CN114662984B - 一种车辆区域充电需求的分析方法、装置及介质 - Google Patents

一种车辆区域充电需求的分析方法、装置及介质 Download PDF

Info

Publication number
CN114662984B
CN114662984B CN202210410390.4A CN202210410390A CN114662984B CN 114662984 B CN114662984 B CN 114662984B CN 202210410390 A CN202210410390 A CN 202210410390A CN 114662984 B CN114662984 B CN 114662984B
Authority
CN
China
Prior art keywords
vehicle
charging
time
determining
module
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
CN202210410390.4A
Other languages
English (en)
Other versions
CN114662984A (zh
Inventor
李波
王宁
田航奇
陈枫
吴华华
李媛
刘乔迁
蒙志全
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.)
Tongji University
State Grid Zhejiang Electric Power Co Ltd
State Grid Zhejiang Electric Vehicle Service Co Ltd
Original Assignee
Tongji University
State Grid Zhejiang Electric Power Co Ltd
State Grid Zhejiang Electric Vehicle Service Co Ltd
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 Tongji University, State Grid Zhejiang Electric Power Co Ltd, State Grid Zhejiang Electric Vehicle Service Co Ltd filed Critical Tongji University
Priority to CN202210410390.4A priority Critical patent/CN114662984B/zh
Publication of CN114662984A publication Critical patent/CN114662984A/zh
Application granted granted Critical
Publication of CN114662984B publication Critical patent/CN114662984B/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
    • G06Q10/06—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Traffic Control Systems (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本申请公开了一种车辆区域充电需求的分析方法、装置及介质，涉及新能源技术领域。获取乘客历史出行OD数据，并根据历史出行数据确定出最小车队规模，再对车辆运营范围进行区域划分，最后通过蒙特卡洛模拟区域内车辆的运行过程，以确定车辆的充电需求，根据全部车辆的运行过程确定区域内车辆的充电需求。通过历史数据，模拟车辆的运行状态不直接使用车辆的运行状态数据，避免了采集数据时局限于区域较小的情况。另外，蒙特卡洛模拟出全部车辆的充电需求，通过随机试验仿真出大量符合真实概率分布的参数取值，进而方便、快捷、低成本地进行车辆运行状态的还原和充电需求数据的获取，避免了通过车流量获取车辆充电需求的情况，减少了误差的产生。

Description

一种车辆区域充电需求的分析方法、装置及介质
技术领域
本申请涉及新能源技术领域，特别是涉及一种车辆区域充电需求的分析方法、装置及介质。
背景技术
近年我国出台一系列政策和举措积极鼓励和引导电动汽车的市场化推广，但续航里程短、充电时间长、充电频率高等问题依然在一定程度上阻碍了其进一步的大规模普及，而能够有效改善电动汽车用户充电体验的充电基础设施网络建设则显得尤为重要。充电设施选址布局的前提是对选址范围内电动汽车的充电需求进行量化分析，即能够定量描述运营区域内电动汽车充电数量、充电电量等参数在时间维度和空间维度的分布情况，从而为充电站的选址和定容等提供决策依据。因此，准确、高效地量化识别充电需求的时空分布是合理有效地进行充电设施选址建设的基础。而目前对电动汽车的充电需求的量化分析的方法是通过路网中各个节点作为路网中道路的交汇点，通常将充电站在这些节点建设，因此在充电需求核算过程中，使用基于路网节点处监控设备或者人工统计的方式获取车辆流量信息作为充电需求量。
由于，通过人工统计或安装硬件设备进行数据采集，仅适用于区域范围较小的情况，此外，车流量密度与充电需求之间没有直接联系，因此通过汽车的流量来反应汽车充电需求的大小，会导致结果偏离实际情况，误差较大。
鉴于上述技术问题，寻求一种电动汽车充电需求的量化分析方法是本领域技术人员亟待解决的技术问题。
发明内容
本申请的目的是提供一种车辆区域充电需求的分析方法、装置及介质。
为解决上述技术问题，本申请提供一种车辆区域充电需求的分析方法，包括：
获取乘客历史出行OD数据；
根据所述历史出行OD数据确定最小车队规模；
根据所述最小车队规模对车辆运营范围进行区域划分；
根据蒙特卡洛模拟所述区域内所述车辆的运行过程，并确定所述车辆的充电需求；
根据全部所述车辆的所述充电需求确定在所述区域内的全部所述车辆的所述充电需求。
优选地，所述运行过程至少包括载客地点、载客时长、充电时间、充电地点、充电时长以及充电电量。
优选地，所述根据蒙特卡洛模拟区域内所述车辆的运行过程，并确定所述车辆的充电需求包括：
确定所述车辆首次运营时间和地点；
获取所述车辆下一次的目的地，并根据所述目的地获取下一次行程的耗电量；
判断所述车辆的当前电量是否大于第一阈值，且大于所述耗电量；
若是，更新所述车辆的状态信息，并在所述车辆的运行时间大于第二阈值时，输出所述车辆的充电需求；
若否，对所述车辆进行充电，并记录所述充电时间、所述充电电量、所述充电地点以及所述充电时长，并在所述车辆的运行时间大于所述第二阈值时，输出所述车辆的充电需求。
优选地，所述根据所述历史出行OD数据确定最小车队规模包括：
构建出行行程衔接拓扑关系；
根据所述出行行程衔接拓扑关系采用Hopcroft-Krap算法确定所述最小车队规模。
优选地，所述乘客历史出行OD数据至少包括所述乘客的出行时间、起讫点和行程距离。
优选地，若所述车辆的所述运行时间不大于所述第二阈值，则还包括：
根据所述载客地点确定所述车辆的载客次数；
判断所述载客次数是否小于第三阈值；
若是，返回所述获取所述车辆下一次的目的地，并根据所述目的地获取下一次行程的耗电量的步骤；
若否，进入所述输出所述车辆的充电需求的步骤。
优选地，所述蒙特卡洛的模拟次数与所述车辆的数量相等。
为解决上述技术问题，本申请还提供了一种车辆区域充电需求的分析装置，包括：
第一获取模块，用于获取乘客历史出行OD数据；
第一确定模块，用于根据所述历史出行OD数据确定最小车队规模；
划分模块，用于根据所述最小车队规模对车辆运营范围进行区域划分；
模拟模块，用于根据蒙特卡洛模拟区域内所述车辆的运行过程，并确定所述车辆的充电需求；
第二确定模块，用于根据全部所述车辆的充电需求确定在所述区域内的全部所述车辆的所述充电需求。
优选地，所述运行过程至少包括载客地点、载客时长、充电时间、充电地点、充电时长以及充电电量。
优选地，所述模拟模块包括：
第三确定模块，用于确定所述车辆首次运营时间和地点；
第二获取模块，用于获取所述车辆下一次的目的地，并根据所述目的地获取下一次行程的耗电量；
第一判断模块，用于判断所述车辆的当前电量是否大于第一阈值，且大于所述耗电量，若是，触发更新模块，若否，触发充电模块；
所述更新模块，用于更新所述车辆的状态信息，并在所述车辆的运行时间大于第二阈值时，输出所述车辆的充电需求；
所述充电模块，用于对所述车辆进行充电，并记录所述充电时间、所述充电电量、所述充电地点以及所述充电时长，并在所述车辆的运行时间大于所述第二阈值时，输出所述车辆的充电需求。
优选地，所述第一确定模块包括：
构建模块，用于构建出行行程衔接拓扑关系；
第四确定模块，用于根据所述出行行程衔接拓扑关系采用Hopcroft-Krap算法确定所述最小车队规模。
优选地，所述乘客历史出行OD数据至少包括所述乘客的出行时间、起讫点和行程距离。
优选地，还包括：
第五确定模块，用于在所述车辆的所述运行时间不大于所述第二阈值时，根据所述载客地点确定所述车辆的载客次数；
第二判断模块，用于判断所述载客次数是否小于第三阈值，若所述载客次数小于所述第三阈值，则触发所述第二获取模块，若所述载客次数不小于所述第三阈值，则触发所述充电模块。
优选地，所述蒙特卡洛的模拟次数与所述车辆的数量相等。
为解决上述技术问题，本申请还提供了一种车辆区域充电需求的分析装置，包括存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述所述的车辆区域充电需求的分析方法的步骤。
为解决上述技术问题，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述的车辆区域充电需求的分析方法的步骤。
本申请所提供的一种车辆区域充电需求的分析方法，获取乘客历史出行OD数据，并根据历史出行OD数据确定出最小车队规模，再对车辆运营范围进行区域划分，最后通过蒙特卡洛模拟区域内车辆的运行过程，以确定车辆的充电需求，根据全部车辆的运行过程确定区域内全部车辆的充电需求。可以看出，此方法通过历史数据，模拟出车辆的运行状态而不是直接使用车辆的运行状态数据，避免了采集数据时局限于区域较小的情况。另一方面，通过蒙特卡洛模拟出全部车辆的充电需求，蒙特卡洛仿真方法能够通过随机试验仿真出大量符合真实概率分布的参数取值，进而方便、快捷、低成本地进行车辆运行状态的还原和充电需求数据的获取，避免了通过车流量获取车辆充电需求的情况，减少了误差的产生。
在此基础上，本申请还提供一种车辆区域充电需求的分析装置和介质，具有与车辆区域充电需求的分析方法相同的有益效果。
附图说明
为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例提供的一种车辆区域充电需求的分析方法的流程图；
图2为本申请实施例提供的一种车辆区域充电需求的分析装置的结构图；
图3为本申请另一实施例提供的车辆区域充电需求的分析装置的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，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，都属于本申请保护范围。
本申请的核心是提供一种车辆区域充电需求的分析方法、装置及介质。
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。
可以理解的是，对于电动汽车的充电桩的设置比较重要，充电设施选址布局的前提是对选址范围内电动汽车的充电需求进行量化分析，即能够定量描述运营区域内电动汽车充电数量、充电电量等参数在时间维度和空间维度的分布情况，从而为充电站的选址和定容等提供决策依据。因此，准确、高效地量化识别充电需求的时空分布是合理有效地进行充电设施选址建设的基础。而目前对电动汽车的充电需求的量化分析的方法是通过路网中各个节点作为路网中道路的交汇点，通常将充电站在这些节点建设，因此在充电需求核算过程中，使用基于路网节点处监控设备或者人工统计的方式获取车辆流量信息作为充电需求量。因此提出一种车辆区域充电需求的分析方法。
图1为本申请实施例提供的一种车辆区域充电需求的分析方法的流程图，如图1所示，车辆区域充电需求的分析方法包括如下步骤。
S10：获取乘客历史出行OD数据。
S11：根据历史出行OD数据确定最小车队规模。
S12：根据最小车队规模对车辆运营范围进行区域划分。
S13：根据蒙特卡洛模拟区域内车辆的运行过程，并确定车辆的充电需求。
S14：根据全部车辆的充电需求确定在区域内的全部车辆的充电需求。
如步骤S10所说，获取乘客历史出行交通出行量(Origin Destination，OD)数据，其中，对乘客历史出行OD数据的时间跨度不作限定，可以为之前一个月也可以为之前一个周，对此不作限定。此外，乘客历史出行OD数据一般包括用户的出行时间、起讫点以及形程距离。在步骤S11中提到，根据历史出行OD数据确定最小车队规模，也就是说，根据历史出行OD数据确定出满足乘客需求的最小车辆的数量，例如，100个乘客，可以根据100个乘客的乘车时间，地点等信息确定出可以满足100个乘客的最少车辆。
此外，如步骤S12所说，根据最小车队规模对车辆运营范围进行区域划分，为了实现对运营区域内自动驾驶出租车车队充电需求时空分布的便捷、准确描述，一方面将车队全天运营状态以分钟的时间颗粒度进行划分，即将全天运营时长分割为1440min，以分钟为基本单位对充电需求的时间分布情况进行量化识别。另一方面，为了方便对于车队充电需求在空间分布情况的描述，提出通过正六边形对研究区域进行完整镶嵌编号的区域划分方法，对于研究区域中的每一个正六边形，其中所包含的乘客历史出行需求的起讫点均近似聚类到正六边形的中心点，即当乘客出行的起始位置或终止位置在某一个六边形区域内时，则近似用该六边形的中心点代表乘客出行的起讫点。因此，自动驾驶出租车的运行起、止点也将分布在六边形蜂窝的中心点，进而以六边形为基本单位对车辆充电需求的空间分布情况进行定量描述。值得注意的是，本实施例是采用一种优选的实施例通过正六边形对区域进行划分，可以根据具体的实施方式对如何划分区域进行设定。
在步骤S13中提到，根据蒙特卡洛模拟区域内车辆的运行过程，并确定车辆的充电需求。其中蒙特卡罗法也称统计模拟法、统计试验法。是把概率现象作为研究对象的数值模拟方法。是按抽样调查法求取统计值来推定未知特性量的计算方法。蒙特卡罗是摩纳哥的著名赌城，该法为表明其随机抽样的本质而命名。因此，适用于对离散系统进行计算仿真试验，在计算仿真中，通过构造一个和系统性能相近似的概率模型，并在数字计算机上进行随机试验，可以模拟系统的随机特性。本实施例对如何根据蒙特卡洛模拟区域内车辆的运行过程不作限定，只需满足将区域内车辆的运行过程模拟出即可。
另外，在步骤S14中提到，根据全部车辆的充电需求确定在区域内的全部车辆的充电需求也就是说，对全部车辆都进行蒙特卡洛模拟车辆的运行过程，得出每辆车的充电需求，再通过将全部车辆的充电需求累加，进而得到一个总体的充电需求。比如在区域a中某一处充电次数为20次，在区域b中某一处充电次数为10次，可以根据全部车辆的充电需求确定出每一处充电地点的重要权重。本实施例对如何根据全部车辆的充电需求确定区域内的全部车辆的充电需求不作限定。
本实施例所提供的一种车辆区域充电需求的分析方法，获取乘客历史出行OD数据，并根据历史出行OD数据确定出最小车队规模，再对车辆运营范围进行区域划分，最后通过蒙特卡洛模拟区域内车辆的运行过程，以确定车辆的充电需求，根据全部车辆的运行过程确定区域内全部车辆的充电需求。可以看出，此方法通过历史数据，模拟出车辆的运行状态而不是直接使用车辆的运行状态数据，避免了采集数据时局限于区域较小的情况。另一方面，通过蒙特卡洛模拟出全部车辆的充电需求，蒙特卡洛仿真方法能够通过随机试验仿真出大量符合真实概率分布的参数取值，进而方便、快捷、低成本地进行车辆运行状态的还原和充电需求数据的获取，避免了通过车流量获取车辆充电需求的情况，减少了误差的产生。
在上述的基础上对模拟车辆的运行过程的具体内容进行描述，其中，运行过程至少包括载客地点、载客时长、充电时间、充电地点、充电时长以及充电电量。
可以理解的是，通过载客地点和载客时长可以判断是否可以对下一个乘客进行服务。通过充电时间、充电地点、充电时长以及充电电量可以确定出当前车辆在哪里充电次数比较多，且在哪里充电的时间较长。
本实施例提供的模拟车辆的运行过程的具体内容，可以通过载客地点和载客时长确定下一个的订单，也可以通过充电信息对充电位置进行设置权重，使模拟结果比较准确。
在上述实施例的基础上，对如何根据蒙特卡洛模拟区域内车辆的运行过程，并确定车辆的充电需求进行描述，具体如下。
确定车辆首次运营时间和地点；
获取车辆下一次的目的地，并根据目的地获取下一次行程的耗电量；
判断车辆的当前电量是否大于第一阈值，且大于耗电量；
若是，更新车辆的状态信息，并在车辆的运行时间大于第二阈值时，输出车辆的充电需求；
若否，对车辆进行充电，并记录充电时间、充电电量、充电地点以及充电时长，并在车辆的运行时间大于第二阈值时，输出车辆的充电需求。
自动驾驶出租车充电需求的产生源自车载电池剩余电量无法满足后续运行需求或到达警戒电量，也就是说充电需求是自动驾驶出租车的运行行为引起的，所以充电需求的时空分布主要取决于自动驾驶出租车的运行时空特征，而自动驾驶出租车的运行行为主要是为了满足乘客出行需求，因而其运营行为和充电需求主要取决于乘客出行需求。通过历史数据获取的乘客出行特征参数，通过蒙特卡洛仿真法模拟生成大量符合其参数概率分布的乘客出行事件和电动汽车运行事件，进而得到仿真试验条件下的自动驾驶出租车车辆运行过程电池电量状态变化情况，并结合所设定的充电需求产生的判定条件，量化识别自动驾驶出租车车队充电需求的时空分布情况。
通过乘客历史出行OD数据获取到起点概率矩阵、转移概率矩阵、OD距离矩阵来表征乘客出行的出行时间、起讫点和行程距离。值得注意的是，本实施例仅仅是一种优选的实施例通过三种矩阵来表征乘客出行的出行时间、起讫点和行程距离，可以根据具体的实施方式，对三个参数进行描述。其中，转移概率矩阵是基于乘客出行OD矩阵得到的，乘客出行OD矩阵是一个n阶方阵，n表示车队运营范围内所包含的n个乘客出行的起始、终止位置，元素odij表示由位置i至位置j的乘客出行需求量。同一行的矩阵元素odij具有相同的起点i，该行的乘客出行总量越大，则表示位置i作为乘客出行起点的频率就越高；每一列的矩阵元素odij具有相同的终点j，该列的乘客出行总量越大，则表示位置j作为乘客出行终点的频率就越高。乘客出行OD矩阵表示如下：
Figure BDA0003603933710000081
在乘客出行OD矩阵定义的基础上，确定乘客出行转移概率矩阵P_OD，该矩阵的元素
Figure BDA0003603933710000082
表示在时刻t以位置i为行程起点的出行行程，以位置j作为行程终点的概率。转移概率矩阵P_OD可以由乘客出行OD矩阵转换得到，P_OD表示如下：
Figure BDA0003603933710000091
且，矩阵中的元素满足以下约束关系：
Figure BDA0003603933710000092
Figure BDA0003603933710000093
借鉴转移概率矩阵的表示方法，构建起点概率矩阵来描述一天中车队车辆服务第一个乘客出行订单的起始时间和所处位置分布。起点概率矩阵定义为一个24*n的二维矩阵，矩阵的24行表示全天24小时，n表示车队运营范围所包含的n个乘客出行的起始或终止位置，矩阵元素S_mi，j表示一辆电动出租车在时刻i从位置j接到全天第一个乘客出行订单的概率，起点概率矩阵Start_matrix的表示如下：
Figure BDA0003603933710000094
自动驾驶出租车具有无人驾驶的特征，它在城市中的运营可以当作是24小时不间断的，可以在任何时刻为乘客提供出行服务。而起点概率矩阵和转移概率矩阵可以描绘出自动驾驶出租车运营状态的时空分部。
OD距离矩阵表示运营范围内不同目的地之间的车辆行驶距离，D_matrix为n阶方阵，元素dij代表满足以位置i作为行程出发点，位置j作为行程终止点的乘客出行需求所需要的车辆行驶里程(km)，其中D_matrix表示如下：
Figure BDA0003603933710000095
在车队实际运营中，自动驾驶出租车在满足乘客出行需求的运行过程中消耗的电池电路将直接决定车队充电需求的时空分部。根据起点概率矩阵、转移概率矩阵、OD距离矩阵来表征乘客出行的出行时间、起讫点和行程距离。其中，确定车辆首次运营时间和地点，并获取车辆下一次的目的地，并根据目的地获取下一次行程的耗电量，判断车辆的当前电量是否大于第一阈值，且大于耗电量。可以理解的是，在为下一个乘客服务之前，先将自身的电量与下一次行程的耗电量对比，如果可以支持服务，才进行接单。本实施例提到的第一阈值为车辆电量的危险阈值，也就是低于第一阈值，则证明当前车辆将会进入电量过低的状态。也就是说，随着其行驶里程的增加电池电量逐渐减少，如果某一时刻电池电量降低到第一阈值以下，则需要进行充电而不能继续接单，即此时会产生充电需求。此情况发生时，对车辆进行充电，并对充电时间、充电电量、充电地点和充电时长进行记录。
当车辆的电量大于第一阈值且大于下一次行程的耗电量时，会对下一个乘客提供出行服务，并对车辆的状态信息进行更新，比如车辆服务乘客之后的剩余电量。当车辆的运行时间大于第二阈值时，输出车辆的充电需求，也就是当车辆的运行时间大于第二阈值时，就不必再进行工作，直接将模拟车辆的充电需求输出即可。
本实施例所提供的根据蒙特卡洛模拟区域内车辆的运行过程，并确定车辆的充电需求进行描述，通过获取三个表征乘客出行的出行时间、起讫点和行程距离的矩阵，再通过获取车辆首次运营的时间和地点，并对下一次车辆的目的地以及下一次行程的耗电量进行判断，当车辆的当前电量低于第一阈值且大于耗电量时，对车辆进行充电，记录车辆的充电信息，并在车辆的运行时间大于第二阈值是输出车辆的充电需求，此方法，较为准确的获取车辆的运行状态。
在上述实施例的基础上，对如何根据历史出行OD数据确定最小车队规模进行描述，具体步骤如下。
构建出行行程衔接拓扑关系；
根据出行行程衔接拓扑关系采用Hopcroft-Krap算法确定最小车队规模。
针对用户单次出行事件定义乘客的单次出行状态Ti，其由四元组
Figure BDA0003603933710000101
表示，其中，
Figure BDA0003603933710000102
表示乘客i出行行程的上车时间，
Figure BDA0003603933710000103
表示下车时间，
Figure BDA0003603933710000104
表示上车地点，
Figure BDA0003603933710000105
表示下车地点。进一步定义运营范围内的乘客出行集合Γ(Ti∈Γ)其表示在某个时间间隔内的乘客交通出行总需求，例如时间间隔可以是一天。从对乘客理想的角度出发，最小车队规模问题可以表述为：找到一个最小的车队数量来满足出行集合Γ。并且在时刻
Figure BDA0003603933710000111
之前会有一辆车在位置
Figure BDA0003603933710000112
服务乘客i。且需要考虑单辆车连续服务多个出行需求的情况，考虑一辆自动驾驶出租车连续服务乘客a和乘客b，其形成分别为Ta和Tb，行程Ta和Tb直接的时间间隔为tab，同时，tab的取值不能过大，用于保证车辆空载时长和乘客等待时长在一定的范围内。在实际情况下，tab为上一个乘客下车耗时、两个行程间行驶耗时和下一个乘客上车耗时三部分组成。基于此，最小车队规模问题可以表述为：确定一个最小的车队数量来满足出行集合Γ，并且满足两个约束条件，第一为在时刻
Figure BDA0003603933710000113
之前，有一辆车可以达到位置
Figure BDA0003603933710000114
以满足乘客a的出行需求，第二为连接时长tab的最大值不超过δ分钟，其中对δ的具体数值不作限定，可以根据具体实施情况进行选择。
基于上述约束条件，对出行行程拓扑关系进行构建，首先定义一个有向无环图(DAG＝(N，E)，N为有向无环图节点集合，E为有向无环图边集合。节点na(na∈N)对应着乘客a的一次出行需求Ta(Ta∈Γ)，节点nb(nb∈N)对应着乘客b的一次出行需求Tb(Tb∈Γ)。有向边eab(eab∈E)为节点na到节点nb的有向连接。eab的取值如下：
Figure BDA0003603933710000115
其中，eab＝0表示行程Ta和行程Tb不能够被同一辆车连续提供服务。eab＝1表示行程Ta和行程Tb满足最大连接时间不超过δ和最大续航里程不超过rangei的约束条件，即能够被同一辆车连续提供服务。rangei表示车辆续航里程。而基于该拓扑关系，可以通过Hopcroft-Karp算法求解得到覆盖全部节点的最小不相交路径的数量，也即最小车队规模数量。
本实施例所提供的根据历史出行OD数据确定最小车队规模的方法，通过构建出行行程衔接拓扑关系，并根据出行行程衔接拓扑关系采用Hopcroft-Krap算法确定最小车队规模，确定出的最小车队规模比较准确。
在上述实施例的基础上，当车辆的运行时间不大于第二阈值时，则还包括：
根据载客地点确定车辆的载客次数；
判断载客次数是否小于第三阈值；
若是，返回获取车辆下一次的目的地，并根据目的地获取下一次行程的耗电量的步骤；
若否，进入输出车辆的充电需求的步骤。
也就是车辆的运行时间没有达到当天内规定的时间时，判断该车辆的载客次数是否小于第三阈值，若是，则保持该车辆的工作。若否，输出该车辆的充电需求。也就是说，在该车辆载客次数达到多次时，可以对车辆进行输出充电需求，不需要该车辆继续工作。此外，本实施例对第三阈值不作限定，可以根据具体实施方式对其进行选择。
本实施例当车辆的运行时间不大于第二阈值时，根据载客地点确定车辆的载客次数；判断载客次数是否小于第三阈值；若是，继续工作，若否，输出车辆的充电需求，保证了车辆一天内的使用寿命的基础上保证了该车辆的载客量。
在上述实施例的基础上，蒙特卡洛的模拟次数与车辆的数量相等。
在上述实施例中，对于车辆区域充电需求的分析方法进行了详细描述，本申请还提供车辆区域充电需求的分析装置对应的实施例。需要说明的是，本申请从两个角度对装置部分的实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件的角度。
图2为本申请实施例提供的一种车辆区域充电需求的分析装置的结构图，如图2所示，车辆区域充电需求的分析装置包括：
第一获取模块15，用于获取乘客历史出行OD数据；
第一确定模块16，用于根据历史出行OD数据确定最小车队规模；
划分模块17，用于根据最小车队规模对车辆运营范围进行区域划分；
模拟模块18，用于根据蒙特卡洛模拟区域内车辆的运行过程，并确定车辆的充电需求；
第二确定模块19，用于根据全部车辆的充电需求确定在区域内的全部车辆的充电需求。
作为一种优选的实施例，车辆区域充电需求的分析装置的模拟模块中的运行过程至少包括载客地点、载客时长、充电时间、充电地点、充电时长以及充电电量。
作为一种优选的实施例，模拟模块18包括：
第三确定模块，用于确定车辆首次运营时间和地点；
第二获取模块，用于获取车辆下一次的目的地，并根据目的地获取下一次行程的耗电量；
第一判断模块，用于判断车辆的当前电量是否大于第一阈值，且大于耗电量，若是，触发更新模块，若否，触发充电模块；
更新模块，用于更新车辆的状态信息，并在车辆的运行时间大于第二阈值时，输出车辆的充电需求；
充电模块，用于对车辆进行充电，并记录充电时间、充电电量、充电地点以及充电时长，并在车辆的运行时间大于第二阈值时，输出车辆的充电需求。
作为一种优选的实施例，第一确定模块16包括：
构建模块，用于构建出行行程衔接拓扑关系；
第四确定模块，用于根据出行行程衔接拓扑关系采用Hopcroft-Krap算法确定最小车队规模。
优选地，乘客历史出行OD数据至少包括乘客的出行时间、起讫点和行程距离。
作为一种优选的实施例，车辆区域充电需求的分析装置还包括：
第五确定模块，用于在车辆的运行时间不大于第二阈值时，根据载客地点确定车辆的载客次数；
第二判断模块，用于判断载客次数是否小于第三阈值，若载客次数小于第三阈值，则触发第二获取模块，若载客次数不小于第三阈值，则触发充电模块。
作为一种优选的实施例，蒙特卡洛的模拟次数与车辆的数量相等。
本实施例所提供的车辆区域充电需求的分析装置，包括获取模块、第一确定模块、划分模块、模拟模块、以及第二确定模块，用于实现车辆区域充电需求的分析方法的步骤，其通过获取乘客历史出行OD数据，并根据历史出行OD数据确定出最小车队规模，再对车辆运营范围进行区域划分，最后通过蒙特卡洛模拟区域内车辆的运行过程，以确定车辆的充电需求，根据全部车辆的运行过程确定区域内全部车辆的充电需求。可以看出，通过历史数据，模拟出车辆的运行状态而不是直接使用车辆的运行状态数据，避免了采集数据时局限于区域较小的情况。另一方面，通过蒙特卡洛模拟出全部车辆的充电需求，蒙特卡洛仿真方法能够通过随机试验仿真出大量符合真实概率分布的参数取值，进而方便、快捷、低成本地进行车辆运行状态的还原和充电需求数据的获取，避免了通过车流量获取车辆充电需求的情况，减少了误差的产生。
图3为本申请另一实施例提供的车辆区域充电需求的分析装置的结构图，如图3所示，车辆区域充电需求的分析装置包括：存储器20，用于存储计算机程序；
处理器21，用于执行计算机程序时实现如上述实施例中所提到的车辆区域充电需求的分析方法的步骤。
本实施例提供的车辆区域充电需求的分析装置可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器(CentralProcessing Unit，CPU)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以集成有图形处理器(Graphics Processing Unit，GPU)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括人工智能(Artificial Intelligence，AI)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器20可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器20至少用于存储以下计算机程序201，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例公开的车辆区域充电需求的分析方法的相关步骤。另外，存储器20所存储的资源还可以包括操作系统202和数据203等，存储方式可以是短暂存储或者永久存储。其中，操作系统202可以包括Windows、Unix、Linux等。数据203可以包括但不限于车辆区域充电需求的分析方法的数据等。
在一些实施例中，车辆区域充电需求的分析装置还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
本领域技术人员可以理解，图3中示出的结构并不构成对车辆区域充电需求的分析装置的限定，可以包括比图示更多或更少的组件。
本实施例所提供的一种车辆区域充电需求的分析装置，包括存储器和处理器，存储器用于存储车辆区域充电需求的分析方法的程序，处理器用于执行此程序，通过获取乘客历史出行OD数据，并根据历史出行OD数据确定出最小车队规模，再对车辆运营范围进行区域划分，最后通过蒙特卡洛模拟区域内车辆的运行过程，以确定车辆的充电需求，根据全部车辆的运行过程确定区域内全部车辆的充电需求。可以看出，通过历史数据，模拟出车辆的运行状态而不是直接使用车辆的运行状态数据，避免了采集数据时局限于区域较小的情况。另一方面，通过蒙特卡洛模拟出全部车辆的充电需求，蒙特卡洛仿真方法能够通过随机试验仿真出大量符合真实概率分布的参数取值，进而方便、快捷、低成本地进行车辆运行状态的还原和充电需求数据的获取，避免了通过车流量获取车辆充电需求的情况，减少了误差的产生。
最后，本申请还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例所提供的计算机可读存储介质，通过介质存储车辆区域充电需求的分析方法的数据，并执行其通过获取乘客历史出行OD数据，并根据历史出行OD数据确定出最小车队规模，再对车辆运营范围进行区域划分，最后通过蒙特卡洛模拟区域内车辆的运行过程，以确定车辆的充电需求，根据全部车辆的运行过程确定区域内全部车辆的充电需求。可以看出，通过历史数据，模拟出车辆的运行状态而不是直接使用车辆的运行状态数据，避免了采集数据时局限于区域较小的情况。另一方面，通过蒙特卡洛模拟出全部车辆的充电需求，蒙特卡洛仿真方法能够通过随机试验仿真出大量符合真实概率分布的参数取值，进而方便、快捷、低成本地进行车辆运行状态的还原和充电需求数据的获取，避免了通过车流量获取车辆充电需求的情况，减少了误差的产生。
以上对本申请所提供的一种车辆区域充电需求的分析方法、装置及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种车辆区域充电需求的分析方法，其特征在于，包括：
获取乘客历史出行OD数据；
根据所述历史出行OD数据确定最小车队规模；
根据所述最小车队规模对车辆运营范围进行区域划分；
根据蒙特卡洛模拟所述区域内所述车辆的运行过程，并确定所述车辆的充电需求；
根据全部所述车辆的所述充电需求确定在所述区域内的全部所述车辆的所述充电需求；
所述运行过程至少包括载客地点、载客时长、充电时间、充电地点、充电时长以及充电电量；
所述根据蒙特卡洛模拟区域内所述车辆的运行过程，并确定所述车辆的充电需求包括：
确定所述车辆首次运营时间和地点；
获取所述车辆下一次的目的地，并根据所述目的地获取下一次行程的耗电量；
判断所述车辆的当前电量是否大于第一阈值，且大于所述耗电量；
若是，更新所述车辆的状态信息，并在所述车辆的运行时间大于第二阈值时，输出所述车辆的充电需求；
若否，对所述车辆进行充电，并记录所述充电时间、所述充电电量、所述充电地点以及所述充电时长，并在所述车辆的运行时间大于所述第二阈值时，输出所述车辆的充电需求；
所述根据所述历史出行OD数据确定最小车队规模包括：
构建出行行程衔接拓扑关系；
根据所述出行行程衔接拓扑关系采用Hopcroft-Krap算法确定所述最小车队规模。
2.根据权利要求1所述的车辆区域充电需求的分析方法，其特征在于，所述乘客历史出行OD数据至少包括所述乘客的出行时间、起讫点和行程距离。
3.根据权利要求1所述的车辆区域充电需求的分析方法，其特征在于，若所述车辆的所述运行时间不大于所述第二阈值，则还包括：
根据所述载客地点确定所述车辆的载客次数；
判断所述载客次数是否小于第三阈值；
若是，返回所述获取所述车辆下一次的目的地，并根据所述目的地获取下一次行程的耗电量的步骤；
若否，进入所述输出所述车辆的充电需求的步骤。
4.根据权利要求3所述的车辆区域充电需求的分析方法，其特征在于，所述蒙特卡洛的模拟次数与所述车辆的数量相等。
5.一种车辆区域充电需求的分析装置，其特征在于，包括：
第一获取模块，用于获取乘客历史出行OD数据；
第一确定模块，用于根据所述历史出行OD数据确定最小车队规模；
划分模块，用于根据所述最小车队规模对车辆运营范围进行区域划分；
模拟模块，用于根据蒙特卡洛模拟区域内所述车辆的运行过程，并确定所述车辆的充电需求；
第二确定模块，用于根据全部所述车辆的充电需求确定在所述区域内的全部所述车辆的所述充电需求；
所述运行过程至少包括载客地点、载客时长、充电时间、充电地点、充电时长以及充电电量；
所述模拟模块包括：
第三确定模块，用于确定所述车辆首次运营时间和地点；
第二获取模块，用于获取所述车辆下一次的目的地，并根据所述目的地获取下一次行程的耗电量；
第一判断模块，用于判断所述车辆的当前电量是否大于第一阈值，且大于所述耗电量，若是，触发更新模块，若否，触发充电模块；
所述更新模块，用于更新所述车辆的状态信息，并在所述车辆的运行时间大于第二阈值时，输出所述车辆的充电需求；
所述充电模块，用于对所述车辆进行充电，并记录所述充电时间、所述充电电量、所述充电地点以及所述充电时长，并在所述车辆的运行时间大于所述第二阈值时，输出所述车辆的充电需求；
所述第一确定模块包括：
构建模块，用于构建出行行程衔接拓扑关系；
第四确定模块，用于根据所述出行行程衔接拓扑关系采用Hopcroft-Krap算法确定所述最小车队规模。
6.根据权利要求5所述的车辆区域充电需求的分析装置，其特征在于，所述乘客历史出行OD数据至少包括所述乘客的出行时间、起讫点和行程距离。
7.根据权利要求5所述的车辆区域充电需求的分析装置，其特征在于，还包括：
第五确定模块，用于在所述车辆的所述运行时间不大于所述第二阈值时，根据所述载客地点确定所述车辆的载客次数；
第二判断模块，用于判断所述载客次数是否小于第三阈值，若所述载客次数小于所述第三阈值，则触发所述第二获取模块，若所述载客次数不小于所述第三阈值，则触发所述充电模块。
8.根据权利要求5所述的车辆区域充电需求的分析装置，其特征在于，所述蒙特卡洛的模拟次数与所述车辆的数量相等。
9.一种车辆区域充电需求的分析装置，其特征在于，包括存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述的车辆区域充电需求的分析方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的车辆区域充电需求的分析方法的步骤。
CN202210410390.4A 2022-04-19 2022-04-19 一种车辆区域充电需求的分析方法、装置及介质 Active CN114662984B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210410390.4A CN114662984B (zh) 2022-04-19 2022-04-19 一种车辆区域充电需求的分析方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210410390.4A CN114662984B (zh) 2022-04-19 2022-04-19 一种车辆区域充电需求的分析方法、装置及介质

Publications (2)

Publication Number Publication Date
CN114662984A CN114662984A (zh) 2022-06-24
CN114662984B true CN114662984B (zh) 2023-04-18

Family

ID=82036036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210410390.4A Active CN114662984B (zh) 2022-04-19 2022-04-19 一种车辆区域充电需求的分析方法、装置及介质

Country Status (1)

Country Link
CN (1) CN114662984B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115544704B (zh) * 2022-11-28 2023-03-24 小米汽车科技有限公司 充电桩拓扑确定方法、装置及存储介质
CN116777517B (zh) * 2023-07-27 2024-06-04 苏州德博新能源有限公司 一种电池箱位置确定方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163445A (zh) * 2019-05-28 2019-08-23 广东工业大学 一种电动汽车充电站选址方法、系统及相关装置
CN114021795A (zh) * 2021-10-27 2022-02-08 北京交通大学 一种考虑电动汽车充电需求的充电站规划方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160428B (zh) * 2015-08-19 2018-04-06 天津大学 高速公路电动汽车快速充电站的规划方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163445A (zh) * 2019-05-28 2019-08-23 广东工业大学 一种电动汽车充电站选址方法、系统及相关装置
CN114021795A (zh) * 2021-10-27 2022-02-08 北京交通大学 一种考虑电动汽车充电需求的充电站规划方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Ning Wang等.City Readiness System Assessment of Electric Vehicle Charging Infrastructure.《17th International Conference on Intelligent Transportation Systems (ITSC)》.2014,第2805-2810页. *
方尚尚等.基于蒙特卡洛算法的电动汽车充电需求负荷研究.《系统仿真技术》.2020,第16 卷(第3 期),第150-155、161页. *
李顺昕等.基于OD矩阵的电动出租车充电负荷时空特性预测分析.《电网与清洁能源》.2019,第35卷(第9期),第88-96页. *

Also Published As

Publication number Publication date
CN114662984A (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
CN114662984B (zh) 一种车辆区域充电需求的分析方法、装置及介质
Zwick et al. Agent-based simulation of city-wide autonomous ride-pooling and the impact on traffic noise
Wang et al. Dynamic traffic assignment: A review of the methodological advances for environmentally sustainable road transportation applications
JP7163099B2 (ja) エネルギー管理装置、モデル管理方法及びコンピュータプログラム
Ortigosa et al. Study on the number and location of measurement points for an MFD perimeter control scheme: a case study of Zurich
US9459111B2 (en) Methods and apparatus for estimating power usage
CN103218672B (zh) 一种基于gps数据网格统计的出租车巡航行为分析方法
US8706459B2 (en) Traffic sensor management
CN104123833A (zh) 一种道路状况的规划方法和装置
CN113570867B (zh) 一种城市交通状态预测方法、装置、设备及可读存储介质
CN109840640B (zh) 一种电动汽车充电桩的选址方法和系统
CN114048920A (zh) 充电设施建设的选址布局方法、装置、设备及存储介质
CN113554263A (zh) 基于交通仿真的高速公路施工组织方案交通影响评估方法
Shatanawi et al. Implications of static and dynamic road pricing strategies in the era of autonomous and shared autonomous vehicles using simulation-based dynamic traffic assignment: The case of Budapest
CN109544967A (zh) 一种基于低频avl数据的公交线网运行状态监控方法
William et al. Edge based Web Computing for Traffic Control Management for Distributed Environment Conditions
CN107977914B (zh) 一种城市交通管理与控制策略可视量化测试方法
CN109359784A (zh) 计及运营商的电动汽车负荷时间预测方法和系统
CN109255953B (zh) 基于区域的活动车辆分布展示方法及系统
CN115018374A (zh) 一种城市公交韧性评价方法、装置及计算机设备
CN115394086A (zh) 交通参数的预测方法、装置、存储介质及电子装置
CN111489552B (zh) 一种车头时距预测方法、装置、设备及存储介质
Henderson A planning model for optimizing locations of changeable message signs
CN114139984A (zh) 基于流量与事故协同感知的城市交通事故风险预测方法
CN115222936A (zh) 过期兴趣点的确定方法、装置、电子设备及存储介质

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