CN114820259A - 一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法 - Google Patents

一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法 Download PDF

Info

Publication number
CN114820259A
CN114820259A CN202210313297.1A CN202210313297A CN114820259A CN 114820259 A CN114820259 A CN 114820259A CN 202210313297 A CN202210313297 A CN 202210313297A CN 114820259 A CN114820259 A CN 114820259A
Authority
CN
China
Prior art keywords
vehicle
time
current
carbon dioxide
output
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
CN202210313297.1A
Other languages
English (en)
Inventor
贾涛
章鹏程
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202210313297.1A priority Critical patent/CN114820259A/zh
Publication of CN114820259A publication Critical patent/CN114820259A/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
    • 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
    • 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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本发明提供了一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法，通过分析驾驶行为和二氧化碳排放的关系，构建了一个端到端的时空深度学习模型DL‑VEM。该模型结合当前和历史驾驶行为数据以及环境空间数据，计算车辆当前每秒的二氧化碳排放值。具体地，该模型分为Historical part,Current part和External part三部分。其中Historical part利用LSTM网络提取车辆历史驾驶模式。Current part采用多层次全连通网络提取当前驾驶模式和空间特征。External part使用全连接网络提取外部特征。最后将这三部分的输出进行合并，为每个输出赋予不同的权重，然后将结果作为输入到全连接网络层，得到当前估计的CO2排放值。

Description

一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实 时计算方法
技术领域
本发明涉及深度学习和智能交通技术领域，尤其涉及一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法。
背景技术
在交通研究中，估算车辆CO2排放一直是一个长期存在的话题，它与智能交通系统(ITS)的环境影响高度相关，有助于量化车辆交通对空气质量的影响，促进生态驾驶或生态路线的实践以减少排放，从而促进城市交通的可持续发展。
微观排放模型的主要任务是利用道路上测量的车辆行驶状态数据，计算车辆尾气每秒排放的二氧化碳量。它不同于宏观模型。具体而言，宏观模型需要输入车队组成、各路段平均车速、车辆总行驶距离等数据，得出全市排放清单。而微观模型则是利用车辆当前速度、加速度或发动机性能指标的输入数据，逐秒估算单个车辆的排放量。这些模型通常是在实验室中根据物理过程和不同行驶工况开发的，如综合模态排放模型(CMEM)和国际车辆排放模型(IVE)。它们可以提供高精度的估计，但它们相当复杂，需要过多的校准参数作为输入。这可能会限制它们在许多智能交通系统中的部署，并限制它们在特定地区的应用。
发明内容
针对现有技术中无法实现易于部署的同时保证预测精度的问题，本发明提供了一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法。
本发明的技术方案为：
提供一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法，包括：
S1：收集车辆GPS轨迹数据，从收集的车辆GPS轨迹数据划分出训练数据；
S2：构建一个端到端的时空深度学习模型，时空深度学习模型包括历史模块、当前模块、外部模块、融合模块和全连接网络层，其中，历史模块用于利用LSTM网络从历史驾驶条件数据中提取车辆历史驾驶模式，当前模块用于采用多层次全连通网络从当前驾驶条件数据中提取当前驾驶模式和空间特征，外部模块用于使用全连接网络提取外部特征，融合模块用于将历史模块、当前模块和外部模块的输出进行融合，全连接网络层用于根据融合模块的结果估计出当前的CO2排放值；
S3：从训练数据中导出车辆驾驶条件变量及其相关变量，作为输入数据输入构建的时空深度学习模型中，以最小化观测到的车辆每秒二氧化碳排放量与估计出的车辆每秒二氧化碳排放量为目标，对模型进行训练，得到训练好的时空深度学习模型；
S4：利用训练好的时空深度学习模型进行道路车辆尾气二氧化碳排放的实时计算。
在一种实施方式中，步骤S2中的历史驾驶条件数据和当前驾驶条件数据构成集合{DCt-m,……,DCt}，DCt-m为t-m时刻的驾驶条件数据，属于历史驾驶条件数据，DCt为t时刻的驾驶条件数据，为当前驾驶条件数据。
在一种实施方式中，历史驾驶条件数据和当前驾驶条件数据中包含车辆行驶状况，用以反映车辆在道路上行驶的情况，车辆行驶状况包含车辆动力学变量、空间环境变量以及外部变量。
在一种实施方式中，所述方法还包括：采用DTW算法对历史驾驶条件数据和当前驾驶条件数据进行对齐。
在一种实施方式中，采用DTW算法对历史驾驶条件数据和当前驾驶条件数据进行对齐，包括：
计算车辆每秒比功率VSP值，计算公式为：
Figure BDA0003567945200000021
其中，vt为t时刻的车速，at为t时刻的车辆加减速，s表示车辆从t-1时刻到t时刻所经过路段的坡度，VSP值用于表征车辆在行驶过程中对发动机的功率需求，与CO2排放量相关；
构造n×n矩阵D，矩阵中的元素D(i,j)表示VSP序列第ith位元素与CO2排放序列第jth位元素之间的累计距离；
计算任意两个元素VSP(i)与CO2(j)之间的绝对距离d(i,j)，其中，d(i,j)＝(VSP(i)-CO2(j))2；
根据D(i,j)＝min{D(i-1,j-1),D(i-1,j),D(i,j-1)}+d(i,j)更新矩阵D的所有元素值；
从元素D(n,n)回溯到元素D(1,1)，寻找累积距离最小的路径，路径上的元素对应VSP与CO2排放的对齐。
在一种实施方式中，历史模块包括多层LSTM网络，给定一个输入序列{Xt-m,Xt-m+1,……,Xt-1},利用公式2推导出输出
Figure BDA0003567945200000031
公式具体为：
Figure BDA0003567945200000032
其中，Ψ(·)表示内部操作单元，n为LSTM层的总数，k为一个索引的层数，范围从1到n,
Figure BDA0003567945200000033
表示细胞初始状态，
Figure BDA0003567945200000034
表示细胞初始输出，
Figure BDA0003567945200000035
Figure BDA0003567945200000036
分别表示第n层LSTM网络在t-m时刻的输出、t-m+1时刻、t-1时刻的输出；
Figure BDA0003567945200000037
表示第k层LSTM网络在t-m时刻的输出，
Figure BDA0003567945200000038
表示第k层LSTM网络在t-m时刻的细胞状态，
Figure BDA0003567945200000039
分别表示第k-1层LSTM网络在t-m时刻的输出、第k层LSTM网络在t-m-1时刻的细胞状态、第k层LSTM网络在t-m-1时刻的输出，
Figure BDA00035679452000000310
分别表示第k层LSTM网络在t-1时刻的输出、第k层LSTM网络在t-1时刻的细胞状态；
Figure BDA00035679452000000311
分别表示第k-1层LSTM网络在t-1时刻的输出、第k层LSTM网络在t-2时刻的细胞状态，第k层LSTM网络在t-2时刻的输出，Xt-m由t-m时刻驾驶工况的变量及其衍生变量组成，它是一个14维向量，形式如下：
Figure BDA00035679452000000312
其中，vt-m是车辆速度，at-m是加速度或减速度，
Figure BDA00035679452000000313
是最近的5秒的平均速度，
Figure BDA00035679452000000314
是最近的5秒的平均加速度或减速度，Svt-m是速度的方差，Sat-m是加速度或减速的方差，
Figure BDA00035679452000000315
是速度平方的方差，
Figure BDA00035679452000000316
是速度三次幂的方差，Rt-m是速度差，此外，将
Figure BDA00035679452000000317
赋值给
Figure BDA00035679452000000318
为历史模块的最终输出。
在一种实施方式中，当前模块包括两组全连接网络，第一组全连接网络用于是利用输入向量Xt提取当前驾驶模式，然后将提取出的当前驾驶模式与当前空间上下文变量连接，得到特征向量Ht，第二组全连接网络用于将特征向量Ht作为输入向量，得到输出结果，具体计算公式为：
Figure BDA0003567945200000041
其中，Φ(·)表示的内部操作完全连接网络，Concat(·)表示串联操作，n2和n3分别表示第一组和第二组全连接网络的层数，St是向量空间上下文变量(x,y,z,s)，
Figure BDA0003567945200000042
表示第一组全连接网络的提取的当前驾驶模式，
Figure BDA0003567945200000043
表示连接空间变量后经过第一组全连接网络的输出，上标S表示连接了空间变量，
Figure BDA0003567945200000044
为当前模块的输出结果。
在一种实施方式中，融合模块将历史模块、当前模块和外部模块的输出进行组合，内部操作如公式(4)所示，
Figure BDA0003567945200000045
其中，Whis,Wcur和Wext都是可学习的参数，代表三个部分对应的权重，
Figure BDA0003567945200000046
为历史模块的输出，
Figure BDA0003567945200000047
为当前模块的输出，
Figure BDA0003567945200000048
为外部模块的输出，ht为融合模块的输出，
Figure BDA0003567945200000049
为估计出的一辆车在时间t的瞬时CO2排放量，R代表全体实数。
在一种实施方式中，所述方法还包括：使用均方根误差评估模型的准确性。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本发明提出了一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法，通过分析驾驶行为和二氧化碳排放的关系，构建了一个端到端的时空深度学习模型。该模型结合当前和历史驾驶行为数据以及环境空间数据，计算车辆当前每秒的二氧化碳排放值。其中历史模块利用LSTM网络提取车辆历史驾驶模式。当前模块采用多层次全连通网络提取当前驾驶模式和空间特征。外部有模块用全连接网络提取外部特征。最后将这三部分的输出进行合并，为每个输出赋予不同的权重，然后将结果作为输入到全连接网络层，得到当前估计的CO2排放值。由于综合考虑了车辆历史驾驶模式、当前驾驶模式和空间特征和外部特征，并将它们进行融合从而进行实时CO2排放的计算，因此提高了计算精度，并且该模型相较于宏观模型来说，易于在智能交通系统中的部署。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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为本发明实施例中VSP序列和CO2序列的对齐结果示意图；
图2为本发明实施例中车辆CO2排放与驾驶行为变量的相关性示意图；
图3为本发明实施例中构建的DL-VEM模型的结构示意图；
图4为本发明实施例中模型采用的数据集示意图；
图5为总体层面的对比示意图；
图6为个体层面的对比示意图；
图7为trip层面的对比示意图；
图8为一天内每秒二氧化碳排放量的时间变化示意图；
图9每秒二氧化碳排放在路段上的空间分布示意图；
图10为历史模块中网络输入序列长度的影响示意图；
图11为网络结构的影响示意图。
具体实施方式
本申请发明人通过对现有技术进行研究与分析发现，近年来，安装在车辆上的GPS接收器收集的大量轨迹数据为利用统计或机器学习技术开发新模型开辟了新的前景。
基于此，本发明旨在通过建立基于深度学习的车辆排放模型(DL-VEM)来实现对瞬时CO2排放的高精度估计。在形式上，它可以定义为一个由多层组成的混合网络，可以通过多级抽象来学习驾驶状态数据的表示，可以揭示观测到的瞬时CO2排放与驾驶状态数据之间复杂的非线性关系。具体地，针对城市道路交通微观二氧化碳排放计算的问题，设计了一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法。该方法构建了一个端到端的时空深度学习模型DL-VEM来对车辆每秒的二氧化碳排放进行建模，其计算的精度优于传统微观交通碳排放模型，能够很好地计算武汉市出租车每秒的二氧化碳排放量，可为城市的低碳决策提供支持。
本发明的主要构思如下：
设计一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法，通过分析驾驶行为和二氧化碳排放的关系，构建了一个端到端的时空深度学习模型DL-VEM。该模型结合当前和历史驾驶行为数据以及环境空间数据，计算车辆当前每秒的二氧化碳排放值。具体而言，该模型分为Historical part,Current part和External part三部分(即历史模块、当前模块和外部模块)。其中Historical part利用LSTM网络提取车辆历史驾驶模式。Current part采用多层次全连通网络提取当前驾驶模式和空间特征。External part使用全连接网络提取外部特征。最后将这三部分的输出进行合并，为每个输出赋予不同的权重，然后将结果作为输入到全连接网络层，得到当前估计的CO2排放值。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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。
本发明实施例提供了一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法，包括：
S1：收集车辆GPS轨迹数据，从收集的车辆GPS轨迹数据划分出训练数据；
S2：构建一个端到端的时空深度学习模型，时空深度学习模型包括历史模块、当前模块、外部模块、融合模块和全连接网络层，其中，历史模块用于利用LSTM网络从历史驾驶条件数据中提取车辆历史驾驶模式，当前模块用于采用多层次全连通网络从当前驾驶条件数据中提取当前驾驶模式和空间特征，外部模块用于使用全连接网络提取外部特征，融合模块用于将历史模块、当前模块和外部模块的输出进行融合，全连接网络层用于根据融合模块的结果估计出当前的CO2排放值；
S3：从训练数据中导出车辆驾驶条件变量及其相关变量，作为输入数据输入构建的时空深度学习模型中，以最小化观测到的车辆每秒二氧化碳排放量与估计出的车辆每秒二氧化碳排放量为目标，对模型进行训练，得到训练好的时空深度学习模型；
S4：利用训练好的时空深度学习模型进行道路车辆尾气二氧化碳排放的实时计算。
图2为本发明实施例中车辆CO2排放与驾驶行为变量的相关性示意图，(a)部分表示不同时间滞后下的速度、加速度和VSP的互相关系数，(b)部分表示CO2与道路坡度的相关性。
具体来说，为了构建合理的深度学习模型，本发明首先对车辆二氧化碳排放和驾驶行为的关系进行了深入分析。众所周知，车辆的CO2排放会受到相应驾驶条件的影响。这可以通过它们的时间相关性来检验，本发明使用交叉相关来衡量二氧化碳排放序列和作为滞后函数的驾驶状态数据序列的移位(滞后)副本之间的相似性。如图2的a部分所示，可以清楚地看到，车辆CO2排放与驾驶工况变量在速度、加速度、VSP等方面的交叉相关性呈现出轻微的周期性时间模式，且随时间逐渐衰减。具体而言，由于时间相关性强，在短时间滞后时相关性较强，而在长时间滞后时，由于时间衰减效应，相关性较弱。这种时间衰减模式对于不同的驾驶条件变量保持一致，这也类似于交通流的时间依赖性。此外，加速度和VSP的时间分布更加相似，表明速度的变化可能与能量消耗高度相关。然而，我们可以发现，在大多数时间滞后下，车辆CO2排放与速度的相关性大于与其他驾驶条件变量的加速或VSP的相关性。因此，这些时间依赖关系应该集成到本发明的模型中。在道路坡度方面，车辆CO2排放与空间环境变量也表现出适度的相关性。如图2的b部分所示，车辆CO2排放量与道路坡度呈正相关，且呈正相关值大于0，这是合理的，因为车辆上坡时需要更多的能源。相比之下，汽车的二氧化碳排放量在下坡时非常低，因此不存在相关性。在这方面，考虑到空间环境变量的正相关性，本发明的模型应该考虑空间环境变量。
基于对车辆CO2排放和驾驶行为的分析，本发明提出了如图3所示的深度学习模型DL-VEM，该模型主要由三个部分组成：即Historical part,Current part和Externalpart。Historical part接收前几秒驾驶工况变量及其变量的输入(见图3，{X_(t-m),……,X_(t-2),X_(t-1)}，其中m为历史输入长度)，利用LSTM网络提取历史驾驶模式。Currentpart接收当前驾驶状态变量及其变量和当前空间上下文变量的输入，采用多层次全连通网络提取当前驾驶模式和空间特征。External part接收天气条件变量(晴天或晴天)、日期信息(工作日和工作日/周末)、燃料类型(压缩天然气和汽油)作为输入，并使用全连接网络提取外部特征。将这三部分的输出进行合并，为每个输出赋予不同的权重，然后将结果作为输入到全连接网络层，得到当前估计的CO2排放。
在一种实施方式中，步骤S2中的历史驾驶条件数据和当前驾驶条件数据构成集合{DCt-m,……,DCt}，DCt-m为t-m时刻的驾驶条件数据，属于历史驾驶条件数据，DCt为t时刻的驾驶条件数据，为当前驾驶条件数据。
具体来说，该发明主要研究的问题是使用当前和历史的驾驶条件数据{DCt-m,……,DCt}估计一辆车在时间t的瞬时CO2排放量
Figure BDA0003567945200000081
其中车辆行驶状况反映了车辆在道路上行驶的情况。通常，它包含车辆动力学变量：如速度(m/s)或加速度(m/s2)，空间环境变量：如道路坡度或位置，以及其他外部变量：如天气状况或燃料类型。具体而言，车辆在时间t的行驶状况可以表示为DCt＝(x,y,z,v,a,s,f,w)t，其中x、y和z表示车辆位置纬度、经度和高度，v是车辆瞬时速度，a表示车辆加速或减速，s表示道路坡度，f表示燃料类型，w表示天气状况。而车辆排放量是车辆在排气管处每秒排放的CO2排放量。在时间t观察到的车辆排放可以表示为
Figure BDA0003567945200000082
在该发明的PEMS(portable emissions measurement system便携式排放测量系统)实验中，仪器在排气管处每秒计算车辆CO2排放量，而安装在车辆上的GPS数据记录器每秒记录车辆行驶状况数据。但是，GPS数据记录器接收到的位置与仪器计算的排放不同步。这是因为使用仪器计算二氧化碳排放量比使用GPS数据记录器测量位置或速度需要更多的时间。因此，观测到的排放数据需要与测量的GPS数据在时间上对齐。
在一种实施方式中，历史驾驶条件数据和当前驾驶条件数据中包含车辆行驶状况，用以反映车辆在道路上行驶的情况，车辆行驶状况包含车辆动力学变量、空间环境变量以及外部变量。
在一种实施方式中，所述方法还包括：采用DTW算法对历史驾驶条件数据和当前驾驶条件数据进行对齐。
在一种实施方式中，采用DTW算法对历史驾驶条件数据和当前驾驶条件数据进行对齐，包括：
计算车辆每秒比功率VSP值，计算公式为：
Figure BDA0003567945200000091
其中，vt为t时刻的车速，at为t时刻的车辆加减速，s表示车辆从t-1时刻到t时刻所经过路段的坡度，VSP值用于表征车辆在行驶过程中对发动机的功率需求，与CO2排放量相关；
构造n×n矩阵D，矩阵中的元素D(i,j)表示VSP序列第ith位元素与CO2排放序列第jth位元素之间的累计距离；
计算任意两个元素VSP(i)与CO2(j)之间的绝对距离d(i,j)，其中，d(i,j)＝(VSP(i)-CO2(j))2；
根据D(i,j)＝min{D(i-1,j-1),D(i-1,j),D(i,j-1)}+d(i,j)更新矩阵D的所有元素值；
从元素D(n,n)回溯到元素D(1,1)，寻找累积距离最小的路径，路径上的元素对应VSP与CO2排放的对齐。
请参图1，为两种数据序列的对齐结果。
在一种实施方式中，历史模块包括多层LSTM网络，给定一个输入序列{Xt-m,Xt-m+1,……,Xt-1},利用公式2推导出输出
Figure BDA0003567945200000092
公式具体为：
Figure BDA0003567945200000093
其中，Ψ(·)表示内部操作单元，n为LSTM层的总数，k为一个索引的层数，范围从1到n,
Figure BDA0003567945200000094
表示细胞初始状态，
Figure BDA0003567945200000095
表示细胞初始输出，Xt-m由t-m时刻驾驶工况的变量及其衍生变量组成，它是一个14维向量，形式如下：
Figure BDA0003567945200000096
其中，vt-m是车辆速度，at-m是加速度或减速度，
Figure BDA0003567945200000097
是最近的5秒的平均速度，
Figure BDA0003567945200000098
是最近的5秒的平均加速度或减速度，Svt-m是速度的方差，Sat-m是加速度或减速的方差，
Figure BDA0003567945200000101
是速度平方的方差，
Figure BDA0003567945200000102
是速度三次幂的方差，Rt-m是速度差，此外，将
Figure BDA0003567945200000103
赋值给
Figure BDA0003567945200000104
为历史模块的最终输出。
其中，
Figure BDA0003567945200000105
分表示别第n层LSTM网络在t-m时刻的输出和t-1时刻的输出。
Figure BDA0003567945200000106
表示第k层LSTM网络在t-m时刻的输出，
Figure BDA0003567945200000107
表示第k层LSTM网络在t-m时刻的细胞状态，其他类似，公式右下标表示的是时刻，右上标表示的是第几层，h表示的是输出，C表示的是细胞状态，依次类推可以得出所有字符的含义，在此不再赘述。
具体来说，历史部分(模块)主要由多层LSTM网络组成。LSTM网络具有基于单元的链结构，每个单元使用遗忘门、输入门和输出门来保护和控制其状态。忘记门可以决定从单元状态中丢弃哪些信息，输入门可以决定在单元状态中存储哪些新信息，输出门可以决定输出哪些信息。对于多层LSTM网络，将前一个网络中cell的输出作为当前网络中cell的输入。细胞初始状态和细胞初始输出是随机初始化的。
需要说明的是，驾驶工况变量包括车辆速度、加速度，其衍生变量是指有速度和加速的衍生出来的其他表示车辆运动状态的变量。
在一种实施方式中，当前模块包括两组全连接网络，第一组全连接网络用于是利用输入向量Xt提取当前驾驶模式，然后将提取出的当前驾驶模式与当前空间上下文变量连接，得到特征向量Ht，第二组全连接网络用于将特征向量Ht作为输入向量，得到输出结果，具体计算公式为：
Figure BDA0003567945200000108
其中，Φ(·)表示的内部操作完全连接网络，Concat(·)表示串联操作，n2和n3分别表示第一组和第二组全连接网络的层数，St是向量空间上下文变量(x,y,z,s)，
Figure BDA0003567945200000109
表示第一组全连接网络的提取的当前驾驶模式，
Figure BDA00035679452000001010
表示连接空间变量后经过第一组全连接网络的输出，上标S表示连接了空间变量，
Figure BDA00035679452000001011
为当前模块的输出结果。
具体来说，Current part由两组全连接网络组成。第一组的目标是利用输入向量Xt提取当前驱动模式，然后将其与当前空间上下文变量连接，得到特征向量Ht。这作为第二组全连通网络的输入向量，它导出当前部分的最终输出。
External part
不同类型的燃料会显著影响车辆的二氧化碳排放。为了提高模型的适用性，本实施例将燃料类型信息作为外部部件集成到模型中。此外，为了实现高度准确的估计，在具体实施过程中进一步整合了数据信息和天气状况数据。具体地说，one-hot用于表示编码信息,第一个七码表示一周的日子,第八代码标签信息的工作日或周末,第九代码表示阳光明媚的天气条件,最后代码表示燃料类型的压缩天然气(天然气)或汽油。例如，{1,0,0,0,0,0,1,0,1}表示“工作日”中晴朗的星期一，燃油类型为汽油。然后，采用一组全连接网络提取外部隐藏特征。如式(4)所示，dt为t时刻的日期信息，Encoding(·)为one-hot编码操作，n4为全连通网络的层数，
Figure BDA0003567945200000111
为外部部分的最终输出。
在一种实施方式中，融合模块将历史模块、当前模块和外部模块的输出进行组合，内部操作如公式(4)所示，
Figure BDA0003567945200000112
其中，Whis,Wcur和Wext都是可学习的参数，代表三个部分对应的权重，ht为融合模块的输出，
Figure BDA0003567945200000113
为估计出的一辆车在时间t的瞬时CO2排放量，R代表全体实数。
图4为本发明实施例中模型采用的数据集示意图，(a)部分表示车辆速度(b)部分表示车辆二氧化碳排放量(c)部分表示一天内所有出租车提供的出租车GPS轨迹数据。
为了验证本发明提出模型的有效性，本实施方式采用了两个数据集，包括观测数据集和出租车GPS轨迹数据集。第一个数据集是在PEMS实验中通过使用一辆出租车在真实道路环境中工作一周获得的，其中驾驶路线是根据不同级别的道路和交通状况规划的。它包含Optima7分析仪在排气管处每秒收集的车辆CO2排放率
Figure BDA0003567945200000114
废气流量
Figure BDA0003567945200000115
由AFRISO M60分析仪在排气管处每秒测量，车辆行驶状态数据由GPS数据记录器每秒测量。为了尽量减少仪器之间数据采集时间的不一致，本实施方式按照标准时间进行校准，并使用两条长度相同的管道收集废气。此后，观察到的车辆每秒二氧化碳排放量可以使用
Figure BDA0003567945200000121
来计算，其中Stailpipe(m2)表示排气管的横截面积。最后，使用DTW的方法让观察到的车辆CO2排放量与每次行程的驾驶条件数据在时间上保持一致。本实施方式总共获得了40次行程，包含168,429个数据点，其中约74.9％使用天然气收集，约25.1％使用汽油收集。如图4a和4b所示，本实施例显示了覆盖857.9公里里程的所有驾驶路线，其中观察到的车辆速度和二氧化碳排放量是可视化的。具体来说，完成所有行程的时间对齐需要1,429秒，并且在本发明实施例中计算时间是可以接受的，该数据集主要用于训练和验证本实施例的模型。第二个数据集包含中国武汉三环内一天内的原始出租车GPS轨迹数据。2017年7月18日，6,109辆出租车贡献了454,709,964个轨迹点(见图4c)。应该注意的是，这些出租车的型号与本实施例实验中使用的型号相同。此外，每个轨迹点都包含纬度、经度、高度和速度等信息。此外，连续轨迹点的时间间隔在1秒左右，满足本实施例模型的要求。在这项发明中，这个数据集被输入到本实施例的模型中，以估计二氧化碳排放量并分析它们的时空模式。
为了训练模型，首先从收集的车辆GPS轨迹数据中导出车辆驾驶条件变量及其变体。其次，使用前向和后向传播和Adam方法，将输入数据逐渐输入到本实施例的模型中，以最小化
Figure BDA0003567945200000122
和
Figure BDA0003567945200000123
(如式(5)所示，Θ均为可学习参数，
Figure BDA0003567945200000124
为观测到的车辆每秒二氧化碳排放量)。第三，当总均方误差非常小时，得到一个训练良好的模型Λ。损失函数的形式为：
Figure BDA0003567945200000125
在一种实施方式中，所述方法还包括：使用均方根误差评估模型的准确性。
为了评估经过训练的模型Λ，本发明使用均方根误差(RMSE)来衡量其准确性。如方程式(6)所示。
Figure BDA0003567945200000126
是t时刻观测到的车辆CO2排放量，
Figure BDA0003567945200000127
是t时刻的估计值，N是测试数据中的观测数。
Figure BDA0003567945200000128
本实施方式将DL-VEM的估计结果与最先进的微观车辆二氧化碳排放模型进行了比较，其中包括国际车辆排放模型(IVE)和综合模态排放模型(CMEM)。这两个模型是在与本实施例的模型相同的计算环境下实现的。提供比较结果以在三个不同级别评估本实施例的模型，即在总体层面、个体层面和trip层面。
首先，如图5所示，在总体层面，本实施例展示了估算排放量与用R平方值测量的排放量的相关性，以及用RMSE评估的准确度。如图5a所示，可以清楚地看到，与IVE和CMEM模型估计的相比，本实施例模型的估计CO2排放量与测量的CO2排放量的相关性更好。例如，对于本实施例使用不同燃料类型DL-VEM(汽油和天然气)、DL-VEM(汽油)和DL-VEM(天然气)的模型，R平方值分别高达0.95、0.96和0.95.但是，对于IVE(天然气)、IVE(汽油)和CEME(天然气和汽油)模型，它们分别约为0.83、0.86和0.62。如图5b所示，本实施例的模型在RMSE方面在所有模型中表现最好。例如，DL-VEM(汽油)、DL-VEM(天然气)和DL-VEM(汽油和天然气)的RMSE值平均比IVE(汽油)低75.2％、70.1％和72.1％，IVE(天然气)和CMEM(汽油和天然气)分别。具体而言，IVE或CMEM模型往往会低估测量值较大的CO2排放量，但会高估较小值的CO2排放量。因此，这些结果表明，本实施例的模型在总体水平上估算二氧化碳排放量是有效和可靠的。
图5中，(a)部分表示与以R平方值表示的CO2排放量的相关性，(b)部分表示以RMSE表示的准确度评估。
其次，如图6所示((a)天然气(b)汽油)，在个体层面，本实施例将本实施例模型估计的瞬时二氧化碳排放量与IVE和CMEM的瞬时二氧化碳排放量进行了比较。在这张图中，可以清楚地看到，本实施例的模型计算出的瞬时CO2排放量比IVE和CMEM模型更接近观测值，误差也很小。具体来说，给定天然气的燃料类型，本实施例的模型、IVE和CMEM的平均误差分别为-0.0106、0.438和0.3905；并且给定汽油的燃料类型，本实施例的模型、IVE和CMEM的平均误差分别为0.0171、0.5456和0.1656。因此，本实施例的模型在计算瞬时CO2排放量方面比其他两种常用的微观模型具有更高的准确性。
第三，如图7所示((a)天然气(b)汽油)，在trip层面，将本实施例模型估算的二氧化碳排放量与IVE和CMEM估算的二氧化碳排放量进行比较。在这个图中，我们可以清楚地看到，对于不同的行程，本实施例的模型比IVE和CMEM的模型具有更好的性能。具体来说，给定天然气燃料类型，本实施例的模型、IVE和CMEM的平均相对误差分别为0.020、0.599和0.582；并且给定汽油的燃料类型，本实施例的模型、IVE和CMEM的平均相对误差分别为0.013、0.585和0.363。因此，本实施例的模型在计算基于出行的二氧化碳排放量方面比其他两种常用模型具有更高的准确性。
为了更好的展示本实施例的模型，将该模型应用到原始出租车轨迹数据集中来估计二氧化碳排放量并分析它们的时空模式。如图8所示，展示了2017年7月18日估算的每秒CO2排放量的变化。观察到排放量在一天内呈现出一种有节奏的模式。特别是在00:00:00下降，在04:00:00左右达到最小值，因为出租车活动减少；此后，从09:00:00到16:00:00开始逐渐增加并保持稳定；然后，随着出租车活动的增加，在18:00:00左右达到最低点，在夜间22:00:00达到最高点。重要的是，结果表明，每辆使用天然气的出租车在一天内的平均二氧化碳排放量估计约为81.48公斤，这与武汉目前的情况大致接近。但是，当出租车使用汽油时，它可以增加到101.80公斤，这表明排放量增加了24.94％。
如图9所示，展示了不同时间每秒估计的CO2排放量的空间分布：上午09:00:00、下午14:00:00、下午晚些时候18:00:00，和晚上22:00:00。一方面，高二氧化碳排放更多地集中在极少数路段，而低排放则广泛分布在大量路段。例如，图9c显示，大约4.86％的路段表现出非常高的CO2排放密度，值大于10g/km/s，并且这些路段往往位于拥挤的城市区域，例如环城公路或长江大桥。这一结果在不同时期略有不同，并且与许多其他城市现象中报道的尺度模式大体一致。另一方面，使用汽油的出租车比使用天然气的出租车排放的二氧化碳浓度更高，这与时间无关。例如，当出租车使用汽油时，排放密度值大于10g/km/s的路段在4个不同时间段的百分比约为2.09％、4.86％、1.50％和3.25％，远大于相应的出租车使用天然气时的百分比分别为1.28％、2.05％、0.89％和2.12％。
上述结果表明，通过本实施例的模型估算的二氧化碳排放量可用于了解其在空间和时间上的浓度。然而，尚不清楚本实施例模型的历史部分、当前部分和外部部分如何影响估计的排放量。统计发现，当前部分、历史部分和外部部分的影响权重平均分别为0.65、0.41和0.26。这表明当前部分的影响比其他两个部分要强得多，这是合理的，进一步表明了本实施例结果的可靠性。
此外，本发明还探索了模型各个部分对计算结果的影响。首先，网络输入序列的长度会影响估计。在本发明中，参数m与历史部分的输入序列有关。如图10所示，可以看到，当输入长度设置为3时，本实施例的模型表现最好，尽管对于不同的值可以观察到非常细微的差异。这表明历史部分的长输入序列不能保证高精度，因此应谨慎处理网络输入的长度。
接下来，本实施例探索了LSTM结构的影响。LSTM中一个非常重要的参数是层数n，其中前一层的输出作为当前层的输入。如图11的a部分所示，本实施例针对不同的n值以RMSE表示精度。一开始，RMSE随着n的增加而减小，这是合理的，因为可以学习到更多的时间依赖信息。但是，RMSE会随着包含的层数增加而增加。这可能是由于时间依赖的冗余信息，这可能会增加模型训练的负担。因此，这个参数n被设置为2，这给出了一个相对较小的RMSE值。图11中，(a)为LSTM层数n，(b)为全连接层数n2，(c)为全连接层数n3，(d)为全连接层数n4。
下面是全连接层的结构。当前部分和外部部分使用全连接网络，其中本发明的参数为层数n2、n3和n4。如图11的b部分所示，当n2的值设置为3时，RMSE达到局部最小值，这意味着三层足以捕获当前的驾驶模式。如图11的c部分所示，当n3的值设置为2时，RMSE达到局部最小值，这表明两层足以提取当前驾驶条件和空间上下文的融合模式。此外，如图11的d部分所示，本实施例在外部将n4的值设置为2，因为达到了RSME的局部最小值。
此外，本实施例还探索了空间背景和历史部分的影响。本实施例的模型已经考虑了包括经度(x)、纬度(y)、高度(z)和坡度(s)在内的空间变量，这些变量在文献中很少被研究。申请人推测，这些变量可能对估算排放量的准确性产生重大影响。为了验证本实施例的猜想，简单地将本实施例的结果的准确性与没有空间变量的结果进行了比较。比较结果表明，本实施例的模型比没有空间变量的模型具有更高的准确性。例如，对于本实施例的模型和没有空间变量的模型，RMSE分别为0.19和0.23，这表明RMSE下降了21.05％。此外，为了验证本发明的论点，即历史部分会影响估算排放量的准确性，本实施例通过从模型中删除历史部分进行了比较实验。结果表明，本实施例的模型通过将预测精度提高了38.58％，优于没有历史部分的模型。
最后探究的是外部因素的影响。本实施例的模型已经考虑的外部因素，包括星期几、工作日或周末、天气状况和燃料类型。它们是可能对本实施例的结果产生重大影响的重要因素。例如，从本实施例的模型中移除外部部分可以将RMSE的值增加30.41％。然而，还有许多其他因素，例如温度、湿度、车龄、动力动力学、变速箱、重量和乘客数量，可能会影响本实施例估计的准确性。由于数据不可用，本实施例的模型中没有考虑这些因素。这是本发明的一个限制，将在未来的模型中考虑。
总之，本发明构建了一个端到端的深度学习模型DL-VEM，可以更好地计算微观交通碳排放。通过与现有的微观模型进行对比，证明了本实施例的模型在计算车辆每秒二氧化碳排放上的优越性。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (9)

1.一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法，其特征在于，包括：
S1：收集车辆GPS轨迹数据，从收集的车辆GPS轨迹数据划分出训练数据；
S2：构建一个端到端的时空深度学习模型，时空深度学习模型包括历史模块、当前模块、外部模块、融合模块和全连接网络层，其中，历史模块用于利用LSTM网络从历史驾驶条件数据中提取车辆历史驾驶模式，当前模块用于采用多层次全连通网络从当前驾驶条件数据中提取当前驾驶模式和空间特征，外部模块用于使用全连接网络提取外部特征，融合模块用于将历史模块、当前模块和外部模块的输出进行融合，全连接网络层用于根据融合模块的结果估计出当前的CO2排放值；
S3：从训练数据中导出车辆驾驶条件变量及其相关变量，作为输入数据输入构建的时空深度学习模型中，以最小化观测到的车辆每秒二氧化碳排放量与估计出的车辆每秒二氧化碳排放量为目标，对模型进行训练，得到训练好的时空深度学习模型；
S4：利用训练好的时空深度学习模型进行道路车辆尾气二氧化碳排放的实时计算。
2.如权利要求1所述的道路车辆尾气二氧化碳排放实时计算方法，其特征在于，步骤S2中的历史驾驶条件数据和当前驾驶条件数据构成集合{DCt-m,……,DCt}，DCt-m为t-m时刻的驾驶条件数据，属于历史驾驶条件数据，DCt为t时刻的驾驶条件数据，为当前驾驶条件数据。
3.如权利要求2所述的道路车辆尾气二氧化碳排放实时计算方法，其特征在于，历史驾驶条件数据和当前驾驶条件数据中包含车辆行驶状况，用以反映车辆在道路上行驶的情况，车辆行驶状况包含车辆动力学变量、空间环境变量以及外部变量。
4.如权利要求2所述的道路车辆尾气二氧化碳排放实时计算方法，其特征在于，所述方法还包括：采用DTW算法对历史驾驶条件数据和当前驾驶条件数据进行对齐。
5.如权利要求4所述的道路车辆尾气二氧化碳排放实时计算方法，其特征在于，采用DTW算法对历史驾驶条件数据和当前驾驶条件数据进行对齐，包括：
计算车辆每秒比功率VSP值，计算公式为：
Figure FDA0003567945190000021
其中，vt为t时刻的车速，at为t时刻的车辆加减速，s表示车辆从t-1时刻到t时刻所经过路段的坡度，VSP值用于表征车辆在行驶过程中对发动机的功率需求，与CO2排放量相关；
构造n×n矩阵D，矩阵中的元素D(i,j)表示VSP序列第ith位元素VSP(i)与CO2排放序列第jth位元素CO2(j)之间的累计距离；
计算任意两个元素VSP(i)与CO2(j)之间的绝对距离d(i,j)，其中，d(i,j)＝(VSP(i)-CO2(j))2；
根据D(i,j)＝min{D(i-1,j-1),D(i-1,j),D(i,j-1)}+d(i,j)更新矩阵D的所有元素值；
从元素D(n,n)回溯到元素D(1,1)，寻找累积距离最小的路径，路径上的元素对应VSP与CO2排放的对齐。
6.如权利要求1所述的道路车辆尾气二氧化碳排放实时计算方法，其特征在于，历史模块包括多层LSTM网络，给定一个输入序列{Xt-m,Xt-m+1,……,Xt-1},利用公式2推导出输出
Figure FDA0003567945190000022
公式具体为：
Figure FDA0003567945190000023
其中，Ψ(·)表示内部操作单元，n为LSTM层的总数，k为一个索引的层数，范围从1到n,
Figure FDA0003567945190000024
表示细胞初始状态，
Figure FDA0003567945190000025
表示细胞初始输出，
Figure FDA0003567945190000026
Figure FDA0003567945190000027
分别表示第n层LSTM网络在t-m时刻的输出、t-m+1时刻、t-1时刻的输出；
Figure FDA0003567945190000028
表示第k层LSTM网络在t-m时刻的输出，
Figure FDA0003567945190000029
表示第k层LSTM网络在t-m时刻的细胞状态，
Figure FDA00035679451900000210
分别表示第k-1层LSTM网络在t-m时刻的输出、第k层LSTM网络在t-m-1时刻的细胞状态、第k层LSTM网络在t-m-1时刻的输出，
Figure FDA00035679451900000211
分别表示第k层LSTM网络在t-1时刻的输出、第k层LSTM网络在t-1时刻的细胞状态；
Figure FDA00035679451900000212
分别表示第k-1层LSTM网络在t-1时刻的输出、第k层LSTM网络在t-2时刻的细胞状态，第k层LSTM网络在t-2时刻的输出，Xt-m为t-m时刻的驾驶数据，Xt-1表示t-1时刻的驾驶数据，Xt-m由t-m时刻驾驶工况的变量及其衍生变量组成，它是一个14维向量，形式如下：
Figure FDA0003567945190000031
其中，vt-m是车辆速度，at-m是加速度或减速度，
Figure FDA0003567945190000032
是最近的5秒的平均速度，
Figure FDA0003567945190000033
是最近的5秒的平均加速度或减速度，
Figure FDA0003567945190000034
是速度的方差，
Figure FDA0003567945190000035
是加速度或减速的方差，
Figure FDA0003567945190000036
是速度平方的方差，
Figure FDA0003567945190000037
是速度三次幂的方差，Rt-m是速度差，此外，将
Figure FDA0003567945190000038
赋值给
Figure FDA0003567945190000039
Figure FDA00035679451900000310
为历史模块的最终输出。
7.如权利要求1所述的道路车辆尾气二氧化碳排放实时计算方法，其特征在于，当前模块包括两组全连接网络，第一组全连接网络用于是利用输入向量Xt提取当前驾驶模式，然后将提取出的当前驾驶模式与当前空间上下文变量连接，得到特征向量Ht，第二组全连接网络用于将特征向量Ht作为输入向量，得到输出结果，具体计算公式为：
Figure FDA00035679451900000311
其中，Φ(·)表示的内部操作完全连接网络，Concat(·)表示串联操作，n2和n3分别表示第一组和第二组全连接网络的层数，St是向量空间上下文变量(x,y,z,s)，
Figure FDA00035679451900000312
表示第一组全连接网络的提取的当前驾驶模式，
Figure FDA00035679451900000316
表示连接空间变量后经过第一组全连接网络的输出，上标S表示连接了空间变量，
Figure FDA00035679451900000313
为当前模块的输出结果。
8.如权利要求1所述的道路车辆尾气二氧化碳排放实时计算方法，其特征在于，融合模块将历史模块、当前模块和外部模块的输出进行组合，内部操作如公式(4)所示，
Figure FDA00035679451900000314
其中，Whis,Wcur和Wext都是可学习的参数，代表三个部分对应的权重，
Figure FDA00035679451900000315
为历史模块的输出，
Figure FDA0003567945190000041
为当前模块的输出，
Figure FDA0003567945190000042
为外部模块的输出，ht为融合模块的输出，
Figure FDA0003567945190000043
为估计出的一辆车在时间t的瞬时CO2排放量，R代表全体实数。
9.如权利要求1-8任一项权利要求所述的道路车辆尾气二氧化碳排放实时计算方法，其特征在于，所述方法还包括：使用均方根误差评估模型的准确性。
CN202210313297.1A 2022-03-28 2022-03-28 一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法 Pending CN114820259A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210313297.1A CN114820259A (zh) 2022-03-28 2022-03-28 一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210313297.1A CN114820259A (zh) 2022-03-28 2022-03-28 一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法

Publications (1)

Publication Number Publication Date
CN114820259A true CN114820259A (zh) 2022-07-29

Family

ID=82530313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210313297.1A Pending CN114820259A (zh) 2022-03-28 2022-03-28 一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法

Country Status (1)

Country Link
CN (1) CN114820259A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564149A (zh) * 2022-12-05 2023-01-03 中汽研汽车检验中心(昆明)有限公司 区域机动车实际道路二氧化碳排放量的预测方法及系统
CN117575166A (zh) * 2023-12-14 2024-02-20 中国公路工程咨询集团有限公司 一种基于深度学习的公路交通碳排放预测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564149A (zh) * 2022-12-05 2023-01-03 中汽研汽车检验中心(昆明)有限公司 区域机动车实际道路二氧化碳排放量的预测方法及系统
CN117575166A (zh) * 2023-12-14 2024-02-20 中国公路工程咨询集团有限公司 一种基于深度学习的公路交通碳排放预测方法及装置

Similar Documents

Publication Publication Date Title
CN109670277B (zh) 一种基于多模态数据融合与多模型集成的旅行时间预测方法
CN111832225B (zh) 一种构建汽车行驶工况的方法
CN109658695A (zh) 一种多因素的短时交通流预测方法
CN111080029B (zh) 基于多路段时空相关的城市交通路段速度预测方法及系统
CN114820259A (zh) 一种基于时空深度学习模型的道路车辆尾气二氧化碳排放实时计算方法
WO2018122803A1 (zh) 一种智能化道路交通异常检测方法
Anand et al. Traffic density estimation under heterogeneous traffic conditions using data fusion
CN110361505A (zh) 一种车外大气污染环境下列车乘员健康预警系统及其方法
CN108053645A (zh) 一种基于轨迹数据的信号交叉口周期流量估计方法
CN110299011A (zh) 一种基于收费数据的高速公路任意断面的交通流预测方法
CN110738855B (zh) 一种数据稀疏时间段的道路交通流状况预测方法
CN103927872A (zh) 一种基于浮动车数据预测多时段行程时间分布的方法
CN105761488A (zh) 基于融合的实时极限学习机短时交通流预测方法
CN105006147A (zh) 一种基于道路时空关联关系的路段行程时间推断方法
CN107886188B (zh) 液化天然气公交尾气排放预测方法
CN114881356A (zh) 基于粒子群算法优化bp神经网络的城市交通碳排预测方法
CN111583628B (zh) 基于数据质量控制的道路网重型货车交通流量预测方法
Xu et al. Trip-oriented travel time prediction (TOTTP) with historical vehicle trajectories
CN114049765A (zh) 基于自动车辆号牌识别数据的城市路网车流od估计方法
CN112884014A (zh) 一种基于路段拓扑结构分类的交通速度短时预测方法
CN112785077A (zh) 基于时空数据的出行需求预测方法及系统
Padiath et al. Prediction of traffic density for congestion analysis under Indian traffic conditions
CN112967493A (zh) 一种基于神经网络的车辆通过交叉口行程时间的预测方法
Jia et al. A Microscopic Model of Vehicle CO₂ Emissions Based on Deep Learning—A Spatiotemporal Analysis of Taxicabs in Wuhan, China
Shang et al. Analyzing the effects of road type and rainy weather on fuel consumption and emissions: A mesoscopic model based on big traffic data

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