CN114819305B - 一种基于碳排放度量尺度下的路径规划方法 - Google Patents

一种基于碳排放度量尺度下的路径规划方法 Download PDF

Info

Publication number
CN114819305B
CN114819305B CN202210383080.8A CN202210383080A CN114819305B CN 114819305 B CN114819305 B CN 114819305B CN 202210383080 A CN202210383080 A CN 202210383080A CN 114819305 B CN114819305 B CN 114819305B
Authority
CN
China
Prior art keywords
vehicle
average
information
link
carbon dioxide
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
CN202210383080.8A
Other languages
English (en)
Other versions
CN114819305A (zh
Inventor
于潜
刘志成
王坤林
姜玉杰
薛继雷
姜广伦
刘庆斌
高杰
宋晓峰
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.)
Shandong Hi Speed Yunnan Development Co ltd
Original Assignee
Shandong Hi Speed Yunnan Development 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 Shandong Hi Speed Yunnan Development Co ltd filed Critical Shandong Hi Speed Yunnan Development Co ltd
Priority to CN202210383080.8A priority Critical patent/CN114819305B/zh
Publication of CN114819305A publication Critical patent/CN114819305A/zh
Application granted granted Critical
Publication of CN114819305B publication Critical patent/CN114819305B/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems

Abstract

本发明公开一种基于碳排放度量尺度下的路径规划方法，属于道路交通路径规划技术领域。本发明首先采集道路、车辆、能耗、环境、载重等多维度信息构建数据集；接着根据IPCC标准，结合能耗信息计算出二氧化碳排放量；其次，使用主成分分析法计算每个特征的贡献率，进而筛选出主要特征；然后根据主要特征的数量不同，使用线性回归对其进行多个模型训练，之后将多个模型进行bagging集成学习方法融合；最后结合地图开放API生成若干条行驶路径，分别计算不同行驶路径的二氧化碳排放量，选择碳排放量最少的行驶路径推荐给用户。本发明侧重于实现车辆在路径规划中碳排放量的最小化，最终辅助推动我国实现“碳达峰”、“碳中和”的目标。

Description

一种基于碳排放度量尺度下的路径规划方法
技术领域
本发明属于道路交通路径规划技术领域，尤其涉及一种基于碳排放度量尺度下的路径规划方法。
背景技术
为降低生态环境系统对气候变化的影响，全球正在努力实现“碳达峰”和“碳中和”，而全国碳排放权交易市场是实现“碳达峰”和“碳中和”目标的核心政策工具之一。面对全国统一碳市场的大趋势，发电、钢铁、石化、化工、建材、有色、造纸、民航等能耗和排放较为集中的行业，未来将面临“碳约束”带来的新挑战。
交通行业作为一个重要的碳排放领域，如何有效控制交通行业领域的碳排放工作，至关重要。目前在交通行业领域，关于碳排放的相关技术方案大多数均为汽车碳排放量的检测方法，如现有技术公开了申请号为201410036312.8的一种汽车碳排量提取方法、装置及系统，该发明通过汽车碳排量提取装置从第二代车载自诊断系统OBDII采集汽车燃料消耗量，然后根据燃料消耗量计算二氧化碳排放量，再根据二氧化碳排放量计算得到碳排放量，不需要采用专用仪器检测二氧化碳排放量，能实时方便采集汽车碳排放量。现有的专利，对于影响交通排放的影响因素列举不够全面，且主要都为汽车的碳排放检测方法，未对其他能源汽车进行考虑，单纯从技术的解决目的来看，我们应将技术重点放在通过基于碳排放量尺度下的路径规划方法，最小化汽车的碳排放量，最终辅助推动我国实现“碳达峰”、“碳中和”的目标。
发明内容
本发明要解决的技术问题是：本发明针对现有技术的局限和不足，提供一种基于碳排放度量尺度下的路径规划方法，以解决车辆在道路行驶中最小化汽车的碳排放量，最终辅助推动我国实现“碳达峰”、“碳中和”的目标。
本发明的技术方案是：一种基于碳排放度量尺度下的路径规划方法，包括如下步骤：
Step1：数据采集环节：在若干城市或若干区域内，收集所行驶的海量通行车辆所通行的道路信息、车辆信息、能耗信息、环境信息、载重信息，并保存至数据库；
Step2：模型构建环节：
Step 2.1：数据预处理环节：对Step1所采集的信息中需要进行处理的数据进行数据预处理；
Step 2.2：二氧化碳排放量计算环节：计算二氧化碳排放量；
Step 2.3：特征选择环节：构建数据集，选择其中主要特征作为样本数据集；
Step 2.4：模型训练环节：根据经特征选择后的样本数据集，结合二氧化碳排放量计算环节所计算的二氧化碳排放量，构建最优的二氧化碳排放量预测模型；
Step3：路径规划：根据用户的出行信息，生成若干条行驶路径，根据构建的二氧化碳排放量预测模型将若干条行驶路径按照二氧化碳排放量进行从小至大排序，选择碳排放量最少的行驶路径推荐给用户。
具体地，Step1的具体实施步骤如下：
Step1.1：道路信息采集环节；采用自动化或人工方式定期采集，所采集的参数包括：路段名称、路段长度、路面PQI系数、每个坡道的坡度系数及坡长、红绿灯个数、路段车道数；以具体车辆行驶路线为依据，累计计算其所行驶路段的路段名称集合、路段总长度、路面平均PQI系数、所有坡道的坡度系数及坡长集合、红绿灯总个数、路段平均车道数；
Step1.2：车辆信息采集环节；由智能传感系统和车载自诊断系统ODB接口经物联网系统进行自动采集，所采集的参数包括：车牌、车型、燃油汽车或天然气汽车的平均排量、电动汽车的平均输出功率、净重、平均车速；以具体车辆行驶路线为依据，累计计算其所行驶路段的以上部分参数信息；
Step1.3：能耗信息采集环节；由车载自诊断系统ODB接口经物联网系统进行自动采集，所采集的参数包括：燃油汽车的平均油耗、电动汽车平均电耗、天然气汽车的平均气耗；以具体车辆行驶路线为依据，累计计算其所行驶路段的以上参数信息；
Step1.4：环境信息采集环节；由车载自诊断系统ODB接口经物联网系统进行自动采集，所采集的参数包括：车内平均温度、车外平均温度、车灯使用时间；由交通管理部门公开的道路数据平台，经互联网系统进行自动采集，所采集的参数包括：交通气象平均指数、路况气象平均指数、交通拥堵平均指数；以具体车辆行驶路线为依据，累计计算其所行驶路段的以上部分参数信息；
Step1.5：载重信息采集环节；由智能传感系统、动态称重系统经物联网系统进行自动采集，所采集的参数包括：实载人数、实载重量；以具体车辆行驶路线为依据，累计计算其所行驶路段的以上参数信息。
具体地，Step2中：
Step 2.1的具体实施步骤如下：
Step2.1.1：将道路信息采集所采集的所有坡道的坡度系数及坡长集合转变为路段坡道因子，其具体计算如式(1)所示；其中，f为路段坡道因子，g为坡度系数，g的计算如公式(2)所示，上坡g为正值，下坡g为负值，l为坡长，d为该路段的坡道数量，H为坡面的铅直高度，F为水平宽度，单位统一为米；
Figure BDA0003593705740000031
Figure BDA0003593705740000032
Step2.1.2：将车辆信息采集所采集的车型信息使用one-hot方式表示；
Step2.1.3：将车辆信息采集所采集的排量信息使用one-hot方式表示；
Step2.1.4：将车辆信息采集所采集的输出功率信息使用one-hot方式表示；
Step2.1.5：使用环境信息采集所采集的车内平均温度、车外平均温度计算出车内外平均温度差；
Step2.1.6：货车直接使用载重信息采集环节中动态称重系统所采集的重量作为车辆实载重量；其他车辆一般不经过动态称重系统，故使用车辆信息采集环节所采集的净重，以及载重信息采集环节所采集的实载人数，应用“实载重量＝车辆净重+实载人数×人均重量”的方式估算出车辆实载重量；
Step 2.2的具体实施步骤如下：
如公式(3)所示，其中y为二氧化碳排放量；r为能耗信息采集环节所采集的能耗信息，其中燃油汽车对应平均油耗、电动汽车对应平均电耗、天然气汽车对应平均气耗；α为能耗信息所对应的二氧化碳排放系数缺省值，具体取值参考IPCC标准。
y＝r×α (3)
具体地，所述Step2.3的具体实施步骤如下：
Step2.3.1：构建数据集；如公式(4)所示，记X为样本数据集，n为样本数量，x(i),1≤i≤n为每个样本数据，
Figure BDA0003593705740000033
为样本数据x(i)所包含的随机变量：路段总长度、路面平均PQI系数、路段坡道因子、红绿灯总个数、路段平均车道数、车型、燃油汽车或天然气汽车的平均排量、电动汽车的平均输出功率、净重、平均车速、车内平均温度、车外平均温度、车内外平均温度差、车灯使用时间、交通气象平均指数、路况气象平均指数、交通拥堵平均指数、实载人数、车辆实载重量，p为随机变量的个数，此处p＝19，Xj,1≤j≤p为将所有样本数据的随机变量按照列为单位组成的向量；
Figure BDA0003593705740000034
Step2.3.2：标准化处理；对样本数据集中每个样本数据进行标准化处理，如公式(5)所示；其中
Figure BDA0003593705740000041
为样本数据集X每一行数据的平均值、方差，
Figure BDA0003593705740000042
表示矩阵中的元素；
Figure BDA0003593705740000043
Step2.3.3：计算样本数据集X的协方差矩阵Ω；矩阵Ω的第i行第j列元素的计算如公式(6)所示；
cij＝Cov(Xi,Xj)＝E{[Xi-E(Xi)][Xj-E(Xj)]} (6)
Step2.3.4：计算协方差矩阵Ω的p个特征值λi,1≤i≤p和特征向量A；
Step2.3.5：计算每个特征的贡献率，如公式(7)所示；
Figure BDA0003593705740000044
Step2.3.6：选择主要特征；设置主要特征的个数b，其中b≤p；将特征按照其贡献率从大到下排序，选择前b个特征作为主要特征。
具体地，如公式(8)所示，Step2.4，模型训练环节将经特征选择环节后由前b个特征组成的优化样本数据集X′，结合二氧化碳排放量计算环节所计算的二氧化碳排放量Y，使用线性回归对其进行多个模型训练，之后将多个模型进行bagging集成学习方法融合，构建二氧化碳排放量预测模型，其具体实施步骤如下：
Figure BDA0003593705740000045
Step2.4.1：定义模型如公式(9)所示，hθ(x)为模型，x为特征变量的值，θ为模型代求参数；
Figure BDA0003593705740000051
Step2.4.2：定义损失函数如公式(10)所示，n为样本数量，(x(i),y(i))表示第i个实例样本；
Figure BDA0003593705740000052
Step2.4.3：由最小二乘法求得模型代求参数θ，即对公式(10)所示损失函数求偏导并令其为零时所得到的θ，如公式(11)所示，此时模型如公式(12)所示；
Figure BDA0003593705740000053
Figure BDA0003593705740000054
Step2.4.4：为提高模型预测精准率，使用bagging集成学习方法对传统模型进行融合，在特征选择环节将选择m个不同的主要特征的个数b1,b2,…,bm，根据特征的个数不同，经过Step Step2.4.1～Step2.4.3训练m个模型，m≤b，如公式(13)所示；
Figure BDA0003593705740000055
Step2.4.5：将m个模型的预测值求平均，即为bagging集成学习方法融合后的最终模型，如公式(14)所示，
Figure BDA0003593705740000056
具体地，Step3路径规划环节的具体实施步骤如下：
Step3.1：手机获取用户输入的出发位置、到达位置、车型、燃油汽车或天然气汽车的排量、电动汽车的输出功率、净重、实载人数参数；
Step3.2：根据出发位置、到达位置结合地图开放API生成若干条行驶路径；
Step3.3：将行驶路径的道路信息参数、能耗信息参数、车辆信息参数、环境信息采集、载重信息采集输入至模型训练环节所训练的模型中，预测出二氧化碳排放量；
Step3.4：将若干条行驶路径按照二氧化碳排放量进行从小至大排序，选择碳排放量最少的行驶路径推荐给用户。
本发明的有益效果是：
第一，数据集由道路、车辆、能耗、环境、载重等多维度特征构成，训练数据更全面；第二，使用主成分分析法筛选主要特征，无需标注数据，并采用bagging集成学习方法对多模型进行融合，使其预测值更加精准；第三，将碳排放量预测模型应用于路径规划中，实现路径碳排放量的量化评价。
附图说明
图1是本发明总流程示意图；
图2是本发明特征选择环节流程示意图；
图3是本发明模型训练环节流程示意图；
图4是坡道示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面通过附图和具体实施例，对本发明作进一步详细说明。
实施例1：如图1-4所示，一种基于碳排放度量尺度下的路径规划方法，包括如下步骤：
Step1：数据采集环节：在若干城市或若干区域内，收集所行驶的海量通行车辆所通行的道路信息、车辆信息、能耗信息、环境信息、载重信息，并保存至数据库；
Step2：模型构建环节：
Step 2.1：数据预处理环节：对Step1所采集的信息中需要进行处理的数据进行数据预处理；
Step 2.2：二氧化碳排放量计算环节：计算二氧化碳排放量；
Step 2.3：特征选择环节：构建数据集，选择其中主要特征作为样本数据集；
Step 2.4：模型训练环节：根据经特征选择后的样本数据集，结合二氧化碳排放量计算环节所计算的二氧化碳排放量，构建最优的二氧化碳排放量预测模型；
Step3：路径规划环节：根据用户的出行信息，生成若干条行驶路径，根据构建的二氧化碳排放量预测模型将若干条行驶路径按照二氧化碳排放量进行从小至大排序，选择碳排放量最少的行驶路径推荐给用户。
进一步地，数据采集环节将在若干城市或若干区域内，收集所行驶的海量通行车辆所通行的道路信息、车辆信息、能耗信息、环境信息、载重信息，并保存至数据库；具体实施步骤如下：
Step1.1：道路信息采集环节；采用自动化或人工方式定期采集，所采集的参数包括：路段名称、路段长度(单位：千米)、路面PQI系数、每个坡道的坡度系数及坡长(单位：千米)、红绿灯个数(单位：个)、路段车道数(单位：个)；以具体车辆行驶路线为依据，累计计算其所行驶路段的路段名称集合、路段总长度(单位：千米)、路面平均PQI系数、所有坡道的坡度系数及坡长(单位：千米)集合、红绿灯总个数(单位：个)、路段平均车道数(单位：个)；
具体地，某路段可能包含多个坡道，需记录所有坡道的坡度系数及坡长；坡度系数的绝对值越小则坡越陡；
Step1.2：车辆信息采集环节；由智能传感系统和车载自诊断系统ODB接口经物联网系统进行自动采集，所采集的参数包括：车牌、车型、排量(燃油汽车、天然气汽车)、输出功率(电动汽车)、净重、平均车速(单位：千米/小时)；以具体车辆行驶路线为依据，累计计算其所行驶路段的以上部分参数信息；
具体地，智能传感系统可采用街道公共摄像头，也可由采集人员安装专业摄像设备；另外，对于燃油汽车和天然气汽车采用排量，对于电动汽车采用输出功率；
Step1.3：能耗信息采集环节；由车载自诊断系统ODB接口经物联网系统进行自动采集，所采集的参数包括：平均油耗(燃油汽车、单位：升/百千米)、平均电耗(电动汽车、单位：度/百千米)、平均气耗(天然气汽车、单位：方/百千米)；以具体车辆行驶路线为依据，累计计算其所行驶路段的以上参数信息；
具体地，燃油汽车采集平均油耗(单位：升/百千米)，电动汽车采集平均电耗(单位：度/百千米)，天然气汽车采集平均气耗(单位：方/百千米)；
Step1.4：环境信息采集环节；由车载自诊断系统ODB接口经物联网系统进行自动采集，所采集的参数包括：车内平均温度(单位：摄氏度)、车外平均温度(单位：摄氏度)、车灯使用时间(单位：小时)；由交通管理部门公开的道路数据平台经互联网系统进行自动采集，所采集的参数包括：交通气象平均指数(1～5级，级别越高气象对交通影响越大)、路况气象平均指数(1～5级，级别越高气象对路况影响越大)、交通拥堵平均指数(1～5级，级别越高越拥堵)；以具体车辆行驶路线为依据，累计计算其所行驶路段的以上部分参数信息；
具体地，交通气象指数是根据雨、雪、雾、沙尘、阴晴等天气现象对交通状况的影响进行分类；路况气象指数是根据天气的变化，结合当日天气现象和前12小时的天气现象对路面状况的影响而提出的一种指数；
Step1.5：载重信息采集环节；由智能传感系统、动态称重系统经物联网系统进行自动采集，所采集的参数包括：实载人数、实载重量；以具体车辆行驶路线为依据，累计计算其所行驶路段的以上参数信息。
具体地，货车一定要经动态称重系统采集实载重量；除货车外，其他车辆一般不经过动态称重系统，故不需采集实载重量；
所述模型构建环节是对数据采集环节所采集的数据进行分析和建模，所述数据预处理环节的具体实施步骤如下：
Step2.1.1：将道路信息采集环节所采集的所有坡道的坡度系数及坡长(单位：千米)集合转变为路段坡道因子，其具体计算如式(1)所示；其中，f为路段坡道因子，g为坡度系数，g的计算如公式(2)所示，上坡g为正值，下坡g为负值，l为坡长，d该路段的坡道数量，H为坡面的铅直高度，F为水平宽度，单位统一为米；
Figure BDA0003593705740000081
Figure BDA0003593705740000082
具体地，若现有三个坡道，坡度系数及坡长(单位：千米)分别为(15、0.5)、(100、1)、(-25、2)，则根据式(1)可计算出该路段的路段坡道因子为-36.67；
Step2.1.2：将车辆信息采集环节所采集的车型信息使用one-hot方式表示；
Step2.1.3：将车辆信息采集环节所采集的排量信息使用one-hot方式表示；
Step2.1.4：将车辆信息采集环节所采集的输出功率信息使用one-hot方式表示；
Step2.1.5：使用环境信息采集环节所采集的车内平均温度、车外平均温度计算出车内外平均温度差；
Step2.1.6：货车直接使用载重信息采集环节中动态称重系统所采集的实载重量作为车辆实载重量；其他车辆一般不经过动态称重系统，故使用车辆信息采集环节所采集的净重，以及载重信息采集环节所采集的实载人数，应用“车辆实载重量＝车辆净重+实载人数×人均重量”的方式估算出车辆实载重量；
具体地，假设人均重量为60kg，则车辆实载重量＝净重+实载人数×60kg；
所述二氧化碳排放量计算环节的具体实施步骤如下：
如公式(3)所示，其中y为二氧化碳排放量；r为能耗信息采集环节所采集的能耗信息，其中燃油汽车对应平均油耗、电动汽车对应平均电耗、天然气汽车对应平均气耗；α为能耗信息所对应的二氧化碳排放系数缺省值，具体取值参考IPCC标准。
y＝r×α (3)
进一步地，所述特征选择环节是由现有特征筛选出权重比较大的重要特征进行后续流程，主要使用主成分分析法，其具体实施步骤如下：
Step2.3.1：构建数据集；如公式(4)所示，记X为样本数据集(此数据集中的数据为Step1中采集的数据，如果用到需要进行预处的数据，则采用预处理后的数据)，n为样本数量，x(i),1≤i≤n为每个样本数据，
Figure BDA0003593705740000091
为样本数据x(i)所包含的随机变量(路段总长度、路面平均PQI系数、路段坡道因子、红绿灯总个数、路段平均车道数、车型、平均排量(燃油汽车、天然气汽车)、平均输出功率(电动汽车)、净重、平均车速、车内平均温度、车外平均温度、车内外平均温度差、车灯使用时间、交通气象平均指数、路况气象平均指数、交通拥堵平均指数、实载人数、车辆实载重量)，p为随机变量的个数(此处p＝19)，Xj,1≤j≤p为将所有样本数据的随机变量按照列为单位组成的向量；
Figure BDA0003593705740000092
Step2.3.2：标准化处理；对样本数据集中每个样本数据进行标准化处理，如公式(5)所示；其中
Figure BDA0003593705740000093
为样本数据集X每一行数据的平均值、方差；
Figure BDA0003593705740000094
Step2.3.3：计算样本数据集X的协方差矩阵Ω；矩阵Ω的第i行第j列元素的计算如公式(6)所示；
cij＝Cov(Xi,Xj)＝E{[Xi-E(Xi)][Xj-E(Xj)]} (6)
Step2.3.4：计算协方差矩阵Ω的p个特征值λi,1≤i≤p和特征向量A；
Step2.3.5：计算每个特征的贡献率，如公式(7)所示；
Figure BDA0003593705740000095
Step2.3.6：选择主要特征；设置主要特征的个数b，其中b≤p；将特征按照其贡献率从大到下排序，选择前b个特征作为主要特征。
进一步地，如公式(8)所示，模型训练环节将经特征选择环节后由前b个特征组成的优化样本数据集X′，结合二氧化碳排放量计算环节所计算的二氧化碳排放量Y，使用线性回归对其进行多个模型训练，之后将多个模型进行bagging集成学习方法融合，使其预测值更加精准，其具体实施步骤如下：
Figure BDA0003593705740000101
Step2.4.1：定义模型如公式(9)所示，hθ(x)为模型，x为特征变量的值，b为特征变量的个数，θ为模型代求参数；
Figure BDA0003593705740000102
Step2.4.2：定义损失函数如公式(10)所示，n为样本数量，(x(i),y(i))表示第i个实例样本；
Figure BDA0003593705740000103
Step2.4.3：由最小二乘法求得模型代求参数θ，即对公式(10)所示损失函数求偏导并令其为零时所得到的θ，如公式(11)所示，此时模型如公式(12)所示；
Figure BDA0003593705740000104
Figure BDA0003593705740000105
Step2.4.4：为提高模型预测精准率，使用bagging集成学习方法对传统模型进行融合，在特征选择环节将选择m个不同的主要特征的个数b1,b2,…,bm，根据特征的个数不同，经过Step2.4.1～Step2.4.3训练m个模型，m≤b，如公式(13)所示；
Figure BDA0003593705740000111
Step2.4.5：将m个模型的预测值求平均，即为bagging集成学习方法融合后的最终模型，如公式(14)所示。
Figure BDA0003593705740000112
具体地，可定义主要特征的个数分别为b＝13、b＝10、b＝7训练模型，共计三个模型；之后在预测时分别将参数传入各模型预测出三个输出值，求其三个输出值的平均值作为最终模型的预测输出值。
进一步地，路径规划环节为用户真正使用该系统时，为其规划出碳排放量最少的行驶路径，其具体实施步骤如下：
Step3.1：手机获取用户输入的出发位置、到达位置、车型、排量(燃油汽车、天然气汽车)、输出功率(电动汽车)、净重、实载人数等参数；
Step3.2：根据出发位置、到达位置结合地图开放API生成若干条行驶路径；
Step3.3：将行驶路径的道路信息参数、能耗信息参数、车辆信息参数、环境信息采集、载重信息采集至模型训练环节所训练的模型中，预测出二氧化碳排放量；
Step3.4：将若干条行驶路径按照二氧化碳排放量进行从小至大排序，选择碳排放量最少的行驶路径推荐给用户。
本发明侧重于实现车辆在路径规划中碳排放量的最小化，最终辅助推动我国实现碳排放的量化评价。
以上所述实施例仅表示本发明的实施方式，其描述较为具体和详细，但并不能理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变型和改进，这些都属于本发明保护范围。

Claims (4)

1.一种基于碳排放度量尺度下的路径规划方法，其特征在于：包括如下步骤：
Step1：数据采集环节：在若干城市或若干区域内，收集所行驶的海量通行车辆所通行的道路信息、车辆信息、能耗信息、环境信息、载重信息，并保存至数据库；
Step2：模型构建环节：
Step 2.1：数据预处理环节：对Step1所采集的信息中需要进行处理的数据进行数据预处理；
Step 2.2：二氧化碳排放量计算环节：计算二氧化碳排放量；
Step 2.3：特征选择环节：构建数据集，选择其中主要特征作为样本数据集；
Step 2.4：模型训练环节：根据经特征选择后的样本数据集，结合二氧化碳排放量计算环节所计算的二氧化碳排放量，构建最优的二氧化碳排放量预测模型；
Step3：路径规划环节：根据用户的出行信息，生成若干条行驶路径，根据构建的二氧化碳排放量预测模型将若干条行驶路径按照二氧化碳排放量进行从小至大排序，选择碳排放量最少的行驶路径推荐给用户；
所述Step2.3的具体实施步骤如下：
Step2.3.1：构建数据集；如公式(4)所示，记X为样本数据集，n为样本数量，x(i),1≤i≤n，为每个样本数据，
Figure FDA0003995517950000011
为样本数据x(i)所包含的随机变量：路段总长度、路面平均PQI系数、路段坡道因子、红绿灯总个数、路段平均车道数、车型、燃油汽车或天然气汽车的平均排量、电动汽车的平均输出功率、净重、平均车速、车内平均温度、车外平均温度、车内外平均温度差、车灯使用时间、交通气象平均指数、路况气象平均指数、交通拥堵平均指数、实载人数、实载重量，p为随机变量的个数，此处p＝19，Xj,1≤j≤p，为将所有样本数据的随机变量按照列为单位组成的向量；
Figure FDA0003995517950000012
Step2.3.2：标准化处理；对样本数据集中每个样本数据进行标准化处理，如公式(5)所示；其中
Figure FDA0003995517950000013
为样本数据集X每一行数据的平均值、方差，
Figure FDA0003995517950000014
表示矩阵中的元素；
Figure FDA0003995517950000021
Step2.3.3：计算样本数据集X的协方差矩阵Ω；矩阵Ω的第i行第j列元素的计算如公式(6)所示；
cij＝Cov(Xi,Xj)＝E{[Xi-E(Xi)][Xj-E(Xj)]} (6)
Step2.3.4：计算协方差矩阵Ω的p个特征值λi,1≤i≤p和特征向量A；
Step2.3.5：计算每个特征的贡献率，如公式(7)所示；
Figure FDA0003995517950000022
Step2.3.6：选择主要特征；设置主要特征的个数b，其中b≤p；将特征按照其贡献率从大到下排序，选择前b个特征作为主要特征；
Step2.4：模型训练环节将经特征选择环节后由前b个特征组成的优化样本数据集X′，结合二氧化碳排放量计算环节所计算的二氧化碳排放量Y，使用线性回归对其进行多个模型训练，之后将多个模型进行bagging集成学习方法融合，构建二氧化碳排放量预测模型，其具体实施步骤如下：
Figure FDA0003995517950000023
Step2.4.1：定义模型如公式(9)所示，hθ(x)为模型，x为特征变量的值，θ为模型代求参数；
Figure FDA0003995517950000024
Step2.4.2：定义损失函数如公式(10)所示，n为样本数量，(x(i),y(i))表示第i个实例样本；
Figure FDA0003995517950000025
Step2.4.3：由最小二乘法求得模型代求参数θ，即对公式(10)所示损失函数求偏导并令其为零时所得到的θ，如公式(11)所示，此时模型如公式(12)所示；
Figure FDA0003995517950000031
Figure FDA0003995517950000032
Step2.4.4：为提高模型预测精准率，使用bagging集成学习方法对传统模型进行融合，在特征选择环节将选择m个不同的主要特征的个数b1,b2,…,bm，根据特征的个数不同，经过Step2.4.1～Step2.4.3训练m个模型，m≤b，如公式(13)所示；
Figure FDA0003995517950000033
Step2.4.5：将m个模型的预测值求平均，即为bagging集成学习方法融合后的最终模型，如公式(14)所示，
Figure FDA0003995517950000034
2.根据权利要求1所述的一种基于碳排放度量尺度下的路径规划方法，其特征在于：Step1的具体实施步骤如下：
Step1.1：道路信息采集环节；采用自动化或人工方式定期采集，所采集的参数包括：路段名称、路段长度、路面PQI系数、每个坡道的坡度系数及坡长、红绿灯个数、路段车道数；以具体车辆行驶路线为依据，累计计算其所行驶路段的路段名称集合、路段总长度、路面平均PQI系数、所有坡道的坡度系数及坡长集合、红绿灯总个数、路段平均车道数；
Step1.2：车辆信息采集环节；由智能传感系统和车载自诊断系统ODB接口经物联网系统进行自动采集，所采集的参数包括：车牌、车型、燃油汽车或天然气汽车的平均排量、电动汽车的平均输出功率、净重、平均车速；以具体车辆行驶路线为依据，累计计算其所行驶路段的以上部分参数信息；
Step1.3：能耗信息采集环节；由车载自诊断系统ODB接口经物联网系统进行自动采集，所采集的参数包括：燃油汽车的平均油耗、电动汽车平均电耗、天然气汽车的平均气耗；以具体车辆行驶路线为依据，累计计算其所行驶路段的以上参数信息；
Step1.4：环境信息采集环节；由车载自诊断系统ODB接口经物联网系统进行自动采集，所采集的参数包括：车内平均温度、车外平均温度、车灯使用时间；由交通管理部门公开的道路数据平台，经互联网系统进行自动采集，所采集的参数包括：交通气象平均指数、路况气象平均指数、交通拥堵平均指数；以具体车辆行驶路线为依据，累计计算其所行驶路段的以上部分参数信息；
Step1.5：载重信息采集环节；由智能传感系统、动态称重系统经物联网系统进行自动采集，所采集的参数包括：实载人数、实载重量；以具体车辆行驶路线为依据，累计计算其所行驶路段的以上参数信息。
3.根据权利要求1所述的一种基于碳排放度量尺度下的路径规划方法，其特征在于：Step2中：
Step 2.1的具体实施步骤如下：
Step2.1.1：将道路信息采集所采集的所有坡道的坡度系数及坡长集合转变为路段坡道因子，坡长单位为千米，其具体计算如式(1)所示；其中，f为路段坡道因子，g为坡度系数，g的计算如公式(2)所示，上坡g为正值，下坡g为负值，l为坡长，d为该路段的坡道数量，H为坡面的铅直高度，F为水平宽度，单位统一为米；
Figure FDA0003995517950000041
Figure FDA0003995517950000042
Step2.1.2：将车辆信息采集所采集的车型信息使用one-hot方式表示；
Step2.1.3：将车辆信息采集所采集的排量信息使用one-hot方式表示；
Step2.1.4：将车辆信息采集所采集的输出功率信息使用one-hot方式表示；
Step2.1.5：使用环境信息采集所采集的车内平均温度、车外平均温度计算出车内外平均温度差；
Step2.1.6：货车直接使用载重信息采集环节中动态称重系统所采集的重量作为车辆实载重量；其他车辆一般不经过动态称重系统，故使用车辆信息采集环节所采集的净重，以及载重信息采集环节所采集的实载人数，应用“实载重量＝车辆净重+实载人数×人均重量”的方式估算出车辆实载重量；
Step 2.2的具体实施步骤如下：
如公式(3)所示，其中y为二氧化碳排放量；r为能耗信息采集环节所采集的能耗信息，其中燃油汽车对应平均油耗、电动汽车对应平均电耗、天然气汽车对应平均气耗；α为能耗信息所对应的二氧化碳排放系数缺省值，具体取值参考IPCC标准；
y＝r×α (3)。
4.根据权利要求1所述的一种基于碳排放度量尺度下的路径规划方法，其特征在于：Step3路径规划环节的具体实施步骤如下：
Step3.1：手机获取用户输入的出发位置、到达位置、车型、燃油汽车或天然气汽车的排量、电动汽车的输出功率、净重、实载人数参数；
Step3.2：根据出发位置、到达位置结合地图开放API生成若干条行驶路径；
Step3.3：将行驶路径的道路信息参数、能耗信息参数、车辆信息参数、环境信息采集、载重信息采集输入至模型训练环节所训练的模型中，预测出二氧化碳排放量；
Step3.4：将若干条行驶路径按照二氧化碳排放量进行从小至大排序，选择碳排放量最少的行驶路径推荐给用户。
CN202210383080.8A 2022-04-13 2022-04-13 一种基于碳排放度量尺度下的路径规划方法 Active CN114819305B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210383080.8A CN114819305B (zh) 2022-04-13 2022-04-13 一种基于碳排放度量尺度下的路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210383080.8A CN114819305B (zh) 2022-04-13 2022-04-13 一种基于碳排放度量尺度下的路径规划方法

Publications (2)

Publication Number Publication Date
CN114819305A CN114819305A (zh) 2022-07-29
CN114819305B true CN114819305B (zh) 2023-03-14

Family

ID=82534854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210383080.8A Active CN114819305B (zh) 2022-04-13 2022-04-13 一种基于碳排放度量尺度下的路径规划方法

Country Status (1)

Country Link
CN (1) CN114819305B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116229607B (zh) * 2023-05-09 2023-08-01 深圳市城市交通规划设计研究中心股份有限公司 一种机动车行驶碳排放的预测方法、电子设备及存储介质
CN116757559B (zh) * 2023-08-21 2023-10-27 中国标准化研究院 一种适用于公共机构绿色出行的减排效率评估系统
CN117010577B (zh) * 2023-10-07 2023-12-22 北京建工环境修复股份有限公司 基于时空分布的多维度碳排放监测方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009031046A (ja) * 2007-07-25 2009-02-12 Hitachi Ltd 自動車の燃料消費量推定システム、経路探索システム、及び運転指導システム
CN101846522A (zh) * 2010-06-21 2010-09-29 江苏新科软件有限公司 能计算碳排量的汽车导航装置
CN102509470A (zh) * 2011-10-14 2012-06-20 北京掌城科技有限公司 基于动态路径规划实现车辆节能减排的系统和方法
CN105447776A (zh) * 2015-10-21 2016-03-30 上海市建筑科学研究院(集团)有限公司 一种绿色建筑碳排放评价方法
KR20160072861A (ko) * 2014-12-15 2016-06-24 주식회사 미래엔에스 지역계획모델에 대한 탄소 배출량 표출 시스템
CN107730425A (zh) * 2017-09-11 2018-02-23 深圳市易成自动驾驶技术有限公司 碳排放量计算方法、装置及存储介质
CN107832910A (zh) * 2017-09-30 2018-03-23 东南大学 一种评价道路交通特征对一氧化碳排放浓度影响的方法
CN113205225A (zh) * 2021-05-27 2021-08-03 中国科学院地理科学与资源研究所 一种碳排放达峰的关键因子识别方法、系统及数据平台
CN113240185A (zh) * 2021-05-25 2021-08-10 天津大学 一种基于随机森林的县域碳排放的预测方法
CN113642768A (zh) * 2021-07-12 2021-11-12 南京航空航天大学 一种基于工况重构的车辆行驶能耗预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4462316B2 (ja) * 2007-09-26 2010-05-12 株式会社デンソー 経路探索装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009031046A (ja) * 2007-07-25 2009-02-12 Hitachi Ltd 自動車の燃料消費量推定システム、経路探索システム、及び運転指導システム
CN101846522A (zh) * 2010-06-21 2010-09-29 江苏新科软件有限公司 能计算碳排量的汽车导航装置
CN102509470A (zh) * 2011-10-14 2012-06-20 北京掌城科技有限公司 基于动态路径规划实现车辆节能减排的系统和方法
KR20160072861A (ko) * 2014-12-15 2016-06-24 주식회사 미래엔에스 지역계획모델에 대한 탄소 배출량 표출 시스템
CN105447776A (zh) * 2015-10-21 2016-03-30 上海市建筑科学研究院(集团)有限公司 一种绿色建筑碳排放评价方法
CN107730425A (zh) * 2017-09-11 2018-02-23 深圳市易成自动驾驶技术有限公司 碳排放量计算方法、装置及存储介质
CN107832910A (zh) * 2017-09-30 2018-03-23 东南大学 一种评价道路交通特征对一氧化碳排放浓度影响的方法
CN113240185A (zh) * 2021-05-25 2021-08-10 天津大学 一种基于随机森林的县域碳排放的预测方法
CN113205225A (zh) * 2021-05-27 2021-08-03 中国科学院地理科学与资源研究所 一种碳排放达峰的关键因子识别方法、系统及数据平台
CN113642768A (zh) * 2021-07-12 2021-11-12 南京航空航天大学 一种基于工况重构的车辆行驶能耗预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A dual-objective metaheuristic approach to solve practical pollution routing problem;Yoshinori Suzuki;《International Journal of Production Economics》;20160630;第176卷;143-153 *
中国碳强度关键影响因子的机器学习识别及其演进;刘卫东 等;《地理学报》;20191218;第74卷(第12期);2592-2603 *
城市交通系统碳排放评估体系与评价方法研究;郭胜;《中国优秀硕士学位论文全文数据库工程科技II辑》;20150715(第07期);C034-192 *
基于低碳排放的车辆路径优化问题研究;李珍萍 等;《数学的实践与认识》;20170608;第47卷(第11期);44-49 *

Also Published As

Publication number Publication date
CN114819305A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN114819305B (zh) 一种基于碳排放度量尺度下的路径规划方法
CN105185115B (zh) 一种交通预测方法和预测系统
CN107330217B (zh) 一种基于rbfnn的中观油耗预测方法
KR101668753B1 (ko) 대기 오염 관리 시스템
CN108256714A (zh) 一种基于车联网大数据的行车轨迹实时风险评估模型
CN111696369B (zh) 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法
CN109376935A (zh) 一种基于神经网络的公交客流分时段组合预测方法
CN110239577A (zh) 一种车内污染环境下列车乘员健康防护系统及其方法
CN107886188B (zh) 液化天然气公交尾气排放预测方法
CN114783183A (zh) 一种基于交通态势算法的监控方法与系统
Moazami et al. The use of analytical hierarchy process in priority rating of pavement maintenance
CN115907076A (zh) 一种山地城市充电负荷概率预测系统及方法
CN114435138A (zh) 一种车辆能耗预测方法、装置、车辆及存储介质
CN111582580A (zh) 一种考虑人群污染物暴露的出行路径规划方法
Paľo et al. The comparison of automatic traffic counting and manual traffic counting
CN108510130B (zh) 一种智能无人驾驶车辆极限里程智能多源评估方法及装置
Shafabakhsh et al. Investigation and sensitivity analysis of air pollution caused by road transportation at signalized intersections using IVE model in Iran
CN115995149A (zh) 一种基于多源数据的停车供需特征动态评估方法及系统
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
Stadlober et al. Forecasting of daily PM10 concentrations in Brno and Graz by different regression approaches
CN117218836B (zh) 一种基于智慧城市的城市规划项目综合管理信息平台
CN116415756B (zh) 一种基于vr技术的城市虚拟场景体验管理系统
CN111806443A (zh) 一种纯电动重卡无人驾驶能耗优化方法
CN115497306A (zh) 一种基于gis数据的速度区间权重计算方法
CN114239929A (zh) 一种基于随机森林的出租车交通需求特征预测方法

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