CN115512538B - 一种基于碳排放的可变限速控制方法及系统 - Google Patents

一种基于碳排放的可变限速控制方法及系统 Download PDF

Info

Publication number
CN115512538B
CN115512538B CN202211115619.8A CN202211115619A CN115512538B CN 115512538 B CN115512538 B CN 115512538B CN 202211115619 A CN202211115619 A CN 202211115619A CN 115512538 B CN115512538 B CN 115512538B
Authority
CN
China
Prior art keywords
vehicle
carbon emission
emission intensity
variable speed
speed limit
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
CN202211115619.8A
Other languages
English (en)
Other versions
CN115512538A (zh
Inventor
宋昊
王俊骅
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
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202211115619.8A priority Critical patent/CN115512538B/zh
Publication of CN115512538A publication Critical patent/CN115512538A/zh
Application granted granted Critical
Publication of CN115512538B publication Critical patent/CN115512538B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于碳排放的可变限速控制方法及系统，其中方法包括：获取交通数据；数据预处理；计算车辆碳排放强度；基于聚类算法对车辆碳排放强度进行等级划分；构建基于BP神经网络的碳排放强度等级预测模型并进行训练，建立交通流数据与碳排放强度等级之间的映射关系；预测未来交通流数据，并确定未来碳排放强度等级；基于未来碳排放强度等级进行可变限速决策，利用闭环强化学习算法对可变限速控制方案进行遍历，以未来碳排放强度等级作为目标函数进行最优化选择，建立不同车流量条件下的可变限速控制方案，形成可变限速控制策略库；利用可变限速发布装置实时发布可变限速控制方案。与现有技术相比，本发明具有碳排放计算准确、环保性强等优点。

Description

一种基于碳排放的可变限速控制方法及系统
技术领域
本发明涉及交通智能控制技术领域，尤其是涉及一种基于碳排放的可变限速控制方法及系统。
背景技术
近年来，交通运输行业对于石油的消耗越来越高，而道路交通在各种交通方式中占据了70％以上的消耗量，增速最快，是大城市空气污染物的首要来源，虽然在大力发展新能源汽车，但新能源汽车保有量难以在短时间内迅速提高并取代燃油车的地位，因此针对复杂庞大的道路交通系统，通过构建以降低碳排放强度为目标的智能交通系统及管理方法成为当前减少碳排放的重要途径之一。
传统可变限速控制只是面向道路安全和效率问题，并未从减少碳排放的角度进行可变限速决策。并且，基于集计化的交通断面数据还带来了无法精确估算车辆碳排放强度的问题，对基于碳排放强度的可变限速决策造成了极大的困难。同时，传统仿真控制并不能进行在线优化。
发明内容
本发明的目的就是为了提供一种基于碳排放的可变限速控制方法及系统，实现有效降低碳排放强度的可变限速控制。
本发明的目的可以通过以下技术方案来实现：
一种基于碳排放的可变限速控制方法，包括以下步骤：
获取边端发送的交通数据，所述交通数据包括交通特征参数、道路特征参数、车辆特征参数；
对交通数据进行数据预处理；
基于交通数据调用基于功率需求的碳排放强度计算模型计算车辆碳排放强度；
基于聚类算法对车辆碳排放强度进行等级划分；
构建基于BP神经网络的碳排放强度等级预测模型并进行训练，建立交通流数据与碳排放强度等级之间的映射关系，其中，所述交通流数据包括根据交通数据的采集难易程度确定的多个参数；
基于在线仿真平台和实时交通数据预测未来交通流数据，并基于碳排放强度等级预测模型确定未来碳排放强度等级；
可变限速决策：基于未来碳排放强度等级进行可变限速决策，利用闭环强化学习算法对可变限速控制方案进行遍历，以未来碳排放强度等级作为目标函数进行最优化选择，建立不同车流量条件下的可变限速控制方案，形成可变限速控制策略库；
利用可变限速发布装置实时发布可变限速控制方案。
所述交通特征参数包括车辆位置信息、车辆速度信息、车辆加速度信息；道路特征参数包括道路坡度信息、路面水膜类型及厚度；车辆特征参数包括车辆传动系中转动部分的当量质量、滚动阻力系数、风阻系数、车辆前横截面积、空气密度、车重信息；交通流数据包括车辆速度信息、车辆加速度信息、车流量、各车道车辆占有率、各车道车辆密度、路面水膜类型及厚度，所述车流量、各车道车辆占有率、各车道车辆密度根据车辆位置信息确定。
所述基于交通数据调用基于功率需求的碳排放强度计算模型计算车辆碳排放强度包括以下步骤：
计算单车碳排放强度：
其中，REDDi是i车在t时刻碳排放强度，k为加速度校准系数，v为车辆瞬时速度，a为车辆瞬时加速度，grade为道路坡度，g为重力加速度，CR为滚动阻力系数，CD为风阻系数，A为车辆前横截面积，ρ为空气密度，p为转弯半径校准系数， R为道路半径；
以预配置的时间间隔为时间片段长度，以预配置的距离间隔为路段片段长度，将待控制路段划分为多个路段片段及多个时间片段，计算每个片段下所有车辆的碳排放强度，建立不同车流量条件下的车均碳排放强度数据集：
所述基于聚类算法对车辆碳排放强度进行等级划分采用K-means聚类算法，利用欧氏距离作为衡量数据点相似性的指标，计算车均碳排放强度数据集中各个数据点距离初始质点的距离，并采用距离最近原则，将数据点分配至距离最近的质点，将相似的数据归为一簇，得到碳排放强度等级数据集。
所述可变限速决策包括以下步骤：
获取待控制路段长度及车道数量；
初始化可变限速发布装置的位置；
初始化可变限速控制方案中的限速速度、速度变化梯度、速度变化周期和速度变化阈值；
获取碳排放强度等级预测模型预估的预配置时间间隔内未来碳排放强度等级；
判断未来碳排放强度等级的风险值是否超过风险阈值，若超过，则改变限速速度，并更新未来碳排放强度等级，若更新后仍超过，则对当前可变限速控制方案的速度变化梯度、速度变化周期进行遍历调整优化，直至目标函数的风险值最低，得到当前车流量条件下的可变限速控制方案；若未超过，则提高限速速度，并更新未来碳排放强度等级，直至目标函数的风险值未超阈值的情况下达到最高限速速度，得到当前车流量条件下的可变限速控制方案；
重复上述过程，得到不同车流量条件下的可变限速控制方案，形成可变限速控制策略库。
一种基于碳排放的可变限速控制系统，包括：
交通数据采集模块：所述交通数据采集模块用于采集交通数据，交通数据包括交通特征参数、道路特征参数、车辆特征参数；
数据处理模块：所述数据处理模块包括边端数据处理模块和云端数据处理模块，其中，边端数据处理模块对交通数据进行结构化处理；
数据传输模块：所述数据传输模块将边端处理好的交通数据传输至云端；
在线仿真模块：所述在线仿真模块利用Gipps跟驰和换道模型和交通数据对未来短时车辆位置进行预测仿真，并预测未来交通流数据，其中，所述交通流数据包括根据交通数据的采集难易程度确定的多个参数；
碳排放计算模块：所述碳排放计算模块执行以下步骤：基于交通数据调用基于功率需求的碳排放强度计算模型计算车辆碳排放强度；基于聚类算法对车辆碳排放强度进行等级划分；构建基于BP神经网络的碳排放强度等级预测模型并进行训练，建立交通流数据与碳排放强度等级之间的映射关系；
可变限速决策模块：所述可变限速决策模块基于未来碳排放强度等级进行可变限速决策，利用闭环强化学习算法对可变限速控制方案进行遍历，以未来碳排放强度等级作为目标函数进行最优化选择，建立不同车流量条件下的可变限速控制方案，形成可变限速控制策略库；
可变限速信息发布模块：所述可变限速信息发布模块利用路域车道级可变限速发布装置向道路使用者发布限速信息。
所述交通特征参数包括车辆位置信息、车辆速度信息、车辆加速度信息；道路特征参数包括道路坡度信息、路面水膜类型及厚度；车辆特征参数包括车辆传动系中转动部分的当量质量、滚动阻力系数、风阻系数、车辆前横截面积、空气密度、车重信息；交通流数据包括车辆速度信息、车辆加速度信息、车流量、各车道车辆占有率、各车道车辆密度、路面水膜类型及厚度，所述车流量、各车道车辆占有率、各车道车辆密度根据车辆位置信息确定。
所述基于交通数据调用基于功率需求的碳排放强度计算模型计算车辆碳排放强度包括以下步骤：
计算单车碳排放强度：
其中，REDDi是i车在t时刻碳排放强度，k为加速度校准系数，v为车辆瞬时速度，a为车辆瞬时加速度，grade为道路坡度，g为重力加速度，CR为滚动阻力系数，CD为风阻系数，A为车辆前横截面积，ρ为空气密度，p为转弯半径校准系数， R为道路半径；
以预配置的时间间隔为时间片段长度，以预配置的距离间隔为路段片段长度，将待控制路段划分为多个路段片段及多个时间片段，计算每个片段下所有车辆的碳排放强度，建立不同车流量条件下的车均碳排放强度数据集：
所述基于聚类算法对车辆碳排放强度进行等级划分采用K-means聚类算法，利用欧氏距离作为衡量数据点相似性的指标，计算车均碳排放强度数据集中各个数据点距离初始质点的距离，并采用距离最近原则，将数据点分配至距离最近的质点，将相似的数据归为一簇，得到碳排放强度等级数据集。
所述可变限速决策模块具体执行以下步骤：
获取待控制路段长度及车道数量；
初始化可变限速发布装置的位置；
初始化可变限速控制方案中的限速速度、速度变化梯度、速度变化周期和速度变化阈值；
获取碳排放强度等级预测模型预估的预配置时间间隔内未来碳排放强度等级；
判断未来碳排放强度等级的风险值是否超过风险阈值，若超过，则改变限速速度，并更新未来碳排放强度等级，若更新后仍超过，则对当前可变限速控制方案的速度变化梯度、速度变化周期进行遍历调整优化，直至目标函数的风险值最低，得到当前车流量条件下的可变限速控制方案；若未超过，则提高限速速度，并更新未来碳排放强度等级，直至目标函数的风险值未超阈值的情况下达到最高限速速度，得到当前车流量条件下的可变限速控制方案；
重复上述过程，得到不同车流量条件下的可变限速控制方案，形成可变限速控制策略库。
与现有技术相比，本发明具有以下有益效果：
(1)本发明构建交通数字孪生系统所用的数据为路侧固定的毫米波雷达和激光雷达检测设备采集数据，采用的是实时的雷达数据，具有检测精度高，检测速度快的特点，通过分布式计算可以实现车辆位置信息实时感知，从而实现对个体车辆碳排放强度的有效计算。
(2)本发明根据实时车辆位置信息利用Gipps跟驰模型和换道模型对未来短时车辆位置进行预测仿真，对于未来个体车辆位置可以进行精细化仿真，有利于碳排放计算精度大大提高，同时使得可变限速控制效果大大提升；
(3)本发明利用卷积神经网络模型预测未来短时间内车辆碳排放强度，可以利用交通数字孪生系统和平行仿真系统对碳排放强度进行高精度预测，为可变限速控制优化提供目标函数；
(4)由于本发明对可变限速控制策略采用闭环优化方法，充分发挥了反馈的重要作用，对系统中不确定性因素或扰动信号可以自适应采取校正行动，提髙了系统稳定性，解决了传统可变限速控制只是面向道路安全和效率问题的局限性，提出了减少交通碳排放的新视角，同时解决了传统仿真控制不能在线优化的问题及基于集计化的交通断面数据造成的对车辆碳排放强度无法精确估算的问题，同时本发明具备可复制推广、鲁棒性强的特点；
(5)本发明提供了一种基于碳排放的可变限速控制方法，综合考虑碳排放指标进行限速决策，能有效减少道路中的碳排放量，解决了交通能耗排放和污染难以控制的问题，具有极大的经济效益和环保效益。
附图说明
图1为本发明的方法流程图；
图2为可变限速决策的流程图；
图3为在线仿真示意图；
图4为可变限速信息发布示意图；
图5为闭环优化算法的流程图；
图6为本发明的系统结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
本实施例提供一种基于碳排放的可变限速控制系统，如图6所示，包括：
1)交通数据采集模块
所述交通数据采集模块用于采集交通数据，交通数据包括交通特征参数、道路特征参数、车辆特征参数；
所述交通特征参数包括车辆位置信息、车辆速度信息、车辆加速度信息；道路特征参数包括道路坡度信息、路面水膜类型及厚度；车辆特征参数包括车辆传动系中转动部分的当量质量、滚动阻力系数、风阻系数、车辆前横截面积、空气密度、车重信息。
所述的交通数据采集模块利用毫米波雷达及激光雷达实时采集高速公路车辆车道级位置轨迹信息(包括车辆速度及加速度)，同时配合卡口采集车牌信息；采用埋入式动态称重传感器实时采集高速公路车辆车重信息，同时利用卡口采集车辆轮廓信息及车牌信息；利用嵌入式或遥感式水膜传感器采集路面水膜类型及厚度。
车辆位置轨迹信息的采集和传输的频率应为毫秒级，车辆位置的定位精度应为分米级。
通过车辆轮廓信息利用卷积神经网络模型可以识别车辆车型，其信息采集和传输的频率应为秒级，其车型识别精度需识别90％以上常见车型。
2)数据处理模块：所述数据处理模块包括边端数据处理模块和云端数据处理模块，其中，边端数据处理模块对交通数据进行结构化处理；云端数据处理模块负责将相同车牌的其他相关信息进行匹配，例如：利用分布式处理方法将雷达车辆位置轨迹信息和车重信息根据车牌信息进行匹配，其中，输入的雷达车辆位置轨迹信息为雷达帧数据格式，输出的数据为基于时间序列的完成全域车辆ID统一及轨迹拼接的具有车辆经纬度坐标、速度信息、加速度信息、车重信息、车辆轮廓信息信息及车牌信息的车辆轨迹时序数据，时间序列采用UTC时间，与世界时的时间延误应为100毫秒以内。
3)数据传输模块：所述数据传输模块将边端处理好的交通数据传输至云端；
4)在线仿真模块：所述在线仿真模块利用Gipps跟驰和换道模型和交通数据对未来短时车辆位置进行预测仿真，并预测未来交通流数据，其中，所述交通流数据包括根据交通数据的采集难易程度确定的多个参数；
本实施例中，交通流数据包括车辆速度信息、车辆加速度信息、车流量、各车道车辆占有率、各车道车辆密度、路面水膜类型及厚度，所述车流量、各车道车辆占有率、各车道车辆密度根据车辆位置信息确定。
在线仿真模块是应用在线仿真软件，通过采用以实时交通流为初始化参数的仿真模拟未来短时车辆位置速度，并提供该仿真结果给碳排放计算模块进行碳排放量的计算。
5)碳排放计算模块：所述碳排放计算模块执行以下步骤：基于交通数据调用基于功率需求的碳排放强度计算模型计算车辆碳排放强度；基于聚类算法对车辆碳排放强度进行等级划分；构建基于BP神经网络的碳排放强度等级预测模型并进行训练，建立交通流数据与碳排放强度等级之间的映射关系。
碳排放计算模块负责根据实时车辆位置信息、速度信息、加速度信息等交通特征参数，道路坡度信息等道路特征参数、传动系中转动部分的当量质量、滚动阻力系数、风阻系数、车辆前横截面积及空气密度、车重信息等车辆特征参数计算某一车辆的碳排放量，并基于该路段所有车辆信息计算一定时间段内该路段的碳排放总量和车均碳排放量，同时利用在线仿真模块获取未来交通流数据预测未来5min的交通碳排放量，具体包括：
5-1)计算单车碳排放强度：
其中，REDDi是i车在t时刻碳排放强度，k为加速度校准系数，v为车辆瞬时速度，a为车辆瞬时加速度，grade为道路坡度，g为重力加速度，CR为滚动阻力系数，CD为风阻系数，A为车辆前横截面积，ρ为空气密度，p为转弯半径校准系数， R为道路半径；其中道路坡度信息依据道路设计图直接录入，滚动阻力系数根据存储在数据库中对应车型、路面类型和路面干湿状态下的滚动系数计算，加速度校准系数、风阻系数、车辆前横截面积利用存储在数据库中对应车型的的参数与车型进行匹配，车型利用卷积神经网络模型依据轮廓信息对车型进行识别。
以5分钟为时间片段长度，以100米为路段片段长度，将待控制路段划分为多个路段片段及多个时间片段，计算每个片段下所有车辆的碳排放强度，建立不同车流量条件下的车均碳排放强度数据集：
5-2)采用K-means聚类算法对每个时间段的每个路段的车均碳排放强度进行聚类分析，利用欧氏距离作为衡量数据点相似性的指标，计算车均碳排放强度数据集中各个数据点距离初始质点的距离，并采用距离最近原则，将数据点分配至距离最近的质点，将相似的数据归为一簇。本实施例中，将数据集分为3簇，分别定位为高强度车均碳排放、中强度车均碳排放及低强度车均碳排放，从而得到碳排放强度等级数据集。
5-3)将t时刻5min前的交通流参数以1min进行集计，作为输入变量并进行数据标准化处理，建立原始数据集，如：2021年10月1日10:00时刻实测交通流参数作为输入变量，2021年10月1日10:05实测碳排放强度作为标签变量，建立原始数据集，并采用随机森林模型来对数据维度进行降维处理，得到新数据集；训练基于BP神经网络的碳排放强度等级预测模型，以新数据集作为输入，高强度车均碳排放、中强度车均碳排放及低强度车均碳排放作为标签进行训练，将新数据集按照数目划分为7：3的数据，分别作为训练集和测试集，得到具有一定预测精度的不同车流量条件下的碳排放强度等级预测模型。
6)可变限速决策模块：所述可变限速决策模块基于未来碳排放强度等级进行可变限速决策，利用闭环强化学习算法对可变限速控制方案进行遍历，以未来碳排放强度等级作为目标函数进行最优化选择，建立不同车流量条件下的可变限速控制方案，形成可变限速控制策略库；其具体执行以下步骤：
获取待控制路段长度及车道数量；
初始化可变限速发布装置的位置；如以苏通大桥为例，采用800米间距在每个车道的上方设置一块可变限速发布装置。
初始化可变限速控制方案中的限速速度、速度变化梯度、速度变化周期和速度变化阈值；本实施例中，初始限速速度为100km/h，速度变化梯度为5km/h，速度变化周期为1min。
获取碳排放强度等级预测模型预估的未来5分钟的未来碳排放强度等级；
若未来碳排放强度等级为高强度车均碳排放，则改变限速速度，并更新未来碳排放强度等级，若更新后仍为高强度车均碳排放，则对当前可变限速控制方案的速度变化梯度、速度变化周期进行遍历调整优化，直至预估的未来碳排放强度等级的风险值最低，得到当前车流量条件下的可变限速控制方案；若未来碳排放强度等级为中强度车均碳排放或低强度车均碳排放，则提高限速速度，并更新未来碳排放强度等级，直至目标函数的风险值未超阈值的情况下达到最高限速速度，得到当前车流量条件下的可变限速控制方案；
本实施例中，闭环强化学习算法采用粒子群优化遗传算法：将初始化设置的可变限速控制方案作为初始化种群输入至遗传算法中，作为种群第一代G＝0，对可变限速发布装置布设间距、速度变化梯度及速度变化周期进行优化。
将控制优化决策前后5min时刻的风险值的差值作为适应度输入遗传算法，对初始化变量进行选择、交叉及变异操作，产生下一代种群。
对可变限速控制赋予约束条件，包括：可变限速发布装置布设间距不超过 1.2km，不小于600m，相邻两块可变限速发布装置之间速度差不应超过20km/h，可变限速速度变化梯度不超过20km/h，不小于5km/h，可变限速发布装置速度变化周期不超过20min/次，不小于1min/次。
重复上述过程，得到不同车流量条件下的可变限速控制方案，形成可变限速控制策略库。本实施例中，车流量条件分别设置为2000pcu/h，3000pcu/h，4000pcu/h，5000pcu/h。
7)可变限速信息发布模块：所述可变限速信息发布模块利用路域车道级可变限速发布装置向道路使用者发布限速信息。
可变限速发布装置可以为可变限速板。
实施例2
基于实施例1所述的系统，本实施例提供一种基于碳排放的可变限速控制方法，如图1所示，包括以下步骤：
1)获取边端发送的交通数据，所述交通数据包括交通特征参数、道路特征参数、车辆特征参数；
所述交通特征参数包括车辆位置信息、车辆速度信息、车辆加速度信息；道路特征参数包括道路坡度信息、路面水膜类型及厚度；车辆特征参数包括车辆传动系中转动部分的当量质量、滚动阻力系数、风阻系数、车辆前横截面积、空气密度、车重信息；交通流数据包括车辆速度信息、车辆加速度信息、车流量、各车道车辆占有率、各车道车辆密度、路面水膜类型及厚度，所述车流量、各车道车辆占有率、各车道车辆密度根据车辆位置信息确定。
2)对交通数据进行数据预处理；
3)基于交通数据调用基于功率需求的碳排放强度计算模型计算车辆碳排放强度；
3-1)计算单车碳排放强度：
其中，REDDi是i车在t时刻碳排放强度，k为加速度校准系数，v为车辆瞬时速度，a为车辆瞬时加速度，grade为道路坡度，g为重力加速度，CR为滚动阻力系数，CD为风阻系数，A为车辆前横截面积，ρ为空气密度，p为转弯半径校准系数， R为道路半径；
3-2)以预配置的时间间隔为时间片段长度，以预配置的距离间隔为路段片段长度，将待控制路段划分为多个路段片段及多个时间片段，计算每个片段下所有车辆的碳排放强度，建立不同车流量条件下的车均碳排放强度数据集：
4)基于聚类算法对车辆碳排放强度进行等级划分；
所述基于聚类算法对车辆碳排放强度进行等级划分采用K-means聚类算法，利用欧氏距离作为衡量数据点相似性的指标，计算车均碳排放强度数据集中各个数据点距离初始质点的距离，并采用距离最近原则，将数据点分配至距离最近的质点，将相似的数据归为一簇，得到碳排放强度等级数据集。
5)构建基于BP神经网络的碳排放强度等级预测模型并进行训练，建立交通流数据与碳排放强度等级之间的映射关系，其中，所述交通流数据包括根据交通数据的采集难易程度确定的多个参数；
6)基于在线仿真平台和实时交通数据预测未来交通流数据，并基于碳排放强度等级预测模型确定未来碳排放强度等级；
7)可变限速决策：基于未来碳排放强度等级进行可变限速决策，利用闭环强化学习算法对可变限速控制方案进行遍历，以未来碳排放强度等级作为目标函数进行最优化选择，建立不同车流量条件下的可变限速控制方案，形成可变限速控制策略库；
获取待控制路段长度及车道数量；
初始化可变限速发布装置的位置；
初始化可变限速控制方案中的限速速度、速度变化梯度、速度变化周期和速度变化阈值；
获取碳排放强度等级预测模型预估的预配置时间间隔内未来碳排放强度等级；
判断未来碳排放强度等级的风险值是否超过风险阈值，若超过，则改变限速速度，并更新未来碳排放强度等级，若更新后仍超过，则对当前可变限速控制方案的速度变化梯度、速度变化周期进行遍历调整优化，直至目标函数的风险值最低，得到当前车流量条件下的可变限速控制方案；若未超过，则提高限速速度，并更新未来碳排放强度等级，直至目标函数的风险值未超阈值的情况下达到最高限速速度，得到当前车流量条件下的可变限速控制方案；
重复上述过程，得到不同车流量条件下的可变限速控制方案，形成可变限速控制策略库。
8)利用可变限速发布装置实时发布可变限速控制方案。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依据本发明的构思在现有技术的基础上通过逻辑分析、推理、或者有限的实验可以得到的技术方案，皆应在权利要求书所确定的保护范围内。

Claims (10)

1.一种基于碳排放的可变限速控制方法，其特征在于，包括以下步骤：
获取边端发送的交通数据，所述交通数据包括交通特征参数、道路特征参数、车辆特征参数；
对交通数据进行数据预处理；
基于交通数据调用基于功率需求的碳排放强度计算模型计算车辆碳排放强度；
基于聚类算法对车辆碳排放强度进行等级划分；
构建基于BP神经网络的碳排放强度等级预测模型并进行训练，建立交通流数据与碳排放强度等级之间的映射关系，其中，所述交通流数据包括根据交通数据的采集难易程度确定的多个参数；
基于在线仿真平台和实时交通数据预测未来交通流数据，并基于碳排放强度等级预测模型确定未来碳排放强度等级；
可变限速决策：基于未来碳排放强度等级进行可变限速决策，利用闭环强化学习算法对可变限速控制方案进行遍历，以未来碳排放强度等级作为目标函数进行最优化选择，建立不同车流量条件下的可变限速控制方案，形成可变限速控制策略库；
利用可变限速发布装置实时发布可变限速控制方案。
2.根据权利要求1所述的一种基于碳排放的可变限速控制方法，其特征在于，所述交通特征参数包括车辆位置信息、车辆速度信息、车辆加速度信息；道路特征参数包括道路坡度信息、路面水膜类型及厚度；车辆特征参数包括车辆传动系中转动部分的当量质量、滚动阻力系数、风阻系数、车辆前横截面积、空气密度、车重信息；交通流数据包括车辆速度信息、车辆加速度信息、车流量、各车道车辆占有率、各车道车辆密度、路面水膜类型及厚度，所述车流量、各车道车辆占有率、各车道车辆密度根据车辆位置信息确定。
3.根据权利要求2所述的一种基于碳排放的可变限速控制方法，其特征在于，所述基于交通数据调用基于功率需求的碳排放强度计算模型计算车辆碳排放强度包括以下步骤：
计算单车碳排放强度：
其中，REDDi是i车在t时刻碳排放强度，k为加速度校准系数，v为车辆瞬时速度，a为车辆瞬时加速度，grade为道路坡度，g为重力加速度，CR为滚动阻力系数，CD为风阻系数，A为车辆前横截面积，ρi为空气密度，p为转弯半径校准系数，R为道路半径；
以预配置的时间间隔为时间片段长度，以预配置的距离间隔为路段片段长度，将待控制路段划分为多个路段片段及多个时间片段，计算每个片段下所有车辆的碳排放强度，建立不同车流量条件下的车均碳排放强度数据集：
4.根据权利要求1所述的一种基于碳排放的可变限速控制方法，其特征在于，所述基于聚类算法对车辆碳排放强度进行等级划分采用K-means聚类算法，利用欧氏距离作为衡量数据点相似性的指标，计算车均碳排放强度数据集中各个数据点距离初始质点的距离，并采用距离最近原则，将数据点分配至距离最近的质点，将相似的数据归为一簇，得到碳排放强度等级数据集。
5.根据权利要求1所述的一种基于碳排放的可变限速控制方法，其特征在于，所述可变限速决策包括以下步骤：
获取待控制路段长度及车道数量；
初始化可变限速发布装置的位置；
初始化可变限速控制方案中的限速速度、速度变化梯度、速度变化周期和速度变化阈值；
获取碳排放强度等级预测模型预估的预配置时间间隔内未来碳排放强度等级；
判断未来碳排放强度等级的风险值是否超过风险阈值，若超过，则改变限速速度，并更新未来碳排放强度等级，若更新后仍超过，则对当前可变限速控制方案的速度变化梯度、速度变化周期进行遍历调整优化，直至目标函数的风险值最低，得到当前车流量条件下的可变限速控制方案；若未超过，则提高限速速度，并更新未来碳排放强度等级，直至目标函数的风险值未超阈值的情况下达到最高限速速度，得到当前车流量条件下的可变限速控制方案；
重复上述过程，得到不同车流量条件下的可变限速控制方案，形成可变限速控制策略库。
6.一种基于碳排放的可变限速控制系统，其特征在于，包括：
交通数据采集模块：所述交通数据采集模块用于采集交通数据，交通数据包括交通特征参数、道路特征参数、车辆特征参数；
数据处理模块：所述数据处理模块包括边端数据处理模块和云端数据处理模块，其中，边端数据处理模块对交通数据进行结构化处理；
数据传输模块：所述数据传输模块将边端处理好的交通数据传输至云端；
在线仿真模块：所述在线仿真模块利用Gipps跟驰和换道模型和交通数据对未来短时车辆位置进行预测仿真，并预测未来交通流数据，其中，所述交通流数据包括根据交通数据的采集难易程度确定的多个参数；
碳排放计算模块：所述碳排放计算模块执行以下步骤：基于交通数据调用基于功率需求的碳排放强度计算模型计算车辆碳排放强度；基于聚类算法对车辆碳排放强度进行等级划分；构建基于BP神经网络的碳排放强度等级预测模型并进行训练，建立交通流数据与碳排放强度等级之间的映射关系；
可变限速决策模块：所述可变限速决策模块基于未来碳排放强度等级进行可变限速决策，利用闭环强化学习算法对可变限速控制方案进行遍历，以未来碳排放强度等级作为目标函数进行最优化选择，建立不同车流量条件下的可变限速控制方案，形成可变限速控制策略库；
可变限速信息发布模块：所述可变限速信息发布模块利用路域车道级可变限速发布装置向道路使用者发布限速信息。
7.根据权利要求6所述的一种基于碳排放的可变限速控制系统，其特征在于，所述交通特征参数包括车辆位置信息、车辆速度信息、车辆加速度信息；道路特征参数包括道路坡度信息、路面水膜类型及厚度；车辆特征参数包括车辆传动系中转动部分的当量质量、滚动阻力系数、风阻系数、车辆前横截面积、空气密度、车重信息；交通流数据包括车辆速度信息、车辆加速度信息、车流量、各车道车辆占有率、各车道车辆密度、路面水膜类型及厚度，所述车流量、各车道车辆占有率、各车道车辆密度根据车辆位置信息确定。
8.根据权利要求7所述的一种基于碳排放的可变限速控制系统，其特征在于，所述基于交通数据调用基于功率需求的碳排放强度计算模型计算车辆碳排放强度包括以下步骤：
计算单车碳排放强度：
其中，REDDi是i车在t时刻碳排放强度，k为加速度校准系数，v为车辆瞬时速度，a为车辆瞬时加速度，grade为道路坡度，g为重力加速度，CR为滚动阻力系数，CD为风阻系数，A为车辆前横截面积，ρi为空气密度，p为转弯半径校准系数，R为道路半径；
以预配置的时间间隔为时间片段长度，以预配置的距离间隔为路段片段长度，将待控制路段划分为多个路段片段及多个时间片段，计算每个片段下所有车辆的碳排放强度，建立不同车流量条件下的车均碳排放强度数据集：
9.根据权利要求6所述的一种基于碳排放的可变限速控制系统，其特征在于，所述基于聚类算法对车辆碳排放强度进行等级划分采用K-means聚类算法，利用欧氏距离作为衡量数据点相似性的指标，计算车均碳排放强度数据集中各个数据点距离初始质点的距离，并采用距离最近原则，将数据点分配至距离最近的质点，将相似的数据归为一簇，得到碳排放强度等级数据集。
10.根据权利要求6所述的一种基于碳排放的可变限速控制系统，其特征在于，所述可变限速决策模块具体执行以下步骤：
获取待控制路段长度及车道数量；
初始化可变限速发布装置的位置；
初始化可变限速控制方案中的限速速度、速度变化梯度、速度变化周期和速度变化阈值；
获取碳排放强度等级预测模型预估的预配置时间间隔内未来碳排放强度等级；
判断未来碳排放强度等级的风险值是否超过风险阈值，若超过，则改变限速速度，并更新未来碳排放强度等级，若更新后仍超过，则对当前可变限速控制方案的速度变化梯度、速度变化周期进行遍历调整优化，直至目标函数的风险值最低，得到当前车流量条件下的可变限速控制方案；若未超过，则提高限速速度，并更新未来碳排放强度等级，直至目标函数的风险值未超阈值的情况下达到最高限速速度，得到当前车流量条件下的可变限速控制方案；
重复上述过程，得到不同车流量条件下的可变限速控制方案，形成可变限速控制策略库。
CN202211115619.8A 2022-09-14 2022-09-14 一种基于碳排放的可变限速控制方法及系统 Active CN115512538B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211115619.8A CN115512538B (zh) 2022-09-14 2022-09-14 一种基于碳排放的可变限速控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211115619.8A CN115512538B (zh) 2022-09-14 2022-09-14 一种基于碳排放的可变限速控制方法及系统

Publications (2)

Publication Number Publication Date
CN115512538A CN115512538A (zh) 2022-12-23
CN115512538B true CN115512538B (zh) 2023-08-29

Family

ID=84505002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211115619.8A Active CN115512538B (zh) 2022-09-14 2022-09-14 一种基于碳排放的可变限速控制方法及系统

Country Status (1)

Country Link
CN (1) CN115512538B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554877A (zh) * 2021-09-18 2021-10-26 之江实验室 一种基于可变限速的长上坡交通流稳定性提升方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019156956A2 (en) * 2018-02-06 2019-08-15 Cavh Llc Intelligent road infrastructure system (iris): systems and methods
CN112201057B (zh) * 2020-09-08 2021-11-09 同济大学 一种基于事故风险的快速路车速和匝道协同控制方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554877A (zh) * 2021-09-18 2021-10-26 之江实验室 一种基于可变限速的长上坡交通流稳定性提升方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于碳交易机制的带时间窗车辆路径问题与算法研究;葛显龙;谭柏川;吴宁谦;;管理工程学报(04);全文 *

Also Published As

Publication number Publication date
CN115512538A (zh) 2022-12-23

Similar Documents

Publication Publication Date Title
Yang et al. Eco-driving system for connected automated vehicles: Multi-objective trajectory optimization
CN111537990B (zh) 一种车道的标定方法、装置以及电子设备
CN107330217B (zh) 一种基于rbfnn的中观油耗预测方法
CN115206103B (zh) 一种基于平行仿真系统的可变限速控制系统
CN106651036A (zh) 空气质量预报系统
CN115081508B (zh) 一种基于交通数字孪生的交通运行风险平行仿真系统
CN110675626B (zh) 基于多维数据的交通事故黑点预测方法、装置及介质
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
CN110979342B (zh) 一种用于车辆全局能量管理控制的工况信息获取方法
CN108961758A (zh) 一种基于梯度提升决策树的路口展宽车道探测方法
CN115512538B (zh) 一种基于碳排放的可变限速控制方法及系统
US20230264578A1 (en) Method for predicting energy consumption-recovery ratio of new energy vehicle, and energy saving control method and system for new energy vehicle
CN116432448B (zh) 基于智能网联车和驾驶员遵从度的可变限速优化方法
CN103456163A (zh) 城市快速路互通立交通行能力和运行状态判别方法与系统
Chen et al. Adaptive ramp metering control for urban freeway using large-scale data
CN114187766A (zh) 一种基于饱和率的道路服务水平评价方法
Prontri et al. Traffic signal control using fuzzy logic
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
CN117238126A (zh) 一种连续流道路场景下的交通事故风险评估方法
CN111369053A (zh) 一种人车交互场景下行人与车辆的轨迹预测方法
CN115691140B (zh) 一种汽车充电需求时空分布的分析与预测方法
Li et al. Traffic fatalities prediction based on support vector machine
Huang et al. Energetic Impacts of Autonomous Vehicles in Real-World Traffic Conditions From Nine Open-Source Datasets
CN118470965A (zh) 一种轨迹数据驱动面向碳排放的可变限速及车道控制系统
Chen Highway transportation optimization control system based on OD forecast information

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