CN114819361A - 一种低碳出行背景下的城市电动汽车需求预测方法 - Google Patents

一种低碳出行背景下的城市电动汽车需求预测方法 Download PDF

Info

Publication number
CN114819361A
CN114819361A CN202210475756.6A CN202210475756A CN114819361A CN 114819361 A CN114819361 A CN 114819361A CN 202210475756 A CN202210475756 A CN 202210475756A CN 114819361 A CN114819361 A CN 114819361A
Authority
CN
China
Prior art keywords
travel
automobile
path
formula
network
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
Application number
CN202210475756.6A
Other languages
English (en)
Inventor
马捷
王牵莲
陈景旭
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202210475756.6A priority Critical patent/CN114819361A/zh
Publication of CN114819361A publication Critical patent/CN114819361A/zh
Pending legal-status Critical Current

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
    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种低碳出行背景下的城市电动汽车需求预测方法。该方法首先结合城市交通网络的规模效应，为燃油汽车和电动汽车分别建立了符合车辆运行特性的运行成本函数。再依据出行者对于出行时间主观感知的随机性，构建基于随机用户均衡原则的交通分配问题；获得城市交通网络中的路径流量和出行时间，以及燃油汽车和电动汽车的运行成本。最后，本发明结合Logit行为选择模型进行交通出行方式划分，实现对城市电动汽车出行需求的有效预测。本发明可以更加准确地预测城市交通网络中电动汽车的出行需求，估算与城市交通相关的环境成本，从而采取及时有效的管理措施，为建设节能低碳的现代城市交通提供坚实的支持。

Description

一种低碳出行背景下的城市电动汽车需求预测方法
技术领域
本发明属于城市交通领域，具体涉及一种低碳出行背景下的城市电动汽车需求预测方法。
背景技术
电动汽车(electric vehicle，EV)以其低排放、无噪声、高效率的特点，被认为是重塑未来城市交通市场并美化城市环境最有前景的出行方式之一，受到了国内外交通管理者的广泛关注和大力扶持。数据显示，截至2021年底，我国电动汽车保有量达640万辆，约占全球电动汽车总量的50％，超越美国和欧洲成为全球电动汽车第一大市场。电动汽车如此迅猛的发展势头推动了现代城市交通规划、设计及管理的转变，例如充电设施的布局、现有车位的改造，甚至无线充电道路的铺设等等；而对于城市电动汽车出行需求的准确预测成为实现上述交通规划、设计及管理的首要基础。此外，分析电动汽车的需求对于汽车销售市场的管理和城市交通相关的环境成本估算有着重要意义。
一种电动汽车充电设施的规划方法(申请号CN202111418526.8)，基于区域人口规模、人均汽车持有水平、电动汽车渗透率、各类电动汽车的不同出行特征和能耗特征、充电设施配置结构体系、充电设施年利用小时数、曲折系数、充电设施服务半径等指标组成一套电动汽车充电设施的规划方法，对某一时间断面的某个场景、某个区域进行电动汽车充电设施配置的合理性、经济性评价，或预测其发展规模、提出布局配置方案，并进行方案合理性分析、敏感性分析及经济性评价。基于交通分配结果的电动汽车充电站选址方法(申请号CN202110249480.5)，将每种待选的电动汽车充电站选址方案等效为一个用户均衡模型，利用每个等效用户均衡模型的目标函数求解路径交通量，得到交通分配的结果，从而计算出电动汽车充电站选址方案的定量判断指标；并采用数据包络分析法对燃油汽车和电动汽车组成的特殊混合交通网络中的充电设施选址方案进行定量筛选。这两项现有发明的重点都在于电动汽车充电设施的选址布局规划，但都没有考虑到规划前所必需的电动汽车出行需求预测。
发明内容
为了解决上述背景技术提到的技术问题，本发明提出了一种低碳出行背景下的城市电动汽车需求预测方法。
为了实现上述技术目的，本发明的技术方案为：
一种低碳出行背景下的城市电动汽车需求预测方法，包括以下步骤：
S1、以城市交通网络的拓扑结构为基础，结合出行者对于出行时间的随机性，构建基于随机用户均衡原则的交通分配问题并求解；
S2、以燃油汽车和电动汽车的车辆运行特性为基础，制定考虑城市交通网络规模效应的运行成本函数；
S3、基于Logit行为选择模型模拟出行者对于燃油汽车和电动汽车的出行方式选择，预测城市交通网络中的电动汽车出行需求总量。
优选地，所述步骤S1具体内容如下：根据城市内部具体的道路网络连接和交通小区划分情况，构建相应的网络拓扑结构G＝(N，A)，任一节点n∈N，N表示道路节点的集合，任一路段a∈A，A表示有向路段的集合，出行需求发生于起点，结束于讫点，存在出行需求的起讫点形成网络中的OD对，任一OD对w∈W，W表示OD对的集合，OD对间的出行需求为qw；OD对w间的路径集合为Pw，任一路径p∈Pw；
在该网络拓扑结构的基础上，建立基于随机用户均衡原则的交通分配问题，生成公式并求解获得城市交通网络中的路径流量和出行时间，公式表示如下：
Figure BDA0003625458750000021
Figure BDA0003625458750000022
式中，
Figure BDA0003625458750000023
表示OD对间路径p的流量；
Figure BDA0003625458750000024
表示OD对间路径p的路径出行时间函数；θ表示网络中出行者对于出行时间的感知离散参数；ω表示积分变量。
优选地，所述S2具体内容如下：获取燃油汽车的燃油消耗量与电动汽车的电力消耗量，计算公式如下：
εg＝(0.00001v2-0.00182v+0.13408)×d
εe＝(0.0096v3+84.775v+1000)×t
式中，εg表示燃油汽车的平均燃油消耗量，εe表示电动汽车的平均电力消耗量；d表示出行距离，t表示出行时间；v表示车辆的平均运行速度，
Figure BDA0003625458750000031
基于城市交通网络建立汽车运行成本函数，公式表达如下：
Figure BDA0003625458750000032
Figure BDA0003625458750000033
式中，cg和ce分别表示燃油汽车和电动汽车的出行成本；rf表示汽油价格，re表示电力价格；
通过浮动车法计算出行距离，即调查者在时间t0内，以自由流速度v0行驶通过测量路段，此时上式转变为：
Figure BDA0003625458750000034
Figure BDA0003625458750000035
根据任一路段内的运行成本函数，推算出整个城市交通网路中燃油汽车和电动汽车的路径运行成本，公式表达如下：
Figure BDA0003625458750000036
Figure BDA0003625458750000037
式中，
Figure BDA0003625458750000038
和
Figure BDA0003625458750000039
分别表示在OD对间路径p上燃油汽车和电动汽车的运行成本；
Figure BDA00036254587500000310
表示OD对间路径p的自由流时间，其计算公式为：
Figure BDA0003625458750000041
式中，ta，0表示路段a的自由流时间；
Figure BDA0003625458750000042
表示路段-路径关联系数，若路径p经过路段a，则
Figure BDA0003625458750000043
否则
Figure BDA0003625458750000044
优选地，所述步骤S3具体内容如下：基于Logit行为选择模型，结合S2制定的燃油汽车和电动汽车的运行成本函数，计算两类出行方式的出行效用，公式表达如下：
Figure BDA0003625458750000045
式中，
Figure BDA0003625458750000046
和
Figure BDA0003625458750000047
分别表示在OD对间路径p上选择燃油汽车和电动汽车的出行效用；θV表示出行方式选择参数，
Figure BDA0003625458750000048
和
Figure BDA0003625458750000049
分别表示在OD对间路径p上燃油汽车和电动汽车的运行成本，
Figure BDA00036254587500000410
分别表示效用
Figure BDA00036254587500000411
中的不可观察项，
Figure BDA00036254587500000412
表示
Figure BDA00036254587500000413
均遵循独立同分布随机变量的刚贝尔型极值分布；存在出行需求的起讫点形成网络中的OD对，任一OD对w∈W，W表示OD对的集合，OD对间的出行需求为qw；OD对w间的路径集合为Pw，任一路径p∈Pw；
则OD对间路径p的燃油汽车流量
Figure BDA00036254587500000425
和电动汽车流量
Figure BDA00036254587500000415
表达式如下：
Figure BDA00036254587500000416
Figure BDA00036254587500000417
其中，
Figure BDA00036254587500000418
表示OD对间路径p的流量，exp表示以自然常数e为底的指数函数；
根据OD对间路径p的燃油汽车流量
Figure BDA00036254587500000419
和电动汽车流量
Figure BDA00036254587500000420
得出整个城市交通网络中的电动汽车需求总量
Figure BDA00036254587500000421
和燃油汽车需求总量
Figure BDA00036254587500000422
公式表达如下：
Figure BDA00036254587500000423
Figure BDA00036254587500000424
式中，w为网络中的任一OD对，p为网络中的任一路径。
采用上述技术方案带来的有益效果：
本发明建立了一种低碳出行背景下的城市电动汽车需求预测方法，用于预测低碳出行背景下的特定城市交通网络中电动汽车的需求量。本发明考虑了城市交通网络的规模效应，为燃油汽车和电动汽车分别建立了符合车辆运行特性的运行成本函数。依据出行者对于出行时间主观感知的随机性，本发明构建并求解了基于随机用户均衡原则的交通分配问题，从而获得城市交通网络中的路径流量和出行时间，以及燃油汽车和电动汽车的运行成本。最后，本发明结合Logit行为选择模型进行出行方式划分，实现对城市电动汽车出行需求的有效预测。本发明可以帮助相关企事业单位更加准确地预测燃油汽车和电动汽车组成的特殊混合交通网络中的电动汽车出行需求，估算与城市交通相关的环境成本，从而采取及时有效的管理措施，为建设符合“双碳”目标的现代城市交通提供坚实的支持。
附图说明
图1是本发明方法流程图；
图2是本发明网络拓扑结构。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
本发明提供一种低碳出行背景下的城市电动汽车需求预测方法，如图1所示，包括以下过程：
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
1)以城市交通网络的拓扑结构为基础，结合出行者对于出行成本主观感知的随机性，构建基于随机用户均衡原则的交通分配问题并求解。
查阅地图资料，获得目标城市内部具体的道路网络连接和交通小区划分情况，构建如图2所示的网络拓扑结构。该网络中有24个节点、76条路段和528个OD对。令G＝(N，A)表示该网络拓扑结构。其中，N表示道路节点的集合，任一节点n∈N；A表示有向路段的集合，任一路段a∈A。令W表示OD对的集合，任一OD对w∈W。OD对w间的出行需求为qw，路径集合为Pw，任一路径p∈Pw。该目标城市交通网络中，各OD对间的出行需求qw的取值如表1：
表1目标城市交通网络的出行需求
Figure BDA0003625458750000061
Figure BDA0003625458750000071
Figure BDA0003625458750000081
Figure BDA0003625458750000091
Figure BDA0003625458750000101
Figure BDA0003625458750000111
目标城市的路径出行时间函数
Figure BDA0003625458750000112
为：
Figure BDA0003625458750000113
式中，
Figure BDA0003625458750000114
表示OD对w间路径p的流量；ta，0表示路段a的自由流时间；
Figure BDA0003625458750000115
表示路段-路径关联系数，若路径p经过路段a，则
Figure BDA0003625458750000116
否则
Figure BDA0003625458750000117
ca表示路段a的通行能力；ρ、τ均为经验参数，建议取值为ρ＝0.15，τ＝4。
该目标城市交通网络中，各条路段的自由流时间ta，0和通行能力ca的取值如表2：
表2目标城市交通网络的路段参数取值
Figure BDA0003625458750000118
Figure BDA0003625458750000121
在该网络拓扑结构的基础上，建立基于随机用户均衡原则的交通分配问题，其数学形式如下：
Figure BDA0003625458750000122
Figure BDA0003625458750000131
式中，θ表示网络中出行者对于出行时间的感知离散参数，取值θ＝0.1。
易证，该交通分配问题的数学形式为一个严格凸的数学规划模型。应用Frank-Wolfe算法或逐次平均法等算法对该模型进行求解，获得目标城市交通网络中的路径流量和出行时间。
2)以燃油汽车和电动汽车的车辆运行特性为基础，制定考虑城市交通网络规模效应的运行成本函数。
目标城市交通网络中燃油汽车和电动汽车的路径运行成本分别为：
Figure BDA0003625458750000132
Figure BDA0003625458750000133
式中，
Figure BDA0003625458750000134
和
Figure BDA0003625458750000135
分别表示在OD对w间路径p上燃油汽车和电动汽车的运行成本。rf表示汽油价格($/L)，取值rf＝1.5；re表示电力价格($/kW·h)，取值re＝0.10932。v0表示浮动车法中的自由流速度(km/h)，取值v0＝60。
Figure BDA0003625458750000136
表示OD对w间路径p的自由流时间，其计算方式为：
Figure BDA0003625458750000137
3)基于Logit行为选择模型模拟出行者对于燃油汽车和电动汽车的出行方式选择，预测城市交通网络中的电动汽车出行需求总量。
基于Logit行为选择模型，结合燃油汽车和电动汽车的运行成本函数，计算两类出行方式的出行效用：
Figure BDA0003625458750000138
式中，
Figure BDA0003625458750000139
和
Figure BDA00036254587500001310
分别表示在OD对w间路径p上选择燃油汽车和电动汽车的出行效用；θV表示出行方式选择参数，取值θV＝0.1；
Figure BDA00036254587500001311
阳
Figure BDA00036254587500001316
分别表示效用中的不可观察项，均遵循独立同分布随机变量的极值分布。
则OD对w间路径p的燃油汽车流量
Figure BDA00036254587500001313
阳电动汽车流量
Figure BDA00036254587500001314
分别为：
Figure BDA00036254587500001315
Figure BDA0003625458750000141
整个城市交通网络中的电动汽车需求总量
Figure BDA0003625458750000142
为：
Figure BDA0003625458750000143
燃油汽车需求总量
Figure BDA0003625458750000144
为：
Figure BDA0003625458750000145
经过计算，目标城市实例网络的电动汽车需求总量为184086辆，燃油汽车需求总量为177214辆
上述实施例仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和等同替换，这些对本发明权利要求进行改进和等同替换后的技术方案，均落入本发明的保护范围。

Claims (4)

1.一种低碳出行背景下的城市电动汽车需求预测方法，其特征在于，包括以下步骤：
S1、以城市交通网络的拓扑结构为基础，结合出行者对于出行时间的随机性，构建基于随机用户均衡原则的交通分配问题并求解；
S2、以燃油汽车和电动汽车的车辆运行特性为基础，制定考虑城市交通网络规模效应的运行成本函数；
S3、基于Logit行为选择模型模拟出行者对于燃油汽车和电动汽车的出行方式选择，预测城市交通网络中的电动汽车出行需求总量。
2.根据权利要求1所述一种低碳出行背景下的城市电动汽车需求预测方法，其特征在于，所述步骤S1具体内容如下：根据城市内部具体的道路网络连接和交通小区划分情况，构建相应的网络拓扑结构G＝(N,A)，任一节点n∈N，N表示道路节点的集合，任一路段a∈A，A表示有向路段的集合，出行需求发生于起点，结束于讫点，存在出行需求的起讫点形成网络中的OD对，任一OD对w∈W，W表示OD对的集合，OD对间的出行需求为qw；OD对w间的路径集合为Pw，任一路径p∈Pw；
在该网络拓扑结构的基础上，建立基于随机用户均衡原则的交通分配问题，生成公式并求解获得城市交通网络中的路径流量和出行时间，公式表示如下：
Figure FDA0003625458740000011
Figure FDA0003625458740000012
式中，
Figure FDA0003625458740000013
表示OD对间路径p的流量；
Figure FDA0003625458740000014
表示OD对间路径p的路径出行时间函数；θ表示网络中出行者对于出行时间的感知离散参数；ω表示积分变量。
3.根据权利要求1所述一种低碳出行背景下的城市电动汽车需求预测方法，其特征在于，所述S2具体内容如下：获取燃油汽车的燃油消耗量与电动汽车的电力消耗量，计算公式如下：
εg＝(0.00001v2-0.00182v+0.13408)×d
εe＝(0.0096v3+84.775v+1000×t
式中，εg表示燃油汽车的平均燃油消耗量，εe表示电动汽车的平均电力消耗量；d表示出行距离，t表示出行时间；v表示车辆的平均运行速度，
Figure FDA0003625458740000021
基于城市交通网络建立汽车运行成本函数，公式表达如下：
Figure FDA0003625458740000022
Figure FDA0003625458740000023
式中，cg和ce分别表示燃油汽车和电动汽车的出行成本；rf表示汽油价格，re表示电力价格；
通过浮动车法计算出行距离，即调查者在时间t0内，以自由流速度v0行驶通过测量路段，此时上式转变为：
Figure FDA0003625458740000024
Figure FDA0003625458740000025
根据任一路段内的运行成本函数，推算出整个城市交通网路中燃油汽车和电动汽车的路径运行成本，公式表达如下：
Figure FDA0003625458740000026
Figure FDA0003625458740000031
式中，
Figure FDA0003625458740000032
和
Figure FDA0003625458740000033
分别表示在OD对间路径p上燃油汽车和电动汽车的运行成本；
Figure FDA0003625458740000034
表示OD对间路径p的自由流时间，其计算公式为：
Figure FDA0003625458740000035
式中，ta,0表示路段a的自由流时间；
Figure FDA0003625458740000036
表示路段-路径关联系数，若路径p经过路段a，则
Figure FDA0003625458740000037
否则
Figure FDA0003625458740000038
4.根据权利要求1所述一种低碳出行背景下的城市电动汽车需求预测方法，其特征在于，所述步骤S3具体内容如下：基于Logit行为选择模型，结合S2制定的燃油汽车和电动汽车的运行成本函数，计算两类出行方式的出行效用，公式表达如下：
Figure FDA0003625458740000039
式中，
Figure FDA00036254587400000310
和
Figure FDA00036254587400000311
分别表示在OD对间路径p上选择燃油汽车和电动汽车的出行效用；θV表示出行方式选择参数，
Figure FDA00036254587400000312
和
Figure FDA00036254587400000313
分别表示在OD对间路径p上燃油汽车和电动汽车的运行成本，
Figure FDA00036254587400000314
分别表示效用
Figure FDA00036254587400000315
中的不可观察项，
Figure FDA00036254587400000316
表示
Figure FDA00036254587400000317
均遵循独立同分布随机变量的刚贝尔型极值分布；存在出行需求的起讫点形成网络中的OD对，任一OD对w∈W，W表示OD对的集合，OD对间的出行需求为qw；OD对w间的路径集合为Pw，任一路径p∈Pw；
则OD对间路径p的燃油汽车流量
Figure FDA00036254587400000318
和电动汽车流量
Figure FDA00036254587400000319
表达式如下：
Figure FDA00036254587400000320
Figure FDA00036254587400000321
其中，
Figure FDA0003625458740000041
表示OD对间路径p的流量，exp表示以自然常数e为底的指数函数；
根据OD对间路径p的燃油汽车流量
Figure FDA0003625458740000042
和电动汽车流量
Figure FDA0003625458740000043
得出整个城市交通网络中的电动汽车需求总量
Figure FDA0003625458740000044
和燃油汽车需求总量
Figure FDA0003625458740000045
公式表达如下：
Figure FDA0003625458740000046
Figure FDA0003625458740000047
式中，w为网络中的任一OD对，p为网络中的任一路径。
CN202210475756.6A 2022-04-29 2022-04-29 一种低碳出行背景下的城市电动汽车需求预测方法 Pending CN114819361A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210475756.6A CN114819361A (zh) 2022-04-29 2022-04-29 一种低碳出行背景下的城市电动汽车需求预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210475756.6A CN114819361A (zh) 2022-04-29 2022-04-29 一种低碳出行背景下的城市电动汽车需求预测方法

Publications (1)

Publication Number Publication Date
CN114819361A true CN114819361A (zh) 2022-07-29

Family

ID=82510981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210475756.6A Pending CN114819361A (zh) 2022-04-29 2022-04-29 一种低碳出行背景下的城市电动汽车需求预测方法

Country Status (1)

Country Link
CN (1) CN114819361A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116721545A (zh) * 2023-06-28 2023-09-08 东南大学 一种基于交通碳减排的网联车时变路径控制方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116721545A (zh) * 2023-06-28 2023-09-08 东南大学 一种基于交通碳减排的网联车时变路径控制方法
CN116721545B (zh) * 2023-06-28 2024-05-28 东南大学 一种基于交通碳减排的网联车时变路径控制方法

Similar Documents

Publication Publication Date Title
CN109034465B (zh) 考虑充电站选址与出行路径耦合的充电站两层规划方法
CN108510128B (zh) 一种区域电动汽车充电负荷时空分布预测方法
Yi et al. Optimization models for placement of an energy-aware electric vehicle charging infrastructure
CN114297809A (zh) 一种电动汽车充电站选址定容方法
CN108681795B (zh) 城市交通路网和用户出行链约束下的电动汽车充电负荷时空预测方法
Liu et al. A planning strategy considering multiple factors for electric vehicle charging stations along German motorways
CN107180274B (zh) 一种电动汽车充电设施规划典型场景选取和优化方法
CN110968837B (zh) 电动汽车充电站选址定容的方法
CN108681796B (zh) 基于POI数据与Dijkstra算法的城市对外公路客运枢纽选址方法
CN111523714B (zh) 一种电力充电站选址布局方法及装置
CN107506844A (zh) 一种电动汽车充电站新型优化布局方法
CN108460527A (zh) 一种电动汽车公共充电设施的规划方法
Johnson et al. Utilizing real-time information transferring potentials to vehicles to improve the fast-charging process in electric vehicles
Wang et al. Network-level energy consumption estimation for electric vehicles considering vehicle and user heterogeneity
CN114925483A (zh) 城市交通网络的碳排放测定方法
Majhi et al. Assessment of dynamic wireless charging based electric road system: A case study of Auckland motorway
CN115660501A (zh) 电动汽车充电负荷可调裕度评估方法
CN114819361A (zh) 一种低碳出行背景下的城市电动汽车需求预测方法
CN111582581A (zh) 考虑随机交通流量偏移的电动汽车换电站鲁棒选址方法
Zhang et al. Location model of electric vehicle charging stations
Shirmohammadli et al. Developing a location model for fast charging infrastructure in urban areas
CN115330043A (zh) 一种城市充电站的选址规划方法及系统
Mei et al. Does the one-size-fits-all setting meet the demand? Assessment of setting EV–charging-capable parking spaces in public parking lots based on agent simulation
CN114840984A (zh) 一种考虑出行路径决策的电动汽车充电负荷时空预测方法
Zhou et al. Population mobility network and spatial accessibility based on peer-to-peer interactive energy management

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