对应字段;
2.3)结合上述各子段重新形成前向邻近数据片段;
2.4)将待修正片段删除。
进一步地,步骤三分配六边形片区具体为对每个数据片段的经度列表lngList 与纬度列表latList最初与最后的坐标位置分别基于六边形算法H3分配具有第8 级精度的六边形片区,所述六边形边长为0.5公里,用于避免后续步骤四中确定最常驻片区时的误差,以及保障每辆车用户的隐私;将片区ID列表作为各数据片段的新增字段hexIDList。
进一步地,步骤四还包括:如果未能找到所述最常驻片区或者存在多个最常驻片区,则执行以下判断过程:
4.1)针对每辆车的数据片段中提取出状态类型为X的数据片段组成行驶数据片段表;
4.2)统计hexIDList字段中最初位置片区ID的频次,将该频次最高的片区作为最常驻片区;
以及,还在数据片段中增加MostFreqHex字段按月统计和标记所述频次。
进一步地,步骤五具体包括:
5.1)从起始时间segmentStartDateStr为0点后的数据片段开始查找,若发现状态类型为X的起始数据片段满足最常驻片区,则标记该数据片段为行程链起始片段,为该数据片段建立ChainFragNo字段并标记为1;
5.2)从行程链起始片段向后遍历后续将所经历的行驶状态X、充电状态C以及停车未充电状态T的数据片段并加入行程链中,为各数据片段建立ChainFragNo 字段并赋值为相邻前一片段的ChainFragNo值加1;当发现现状态类型为X的结束数据片段满足最常驻片区时结束遍历过程,并标记结束数据片段为行程链结束片段;
5.3)若行程链结束片段的后续相邻片段为充电或停车状态,则将所述相邻片段作为行程链结束片段,若所述相邻片段为行驶片段,则不计入该行程链,所以一段完整的行程链中数据片段的状态应该为X***X、X***XT或X***XC的形式;
5.4)为完整行程链中的各数据片段分别建立ChainNo字段并标记为1,ChainFragNo字段重新更新为1,继续向下寻找下一行程链的起始点并重复以上过程,直至到达当日的24点;若最后一个状态的数据片段跨越了24点则将该片段完整地归于前一天;
5.5)对未能形成完整行程链的数据片段标记ChainNo字段标0。
上述本发明所提供的方法,能够充分发挥新能源汽车大数据的优势,有效利用新能源汽车国家监测与管理平台采集的城市全量电动乘用车运行数据作为数据源基础,从数据层面保障了行程链构建算法结果的全面性、准确性。在确定最常驻片区的过程中使用了H3六边形网络地理空间索引系统对城市区域进行了全覆盖划分,既保证了车辆空间转移位置特征统计的准确性,同时也充分保障了车主的隐私安全。本发明的行程链构建方法基于用户历史出行逻辑进行时空转移链的切分,符合电动汽车用户的使用习惯,克服了现有技术参考燃油车辆模拟电动车需求的局限与弊端。
具体实施方式
下面将对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明所提供的一种基于大数据的电动汽车行程链构建方法,具体包括以下步骤:
步骤一、利用新能源汽车大数据平台收集电动汽车的历史运行数据,提取出不同时间段中由车辆的行驶与停车、能量消耗及位置等数据构成的数据片段,并结合车辆的行驶和充电情况,对所述数据片段分配对应的状态类型:行驶状态X、充电状态C以及停车未充电状态T;
步骤二、将所述状态存在异常的数据片段执行:与邻近的数据片段合并来实现修正,并将异常片段删除;
步骤三、针对经步骤二后保留的各数据片段中最初和最后位置数据,基于六边形算法H3分别分配六边形片区,同时生成各片区ID,由最初和最后位置对应的片区ID共同组成各数据片段的片区ID列表,并作为各数据片段的一个新增字段;
步骤四、选取每辆车状态类型为充电状态C以及停车未充电状态T的数据片段,统计一定时期内各片区ID对应的累积时长,将累积时长最长的片区作为车辆最常驻片区;
步骤五、以天为单位按时间顺序查找每辆车对应最常驻片区的数据片段,并以其作为起始与结束条件确定该车每天的完整行程链。
在本发明的一个优选实施方式中,步骤一中提取的数据片段具体包含以下字段:
每辆车的唯一标志vin,状态类型segmentType,行驶与停车数据相关字段:片段条件开始时间conditionStartDateStr、片段起始时间segmentStartDateStr、片段条件结束时间conditionEndDateStr、片段时长segmentInternal、片段条件时长conditionInternal、片段起始里程segmentStartMileage、片段条件结束里程conditionEndMileage,能量消耗数据相关字段:片段起始SOC segmentStartSoc、片段条件结束SOC conditionEndSoc,位置数据相关字段:片段开始城市segmentStartCity、片段开始街道segmentStartDistrict、片段结束城市segmentEndCity、片段结束街道segmentEndDistrict、经度列表lngList、纬度列表latList。通过各子段所体现的车辆运行状态如下表所示:
表1数据片段各子段的对应状态说明
考虑到行程链主要与车辆与用户的出行行为关系密切,而与车辆自身的一些工作状态关系不大,因此将车辆状态可以将某些状态如X01-06和T01-04合并,归纳为行驶状态X、充电状态C以及停车未充电状态T三种。
对于一些持续时间较短的数据片段状态,譬如小于3分钟的停车状态,可认为是等红灯过程,从出行链角度可不予关注;小于5分钟的行驶过程一般行驶距离较短,不具有位置移动的统计意义;充电小于5分钟的认为是异常充电过程,也可不予关注。基于这种考虑,在本发明的一个优选实施方式中为不同状态类型的数据片段分别设定如下表所示的下限与上限阈值,从而便于舍弃上述不必要的片段:
表2各状态的数据片段时间阈值
车辆状态 | 时间阈值下限 | 时间阈值上限 |
T | 3分钟 | 24小时 |
X | 5分钟 | 24小时 |
C | 5分钟 | 24小时 |
并且在步骤二中通过将某状态类型持续时间小于相应下限阈值的数据片段标记为发生异常的待修正片段,并执行以下操作:
2.1)保持时序上前向邻近数据片段的segmentType、conditionStartDateStr、segmentStartDateStr、conditionStartMileage、segmentStartMileage、conditionStartSoc、segmentStartSoc、segmentStartCity以及 segmentStartDistrict字段均不变;
2.2)将前向邻近数据片段的segmentEndDateStr、conditionEndDateStr、segmentEndMileage、conditionEndMileage、segmentEndSoc、conditionEndSoc、segmentEndCity以及segmentEndDistrict字段均修正为待修正片段的对应字段;
2.3)结合上述各子段重新形成前向邻近数据片段;
2.4)将待修正片段删除。
为保证最常驻片区的确定中能够避免电动汽车用户每次停驻的经纬度的偏差带来的常驻点识别误差,同时将用户的停驻点信息模糊化,以保障用户的家庭住址、工作单位地址等隐私安全,因而在本发明的一个优选实施方式中,步骤三分配六边形片区具体为对每个数据片段的经度列表lngList与纬度列表latList最初与最后的坐标位置分别基于六边形算法H3分配具有第8级精度的六边形片区,所述六边形边长为0.5公里;将片区ID列表作为各数据片段的新增字段 hexIDList。
步骤四还包括:如果未能找到所述最常驻片区或者存在多个最常驻片区,则执行以下判断过程:
4.1)针对每辆车的数据片段中提取出状态类型为X的数据片段组成行驶数据片段表;
4.2)统计hexIDList字段中最初位置片区ID的频次,将该频次最高的片区作为最常驻片区;
以及,还在数据片段中增加MostFreqHex字段按月统计和标记所述频次。
为了能够较为精确地获取电动汽车每天的完整行程情况,从而更好地反映车辆出行、充电等需求,在本发明的一个优选实施方式中,步骤五具体包括:
5.1)从起始时间segmentStartDateStr为0点后的数据片段开始查找,若发现状态类型为X的起始数据片段满足最常驻片区,则标记该数据片段为行程链起始片段,为该数据片段建立ChainFragNo字段并标记为1;
5.2)从行程链起始片段向后遍历后续将所经历的行驶状态X、充电状态C以及停车未充电状态T的数据片段并加入行程链中,为各数据片段建立ChainFragNo 字段并赋值为相邻前一片段的ChainFragNo值加1;当发现现状态类型为X的结束数据片段满足最常驻片区时结束遍历过程,并标记结束数据片段为行程链结束片段;
5.3)若行程链结束片段的后续相邻片段为充电或停车状态,则将所述相邻片段作为行程链结束片段,若所述相邻片段为行驶片段,则不计入该行程链,所以一段完整的行程链中数据片段的状态应该为X***X、X***XT或X***XC的形式;
5.4)为完整行程链中的各数据片段分别建立ChainNo字段并标记为1,ChainFragNo字段重新更新为1,继续向下寻找下一行程链的起始点并重复以上过程,直至到达当日的24点;若最后一个状态的数据片段跨越了24点则将该片段完整地归于前一天;
5.5)对未能形成完整行程链的数据片段标记ChainNo字段标0。
应理解,本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种基于大数据的电动汽车行程链构建方法,其特征在于:具体包括以下步骤:
步骤一、利用新能源汽车大数据平台收集电动汽车的历史运行数据,提取出不同时间段中由车辆的行驶与停车、能量消耗及位置数据构成的数据片段,并结合车辆的行驶和充电情况,对所述数据片段分配对应的状态类型:行驶状态X、充电状态C以及停车未充电状态T;
步骤二、将所述状态存在异常的数据片段执行:与邻近的数据片段合并来实现修正,并将异常片段删除;
步骤三、针对经步骤二后保留的各数据片段中最初和最后位置数据,基于六边形算法H3分别分配六边形片区,同时生成各片区ID,由最初和最后位置对应的片区ID共同组成各数据片段的片区ID列表,并作为各数据片段的一个新增字段;
步骤四、选取每辆车状态类型为充电状态C以及停车未充电状态T的数据片段,统计一定时期内各片区ID对应的累积时长,将累积时长最长的片区作为车辆最常驻片区;
步骤五、以天为单位按时间顺序查找每辆车对应最常驻片区的数据片段,并以其作为起始与结束条件确定该车每天的完整行程链。
2.如权利要求1所述的方法,其特征在于:步骤一中所提取的数据片段具体包含以下字段:
每辆车的唯一标志vin,状态类型segmentType,行驶与停车数据相关字段:片段条件开始时间conditionStartDateStr、片段起始时间segmentStartDateStr、片段条件结束时间conditionEndDateStr、片段时长segmentInternal、片段条件时长conditionInternal、片段起始里程segmentStartMileage、片段条件结束里程conditionEndMileage,能量消耗数据相关字段:片段起始SOC segmentStartSoc、片段条件结束SOC conditionEndSoc,位置数据相关字段:片段开始城市segmentStartCity、片段开始街道segmentStartDistrict、片段结束城市segmentEndCity、片段结束街道segmentEndDistrict、经度列表lngList、纬度列表latList。
3.如权利要求2所述的方法,其特征在于:步骤二中通过将某状态类型持续时间小于相应下限阈值的数据片段标记为发生异常的待修正片段,并执行以下操作:
2.1)保持时序上前向邻近数据片段的segmentType、conditionStartDateStr、segmentStartDateStr、conditionStartMileage、segmentStartMileage、conditionStartSoc、segmentStartSoc、segmentStartCity以及segmentStartDistrict字段均不变;
2.2)将前向邻近数据片段的segmentEndDateStr、conditionEndDateStr、segmentEndMileage、conditionEndMileage、segmentEndSoc、conditionEndSoc、segmentEndCity以及segmentEndDistrict字段均修正为待修正片段的对应字段;
2.3)结合上述各子段重新形成前向邻近数据片段;
2.4)将待修正片段删除。
4.如权利要求2所述的方法,其特征在于:步骤三分配六边形片区具体为对每个数据片段的经度列表lngList与纬度列表latList最初与最后的坐标位置分别基于六边形算法H3分配具有第8级精度的六边形片区,所述六边形边长为0.5公里,用于避免后续步骤四中确定最常驻片区时的误差,以及保障每辆车用户的隐私;将片区ID列表作为各数据片段的新增字段hexIDList。
5.如权利要求4所述的方法,其特征在于:步骤四还包括:如果未能找到所述最常驻片区或者存在多个最常驻片区,则执行以下判断过程:
4.1)针对每辆车的数据片段中提取出状态类型为X的数据片段组成行驶数据片段表;
4.2)统计hexIDList字段中最初位置片区ID的频次,将该频次最高的片区作为最常驻片区;
以及,还在数据片段中增加MostFreqHex字段按月统计和标记所述频次。
6.如权利要求5所述的方法,其特征在于:步骤五具体包括:
5.1)从起始时间segmentStartDateStr为0点后的数据片段开始查找,若发现状态类型为X的起始数据片段满足最常驻片区,则标记该数据片段为行程链起始片段,为该数据片段建立ChainFragNo字段并标记为1;
5.2)从行程链起始片段向后遍历后续将所经历的行驶状态X、充电状态C以及停车未充电状态T的数据片段并加入行程链中,为各数据片段建立ChainFragNo字段并赋值为相邻前一片段的ChainFragNo值加1;当发现现状态类型为X的结束数据片段满足最常驻片区时结束遍历过程,并标记结束数据片段为行程链结束片段;
5.3)若行程链结束片段的后续相邻片段为充电或停车状态,则将所述相邻片段作为行程链结束片段,若所述相邻片段为行驶片段,则不计入该行程链,所以一段完整的行程链中数据片段的状态应该为X***X、X***XT或X***XC的形式;
5.4)为完整行程链中的各数据片段分别建立ChainNo字段并标记为1,ChainFragNo字段重新更新为1,继续向下寻找下一行程链的起始点并重复以上过程,直至到达当日的24点;若最后一个状态的数据片段跨越了24点则将该片段完整地归于前一天;
5.5)对未能形成完整行程链的数据片段标记ChainNo字段标0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111135901.8A CN113849493A (zh) | 2021-09-27 | 2021-09-27 | 一种基于大数据的电动汽车行程链构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111135901.8A CN113849493A (zh) | 2021-09-27 | 2021-09-27 | 一种基于大数据的电动汽车行程链构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113849493A true CN113849493A (zh) | 2021-12-28 |
Family
ID=78979899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111135901.8A Pending CN113849493A (zh) | 2021-09-27 | 2021-09-27 | 一种基于大数据的电动汽车行程链构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113849493A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114155701A (zh) * | 2022-02-07 | 2022-03-08 | 北京快成科技有限公司 | 网络货运平台中车辆自动排队方法、装置、介质和设备 |
-
2021
- 2021-09-27 CN CN202111135901.8A patent/CN113849493A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114155701A (zh) * | 2022-02-07 | 2022-03-08 | 北京快成科技有限公司 | 网络货运平台中车辆自动排队方法、装置、介质和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108761509B (zh) | 一种基于历史数据的汽车行驶轨迹及里程预测方法 | |
CN106504577B (zh) | 一种停车换乘出行路线规划方法及装置 | |
CN111091720B (zh) | 基于信令数据和浮动车数据的拥堵路段识别方法及装置 | |
CN103177575B (zh) | 城区出租车动态在线调度优化系统及其方法 | |
CN104766473A (zh) | 基于多模式公交数据匹配的公共交通出行特征提取方法 | |
CN111652520B (zh) | 一种基于大数据的路面养护智能决策系统及方法 | |
CN103295414A (zh) | 一种基于海量历史gps轨迹数据的公交车到站时间预测方法 | |
CN111340415B (zh) | 一种基于货运轨迹数据的车辆自发编队模式挖掘方法 | |
CN103198104A (zh) | 一种基于城市智能公交系统的公交站点od获取方法 | |
CN112446609B (zh) | 一种基于大数据的充电场站建站方法及系统 | |
CN114021883A (zh) | 一种高峰时期地铁接驳共享单车的调度方法 | |
CN114446051A (zh) | 一种城市路网交通韧性薄弱识别方法 | |
CN111914940B (zh) | 一种共享车辆站点分群聚类方法、系统、装置及存储介质 | |
CN113849493A (zh) | 一种基于大数据的电动汽车行程链构建方法 | |
CN112115385A (zh) | 一种考虑充电时间的单向共享汽车系统选址优化方法 | |
CN103680185A (zh) | 一种车辆行驶道路等级精确划分方法 | |
CN110659794B (zh) | 一种基于综合成本评估的公交车队置换方法 | |
CN116968767A (zh) | 基于多维数据融合的新能源汽车充电路径规划方法及系统 | |
CN108596381B (zh) | 基于od数据的城市停车需求预测方法 | |
CN115662124A (zh) | 一种基于网络编码的gps轨迹数据路段流量匹配方法 | |
CN115049202A (zh) | 一种基于车桩数据融合的充电场站可用状态评估方法 | |
CN115759347A (zh) | 一种基于特征数据的电动公交车行程能耗快速预测方法 | |
CN110516372B (zh) | 计及准动态交通流的电动汽车荷电状态时空分布模拟方法 | |
CN113762613A (zh) | 一种基于养护优先级排序的公路网养护规划方法 | |
CN112633592A (zh) | 基于机器学习聚类算法的车辆常跑路线计算方法及系统 |
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 |