CN117079459A - 混合自动驾驶交通流流速密能图谱构建方法及系统 - Google Patents
混合自动驾驶交通流流速密能图谱构建方法及系统 Download PDFInfo
- Publication number
- CN117079459A CN117079459A CN202311043411.4A CN202311043411A CN117079459A CN 117079459 A CN117079459 A CN 117079459A CN 202311043411 A CN202311043411 A CN 202311043411A CN 117079459 A CN117079459 A CN 117079459A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- energy
- energy consumption
- vehicle
- speed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001228 spectrum Methods 0.000 title claims abstract description 18
- 238000005265 energy consumption Methods 0.000 claims abstract description 135
- 230000035699 permeability Effects 0.000 claims description 52
- 230000008520 organization Effects 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 239000000446 fuel Substances 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004146 energy storage Methods 0.000 claims description 5
- 230000000712 assembly Effects 0.000 claims description 4
- 238000000429 assembly Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 238000005096 rolling process Methods 0.000 description 7
- 238000011084 recovery Methods 0.000 description 6
- 238000005381 potential energy Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000003556 assay Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- 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
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- 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
- G06F16/29—Geographical information databases
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Remote Sensing (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种混合自动驾驶交通流流速密能图谱构建方法及系统，属于混合自动驾驶交通技术领域，获取机动车的行驶工况数据和能耗数据；基于获取的机动车的行驶工况数据和能耗数据，构建基于HV和AV的混合交通流能耗模型；基于混合交通流能耗模型，分析包含车流流量、车流速度、车流密度和车流能量四要素图谱特征，构建混合自动驾驶交通流流速密能图谱。本发明从宏观层面，结合AV的微观和中观特征，分析了AV对交通流“流速密”的影响，建立了AV混合HV驾驶环境下的交通流“流量‑速度‑密度‑能量”四要素图谱库；基于AV和HV的混合交通流数据，研究不同AV混合程度的交通流场景下的交通能耗特征。
Description
技术领域
本发明涉及混合自动驾驶交通技术领域，具体涉及一种混合自动驾驶交通流流速密能图谱构建方法及系统。
背景技术
随着自动驾驶车辆(Autonomous Vehicle，简称AV)占有率的增加，交通流将长期处于包括人类驾驶车辆(Human-driving Vehicle，简称HV)和自动驾驶车辆的混合交通流状态。目前，混合交通流的研究，主要基于：1)AV的感知和自动化能力对驾驶操作精确性的改善；2)车联网技术提供的周围交通状况和交通管理中心决策等实时信息对HV的效率、反应能力和舒适度的提升；3)以及对AV的效率和可靠性的提升。研究多集中于HV和网联自动驾驶车辆(Connected and Autonomous Vehicle，简称CAV)的混合交通流的稳定性分析、不同混合程度对道路通行能力、交通运行效率和交通状态的影响等，对HV和AV混合交通流的能耗研究非常少。
交通流稳定性算法，基于交通流基本图模型、CAV渗透率和编队强度，开发了混合HV和CAV的交通流随机流动图。通过控制不同道路条件下CAV的渗透率得到对应交通流的流动扩散程度。或者基于传统交通流稳定性计算，结合AV和网联车辆(Connected Vehicle，简称CV)在不同混合程度对微观跟驰和排队行为模型的参数调整，计算不同AV/CV渗透率下交通流的线性/非线性稳定性。
道路通行能力和运行效率评估，通过对混合交通流中AV、CV和CAV进行分别的假设和建模、整合仿真和结果分析，对具体交通场景中，不同车型的不同渗透率条件下的交通流特征，包括道路通行能力，交叉口的吞吐量、车辆或者车队的行驶时间和能耗进行评估和分析。
基于宏观模型的混合交通流状态估计算法，假设CV的密度和流量可以通过本地或中央交通监测和控制单元获取，以及CV和传统车辆的速度基本相似。并基于该假设，通过模拟验证，使用真实的微观交通数据，开发CAV渗透率的模型。该方法利用估计CAV的渗透率百分比作为输入实现对交通状态的估计，特别是交通流的总密度和流量。
而一种新的的宏观基本图—排放或者能耗-基本图模型，利用大量HV的交通流数据，分析交通拥堵与车辆排放或者能耗之间的关联，来估计网络范围内的排放量和能耗量趋势，以及分析城市环境中排放和能耗的时空分布特征。
目前的混合自动驾驶交通流研究主要集中在，基于不同混合程度对交通流的单一方面的指标进行预测。对于混合交通流的稳定性、道路通行能力、交通运行效率和交通状态的评估算法都没能在宏观层面对混合交通流中由于AV对驾驶操作的精确化带来的能耗收益或者损失进行刻画评估。而排放-基本图模型主要针对区域性的单一HV交通流进行二氧化碳排放和区域交通流特征的整体刻画。现有的研究中都存在着全面性不足的问题，能够同时针对宏观交通流，AV混合HV交通流特征，以及能耗特征进行刻画的算法和模型很少。
发明内容
本发明的目的在于提供一种混合自动驾驶交通流流速密能图谱构建方法及系统，以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的，本发明采取了如下技术方案：
一方面，本发明提供一种混合自动驾驶交通流流速密能图谱构建方法，包括：
获取机动车的行驶工况数据和能耗数据；
基于获取的机动车的行驶工况数据和能耗数据，构建基于HV和AV的混合交通流能耗模型；
基于混合交通流能耗模型，分析包含车流流量、车流速度、车流密度和车流能量四要素图谱特征，构建混合自动驾驶交通流流速密能图谱。
可选的，获取机动车的行驶工况数据和能耗数据包括：
基于全球定位系统获取机动车地理位置、车行速度及时间信息；
基于车辆信息数据库，获取车辆识别码、生产年份、生产厂家、车辆总质量、排放标准、燃料类型、发动机型号、发动机排量以及最大输出功率信息；
基于车辆电池管理系统获取电动车的储能电池的状态参数、车辆逐秒的运行时间和速度信息；
基于车载故障诊断系统获取油耗车辆逐秒的运行时间、发动机的转速和输出扭矩信息。
可选的，构建基于HV和AV的混合交通流能耗模型，包括：引入机动车比功率，评估AV和HV的车辆能耗：
其中，VSP为轻型小汽车的机动车比功率，KE为车辆动能；PE为车辆势能；Frolling为滚动摩擦系数；FAerodynamic为风阻系数；v为车辆速度；a为加速度；g为重力加速度；θ为坡度；轻型小客车的系数A、B、C；m为轻型小客车质量。
可选的，渗透率指特定区域或特定车辆群体中某类型车辆数量占总车辆数量的比例：
P0＝1-P1
其中，P1是AV的渗透率；P0是HV的渗透率；Ai为第i辆车的属性，若为AV则为1，若为HV则为0；Nt为总车辆数；
将VSP标准差的调整系数记为符号coe，计算公式如下：
其中，σk为第k辆车的VSP标准差，k为实际混合交通流车队的目标车辆；σd_HV和σd_AV为分别HV和AV的VSP期望标准差；为平均行程速度；
车队组织形式定义为不同渗透率下不同coe取值的车辆比例的集合PI：
PI＝[PIAV,coe,PIHV,coe]
其中，PIAV,coe是AV中参数取值为coe的比例；PIHV,coe是HV中参数取值为coe的比例。
可选的，不同车队组织形式下的能耗因子计算，包括：
假设AV和HV的VSP分布均符合正态分布，能耗因子定义为机动车行驶单位距离所消耗的能量，用于量化机动车的能耗强度，在均衡态交通流的情况下，一定平均行程速度下的VSP分布对应的能耗率是VSP分布的积分，依据速度进行转换，考虑车辆类型和交通环境发生变化的影响，结合不同能源类型和动力总成下输出牵引功率对应的能耗率，可得能耗因子。
可选的，不同车队组织形式下的流量计算，包括：计算混合交通流中的车头时距；基于混合交通流的拥堵密度、临界速度、临界密度和通行能力四个参数，结合经典交通流基本图模型，计算得到混合交通流情况下的流量。
第二方面，本发明提供一种混合自动驾驶交通流流速密能图谱构建系统，包括：
获取模块，用于获取机动车的行驶工况数据和能耗数据；
构建模块，用于基于获取的机动车的行驶工况数据和能耗数据，构建基于HV和AV的混合交通流能耗模型；
分析模块，用于基于混合交通流能耗模型，分析包含车流流量、车流速度、车流密度和车流能量四要素图谱特征，得到混合自动驾驶交通流流速密能图谱。
第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的混合自动驾驶交通流流速密能图谱构建方法。
第四方面，本发明提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如上所述的混合自动驾驶交通流流速密能图谱构建方法。
第五方面，本发明提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的混合自动驾驶交通流流速密能图谱构建方法的指令。
本发明有益效果：从宏观层面，结合AV的微观和中观特征，分析了AV对交通流“流速密”的影响，建立了AV混合HV驾驶环境下的交通流“流量-速度-密度-能量”四要素图谱库；基于AV和HV的混合交通流数据，研究不同AV混合程度的交通流场景下的交通能耗特征，可以为现阶段和将来AV和HV混合行驶下的道路能耗监管和治理提供理论和技术支撑。
本发明附加方面的优点，将在下述的描述部分中更加明显的给出，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例所述的混合自动驾驶交通流流速密能图谱构建方法流程图。
图2为本发明实施例所述的以电耗回收情景为基础考虑AV的波动传递的情况下的不同AV渗透率下的交通流“流-速-密-能”图谱。
图3为本发明实施例所述的某市快速路和高速路路网能耗强度示意图。
图4为本发明实施例所述的某市快速路和高速路路网24小时能耗示意图。
具体实施方式
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
实施例1
本实施例1中，首先提供了一种混合自动驾驶交通流流速密能图谱构建系统，包括：获取模块，用于获取机动车的行驶工况数据和能耗数据；构建模块，用于基于获取的机动车的行驶工况数据和能耗数据，构建基于HV和AV的混合交通流能耗模型；分析模块，用于基于混合交通流能耗模型，分析包含车流流量、车流速度、车流密度和车流能量四要素图谱特征，得到混合自动驾驶交通流流速密能图谱。
本实施例1中，利用上述的系统实现了混合自动驾驶交通流流速密能图谱构建方法，包括：获取机动车的行驶工况数据和能耗数据；基于获取的机动车的行驶工况数据和能耗数据，构建基于HV和AV的混合交通流能耗模型；基于混合交通流能耗模型，分析包含车流流量、车流速度、车流密度和车流能量四要素图谱特征，构建混合自动驾驶交通流流速密能图谱。
获取机动车的行驶工况数据和能耗数据包括：
基于全球定位系统获取机动车地理位置、车行速度及时间信息；
基于车辆信息数据库，获取车辆识别码、生产年份、生产厂家、车辆总质量、排放标准、燃料类型、发动机型号、发动机排量以及最大输出功率信息；
基于车辆电池管理系统获取电动车的储能电池的状态参数、车辆逐秒的运行时间和速度信息；
基于车载故障诊断系统获取油耗车辆逐秒的运行时间、发动机的转速和输出扭矩信息。
构建基于HV和AV的混合交通流能耗模型，包括：引入机动车比功率，评估AV和HV的车辆能耗：
其中，VSP为轻型小汽车的机动车比功率，KE为车辆动能；PE为车辆势能；Frolling为滚动摩擦系数；FAerodynamic为风阻系数；v为车辆速度；a为加速度；g为重力加速度；θ为坡度；轻型小客车的系数A、B、C；m为轻型小客车质量。
渗透率指特定区域或特定车辆群体中某类型车辆数量占总车辆数量的比例：
P0＝1-P1
其中，P1是AV的渗透率；P0是HV的渗透率；Ai为第i辆车的属性，若为AV则为1，若为HV则为0；Nt为总车辆数；
将VSP标准差的调整系数记为符号coe，计算公式如下：
其中，σk为第k辆车的VSP标准差，k为实际混合交通流车队的目标车辆；σd_HV和σd_AV为分别HV和AV的VSP期望标准差；为平均行程速度；
车队组织形式定义为不同渗透率下不同coe取值的车辆比例的集合PI：
PI＝[PIAV,coe,PIHV,coe]
其中，PIAV,coe是AV中参数取值为coe的比例；PIHV,coe是HV中参数取值为coe的比例。
不同车队组织形式下的能耗因子计算，包括：假设AV和HV的VSP分布均符合正态分布，能耗因子定义为机动车行驶单位距离所消耗的能量，用于量化机动车的能耗强度，在均衡态交通流的情况下，一定平均行程速度下的VSP分布对应的能耗率是VSP分布的积分，依据速度进行转换，考虑车辆类型和交通环境发生变化的影响，结合不同能源类型和动力总成下输出牵引功率对应的能耗率，可得能耗因子。
不同车队组织形式下的流量计算，包括：计算混合交通流中的车头时距；基于混合交通流的拥堵密度、临界速度、临界密度和通行能力四个参数，结合经典交通流基本图模型，计算得到混合交通流情况下的流量。
利用随速度变化的能耗因子和流量建立了“流-速-密-能”图谱模型，包括速度、密度、流量和能量四要素。
交通流中的流量定义为单位时间t内通过某个给定点或区域x的车辆数，速度定义为单位时间内通过某个给定点或区域的距离，密度定义为车辆数与空间的比值。空间平均速度/平均行程速度是耦合过程的关键参数，能量定义为能耗因子和流量的乘积，能量对应的速度是均衡态下的平均行程速度。
E(x,t)＝EF(x,t)·q(x,t)
q(x,t)＝k(x,t)·v(x,t)
v(x,t)＝L/T
k(x,t)＝N/S
其中，k为交通流密度；v为速度；E为能量；EF为能耗因子；L为行驶距离；T为行驶时间；N是通过给定点或区域的车辆数；S是区域面积，若为单车道，则S和L在数值上相等。
实施例2
本实施例2中，提供了一种基于HV和AV的混合自动驾驶交通流“流速密能”图谱构建方法，该方法从宏观层面，结合AV的微观和中观特征，分析了AV对交通流“流速密”的影响，建立了AV混合HV驾驶环境下的交通流“流量-速度-密度-能量”四要素图谱库。该方法主要通过机动车的行驶工况数据和能耗数据，构建基于HV和AV的混合交通流能耗模型，该模型可在混合交通流中具体分析“流量-速度-密度-能量”四要素图谱特征，并应用于实际的交通场景案例中。技术流程图如图1所示。
本实施例中使用的数据包含机动车的行驶工况数据和能耗数据。行驶工况数据用于分析机动车在道路上的移动特征，是计算能耗并构建能耗模型的基础，可以从全球定位系统数据和车辆信息数据中获取。为了建立行驶工况和能耗之间的联系并将其耦合至数学模型中，需要收集不同场景、速度和加速度下的能耗率数据，可以从车辆电池管理系统数据中计算获取。
全球定位系统(GPS)是一种以空中卫星为基础的高精度无线电导航的定位系统，它在全球任何地方以及近地空间都能够提供准确的地理位置、车行速度及精确的时间信息。通过车载GPS实时获取混合交通流中车辆逐秒精确的经纬度、车辆行驶速度以及车辆运行时间等信息。
车辆信息数据是大数据监控平台的底层静态数据，用于查询车辆的具体属性信息。通过车辆信息数据库，可以获取车辆识别码、生产年份、生产厂家、车辆总质量、排放标准、燃料类型、发动机型号、发动机排量、最大输出功率等信息。
车辆电池管理系统(Battery Management System，简称BMS)是电动车电池储能系统的核心子系统之一，能够实时监控、采集储能电池的状态参数(包括但不限于单体电池电压、电池极柱温度、电池回路电流、电池组端电压、电池系统绝缘电阻等)。因此，需要通过BMS或其他车辆电池管理系统，实时获取车辆逐秒的运行时间、速度、电池电压和电流等信息。
车载故障诊断系统(On-Board Diagnostics，简称OBD)是油耗车中一种为汽车故障诊断而延伸出来的一种检测系统。OBD实时监测发动机、催化转化器、颗粒捕集器、氧传感器、排放控制系统、燃油系统、EGR等系统和部件，然后通过相关部件联接到车辆电子控制单元(Electronic Control Unit，简称ECU)。因此，需要通过OBD实时获取车辆逐秒的运行时间、发动机的转速、输出扭矩等信息。
本实施例2中，构建基于人类驾驶和自动驾驶混合交通流的能耗模型，具体包括以下方案：
交通流功率分布的常用参数是机动车比功率(Vehicle Specific Power，简称VSP)，用于反映车辆在实际道路上的发动机输出功率，定义为发动机每移动单位质量的输出功率，单位为kW/t或W/kg。VSP可以视为与速度、加速度和质量相关参数的函数，综合考虑了机动车发动机做功的用途，包括动能变化、势能变化以及克服滚动摩擦阻力和空气阻力。引入参数VSP对于准确评估AV和HV的车辆能耗而言至关重要，其计算方法如公式(2-1)所示。
其中，VSP为轻型小汽车比功率，kW/ton；KE为车辆动能；PE为车辆势能；Frolling为滚动摩擦系数；FAerodynamic为风阻系数；v为速度，m/s；a为加速度，m/s2；g为重力加速度，9.8m/s2；θ为坡度；轻型小客车的系数A、B、C分别为0.156461kW·s/m，0.00200193kW·s2/m2和0.000492646kW·s3/m3；m为轻型小客车质量，1.4788ton。
本实施例中，定义了不同车队组织形式，以计算能耗因子和流量。
对于不同车队组织形式的定义，本实施例中的渗透率专门指代AV的渗透率，即特定区域或特定车辆群体中使用AV技术的车辆数量占总车辆数量的比例。AV和HV的渗透率分别如公式(2-2)和(2-3)所示。
P0＝1-P1 (2-3)
其中，P1是AV的渗透率；P0是HV的渗透率；Ai为第i辆车的属性，若为AV则为1，若为HV则为0；Nt为总车辆数。
理论状态下，在AV和HV的混合交通流车队中，后车更倾向于在与前车驾驶轨迹相似的范围内行驶，车辆根据其属性设定期望行驶轨迹(即AV期望轨迹较HV更加稳定)并倾向于沿队列按照期望轨迹行驶。本实施例中在此基础上构建AV和HV的车队能耗模型。
将VSP标准差的调整系数记为符号coe，计算公式如下：
其中，σk为第k辆车的VSP标准差，k为实际混合交通流车队的目标车辆；σd_HV和σd_AV为分别HV和AV的VSP期望标准差，HV的期望标准差可以通过公式(2-5)计算得到，AV的期望标准差定义为0；为平均行程速度，km/h，其计算严格遵循总距离除以总时间的平均行程速度定义。
本实施例中的车队组织形式定义为不同渗透率下，不同coe取值的车辆比例的集合PI，由公式(2-6)、(2-7)和(2-8)计算得来。
(2-6)
(2-7)
PI＝[PIAV,coe,PIAV,coe] (2-8)
其中，PIAV,coe是AV中参数取值为coe的比例；PIAV,coe是HV中参数取值为coe的比例；PI则定义为上述两个参数的集合。
对于不同车队组织形式下的能耗因子计算，包括：
本实施例中，假设AV和HV的VSP分布均符合正态分布。AV和HV的VSP分布的表达形式如公式(2-9)至(2-10)所示。
其中，fk(VSP)为第k辆车的VSP分布；μk为VSP均值，kW/ton。
能耗因子定义为机动车行驶单位距离所消耗的能量，单位kW·h/km，用于量化机动车的能耗强度。在均衡态交通流的情况下，一定平均行程速度下的VSP分布对应的能耗率是VSP分布的积分，依据速度进行转换可得能耗因子。能量转换效率为100％时的能耗因子如公式(2-11)所示。
其中，为平均行程速度为/>时的能耗因子，kW·h/km；L为车辆行驶距离，km；EC为行驶距离为L时的车辆能耗，kW；T为车辆行驶L距离时的行驶时间。
考虑车辆类型和交通环境(如排量、质量、发动机、车龄、温度、路面类型、坡度、风速和风向)发生变化的影响，公式(2-11)可以改写为(2-12)。
ERVSP为不同能源类型和动力总成下，输出牵引功率VSP对应的能耗率，kW。ERVSP由BMS或OBD输出的不同VSP区间下的能耗率均值确定，附录中附表1为1.6L排量的轻型油耗小客车和美国阿贡国家实验室实测梅赛德斯奔驰电动车在不同VSP区间下的能耗率。
不同组织形式下的流量计算，包括：
混合交通流中的车头时距表达形式如下式公式(2-13)所示。
其中，为混合交通流平均车头时距；pcoe为不同coe取值的车辆占总车辆的比例；hcoe为不同coe取值的车辆的车头时距，等于实际混合交通流中相同coe取值的所有车辆的车头时距均值。
混合交通流的关键参数包括拥堵密度、临界速度、临界密度和通行能力。临界速度随AV渗透率的上升而上升，当渗透率为100％时达到自由速度。本实施例中，假设临界速度与AV的渗透率呈线性关系，但是自由流速度所能达到的上限受到AV的VSP标准差的限制，假设将其限制为1/2次方关系。四个关键参数分别如公式(2-14)至(2-18)所示。
kj＝1/(s0·P0+l) (2-14)
vc＝P1·(vmax0-vm)+vm (2-16)
dc＝qmax/vc (2-18)
其中，kj，qmax，vc，dc分别为阻塞密度、通行能力、临界速度和临界密度；s0是HV的最小停车间距，假设为2m；l为车长，假设为4.5m；vm是HV的临界速度，假设为40km/h；vf为自由流速度，假设为100km/h；vmax0为假设的临界速度在当前渗透率下能够达到的上限。
以经典交通流基本图模型VanAerde模型为例，代入相应参数可以得到混合交通流情况下的流量，计算过程如公式(2-19)所示。
其中，q为流量，pcu/hour。
本实施例中，对于混合交通流图谱的构建，利用随速度变化的能耗因子和流量建立了“流-速-密-能”图谱模型，包括速度、密度、流量和能量四要素。交通流中的流量定义为单位时间t内通过某个给定点或区域x的车辆数，速度定义为单位时间内通过某个给定点或区域的距离，密度定义为车辆数与空间的比值。空间平均速度/平均行程速度是耦合过程的关键参数，能量定义为能耗因子和流量的乘积，能量对应的速度是均衡态下的平均行程速度。
E(x,t)＝EF(x,t)·q(x,t) (2-20)
q(x,t)＝k(x,t)·v(x,t) (2-21)
v(x,t)＝L/T (2-22)
k(x,t)＝N/S (2-23)
其中，k为交通流密度；v为速度；E为能量；EF为能耗因子；L为行驶距离；T为行驶时间；N是通过给定点或区域的车辆数；S是区域面积，若为单车道，则S和L在数值上相等。
本实施例中，考虑波动传递情况下的“流-速-密-能”图谱分析，如图2所示，电耗情况不同渗透率下的交通流“流速密能”上限和下限(波动传递理论状态)。以电耗回收情景为基础，在考虑AV的波动传递的情况下，给出了不同AV渗透率下的交通流“流-速-密-能”图谱。由于HV和AV车队的组织形式多样性，要素图谱对应着上下限围绕的区域。图谱主要有以下规律：在速度-能量方面，能量随着平均速度的上升先上升后下降。在低速区间，随速度上升，能耗因子和流量均上升，能量上升；在高速区间，流量下降速率高于能耗因子上升速率，能量随速度上升而下降。在密度-能量方面，速度和密度呈负相关，密度-能量关系与速度-能量详细呈现了表现相似但实际相反的规律。在流量-能量方面，同一流量可以同时对应低速/高速下的拥堵/非拥堵状态。在低速状态下，流量上升，速度和能耗因子上升，能量随之上升；在高速状态下，随速度上升能耗因子下降速率低于流量上升速率，因此对应能量随之上升。
更高的渗透率拥有更高的通行能力，这是因为本节假设AV在各个速度区间有着降低车头时距的潜力，越低的车头时距意味着更高的通行能力；更高的渗透率有着更高的临界速度，这是因为在纯理论状态下，AV能提升临界速度；更高的渗透率下有着更高的阻塞密度，这是因为在理论状态下AV的最小安全间距可视作0。
本实施例2中，提供了“流-速-密-能”图谱在路网能耗案例中的应用。基于人类驾驶和自动驾驶的混合交通流的“流-速-密-能”图谱模型，以某市高速路和快速路为研究对象，构建了交通网和能源网的两网融合案例，分析了随着AV渗透率上升的路网电能消耗变化规律，为路网电能动态分析和动态管控政策的出台提供了先行理论指导和技术基础。
速度数据采用2022年1月30日的该某市浮动车作为输入，输入字段包含道路编号、道路类型、区域、车道数和速度，如表1所示。案例应用中研究时段为6点-23点(凌晨时段的速度和流量之间已经失去了其基本关系，变为自由流速度)。为保证速度数据和能耗率数据的统一性，案例包含两个假设：1.道路上的车辆均为电动轻型小客车且能耗率与所采集的电动车数据一致；2.AV的渗透率上升，导致通行能力变化，道路上的车辆数也会随之变化并达到与现状一致的速度状态。
表1道路属性和速度表
如图3为理论状态且考虑波动传递状态下，AV渗透率分别为0、50％不平稳、50％平稳、100％时的路网能耗强度。对比AV的渗透率为0和100％的情况发现，随着渗透率上升，路网能耗强度显著提升，渗透率的改变对路网能耗的影响显著。在AV渗透率上升至50％时，即使处在非平稳状态，其对能耗的影响依旧显著。车队组织形态的变化在一定渗透率区间下对能耗的影响也是明显的，如当AV渗透率为50％且平稳行驶时，其能耗强度显著高于非平稳行驶的状态。
如图4所示，AV渗透率为0、AV渗透率为0.5且车队不稳定、AV渗透率为0.5且车队稳定和AV渗透率为1四种情况下的该某市快速路和高速路路网24小时能耗，能耗随着时间的变化并不显著，这是因为在高速路和快速路，速度分布随时间的变化不明显。同时，渗透率和组织形式对路网能耗强度的影响也对管制措施的精细化提出了更高要求。
本实施例中，提供ERVSP在实验测定法和公示拟合法下的计算数据。表2为通过实验测定法获取的燃油车、开启能量回收的电动车和不开启能量回收的电动车在不同比功率区间下的能耗率数据，即ERVSP的计算数据。
表2燃油车、开启能量回收的电动车和不开启能量回收的电动车在不同比功率下的能耗率
/>
实施例3
本实施例3提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的混合自动驾驶交通流流速密能图谱构建方法，该方法包括：
获取机动车的行驶工况数据和能耗数据；
基于获取的机动车的行驶工况数据和能耗数据，构建基于HV和AV的混合交通流能耗模型；
基于混合交通流能耗模型，分析包含车流流量、车流速度、车流密度和车流能量四要素图谱特征，构建混合自动驾驶交通流流速密能图谱。
实施例4
本实施例4提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行混合自动驾驶交通流流速密能图谱构建方法，该方法包括：
获取机动车的行驶工况数据和能耗数据；
基于获取的机动车的行驶工况数据和能耗数据，构建基于HV和AV的混合交通流能耗模型；
基于混合交通流能耗模型，分析包含车流流量、车流速度、车流密度和车流能量四要素图谱特征，构建混合自动驾驶交通流流速密能图谱。
实施例5
本实施例5提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现混合自动驾驶交通流流速密能图谱构建方法的指令，该方法包括：
获取机动车的行驶工况数据和能耗数据；
基于获取的机动车的行驶工况数据和能耗数据，构建基于HV和AV的混合交通流能耗模型；
基于混合交通流能耗模型，分析包含车流流量、车流速度、车流密度和车流能量四要素图谱特征，构建混合自动驾驶交通流流速密能图谱。
综上所述，本发明实施例提出的混合自动驾驶交通流流速密能图谱构建方法，基于车辆功率的能耗模型，通过耦合能量和交通流的流量、速度和密度三参数，建立了基于人类驾驶和自动驾驶的混合交通流能耗模型，克服了在混合交通流领域能量与交通流基本参数联系不紧密的缺陷。此模型在仿真模拟条件和实测数据条件下均具有良好的适用性。相较于传统混合交通流的组织形式，考虑了更全面多样的车队组织形式对能耗特征的影响。将交通网和能源网相融合，分析了在路网运行速度下，当交通流为包括自动驾驶和人类驾驶的混合交通流时，其渗透率和组织形式对路网能耗的影响，为路网能耗动态分析和管控政策实施提供理论指导和技术支持。
本发明通过探索流量、速度、密度、能量四要素之间的关系，研究发现，不同的车队组织形式和渗透率组合下的“流速密能”四要素图谱中的任一要素和其他要素之间存在一对一或一对二的数学关系，建立了考虑人类驾驶和自动驾驶混合状态下的“流-速-密-能”图谱。通过对人类驾驶和自动驾驶混合组织形式的定义进行创新，定义了一种新的组织形式表征参数，更加全面地覆盖了混合交通流的组织形式，提升了对不同路网交通流组织形式的刻画能力。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种混合自动驾驶交通流流速密能图谱构建方法，其特征在于，包括：
获取机动车的行驶工况数据和能耗数据；
基于获取的机动车的行驶工况数据和能耗数据，构建基于HV和AV的混合交通流能耗模型；
基于混合交通流能耗模型，分析包含车流流量、车流速度、车流密度和车流能量四要素图谱特征，构建混合自动驾驶交通流流速密能图谱。
2.根据权利要求1所述的混合自动驾驶交通流流速密能图谱构建方法，其特征在于，获取机动车的行驶工况数据和能耗数据包括：
基于全球定位系统获取机动车地理位置、车行速度及时间信息；
基于车辆信息数据库，获取车辆识别码、生产年份、生产厂家、车辆总质量、排放标准、燃料类型、发动机型号、发动机排量以及最大输出功率信息；
基于车辆电池管理系统获取电动车的储能电池的状态参数、车辆逐秒的运行时间和速度信息；
基于车载故障诊断系统获取油耗车辆逐秒的运行时间、发动机的转速和输出扭矩信息。
3.根据权利要求1所述的混合自动驾驶交通流流速密能图谱构建方法，其特征在于，构建基于HV和AV的混合交通流能耗模型，包括：引入机动车比功率，评估AV和HV的车辆能耗，结合渗透率确定不同渗透率下的车队组织形式；
其中，渗透率指特定区域或特定车辆群体中某类型车辆数量占总车辆数量的比例：
P0＝1-P1
其中，P1是AV的渗透率；P0是HV的渗透率；Ai为第i辆车的属性，若为AV则为1，若为HV则为0；Nt为总车辆数。
4.根据权利要求3所述的混合自动驾驶交通流流速密能图谱构建方法，其特征在于，将VSP标准差的调整系数记为符号coe，计算公式如下：
其中，σk为第k辆车的VSP标准差，k为实际混合交通流车队的目标车辆；σd_HV和σd_AV为分别HV和AV的VSP期望标准差；为平均行程速度；
车队组织形式定义为不同渗透率下不同coe取值的车辆比例的集合PI：
PI＝[PIAV,coe,PIHV,coe]
其中，PIAV,coe是AV中参数取值为coe的比例；PIHV,coe是HV中参数取值为coe的比例。
5.根据权利要求4所述的混合自动驾驶交通流流速密能图谱构建方法，其特征在于，不同车队组织形式下的能耗因子计算，包括：
假设AV和HV的VSP分布均符合正态分布，能耗因子定义为机动车行驶单位距离所消耗的能量，用于量化机动车的能耗强度，在均衡态交通流的情况下，一定平均行程速度下的VSP分布对应的能耗率是VSP分布的积分，依据速度进行转换，考虑车辆类型和交通环境发生变化的影响，结合不同能源类型和动力总成下输出牵引功率对应的能耗率，可得能耗因子。
6.根据权利要求5所述的混合自动驾驶交通流流速密能图谱构建方法，其特征在于，不同车队组织形式下的流量计算，包括：计算混合交通流中的车头时距；基于混合交通流的拥堵密度、临界速度、临界密度和通行能力四个参数，结合经典交通流基本图模型，计算得到混合交通流情况下的流量。
7.一种混合自动驾驶交通流流速密能图谱构建系统，其特征在于，包括：
获取模块，用于获取机动车的行驶工况数据和能耗数据；
构建模块，用于基于获取的机动车的行驶工况数据和能耗数据，构建基于HV和AV的混合交通流能耗模型；
分析模块，用于基于混合交通流能耗模型，分析包含车流流量、车流速度、车流密度和车流能量四要素图谱特征，得到混合自动驾驶交通流流速密能图谱。
8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如权利要求1-6任一项所述的混合自动驾驶交通流流速密能图谱构建方法。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如权利要求1-6任一项所述的混合自动驾驶交通流流速密能图谱构建方法。
10.一种电子设备，其特征在于，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如权利要求1-6任一项所述的混合自动驾驶交通流流速密能图谱构建方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311043411.4A CN117079459A (zh) | 2023-08-18 | 2023-08-18 | 混合自动驾驶交通流流速密能图谱构建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311043411.4A CN117079459A (zh) | 2023-08-18 | 2023-08-18 | 混合自动驾驶交通流流速密能图谱构建方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117079459A true CN117079459A (zh) | 2023-11-17 |
Family
ID=88719014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311043411.4A Pending CN117079459A (zh) | 2023-08-18 | 2023-08-18 | 混合自动驾驶交通流流速密能图谱构建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117079459A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313437A (zh) * | 2023-11-30 | 2023-12-29 | 中汽研汽车检验中心（天津）有限公司 | 交通流对能耗排放影响测试方法、装置、设备与存储介质 |
| CN117591617A (zh) * | 2023-11-21 | 2024-02-23 | 交通运输部规划研究院 | 一种混合交通流动态能耗测算方法、装置及可读存储介质 |
-
2023
- 2023-08-18 CN CN202311043411.4A patent/CN117079459A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117591617A (zh) * | 2023-11-21 | 2024-02-23 | 交通运输部规划研究院 | 一种混合交通流动态能耗测算方法、装置及可读存储介质 |
| CN117313437A (zh) * | 2023-11-30 | 2023-12-29 | 中汽研汽车检验中心（天津）有限公司 | 交通流对能耗排放影响测试方法、装置、设备与存储介质 |
| CN117313437B (zh) * | 2023-11-30 | 2024-02-13 | 中汽研汽车检验中心（天津）有限公司 | 交通流对能耗排放影响测试方法、装置、设备与存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Development of a representative urban driving cycle construction methodology for electric vehicles: A case study in Xi’an | |
| Zhao et al. | Construction of electric vehicle driving cycle for studying electric vehicle energy consumption and equivalent emissions | |
| Kivekäs et al. | Stochastic driving cycle synthesis for analyzing the energy consumption of a battery electric bus | |
| Yang et al. | Eco-driving system for connected automated vehicles: Multi-objective trajectory optimization | |
| CN117079459A (zh) | 混合自动驾驶交通流流速密能图谱构建方法及系统 | |
| Manzie et al. | Fuel economy improvements for urban driving: Hybrid vs. intelligent vehicles | |
| Ericsson | Independent driving pattern factors and their influence on fuel-use and exhaust emission factors | |
| Hu et al. | Differences in energy consumption in electric vehicles: an exploratory real‐world study in Beijing | |
| CN108198425A (zh) | 一种电动汽车行驶工况的构建方法 | |
| Tannahill et al. | Driver alerting system using range estimation of electric vehicles in real time under dynamically varying environmental conditions | |
| Yi et al. | Effects of environmental factors on electric vehicle energy consumption: a sensitivity analysis | |
| Fontes et al. | Are HOV/eco-lanes a sustainable option to reducing emissions in a medium-sized European city? | |
| CN112224089A (zh) | 基于能耗的行程规划方法、装置、电子设备及存储介质 | |
| Hjelkrem et al. | Estimation of tank-to-wheel efficiency functions based on type approval data | |
| Mamarikas et al. | Traffic impacts on energy consumption of electric and conventional vehicles | |
| CN105957348B (zh) | 一种基于gis和pems的城市公交线路节点处排放估算方法 | |
| Xu et al. | A scalable energy modeling framework for electric vehicles in regional transportation networks | |
| Chacko et al. | Optimization & validation of Intelligent Energy Management System for pseudo dynamic predictive regulation of plug-in hybrid electric vehicle as donor clients | |
| Bhatti et al. | Development and analysis of electric vehicle driving cycle for hilly urban areas | |
| Hao et al. | Connected Eco-approach and Departure System for Diesel Trucks | |
| Rama et al. | Route-optimized energy management of connected and automated multi-mode plug-in hybrid electric vehicle using dynamic programming | |
| Śmieszek et al. | Determining the fuel consumption of a public city bus in urban traffic | |
| Pi et al. | Automotive platoon energy-saving: A review | |
| Faria et al. | Assessing energy consumption impacts of traffic shifts based on real-world driving data | |
| Yang et al. | Data-driven analysis of battery electric vehicle energy consumption under real-world temperature conditions |
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 |