CN116542709A - 一种基于交通态势感知的电动汽车充电站规划分析方法 - Google Patents
一种基于交通态势感知的电动汽车充电站规划分析方法 Download PDFInfo
- Publication number
- CN116542709A CN116542709A CN202310595490.3A CN202310595490A CN116542709A CN 116542709 A CN116542709 A CN 116542709A CN 202310595490 A CN202310595490 A CN 202310595490A CN 116542709 A CN116542709 A CN 116542709A
- Authority
- CN
- China
- Prior art keywords
- track
- point
- data
- candidate
- distance
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000010276 construction Methods 0.000 claims abstract description 12
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 61
- 238000005070 sampling Methods 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 34
- 230000008901 benefit Effects 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 30
- 239000004973 liquid crystal related substance Substances 0.000 claims description 24
- 230000007704 transition Effects 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 9
- 241001168730 Simo Species 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000013138 pruning Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000008689 nuclear function Effects 0.000 claims 1
- 230000006399 behavior Effects 0.000 abstract description 7
- 238000011160 research Methods 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract description 3
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000004513 sizing Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 108010023321 Factor VII Proteins 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于交通态势感知的电动汽车充电站规划分析方法，涉及充电站规划技术领域。本发明通过大量的网约车轨迹数据来感知城市的交通态势、提取区域的特征。帮助专家了解市民出行规律，有针对性地进行充电站建设。由于电动汽车的充电需求并非均匀分散在城市各个区域，因此需要感知城市交通态势、分析市民的出行行为；构建适用于充电站选址的布局优化模型。针对规模化电动汽车充电需求，根据充电桩建设的各种影响因素，构建子模块目标函数，结合交通态势可视分析缩小研究区域提高优化速度，设计出适用于充电站选址规划的优化模型；因此，本发明方案具备实用性和创新性。
Description
技术领域
本发明涉及充电站规划技术领域，尤其涉及一种基于交通态势感知的电动汽车充电站规划分析方法。
背景技术
近年来，电动汽车作为更加环保的交通工具受到国家的大力扶持和推广，已呈现出替代燃油车的必然趋势。与此同时，电动汽车的快速普及，对支持便捷充电的补能设施有了更多的需求，科学合理地规划与建设分散式充电站，对于推动电动汽车发展至关重要。然而，充电站的选址、定容等问题需要考虑众多复杂的因素，很难仅依靠人工经验进行决策。
目前，已有一些研究提出了数据驱动的充电站智能选址算法，但是在结果准确性和为用户提供可靠决策支持的方面仍存在局限性：一方面，建站范围的选择需要充分考虑区域的交通态势和出行规律，这对于充电站选址结果具有很大影响，而不同区域的交通态势具有个性化和动态性特点，难以被分析人员有效感知；另一方面，充电站选址模型要考虑多种因素如地价、车流量等，但是模型对于各因素的权重设置通常较为敏感，且具有不同业务偏好的分析人员需要对不同权重生成的多种方案进行比较和权衡，然而已有方法未能支持用户直观、便捷地比较和选择方案。
因此，有必要提供一种基于交通态势感知的电动汽车充电站规划分析方法来解决上述技术问题。
发明内容
为解决上述技术问题，本发明提供的一种基于交通态势感知的电动汽车充电站规划分析方法，包括：交通数据预处理、交通态势感知和充电站选址模型构建；其中，
交通数据预处理：通过网约车平台和城市路网平台获取交通数据，并对交通数据进行数据预处理操作；其中，具体交通数据包括轨迹数据、订单数据、路网数据和POI数据；具体预处理操作步骤包括数据清理、路网匹配和构建索引；通过匹配算法将GPS轨迹点准确地匹配到道路网络上，并创建轨迹-道路段索引和轨迹-候选点索引存储在数据库中，以加速后续算法数据处理；
交通态势感知：用于缩小充电站规划的选址范围，通过对OD数据进行核密度分析，挖掘出多个交通量较集中的热点区域；还通过轨迹线段聚类进一步挖掘热点区域中的关键路段；其中，具体步骤包括：热点区域识别和关键路段获取；核密度分析通过Gaussian KDE进行，轨迹线段聚类通过Traclus轨迹聚类进行；
充电站选址模型构建：通过考虑影响充电站未来收益的影响因素，确定候选点的有效收益目标函数，选出多准则下总收益最大的一组建站点作为规划方案，并使用基于区域充电需求的分配策略对充电站进行定容；同时还通过对候选点覆盖的POI进行重要性加权，确定充电站中快充和慢充的桩数；其中，具体步骤包括：定义候选点位置、定义子模块目标函数、设计有效收益目标函数、基于有效收益的选址优化、充电站定容、充电桩类型选择和分配。
作为更进一步的解决方案，数据清理操作包括轨迹数据清洗、OD数据获取和POI数据维度删减；其中，轨迹数据清洗：对轨迹数据中存在的脏数据进行清洗和修正，包括缺失经纬度数据、距离极短的一段轨迹等，并保留具备分析价值的轨迹数据；OD数据获取：删除重复的订单数据，提取上车经纬度作为O点，下车经纬度为D点；POI数据维度删减：删除分析所不需要的字段，包括POI名称和所在街道字段。
作为更进一步的解决方案，路网匹配：通过IVMM算法将轨迹数据中的GPS轨迹点按时空序列排布到道路网络上；具体步骤包括候选道路提取、位置前后关系分析、相互影响力建模和投票；其中，
候选道路提取：每一个GPS轨迹点都有一组可能被匹配的候选路径，候选路径包括从当前GPS点出发的所有可能路径以及先前GPS点到当前GPS点的所有可能路径，并根据GPS轨迹点的位置信息查询范围，建立候选路径集合；
位置前后关系分析：综合当前GPS轨迹点的速度、方向以及GPS轨迹点与路段的距离信息，来确定候选路径集合的投票范围，即确定了GPS点的状态转移概率；其中，在计算状态转移概率程中，考虑空间因素、时间因素和不同采样点视角的点间关系，并将状态转移概率矩阵按对角矩阵拼起来得到静态分数矩阵；
相互影响力建模：考虑候选点之间的相互影响，将每个采样点p定义一个(n-1)维的距离权重矩阵wi，用欧式距离表示采样点p与其他所有采样点间的权重关系，距离越大权重越小；在建立距离权重矩阵之后，将车辆轨迹点和道路地图上的候选点映射到这条路径上，并计算相似度得分，得到初始的匹配矩阵；然后根据距离权重矩阵中的权重关系来进行加权来得到观测点的距离加权函数，用于全局计算得到动态匹配矩阵；加权函数利用地图数据的拓扑结构，对距离较远的候选点进行惩罚，并反映采样点p与候选点之间的相似度；通过全局计算得到的动态匹配矩阵，更准确地确定每个采样点的匹配位置，提高匹配精度；
投票：最终得到n个加权得分矩阵，表示从不同采样点视角下的转移概率情况，用于体现采样点间的关系；每个矩阵又包含整个候选图的转移概率矩阵；为了体现采样点间的关系，对每个采样点pi视角，为每个采样点都确定一条经过该候选的最大似然路径；这些路线最终用于投票确认最优路线结果，最大限度地提高全局匹配概率。
作为更进一步的解决方案，采用基于高斯模型的核密度估计方法Gaussian KDE寻找上下车OD事件高发区域作为热点区域；其中，对于n个OD点x1,x2…xn，地理位置point上的Gaussian KDE函数表示如下：
其中，di,point是OD点xi到point的距离，r是搜索带宽，即搜索半径，是高斯核；核函数具有di,point越大核函数越小的性质，并且当di,point大于r时，核函数接近于0，即距离越远，影响越小。
作为更进一步的解决方案，对每个地理位置point与OD数据建立索引，并且在计算单个像素的核密度估计值时利用索引快速获得搜索半径内的点，累积该点的核函数值；
并根据计算时间，样本量和研究的数据选择最佳的单元大小和带宽；其中，通过基于Sliverman经验规则的带宽估算公式确定搜索带宽；
其中，Dm为平均中心的中值距离，n为加权字段的点数；SD为标准距离，并通过未加权距离公式计算：
其中，为像素点ai的坐标，/>表示像素点的平均中心，n为像素点总数。
作为更进一步的解决方案，针对路网匹配后的GPS轨迹点进行轨迹线段聚类，搜寻发现公共子轨迹并投放在道路网络中，得到关键路段并提取路段内所有候选点，设置相应的权重Key(v)，用于计算候选点的有效收益；其中，轨迹线段聚类通过Traclus轨迹聚类进行：
轨迹重新划分：根据新的距离定义来对轨迹进行重新划分；其中，使用垂直距离d⊥、平等距离d||和角度距离dθ三种距离分量来表示两条线段间的距离；
相近线段聚类：通过DBSCAN聚类将相近的线段聚类；其中，线段聚类步骤包括分段度量和寻找切分依据；
寻找代表轨迹：对所有线段进行初始化，并将线段分类为簇或噪声；其中，代表轨迹通过由簇中线段进行求平均计算得到；
计算关键轨迹：在各簇的代表轨迹中计算得到关键轨迹；其中，关键轨迹计算包括求取簇的平均向量，平均向量坐标系变换、扫描向量坐标系交点，交点复原代表轨迹和遍历求得关键轨迹。
作为更进一步的解决方案，将距离交叉路口50米的区域设为候选位置，并构建场地成本子模块目标函数、轨迹覆盖率子模块目标函数、POI覆盖率子模块目标函数和需求负荷距离子模块目标函数；通过各子模块目标函数构建有效收益目标函数并添加约束；其中，约束包括路段可达性、路段级别和道路拥堵性。
作为更进一步的解决方案，基于有效收益的选址优化：
首先根据输入的数据初始化每个候选点的初始收益；其中，距离越长的轨迹权重wtrat越大；
通过添加覆盖轨迹的权重来计算每个候选点的覆盖范围；其中，在关键路段上的候选点权重Key(v)大于其余不在关键路段上的候选点；
进行迭代计算并选出收益值最高的结果集；其中，当设置了迭代次数k值时，则迭代k次；否则直到总成本<阈值θ；迭代计算：
在每次迭代中选出当前收益最大并符合约束条件的候选点vmax加入结果集，通过最短带权路径算法计算未入选的候选点与已选点的行驶距离L是否小于最小竞争距离，如果小于则标记为已删除，带权路径的权重由拥堵性和可达性决定；
更新其他候选点的轨迹覆盖率、需求负荷距离和POI覆盖率，而当前迭代访问过的轨迹将不在下一个迭代中考虑，OD点和POI点同理，计算总收益。
作为更进一步的解决方案，在进行充电站定容时，基于区域充电需求的分配策略来确定充电站中需要设置多少个充电桩num：
其中，表示当前充电站Vi在区域K中充电需求覆盖率，peak(K)表示区域K中高峰期内的平均流量，N表示区域电动汽车保有量占汽车总量的比率。
作为更进一步的解决方案，充电桩类型包括直流快充桩、交流慢充桩和半快充桩；根据周围不同类型POI的数量和重要性，确定快慢速充电桩数量比例，其中，每个POI重要性权重是由Simos过程确定的；其中，权重的计算步骤：首先将具有相同重要性的指标组成子集，指定每个权重的排名和数量；其次，计算每个指标子集的平均非标准化权重；最后计算各指标的标准化权重。
与相关技术相比较，本发明提供的一种基于交通态势感知的电动汽车充电站规划分析方法具有如下有益效果：
本发明通过大量的网约车轨迹数据来感知城市的交通态势、提取区域的特征。帮助专家了解市民出行规律，有针对性地进行充电站建设。由于电动汽车的充电需求并非均匀分散在城市各个区域，因此需要感知城市交通态势、分析市民的出行行为；构建适用于充电站选址的布局优化模型。针对规模化电动汽车充电需求，根据充电桩建设的各种影响因素，构建子模块目标函数，结合交通态势可视分析缩小研究区域提高优化速度，设计出适用于充电站选址规划的优化模型；因此，本发明方案具备实用性和创新性。
附图说明
图1为本发明提供的电动汽车充电站规划分析方法的流程图；
图2为本发明提供的路网匹配示例图；
图3为本发明提供的轨迹点匹配的前后对比示例图；
图4为本发明提供的轨迹-道路段索引与轨迹-候选位置索引示例图；
图5为本发明提供的某一时段的KDE结果图；
图6为本发明提供的子轨迹示意图；
图7为本发明提供的三种距度量示意图；
图8为本发明提供的候选点示意图。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明。
如图1所示，本实施例提供的一种基于交通态势感知的电动汽车充电站规划分析方法，包括：交通数据预处理、交通态势感知和充电站选址模型构建；其中，
交通数据预处理：通过网约车平台和城市路网平台获取交通数据，并对交通数据进行数据预处理操作；其中，具体交通数据包括轨迹数据、订单数据、路网数据和POI数据；具体预处理操作步骤包括数据清理、路网匹配和构建索引；通过匹配算法将GPS轨迹点准确地匹配到道路网络上，并创建轨迹-道路段索引和轨迹-候选点索引存储在数据库中，以加速后续算法数据处理，索引如图4所示；
交通态势感知：用于缩小充电站规划的选址范围，通过对OD数据进行核密度分析，挖掘出多个交通量较集中的热点区域；还通过轨迹线段聚类进一步挖掘热点区域中的关键路段；其中，具体步骤包括：热点区域识别和关键路段获取；核密度分析通过Gaussian KDE进行，轨迹线段聚类通过Traclus轨迹聚类进行；
充电站选址模型构建：通过考虑影响充电站未来收益的影响因素，确定候选点的有效收益目标函数，选出多准则下总收益最大的一组建站点作为规划方案，并使用基于区域充电需求的分配策略对充电站进行定容；同时还通过对候选点覆盖的POI进行重要性加权，确定充电站中快充和慢充的桩数；其中，具体步骤包括：定义候选点位置、定义子模块目标函数、设计有效收益目标函数、基于有效收益的选址优化、充电站定容、充电桩类型选择和分配。
需要说明的是：本实施例提出了一个结合多准则的布局优化模型的分析框架来规划充电站、分配充电桩。基于大量的GPS车辆轨迹点数据和OD(Origin-Destination，OD)数据，定义建站的影响因素，采用贪婪启发式算法优化分散式充电站位置布局，使汽车去往充电站充电的成本更低，降低司机的充电焦虑；采用基于区域充电需求的分配策略来合理分配充电桩的数量，减少了充电桩的投资成本。通过大量的网约车轨迹数据来感知城市的交通态势、提取区域的特征。帮助专家了解市民出行规律，有针对性地进行充电站建设。由于电动汽车的充电需求并非均匀分散在城市各个区域，因此需要感知城市交通态势、分析市民的出行行为；构建适用于充电站选址的布局优化模型，针对规模化电动汽车充电需求，根据充电桩建设的各种影响因素，构建子模块目标函数，结合交通态势可视分析缩小研究区域提高优化速度，设计出适用于充电站选址规划的优化模型。
作为更进一步的解决方案，数据清理操作包括轨迹数据清洗、OD数据获取和POI数据维度删减；其中，轨迹数据清洗：对轨迹数据中存在的脏数据进行清洗和修正，包括缺失经纬度数据、距离极短的一段轨迹等，并保留具备分析价值的轨迹数据；OD数据获取：删除重复的订单数据，提取上车经纬度作为O点，下车经纬度为D点；POI数据维度删减：删除分析所不需要的字段，包括POI名称和所在街道字段。
需要说明的是：因数据规模庞大，具有复杂性，需要对原数据进行预处理才能保证分析结果的准确性和可靠性，以此提高数据以及系统分析质量。
如图2所示，作为更进一步的解决方案，路网匹配：通过IVMM算法将轨迹数据中的GPS轨迹点按时空序列排布到道路网络上；具体步骤包括候选道路提取、位置前后关系分析、相互影响力建模和投票；其中，
候选道路提取：每一个GPS轨迹点都有一组可能被匹配的候选路径，候选路径包括从当前GPS点出发的所有可能路径以及先前GPS点到当前GPS点的所有可能路径，并根据GPS轨迹点的位置信息查询范围，建立候选路径集合；
位置前后关系分析：综合当前GPS轨迹点的速度、方向以及GPS轨迹点与路段的距离信息，来确定候选路径集合的投票范围，即确定了GPS点的状态转移概率；其中，在计算状态转移概率程中，考虑空间因素、时间因素和不同采样点视角的点间关系，并将状态转移概率矩阵按对角矩阵拼起来得到静态分数矩阵；
相互影响力建模：考虑候选点之间的相互影响，将每个采样点p定义一个(n-1)维的距离权重矩阵wi，用欧式距离表示采样点p与其他所有采样点间的权重关系，距离越大权重越小；在建立距离权重矩阵之后，将车辆轨迹点和道路地图上的候选点映射到这条路径上，并计算相似度得分，得到初始的匹配矩阵；然后根据距离权重矩阵中的权重关系来进行加权来得到观测点的距离加权函数，用于全局计算得到动态匹配矩阵；加权函数利用地图数据的拓扑结构，对距离较远的候选点进行惩罚，并反映采样点p与候选点之间的相似度；通过全局计算得到的动态匹配矩阵，更准确地确定每个采样点的匹配位置，提高匹配精度；
投票：最终得到n个加权得分矩阵，表示从不同采样点视角下的转移概率情况，用于体现采样点间的关系；每个矩阵又包含整个候选图的转移概率矩阵；为了体现采样点间的关系，对每个采样点pi视角，为每个采样点都确定一条经过该候选的最大似然路径；这些路线最终用于投票确认最优路线结果，最大限度地提高全局匹配概率。
需要说明的是：地图匹配是指将GPS轨迹点匹配到路网中道路上的过程，是轨迹预处理的一部分。由于GPS采样存在坐标误差，实际采集的GPS轨迹点是偏离道路的，在双行道上尤其明显，部分轨迹点甚至落在相反方向的道路段上。而通常车辆只能在路网内行驶，此时就需要通过“地图匹配”判断各个轨迹点实际在哪条路上，即将轨迹序列转化为路段序列，起到修正误差的作用。轨迹数据具有GPS偏差、轨迹低采样率等情况，会影响匹配的准确率，因此需要采用较优的匹配算法将轨迹点按时空序列排布在道路网中。
本实施例采用的是IVMM算法(Interactive-voting based Map Matchingalgorithm，IVMM)。该算法基于隐马尔可夫模型，使用高斯分布来模拟观测概率转移，不仅考虑了道路的拓扑结构，还考虑了速度约束和时间特征。IVMM算法的框架包括三个重要的变量：初始概率、观测状态概率和状态转移概率。其中，初始概率指的是车辆在某一位置的初始概率，观测状态概率表示车辆在某一位置观测到某一点的概率，状态转移概率指的是车辆从一个位置转移到另一个位置的概率。通过这三个变量的组合，可以实现车辆轨迹的精确匹配。相比于其他匹配算法，该算法从全局的角度考虑了观测点之间的相关性，采用了相互投票的方式，以并行的方式计算可能的匹配结果。这种方法不仅可以减小计算的复杂度，而且还能保证算法的精度；轨迹点匹配的前后对比示例如图3所示。
作为更进一步的解决方案，采用基于高斯模型的核密度估计方法Gaussian KDE寻找上下车OD事件高发区域作为热点区域；其中，对于n个OD点x1,x2…xn，地理位置point上的Gaussian KDE函数表示如下：
其中，di,point是OD点xi到point的距离，r是搜索带宽，即搜索半径，是高斯核；核函数具有di,point越大核函数越小的性质，并且当di,point大于r时，核函数接近于0，即距离越远，影响越小。
需要说明的是：当涉及到大面积的城市空间时，被计算的数据量将大大增加，这可能会导致延迟性能，一种常用的解决方法是限制研究区域的大小，将交通量较聚集的区域作为解区域。OD交通量是衡量一个区域充电需求量的重要指标，一般来说，司机倾向于在出发点附近或者目的地附近寻找充电站为汽车充电。针对本实施例研究工作，可以通过挖掘空间聚集特征来帮助分析人员直观地了解交通量较聚集的区域，缩小选址范围，减少计算量提高算法效率。
在空间分析和建模中，常用的聚合方式是样方采集方法，即将空间划分为大小均匀的网格，并统计每个单元网格中的点数。虽然该方法实现简单，但存在以下两个问题：首先，忽略了地理现象空间分布的连续性，单元连接处的密度变化不平滑，导致聚合结果的精度下降；其次，粒度大小和单元划分方法是由分析人员根据先验经验设置的，这可能改变或忽略点密度数据之间的自相关性，从而影响后续的空间分析和建模。
为了解决这些问题，本实施例采用基于高斯模型的核密度估计方法GaussianKDE，这种方法是一种重要的非参数检验方法，通过在研究区域内生成平滑的密度表面，体现点事件的空间聚集特征，可以帮助分析人员更清晰地寻找上下车事件(OD)的高发区域。与传统聚合方式相比，Gaussian KDE可以更好地刻画地理现象在空间上的连续性，同时还可以减小粒度大小和单元划分方法的影响，从而更准确地反映点密度数据之间的自相关性。
考虑到数据量非常庞大，在进行核平滑前，先将每个地理空间像素格与OD数据建立索引，如表1所示。然后在计算某个像素的核密度估计值时利用索引快速获得搜索半径内的点，累积这些点的核函数值。
表1部分数据展示
作为更进一步的解决方案，对每个地理位置point与OD数据建立索引，并且在计算单个像素的核密度估计值时利用索引快速获得搜索半径内的点，累积该点的核函数值；
并根据计算时间，样本量和研究的数据选择最佳的单元大小和带宽；其中，通过基于Sliverman经验规则的带宽估算公式确定搜索带宽；
其中，Dm为平均中心的中值距离，n为加权字段的点数；SD为标准距离，并通过未加权距离公式计算：
其中，为像素点ai的坐标，/>表示像素点的平均中心，n为像素点总数。
需要说明的是：选择适当的网格尺寸和带宽对于获得准确的结果非常重要。Narrow带宽产生了一个平滑的密度图，所有峰值和阈值都可以被检测到，适合理解局部效应，而大带宽导致密度估计更平滑，显示出较小的变异性。因此，必须根据计算时间，样本量和研究的数据选择最佳的单元大小和带宽。本实施例确定搜索半径的方法基于“Sliverman经验规则”带宽估算公式，这种计算半径的方法通常可避免稀疏数据集中经常出现的点周围的圆环现象。
为了从时间上细粒度地观察到每个区域的流量大小变化，所以本实验从OD数据中分别提取出发点和目的点，并按小时划分，以两个小时为一个时间跨度，合并每天的同一时间跨度的数据。其中，上午8点至10点的数据如图5(a)所示，其Gaussian KDE分析结果如图5(b)所示。从图5(b)中，通过Gaussian KDE分析后，能明显地看出OD较为聚集的几个区域中，且分界线较为明显，便于后续对细粒度的空间进行分析。
作为更进一步的解决方案，针对路网匹配后的GPS轨迹点进行轨迹线段聚类，搜寻发现公共子轨迹并投放在道路网络中，得到关键路段并提取路段内所有候选点，设置相应的权重Key(v)，用于计算候选点的有效收益；其中，轨迹线段聚类通过Traclus轨迹聚类进行：
轨迹重新划分：根据新的距离定义来对轨迹进行重新划分；其中，使用垂直距离d⊥、平等距离d||和角度距离dθ三种距离分量来表示两条线段间的距离；
相近线段聚类：通过DBSCAN聚类将相近的线段聚类；其中，线段聚类步骤包括分段度量和寻找切分依据；
寻找代表轨迹：对所有线段进行初始化，并将线段分类为簇或噪声；其中，代表轨迹通过由簇中线段进行求平均计算得到；
计算关键轨迹：在各簇的代表轨迹中计算得到关键轨迹；其中，关键轨迹计算包括求取簇的平均向量，平均向量坐标系变换、扫描向量坐标系交点，交点复原代表轨迹和遍历求得关键轨迹。
需要说明的是：为了从热点区域中进一步挖掘车辆倾向行驶的路段，本实施例针对匹配后的GPS轨迹点数据做聚类，由此发现公共子轨迹，然后将子轨迹放在道路网络中，得到关键路段。后续将参考这些关键路段为所有的候选点设置相应的权重Key(v)，用于计算候选点的有效收益。
一条轨迹可能包括漫长而复杂的路径，因此，轨迹的某些部分显示出一个共同的出行行为。从图6中的轨迹线中可以清楚地看到，虚线矩形中存在一个共同的出行行为，由粗箭头表示。然而，由于轨迹线向完全不同的方向移动，如果我们将这些轨迹点直接进行聚类，很难发现共同的出行行为，因此容易错过一些关键的信息。
因此，本实施例采用了Traclus(Trajectory Clustering，简称Traclus)轨迹聚类方法，该算法基于新的划分和分组方法，将轨迹分割成一组线段，然后将相似的线段分组。这个框架称为分区和组框架。分区和组框架的主要优点是从轨迹数据集中尽可能地多地还原公共子轨迹。
算法分为三个步骤，第一步是根据新的距离定义来对轨迹进行划分。首先是线段的定义，本实施例使用三种距度量来表示两条线段间的距离，如下所示，分别是垂直距离d⊥、平等距离d||和角度距离dθ，三种距度量的计算公式如下所示。这里将较长的线段设为了Li，较短的设为了Lj，使平行距离更容易落在Li：
d||＝MIN(l||1,l||2)
dθ＝‖Lj‖×sin(θ)
其中，角度距离θ∈[90°,180°]。
第二步采用了DBSCAN聚类的思想把相近的线段聚类，该部分分为两步：分段度量和寻找切分依据。
首先把原始轨迹按照相关算法分成若干段，该算法采用MDL原则(最小描述原则)寻找划分点，通过垂直距离d⊥与角度距离dθ定义两个分段度量MDLpar和MDLno_par，如果MDLpar大于MDLno_par则在当前点的前一个点进行切分。
MDL原则是一种模型选择准则，用尽可能少的位数对数据进行编码的模型，它包括两个部分：
L(H)用于描述编码方式所需要的长度，如下公式所示：
L(D|H)用于描述所编码的数据所需要的长度，如下公式所示：
如果要判断在某个节点是否要切分，首先要计算这个节点的MDLpar和MDLno_par，然后比较MDLpar和MDLno_par的大小。如下公式所示可计算出MDLpar。当求MDLno_par时，则令公式中的L(D|H)＝0，即计算的这一段轨迹的长度MDLpar(cost)＝L(H)+L(D|H)。
第三步则找出簇中的代表轨迹，此轨迹是由簇中的线段进行平均计算获得的。轨迹线段聚类算法使用DBSCAN的思想把第一部分划分好的线段聚成簇。首先，将所有的线段都初始化为未分类的，接着通过算法将这些线段分类为簇或噪声，该算法由三个步骤组成，如表2所示。
步骤一，计算每条未分类的线段L的ε邻域。如果L被确定为核心线段，则执行第二个分支来扩展集群。集群当前只包含Nε(L)。步骤二，该步骤计算核心线段的密度连通集。函数ExpandCluster计算直接密度可达线段，并将其添加到当前簇中。如果新添加的线段未分类，则将其添加到队列Q以进行扩展，判断该线段是否为核心线段，如果已知该线段不是一个核心线段，则从队列Q中删除。步骤三，该步骤用于检查每个簇的轨迹基数。如果其轨迹基数低于阈值，则该算法滤除相应的聚类。
最后，将从上述算法中得到的轨迹簇中计算关键轨迹，其算法流程如下：
对一个簇中的所有线段求平均向量，如下公式所示：
通过如上公式对簇内的向量进行坐标轴变换，将X轴平行于第一步骤中求得的平均向量。
本实施例使用垂直X轴的扫描线来扫描整个坐标系，方向为X轴正方向。对于每个坐标系中的向量与扫描线的交点，计算其在Y轴上的投影值。如果投影值大于等于预设的阈值，那么将这些交点的Y坐标取平均数，得到坐标点(xi,)，公式如下所示。
把上述步骤生成的点旋转回原始角度，连接成一条轨迹，这条轨迹就是这个簇的代表轨迹。
对其他所有轨迹簇都重复以上步骤，得到最终的关键轨迹。
表2轨迹线段聚类算法描述
本实施例使用的轨迹点数量庞大，导致聚类时间很长，所以本实施例先将数据按时间和空间细粒度化，然后再进行聚类。
作为更进一步的解决方案，将距离交叉路口50米的区域设为候选位置，并构建场地成本子模块目标函数、轨迹覆盖率子模块目标函数、POI覆盖率子模块目标函数和需求负荷距离子模块目标函数；通过各子模块目标函数构建有效收益目标函数并添加约束；其中，约束包括路段可达性、路段级别和道路拥堵性。
需要说明的是：如图8所示，由于交叉路口覆盖的流量较多，所以本实施例将距离路口50米的区域设为候选位置，车辆进出较为方便且符合道路安全规定；如果附近有停车场，则候选点坐落在停车场里。通过参考相关文献以及与专家讨论，定义了7个影响因素，这些影响因素包括：场地成本、轨迹覆盖率、POI覆盖率、需求负荷距离、可达性、路段级别和道路拥堵性，其中，前四个因素用于设计子模块目标函数，后三个因素则作为总目标函数的约束，并通过权重组合来计算收益。
(1)影响因素1：场地成本
充电站建设成本包括土地、充电桩设备、施工、后期运维，而盈利项目只有充电服务费。由于充电站的场地需求，土地价格是比较关键的成本因素，本实验根据商业土地价格来计算每个候选点的场地成本。因为充电过程往往是行驶期间的附带活动之一并且不需要额外的等待时间，例如司机在充电的同时进行观光、购物等，所以基于停车场的充电站位置更适合长时间的电池充电。部分候选点附近存在一定数量的停车场，所以如果离候选点附近有停车场，则将候选点定在最近的停车场处，场地成本为停车场租金，否则需要根据市政府商业用地标准计算场地成本。因此，应尽量选择与停车场相连的候选点或选择商业用地价格较低的候选点，相应的条件定义为如下表达式：
Cost(V)＝∑v∈Vω(v)×R(V,v)
其中，R()表示在所有提出的目标函数中相同的充电可能性函数，A是给定道路网络中V的子集，G＝<V,E>，k表示根据需求预算选择的充电站的最大数量，ω(v)为候选点的权重，离充电站越近权重越大，passby(v,t)用于确定v∈t，根据公式下，R(A)的值越高，选择停车场A的可能性越大。
如果土地和停车场成本比较高，或者充电车位利用率过低，收益自然会受到影响。
(2)影响因素2：轨迹覆盖率
充电站所覆盖的道路中的车流量越多越好。对于电动汽车来说，随着行驶距离的增加，充电需求会逐渐增长。入选目标函数用于选择轨迹覆盖率较大的位置，长度t表示轨迹的长度：
Traj(V)＝∑t∈Tω(t)×R(V,t)
其中，T是解区域内覆盖的所有轨迹，ω(t)表示轨迹t的权重，轨迹长度越长则权重越高。
(3)影响因素3：POI覆盖率
最大化POI的覆盖范围(MCP)可以增加充电站的未来收益。由于充电过程是POI发生的主要活动的辅助过程，因此充电站周围的POI密度和类别对司机或旅客选择停车地点有重要意义。由于车辆充电耗时，从十多分钟到数小时不等，充电对于司机来说是完全不同的行为模式，在充电过程中包含其他需求，如购物、就餐，甚至看电影。因此，绝大多数充电站需要和其他商业共生，尽量建设在POI较多的地方，目标函数如下公式所示。
Poi(V)＝∑i∈Pω(i)×R(V,i)
其中，POI表示候选点近邻区域的POI集合，ω(i)表示顶点i的权重，阈值被指定为规定近邻区域。
(4)影响因素4：需求负荷距离
为了节省驾驶时间，司机更喜欢在出发点或目的地附近的车辆充电，而不是在行程中间。本实施例假设司机的意愿服从公式描述的正态分布，如公式下所示。对于正态分布，正态偏差在μ-3σ和μ+3σ之间的概率是P{|X-μ|<3σ}＝0.9974，也就是说X落在外面的概率(μ-3σ，μ+3σ)小于千分之三，即正态分布的“3σ”原理。在我们的工作中，“附近”是指给定点周围1km2的区域，3σ应相应设置为约1.0。如公式所示，我们设置 ，恰好为方差/>的标准正态分布。
给定如上公式中的概率密度函数，我们通过如下公式定义第二个目标。dis(v,t)表示从轨迹t的起点到特定位置v的距离。函数f(·)由公式下给出。
Dem(V)＝∑j∈ODω(j)×R(V,j)
R(V,t)＝max{f(dis(v,t)):v∈V}
(5)影响因素5：可达性
本实施例采用最短路径搜索算法计算道路网络中每个路口的可达性。首先基于Dijkstra算法遍历交通网络，并增加指定的成本属性，如转弯限制、交汇点阻抗、通行成本等。构建出OD成本矩阵，获得网络中从多个起始点到多个目的地的最小成本路径。然后通过反距离权重插值获得每个候选点的可达性。对于电动汽车来说，充电站应建设在车流容易到达的地方。
(6)影响因素6：路段级别
为了节省驾驶时间，司机通常不会选择在快速通道或高架桥中途充电。本工作根据道路级别设置了不同的权重，如表3所示。
表3路段级别划分
(7)影响因素7：道路拥堵性
过于拥堵的道路也不推荐建设充电站。本实施例基于轨迹点数据计算候选点所在道路的拥堵性，通行速度低于阈值的道路则不在选址的考虑范围内。
本实施例基于上述目标函数的子模块性，本实施例构建了候选点的收益评价函数，由下公式表示：
u(v)＝Key(v)×Traj(A)×δT+Dem(v)×δDem+Poi(v)×δP,
更新其他候选点的轨迹覆盖率、需求负荷距离和POI覆盖率，而当前迭代访问过的轨迹将不在下一个迭代中考虑，OD点和POI点同理，计算总收益。
作为更进一步的解决方案，基于有效收益的选址优化：
首先根据输入的数据初始化每个候选点的初始收益；其中，距离越长的轨迹权重wtrat越大；
通过添加覆盖轨迹的权重来计算每个候选点的覆盖范围；其中，在关键路段上的候选点权重Key(v)大于其余不在关键路段上的候选点；
进行迭代计算并选出收益值最高的结果集；其中，当设置了迭代次数k值时，则迭代k次；否则直到总成本<阈值θ；迭代计算：
在每次迭代中选出当前收益最大并符合约束条件的候选点vmax加入结果集，通过最短带权路径算法计算未入选的候选点与已选点的行驶距离L是否小于最小竞争距离，如果小于则标记为已删除，带权路径的权重由拥堵性和可达性决定；
作为更进一步的解决方案，在进行充电站定容时，基于区域充电需求的分配策略来确定充电站中需要设置多少个充电桩num：
其中，表示当前充电站Vi在区域K中充电需求覆盖率，peak(K)表示区域K中高峰期内的平均流量，N表示区域电动汽车保有量占汽车总量的比率。
需要说明的是：据公开数据显示，截至2019年底，成都市新能源汽车保有量有13.9万辆，汽车保有量达545.2万辆，占汽车总量2.6％。本实施例采用基于区域充电需求的分配策略来确定充电站中需要设置多少个充电桩num，公式如上所示；本实施例根据这些交通强度指标来优化充电桩的分配比例，在有限的预算下提高充电桩的利用率。
作为更进一步的解决方案，充电桩类型包括直流快充桩、交流慢充桩和半快充桩；根据周围不同类型POI的数量和重要性，确定快慢速充电桩数量比例，其中，每个POI重要性权重是由Simos过程确定的；其中，权重的计算步骤：首先将具有相同重要性的指标组成子集，指定每个权重的排名和数量；其次，计算每个指标子集的平均非标准化权重；最后计算各指标的标准化权重。
需要说明的是：充电桩类型主要分为直流快充桩，交流慢充桩，以及半快充桩。不同的充电模式满足不同的充电需求。表4中显示了基于2018年12月发布的“PEV导电接口标准”的中国各充电模式的参数。由于车辆在不同POI附近停留的时间不同，所以本文根据周围不同类型POI的数量和重要性，确定快慢速充电桩数量比例，其中，每个POI重要性权重是由Simos过程确定的。
表4中国各充电模式的参数
Simos过程是设置权重常用的一种方法，考虑了可由专家确定的重要性顺序。Simos过程的基本原理是将要设置权重的因素(如指标、属性等)按照其对目标的贡献程度进行排序，并为每个因素分配一个权重。排序可以通过专家判断、实验数据、统计分析等方法得出。
与专家讨论后，根据车辆在POI的停留时间和POI的功能重要性确定递增顺序为：rest，work，scho，live，hotel，hosp，tran，shop，land。其中hotel和live的重要性被评估为相同的，将这两个POI放在同一子集中。根据其他两个连续指标之间的差异，shop和land之间的重要性差异相差较大，所以在POI之间插入空白卡片，hosp和tran同理。
所以权重的计算步骤如下所示：
(1)首先将具有相同重要性的指标组成子集，指定每个权重的排名和数量。
(2)其次，计算每个指标子集的平均非标准化权重。
(3)最后计算各指标的标准化权重。
通过这些步骤，得到标准的重要性权重如表5所示。Simos过程将分析人员的知识和判断融入到权重设置中，同时考虑了不同POI的重要性顺序，能够更加准确地反映实际情况。
表5 POI权重计算过程
/>
当周围的POI类型为住宅或公司等，可以设置较多的慢充电桩；当周围的POI类型为交通设施服务等，则需要设置较多的快充电桩。
numq＝numall-nums
最终，慢速充电桩的数nums和快速充电桩的数量numq由上述公式计算得出。
以上仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于交通态势感知的电动汽车充电站规划分析方法，其特征在于，包括：交通数据预处理、交通态势感知和充电站选址模型构建；其中，
交通数据预处理：通过网约车平台和城市路网平台获取交通数据，并对交通数据进行数据预处理操作；其中，具体交通数据包括轨迹数据、订单数据、路网数据和POI数据；具体预处理操作步骤包括数据清理、路网匹配和构建索引；通过匹配算法将GPS轨迹点准确地匹配到道路网络上，并创建轨迹-道路段索引和轨迹-候选点索引存储在数据库中，以加速后续算法数据处理；
交通态势感知：用于缩小充电站规划的选址范围，通过对OD数据进行核密度分析，挖掘出多个交通量较集中的热点区域；还通过轨迹线段聚类进一步挖掘热点区域中的关键路段；其中，具体步骤包括：热点区域识别和关键路段获取；核密度分析通过Gaussian KDE进行，轨迹线段聚类通过Traclus轨迹聚类进行；
充电站选址模型构建：通过考虑影响充电站未来收益的影响因素，确定候选点的有效收益目标函数，选出多准则下总收益最大的一组建站点作为规划方案，并使用基于区域充电需求的分配策略对充电站进行定容；同时还通过对候选点覆盖的POI进行重要性加权，确定充电站中快充和慢充的桩数；其中，具体步骤包括：定义候选点位置、定义子模块目标函数、设计有效收益目标函数、基于有效收益的选址优化、充电站定容、充电桩类型选择和分配。
2.根据权利要求1所述的一种基于交通态势感知的电动汽车充电站规划分析方法，其特征在于，数据清理操作包括轨迹数据清洗、OD数据获取和POI数据维度删减；其中，轨迹数据清洗：对轨迹数据中存在的脏数据进行清洗和修正，包括缺失经纬度数据、距离极短的一段轨迹等，并保留具备分析价值的轨迹数据；OD数据获取：删除重复的订单数据，提取上车经纬度作为O点，下车经纬度为D点；POI数据维度删减：删除分析所不需要的字段，包括POI名称和所在街道字段。
3.根据权利要求1所述的一种基于交通态势感知的电动汽车充电站规划分析方法，其特征在于，路网匹配：通过IVMM算法将轨迹数据中的GPS轨迹点按时空序列排布到道路网络上；具体步骤包括候选道路提取、位置前后关系分析、相互影响力建模和投票；其中，
候选道路提取：每一个GPS轨迹点都有一组可能被匹配的候选路径，候选路径包括从当前GPS点出发的所有可能路径以及先前GPS点到当前GPS点的所有可能路径，并根据GPS轨迹点的位置信息查询范围，建立候选路径集合；
位置前后关系分析：综合当前GPS轨迹点的速度、方向以及GPS轨迹点与路段的距离信息，来确定候选路径集合的投票范围，即确定了GPS点的状态转移概率；其中，在计算状态转移概率程中，考虑空间因素、时间因素和不同采样点视角的点间关系，并将状态转移概率矩阵按对角矩阵拼起来得到静态分数矩阵；
相互影响力建模：考虑候选点之间的相互影响，将每个采样点p定义一个(n-1)维的距离权重矩阵wi，用欧式距离表示采样点p与其他所有采样点间的权重关系，距离越大权重越小；在建立距离权重矩阵之后，将车辆轨迹点和道路地图上的候选点映射到这条路径上，并计算相似度得分，得到初始的匹配矩阵；然后根据距离权重矩阵中的权重关系来进行加权来得到观测点的距离加权函数，用于全局计算得到动态匹配矩阵；加权函数利用地图数据的拓扑结构，对距离较远的候选点进行惩罚，并反映采样点p与候选点之间的相似度；通过全局计算得到的动态匹配矩阵，更准确地确定每个采样点的匹配位置，提高匹配精度；
投票：最终得到n个加权得分矩阵，表示从不同采样点视角下的转移概率情况，用于体现采样点间的关系；每个矩阵又包含整个候选图的转移概率矩阵；为了体现采样点间的关系，对每个采样点pi视角，为每个采样点都确定一条经过该候选的最大似然路径；这些路线最终用于投票确认最优路线结果，最大限度地提高全局匹配概率。
4.根据权利要求1所述的一种基于交通态势感知的电动汽车充电站规划分析方法，其特征在于，采用基于高斯模型的核密度估计方法Gaussian KDE寻找上下车OD事件高发区域作为热点区域；其中，对于n个OD点x1,x2…xn，地理位置point上的Gaussian KDE函数表示如下：
其中，di,point是OD点xi到point的距离，r是搜索带宽，即搜索半径，是高斯核；核函数具有di,point越大核函数越小的性质，并且当di,point大于r时，核函数接近于0，即距离越远，影响越小。
5.根据权利要求1所述的一种基于交通态势感知的电动汽车充电站规划分析方法，其特征在于，对每个地理位置point与OD数据建立索引，并且在计算单个像素的核密度估计值时利用索引快速获得搜索半径内的点，累积该点的核函数值；
并根据计算时间，样本量和研究的数据选择最佳的单元大小和带宽；其中，通过基于Sliverman经验规则的带宽估算公式确定搜索带宽；
其中，Dm为平均中心的中值距离，n为加权字段的点数；SD为标准距离，并通过未加权距离公式计算：
其中，为像素点ai的坐标，/>表示像素点的平均中心，n为像素点总数。
6.根据权利要求1所述的一种基于交通态势感知的电动汽车充电站规划分析方法，其特征在于，针对路网匹配后的GPS轨迹点进行轨迹线段聚类，搜寻发现公共子轨迹并投放在道路网络中，得到关键路段并提取路段内所有候选点，设置相应的权重Key(v)，用于计算候选点的有效收益；其中，轨迹线段聚类通过Traclus轨迹聚类进行：
轨迹重新划分：根据新的距离定义来对轨迹进行重新划分；其中，使用垂直距离d⊥、平等距离d||和角度距离dθ三种距离分量来表示两条线段间的距离；
相近线段聚类：通过DBSCAN聚类将相近的线段聚类；其中，线段聚类步骤包括分段度量和寻找切分依据；
寻找代表轨迹：对所有线段进行初始化，并将线段分类为簇或噪声；其中，代表轨迹通过由簇中线段进行求平均计算得到；
计算关键轨迹：在各簇的代表轨迹中计算得到关键轨迹；其中，关键轨迹计算包括求取簇的平均向量，平均向量坐标系变换、扫描向量坐标系交点，交点复原代表轨迹和遍历求得关键轨迹。
7.根据权利要求1所述的一种基于交通态势感知的电动汽车充电站规划分析方法，其特征在于，将距离交叉路口50米的区域设为候选位置，并构建场地成本子模块目标函数、轨迹覆盖率子模块目标函数、POI覆盖率子模块目标函数和需求负荷距离子模块目标函数；通过各子模块目标函数构建有效收益目标函数并添加约束；其中，约束包括路段可达性、路段级别和道路拥堵性。
8.根据权利要求1所述的一种基于交通态势感知的电动汽车充电站规划分析方法，其特征在于，基于有效收益的选址优化：
首先根据输入的数据初始化每个候选点的初始收益；其中，距离越长的轨迹权重wtrat越大；
通过添加覆盖轨迹的权重来计算每个候选点的覆盖范围；其中，在关键路段上的候选点权重Key(v)大于其余不在关键路段上的候选点；
进行迭代计算并选出收益值最高的结果集；其中，当设置了迭代次数k值时，则迭代k次；否则直到总成本<阈值θ；迭代计算：
在每次迭代中选出当前收益最大并符合约束条件的候选点vmax加入结果集，通过最短带权路径算法计算未入选的候选点与已选点的行驶距离L是否小于最小竞争距离，如果小于则标记为已删除，带权路径的权重由拥堵性和可达性决定；
更新其他候选点的轨迹覆盖率、需求负荷距离和POI覆盖率，而当前迭代访问过的轨迹将不在下一个迭代中考虑，OD点和POI点同理，计算总收益。
9.根据权利要求1所述的一种基于交通态势感知的电动汽车充电站规划分析方法，其特征在于，在进行充电站定容时，基于区域充电需求的分配策略来确定充电站中需要设置多少个充电桩num：
其中，表示当前充电站Vi在区域K中充电需求覆盖率，peak(K)表示区域K中高峰期内的平均流量，N表示区域电动汽车保有量占汽车总量的比率。
10.根据权利要求1所述的一种基于交通态势感知的电动汽车充电站规划分析方法，其特征在于，充电桩类型包括直流快充桩、交流慢充桩和半快充桩；根据周围不同类型POI的数量和重要性，确定快慢速充电桩数量比例，其中，每个POI重要性权重是由Simos过程确定的；其中，权重的计算步骤：首先将具有相同重要性的指标组成子集，指定每个权重的排名和数量；其次，计算每个指标子集的平均非标准化权重；最后计算各指标的标准化权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310595490.3A CN116542709A (zh) | 2023-05-24 | 2023-05-24 | 一种基于交通态势感知的电动汽车充电站规划分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310595490.3A CN116542709A (zh) | 2023-05-24 | 2023-05-24 | 一种基于交通态势感知的电动汽车充电站规划分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116542709A true CN116542709A (zh) | 2023-08-04 |
Family
ID=87454206
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310595490.3A Pending CN116542709A (zh) | 2023-05-24 | 2023-05-24 | 一种基于交通态势感知的电动汽车充电站规划分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116542709A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116957517A (zh) * | 2023-08-16 | 2023-10-27 | 武汉市工程咨询部有限公司 | 一种工程项目流程智能化管理系统 |
| CN118197095A (zh) * | 2024-05-20 | 2024-06-14 | 东揽(南京)智能科技有限公司 | 一种交通事故的安全预警方法 |
-
2023
- 2023-05-24 CN CN202310595490.3A patent/CN116542709A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116957517A (zh) * | 2023-08-16 | 2023-10-27 | 武汉市工程咨询部有限公司 | 一种工程项目流程智能化管理系统 |
| CN116957517B (zh) * | 2023-08-16 | 2023-12-19 | 武汉市工程咨询部有限公司 | 一种工程项目流程智能化管理系统 |
| CN118197095A (zh) * | 2024-05-20 | 2024-06-14 | 东揽(南京)智能科技有限公司 | 一种交通事故的安全预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Automatic intersection and traffic rule detection by mining motor-vehicle GPS trajectories | |
| CN110298500B (zh) | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 | |
| US9355063B2 (en) | Parking lot detection using probe data | |
| CN116542709A (zh) | 一种基于交通态势感知的电动汽车充电站规划分析方法 | |
| US20170336219A1 (en) | System and method for accelerating route search | |
| CN108961758B (zh) | 一种基于梯度提升决策树的路口展宽车道探测方法 | |
| US8954278B2 (en) | Speed profile dictionary | |
| CN112991743B (zh) | 基于行驶路径的实时交通风险ai预测方法及其系统 | |
| CN110555544B (zh) | 一种基于gps导航数据的交通需求估计方法 | |
| CN110851741A (zh) | 出租车载客热点识别推荐算法 | |
| CN110413855B (zh) | 一种基于出租车下客点的区域出入口动态提取方法 | |
| CN111581325B (zh) | 一种基于时空影响距离的K-means站点区域划分方法 | |
| CN104024801A (zh) | 使用有界地理区域用于导航的方法和系统 | |
| Zhang et al. | Detecting taxi travel patterns using GPS trajectory data: A case study of Beijing | |
| Zhu et al. | Green routing fuel saving opportunity assessment: A case study using large-scale real-world travel data | |
| CN117291327B (zh) | 车辆的加油站推荐方法、装置、设备及存储介质 | |
| KR20210075680A (ko) | 위치 기반 경로 데이터베이스의 관리 방법 및 이를 수행하는 서버 | |
| Albalawneh et al. | A new federated genetic algorithm-based optimization technique for multi-criteria vehicle route planning using ArcGIS network analyst | |
| Li et al. | An automatic extraction method of coach operation information from historical trajectory data | |
| Kerper et al. | Driving more efficiently-the use of inter-vehicle communication to predict a future velocity profile | |
| Albalawneh et al. | Evaluation of Using Genetic Algorithm and ArcGIS for Determining the Optimal‐Time Path in the Optimization of Vehicle Routing Applications | |
| Kong et al. | Charging pile siting recommendations via the fusion of points of interest and vehicle trajectories | |
| Stadler et al. | A method for the optimized placement of bus stops based on voronoi diagrams | |
| Yang et al. | Demonstration of intelligent transport applications using freight transport GPS data | |
| Waury et al. | Assessing the accuracy benefits of on-the-fly trajectory selection in fine-grained travel-time estimation |
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 |