考慮交通環(huán)境和純電動(dòng)汽車電池電量的動(dòng)態(tài)路徑規(guī)劃方法

史云陽(yáng),苗 陽(yáng),席殷飛,張 奇,劉志遠(yuǎn)

(東南大學(xué)交通學(xué)院,南京211189)

“開展綠色出行行動(dòng),倡導(dǎo)綠色低碳出行理念”是我國(guó)推動(dòng)綠色交通、智慧交通,實(shí)現(xiàn)交通強(qiáng)國(guó)戰(zhàn)略目標(biāo)的重要環(huán)節(jié).隨著社會(huì)經(jīng)濟(jì)的發(fā)展和生活水平的不斷提高,人們對(duì)汽車的需求量逐年大幅度上漲,同時(shí)汽車尾氣的排放對(duì)環(huán)境造成極其嚴(yán)重的影響.面對(duì)嚴(yán)峻的環(huán)境問題,我國(guó)大力倡導(dǎo)“低碳生活,綠色出行”“節(jié)能環(huán)保我先行”,一大批新興節(jié)能環(huán)保朝陽(yáng)產(chǎn)業(yè)應(yīng)運(yùn)而生,而新能源汽車產(chǎn)業(yè)橫空出世,既能滿足人們的需求,又能降低對(duì)環(huán)境的破壞,實(shí)現(xiàn)對(duì)環(huán)境的“零”傷害.發(fā)展和推廣新能源汽車是城市可持續(xù)發(fā)展的重要舉措之一,新能源汽車也逐漸成為居民選擇出行工具的一個(gè)重要選項(xiàng),這使得在交通領(lǐng)域中新能源汽車的應(yīng)用研究將成為未來幾年的重點(diǎn)方向[1].

目前,我國(guó)正處于從傳統(tǒng)汽車的使用向以新能源汽車為代表的新型交通工具使用的轉(zhuǎn)變中．而其中純電動(dòng)汽車以其有可充電電池提供動(dòng)力,實(shí)現(xiàn)真正的零排放的特點(diǎn)被認(rèn)為是未來交通出行的首選.因此,純電動(dòng)汽車市場(chǎng)也是中國(guó)新能源汽車的主流市場(chǎng).為了滿足城市內(nèi)部及城際新能源汽車出行的需求,推進(jìn)新能源在交通領(lǐng)域的廣泛使用,我國(guó)在高速公路服務(wù)區(qū)和城市內(nèi)均布設(shè)了大量的充電設(shè)備.截至2019年底,我國(guó)新能源汽車保有量380萬,充電樁達(dá)到120多萬個(gè).從行業(yè)政策看,2020年我國(guó)規(guī)劃建成充電樁480萬個(gè),充電樁配建要求和建設(shè)運(yùn)營(yíng)補(bǔ)貼充分保障了充電樁的規(guī)劃和實(shí)施[2].國(guó)外電動(dòng)汽車產(chǎn)業(yè)的發(fā)展相對(duì)較早,配套的基礎(chǔ)設(shè)施也在逐步完善中,對(duì)電動(dòng)汽車的研發(fā)得到了政府的資金資助和科研力量的大力支持.但是,已有新能源汽車使用量的不斷增大,導(dǎo)致了其中存在的問題和挑戰(zhàn)逐步加深與升級(jí),其中純電動(dòng)汽車在續(xù)航里程和充電便利性的短板,更是限制其發(fā)展和影響消費(fèi)者購(gòu)買和使用的關(guān)鍵問題.

為方便人們的日常出行和提高用戶駕車體驗(yàn),一些成熟的GPS導(dǎo)航系統(tǒng)逐步投入市場(chǎng)應(yīng)用.但前期的導(dǎo)航系統(tǒng)大多是基于靜態(tài)的路徑規(guī)劃,其路徑選擇算法的效率不高且算法不易實(shí)現(xiàn).面對(duì)復(fù)雜的交通實(shí)際情況,當(dāng)前提出的算法在實(shí)際交通網(wǎng)絡(luò)中實(shí)施起來有較大困難,缺乏實(shí)時(shí)性和有效性,不能滿足用戶需求.隨著技術(shù)的發(fā)展與進(jìn)步,基于實(shí)時(shí)交通信息的動(dòng)態(tài)導(dǎo)航系統(tǒng)正處于研究開發(fā)階段,該類系統(tǒng)主要基于歷史以及當(dāng)前獲取的交通信息,對(duì)未來短時(shí)交通流量進(jìn)行合理預(yù)測(cè),從而及時(shí)調(diào)整和更新最佳行車路線.車輛動(dòng)態(tài)路徑規(guī)劃也逐漸成為現(xiàn)今相關(guān)領(lǐng)域?qū)W者們的研究熱點(diǎn).但是,由于道路實(shí)時(shí)交通狀況、各個(gè)路段的擁堵狀況相對(duì)復(fù)雜,車載動(dòng)力源續(xù)航能力較弱,相應(yīng)配套的基礎(chǔ)設(shè)施不夠完善,救援呼救系統(tǒng)尚未成熟等因素,致使純電動(dòng)汽車路徑在規(guī)劃上受到多種因素影響,并不能得到真正意義上的最優(yōu)路徑.另外,新能源汽車的加入會(huì)使整個(gè)網(wǎng)絡(luò)的行駛工況發(fā)生改變,如此前不常發(fā)生交通擁堵的路段可能會(huì)因?yàn)榘惭b了充電樁而成為吸引點(diǎn),造成局部路段擁堵.在現(xiàn)階段的背景下,分析已有純電動(dòng)汽車的行駛特性,預(yù)測(cè)道路交通狀態(tài),進(jìn)行合理、有效的路徑規(guī)劃,不僅能夠達(dá)到減少道路阻塞和交通事故的目的,而且還對(duì)解決實(shí)際問題和為未來規(guī)?；占凹冸妱?dòng)汽車具有重要意義.

目前,國(guó)內(nèi)外對(duì)純電動(dòng)汽車的理論研究主要集中在與其相關(guān)的配套基礎(chǔ)設(shè)施、車載動(dòng)力源、未來發(fā)展歷程、未來發(fā)展趨勢(shì)等幾個(gè)方面,而對(duì)于純電動(dòng)汽車的路徑規(guī)劃研究還相對(duì)較少.在進(jìn)行純電動(dòng)汽車的路徑規(guī)劃和選擇時(shí),不僅需要考慮傳統(tǒng)車輛路徑規(guī)劃的時(shí)空因素,還需要考慮車輛的電能儲(chǔ)量與充電過程.在此背景下,本工作圍繞行駛工況預(yù)測(cè)和路徑規(guī)劃2方面,結(jié)合純電動(dòng)汽車電量消耗和充電需求,動(dòng)態(tài)地分析路網(wǎng)的各種因素對(duì)其路徑選擇的影響,為純電動(dòng)汽車的推廣、應(yīng)用以及后續(xù)研究提供參考.本工作的研究邏輯框架如圖1所示.

圖1 研究邏輯框架圖Fig.1 Research logic framework

1 交通狀態(tài)擁堵預(yù)測(cè)

1.1 基于傳統(tǒng)理論的擁堵預(yù)測(cè)方法

傳統(tǒng)的交通狀態(tài)預(yù)測(cè)方法一般會(huì)給出對(duì)應(yīng)的交通要素,常使用到的要素有車道或車道橫斷面的交通流量、擁堵時(shí)間、密度、道路飽和度、道路平均行程速度比以及排隊(duì)長(zhǎng)度比等,也有學(xué)者考慮擁堵發(fā)生對(duì)于時(shí)間方面的影響.另外,對(duì)于擁堵影響趨勢(shì)的預(yù)測(cè)方法也不盡相同,目前有基于小波分析理論預(yù)測(cè)方法、核密度估計(jì)法、基于時(shí)間序列的預(yù)測(cè)、基于穩(wěn)態(tài)評(píng)價(jià)指數(shù)的預(yù)測(cè).馮星宇等[3]利用傳統(tǒng)的浮動(dòng)車法來對(duì)車速進(jìn)行測(cè)量,通過記錄車輛在路網(wǎng)上運(yùn)行的坐標(biāo)、速度、時(shí)間等狀態(tài)信息,得到路段的區(qū)間運(yùn)行速度和行程時(shí)間,避免了傳統(tǒng)交通檢測(cè)方式投入高、數(shù)據(jù)精度和實(shí)時(shí)性差等缺點(diǎn),既可以顯著降低成本,又能有效地利用車輛的運(yùn)行狀況獲取準(zhǔn)確的道路交通信息;陳小紅等[4]選取各項(xiàng)中、微觀指標(biāo)來分析城市路段的運(yùn)行狀態(tài),從而確定交叉口的運(yùn)行狀況,從時(shí)間的角度判斷交叉口是否發(fā)生擁堵.傳統(tǒng)的預(yù)測(cè)方法考慮因素少,實(shí)現(xiàn)簡(jiǎn)單,對(duì)于數(shù)據(jù)源的要求苛刻,不適用于情況復(fù)雜的道路,具有一定的局限性.

基于傳統(tǒng)交通理論的這一類方法可以從理論上預(yù)測(cè)道路交通擁堵的狀況,找出擁堵問題的源頭,進(jìn)而改進(jìn)交通擁堵的狀況.但是,在使用傳統(tǒng)擁堵預(yù)測(cè)方法進(jìn)行預(yù)測(cè)時(shí)還存在一些問題,如在數(shù)據(jù)收集階段,當(dāng)前大部分通過傳統(tǒng)手段進(jìn)行數(shù)據(jù)收集的方法人力消耗大、費(fèi)用高、投入多,不適合長(zhǎng)期的、多個(gè)路段的預(yù)測(cè);在目前的數(shù)據(jù)收集方法中,采用浮動(dòng)車法進(jìn)行數(shù)據(jù)收集,該方法可以較為快速而精確地獲得交通數(shù)據(jù),但是能夠獲得的數(shù)據(jù)種類有限.在進(jìn)行擁堵預(yù)測(cè)時(shí),傳統(tǒng)交通理論方法考慮的因素較少,即使考慮了包含動(dòng)態(tài)因素(時(shí)變因素)在內(nèi)的多個(gè)因素,所得到的參數(shù)仍然較少.當(dāng)參數(shù)增多后,基于傳統(tǒng)理論的交通擁堵預(yù)測(cè)方法在預(yù)測(cè)時(shí)運(yùn)算量激增,因此有較大的局限性,不適用于多路段預(yù)測(cè).

1.2 基于機(jī)器學(xué)習(xí)理論的擁堵預(yù)測(cè)方法

近年來,隨著人工智能技術(shù)的快速發(fā)展,許多學(xué)者開始使用機(jī)器學(xué)習(xí)進(jìn)行擁堵預(yù)測(cè),常用的方法有神經(jīng)網(wǎng)絡(luò)及其改進(jìn)算法、馬爾科夫預(yù)測(cè)模型、Logistic模型等.此外,還有學(xué)者使用K近鄰算法對(duì)擁堵狀況進(jìn)行預(yù)測(cè).神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法是其中較為常用的方法,其改進(jìn)算法有Bagging集成學(xué)習(xí)方法、改進(jìn)BP(back propagation)神經(jīng)網(wǎng)絡(luò)算法、基于學(xué)習(xí)向量量化LVQ(learning vector quantization)神經(jīng)網(wǎng)絡(luò)方法以及基于RBF(radial basis function)神經(jīng)網(wǎng)絡(luò)方法.程山英[5]整理了一些常用的擁堵預(yù)測(cè)方法:①使用基于改進(jìn)人工蜂群的擁堵汽車流量預(yù)測(cè)方法,這種方法預(yù)測(cè)效率高,但是預(yù)測(cè)結(jié)果與實(shí)際相差較大;②將神經(jīng)網(wǎng)絡(luò)和小波方法相融合,該方法預(yù)測(cè)穩(wěn)定性較高,但是存在預(yù)測(cè)過程較為繁瑣、耗時(shí)長(zhǎng)的問題;③基于變量選擇的擁堵汽車流量預(yù)測(cè)方法,該方法預(yù)測(cè)時(shí)間復(fù)雜度較低,但是存在預(yù)測(cè)穩(wěn)定性差的問題.對(duì)于Logistic模型而言,基于Softmax的預(yù)測(cè)模型是Logistics模型在多分類問題中的推廣,譚娟等[6]就曾使用該模型對(duì)交通擁堵進(jìn)行預(yù)測(cè),精度較高.但是,該模型在預(yù)測(cè)交通擁堵地段時(shí)較為準(zhǔn)確,在預(yù)測(cè)非擁堵路段時(shí)就不夠準(zhǔn)確.劉夢(mèng)涵等[7]在評(píng)價(jià)交通擁堵強(qiáng)度時(shí)也使用了累積Logistic回歸模型,這種模型基于行程時(shí)間和行程速度,在預(yù)測(cè)快速路段等均勻車流的擁堵程度時(shí)有較好的表現(xiàn).但是該方法不夠客觀,因?yàn)槠涫占慕煌〒矶赂兄獱顩r是由交通參與者主觀判斷得到的,具有較大的主觀性和隨機(jī)性,因此數(shù)據(jù)獲取不夠客觀.邢珊珊等[8]使用了RBF神經(jīng)網(wǎng)絡(luò)對(duì)速度進(jìn)行了預(yù)測(cè),預(yù)測(cè)時(shí)考慮到速度時(shí)空特性,最后得到的結(jié)果比單純使用時(shí)間序列的神經(jīng)網(wǎng)絡(luò)具有更高的準(zhǔn)確性.但是,該方法中只考慮了速度參數(shù),沒有考慮路段交通流信息和外界環(huán)境的影響.在對(duì)復(fù)雜城市道路網(wǎng)絡(luò)進(jìn)行擁堵預(yù)測(cè)時(shí),劉張等[9]使用了添加調(diào)節(jié)項(xiàng)的高階馬爾可夫預(yù)測(cè)模型,這種方法彌補(bǔ)了馬爾可夫模型預(yù)測(cè)多條道路交通精度不足的缺陷,可以反映道路上各時(shí)間點(diǎn)數(shù)據(jù)之間的影響,精度較高.在對(duì)復(fù)雜城市交通網(wǎng)絡(luò)進(jìn)行擁堵預(yù)測(cè)時(shí),韋清波等[10]還使用了K近鄰預(yù)測(cè)模型,利用該方法學(xué)習(xí)歷史數(shù)據(jù),通過訓(xùn)練和學(xué)習(xí)預(yù)測(cè)未來的趨勢(shì).這種方法能夠精確模擬真實(shí)情況,但是受制于歷史數(shù)據(jù)庫(kù)容量的影響,如果數(shù)據(jù)庫(kù)中數(shù)據(jù)較少,則訓(xùn)練可能不到位,不能很好地預(yù)測(cè).基于機(jī)器學(xué)習(xí)的擁堵預(yù)測(cè)方法在不同情況下相較于傳統(tǒng)預(yù)測(cè)方法有更好的效果,不同的方法也有各自的優(yōu)勢(shì),具體方法的應(yīng)用需要根據(jù)預(yù)測(cè)需求與數(shù)據(jù)源進(jìn)行調(diào)整.

綜上,基于機(jī)器學(xué)習(xí)的預(yù)測(cè)方法在交通擁堵預(yù)測(cè)中被廣泛使用.這些方法對(duì)于歷史數(shù)據(jù)的質(zhì)量要求不高,即使在采集數(shù)據(jù)時(shí)個(gè)別數(shù)據(jù)出現(xiàn)了缺失或者錯(cuò)誤,也可以在數(shù)據(jù)清洗階段對(duì)其進(jìn)行處理,而不影響對(duì)模型的訓(xùn)練.但是這些預(yù)測(cè)方法對(duì)于數(shù)據(jù)的數(shù)量要求較高,因?yàn)榛跈C(jī)器學(xué)習(xí)的方法必須通過輸入大量的真實(shí)數(shù)據(jù)進(jìn)行訓(xùn)練,才能較好地預(yù)測(cè)與真實(shí)情況相近的結(jié)果;歷史數(shù)據(jù)的不足將會(huì)使其訓(xùn)練不到位,這對(duì)預(yù)測(cè)結(jié)果將會(huì)有較大的影響.目前,由于交通網(wǎng)絡(luò)中電子設(shè)施的應(yīng)用正逐步增加,因此數(shù)據(jù)數(shù)量不足將不會(huì)成為交通擁堵預(yù)測(cè)的制約因素.此外,這類方法對(duì)于是否道路擁擠的判斷來源于對(duì)交通參與者的調(diào)查,道路擁堵程度的數(shù)據(jù)收集具有較強(qiáng)的主觀性,故這些方法在擁堵路段的預(yù)測(cè)準(zhǔn)確度比普通路段的更高.應(yīng)用基于機(jī)器學(xué)習(xí)的擁堵預(yù)測(cè)方法能夠有效地提高對(duì)道路交通狀態(tài)的預(yù)測(cè)精度和運(yùn)算速度,是解決車輛路徑規(guī)劃問題的基礎(chǔ).

2 車輛路徑規(guī)劃

車輛路徑規(guī)劃問題一直都是交通領(lǐng)域的研究熱點(diǎn),特別是從傳統(tǒng)理論指導(dǎo)下的路徑規(guī)劃直至近年來廣為應(yīng)用的基于機(jī)器學(xué)習(xí)的路徑規(guī)劃,使得路徑規(guī)劃結(jié)果越來越成為道路使用者做出決策判斷的重要參數(shù)之一.隨著數(shù)據(jù)采集與分析技術(shù)的逐步成熟,海量的交通數(shù)據(jù)能夠廣泛地應(yīng)用到路徑規(guī)劃問題中.眾多學(xué)者從不同的角度進(jìn)行路徑規(guī)劃算法研究,而對(duì)交通狀況實(shí)現(xiàn)較為精準(zhǔn)的預(yù)測(cè)能夠使路徑規(guī)劃的應(yīng)用場(chǎng)景更加真實(shí),使路徑規(guī)劃的結(jié)果能更好地服務(wù)于道路使用者.

2.1 靜態(tài)路徑規(guī)劃算法

在大數(shù)據(jù)采集技術(shù)與機(jī)器學(xué)習(xí)方法沒有被廣泛普及之前,傳統(tǒng)的路徑規(guī)劃問題普遍使用最短路算法來解決.比較常用的是Dijkstra最短路算法和A*算法,這2種方法主要使用時(shí)間最短原則或道路最短原則來進(jìn)行選擇,而沒有考慮其他因素,如道路設(shè)施狀況、駕駛主體的個(gè)人需求、天氣以及行駛工況等.這種路徑規(guī)劃通常被稱為靜態(tài)交通路徑規(guī)劃,不考慮道路實(shí)時(shí)狀況,只從理想條件(或給定條件)下對(duì)交通流進(jìn)行分析,選擇理想條件(給定條件)時(shí)的最短路徑,求解出一條道路作為最優(yōu)解給出.一般該結(jié)果只能作為真實(shí)路徑規(guī)劃問題的指導(dǎo),而不能直接作為路徑規(guī)劃問題的最終結(jié)果.

Dijkstra最短路算法[11]和A*算法在進(jìn)行最短路求解時(shí)分別有各自的優(yōu)勢(shì).A*算法在進(jìn)行單車最短路徑選擇時(shí)花費(fèi)的時(shí)間可能比Dijkstra最短路算法使用的時(shí)間少,這是由于A*算法在從出發(fā)地到目的地的過程中并沒有遍歷各個(gè)節(jié)點(diǎn),因此A*算法只適用于單車導(dǎo)航的情況,而不能有效地預(yù)測(cè)整個(gè)網(wǎng)絡(luò)的擁堵狀況;而Dijkstra算法可以找尋某出發(fā)點(diǎn)至其他各節(jié)點(diǎn)的最短路徑,從而更適用于整個(gè)網(wǎng)絡(luò)的路徑規(guī)劃.

Nicholson[12]提出了Dijkstra正反交替搜索算法,提高了搜索精度與效率.在傳統(tǒng)的路徑規(guī)劃方法中,很少有學(xué)者使用Floyd方法來選擇路徑,這是由于該方法通常只尋求2點(diǎn)間的最短路,而沒有對(duì)每個(gè)節(jié)點(diǎn)都進(jìn)行最短路的預(yù)測(cè).但是,該算法在處理單一最短路問題上效率較高,當(dāng)前在路徑管理與規(guī)劃中也會(huì)遇到多重等價(jià)最短路的問題.左秀峰等[13]就針對(duì)這樣的現(xiàn)狀,率先使用Floyd方法進(jìn)行嘗試,設(shè)計(jì)了一個(gè)基于Floyd求解多重等價(jià)最短路的算法,通過實(shí)例證明了該算法在處理多重等價(jià)最短路問題上具有較好的效果;張德全[14]提出了Floyd的加速算法與優(yōu)化算法,使得該方法的應(yīng)用層面更加廣泛,同時(shí)也可以更加貼合實(shí)際.除此之外,剪枝法、KSP(knowledge strategy process)算法也在Hoffman等[15]的論文中有具體的敘述.但需要注意的是,雖然KSP算法可以求解出多條路線作為路徑規(guī)劃的結(jié)果,但是多條路徑的相似性較高,故在實(shí)際路徑規(guī)劃中適用性并不高.

靜態(tài)路徑規(guī)劃算法的優(yōu)點(diǎn)在于節(jié)點(diǎn)較少,路徑選擇的原則不改變,計(jì)算簡(jiǎn)單,也比較容易找到節(jié)點(diǎn)與節(jié)點(diǎn)之間車輛的關(guān)系,可以獲得單個(gè)車輛在交通網(wǎng)絡(luò)中的路徑選擇結(jié)果;其缺點(diǎn)在于使用到的參數(shù)較少,沒有從時(shí)間、空間等多維度進(jìn)行考慮.另外,大部分靜態(tài)路徑規(guī)劃算法使用的路權(quán)矩陣不變,未能與真實(shí)的路網(wǎng)狀態(tài)相結(jié)合,也沒有考慮道路狀況和交通環(huán)境的時(shí)變性,不能夠模擬出真實(shí)的交通網(wǎng)絡(luò)狀況,無法得到較為精確的路徑規(guī)劃的信息.

2.2 動(dòng)態(tài)路徑規(guī)劃算法

交通流理論日臻成熟,已有學(xué)者在傳統(tǒng)最短路方法上進(jìn)行了改進(jìn),使之初步具有路權(quán)隨車輛選擇而改變的特性.隨著機(jī)器學(xué)習(xí)在交通領(lǐng)域的應(yīng)用越來越廣泛,大數(shù)據(jù)采集技術(shù)越來越成熟,學(xué)者們開始使用基于機(jī)器學(xué)習(xí)的方法來解決路徑規(guī)劃問題.這類研究將實(shí)時(shí)交通狀態(tài)的變化加入到路徑規(guī)劃的參考中,根據(jù)對(duì)交通狀態(tài)的預(yù)測(cè)結(jié)果給出合理的路徑規(guī)劃方案,而非一成不變的規(guī)劃結(jié)果.在基于機(jī)器學(xué)習(xí)的路徑規(guī)劃中,通常需要進(jìn)行道路擁堵預(yù)測(cè),將預(yù)測(cè)結(jié)果加入路徑規(guī)劃的參考中,獲得實(shí)時(shí)交通狀況對(duì)于路徑選擇的影響,通過對(duì)交通流的合理路徑規(guī)劃促使城市交通擁堵狀況的改善,使交通設(shè)施得到合理利用,實(shí)現(xiàn)用戶或整體最優(yōu)的目標(biāo).

為了更加合理地應(yīng)用Dijikstra算法,結(jié)合對(duì)交通狀況的預(yù)測(cè)實(shí)現(xiàn)路徑規(guī)劃,劉建美等[16]提出了一種改進(jìn)的Dijikstra算法,并在可以超車與不可超車的2種情況下進(jìn)行了預(yù)測(cè).這種方法不再是要求路權(quán)不變,而是在每次選擇路徑后更新一次路權(quán),使得路權(quán)分布情況更符合實(shí)際情況.譚滿春等[17]基于ARIMA(autoregressive integrated moving average model)與人工神經(jīng)網(wǎng)絡(luò)組合模型對(duì)短時(shí)交通流進(jìn)行預(yù)測(cè),獲得了比單一模型更加理想的預(yù)測(cè)結(jié)果,這2種預(yù)測(cè)模型的組合為智能交通管控和交通路徑誘導(dǎo)提供了新方法,為交通擁堵預(yù)測(cè)在路徑規(guī)劃的應(yīng)用提供了思路.胡清準(zhǔn)等[18]認(rèn)為,行車路徑設(shè)計(jì)是為了引導(dǎo)車量在考慮實(shí)時(shí)交通狀態(tài)后而規(guī)劃出的最佳路徑,避免出現(xiàn)更加擁堵的狀況,從而減少車輛的損耗時(shí)間;為了解決路徑優(yōu)化算法中的不足,他們還將遺傳算法與蟻群算法結(jié)合后得到了遺傳-蟻群算法.二者的優(yōu)點(diǎn)結(jié)合在一起進(jìn)行循環(huán),將每次循環(huán)后取蟻群算法中的較優(yōu)解代替遺傳算法的結(jié)果,可以有效避免陷入局部最優(yōu)解的困境,提高計(jì)算效率.高忠文等[19]指出了城市交通時(shí)空分配不夠均衡的問題,如果能通過對(duì)交通流的時(shí)空分析得到其潛在規(guī)律,并利用該規(guī)律對(duì)未來時(shí)間段的交通狀態(tài)進(jìn)行預(yù)測(cè),則通過預(yù)測(cè)結(jié)果指導(dǎo)交通流在路網(wǎng)的分配和車輛預(yù)調(diào)度,可降低交通參與者在道路上的損耗時(shí)間,也可以緩解城市交通擁堵狀況.高忠文等還給出了借助監(jiān)控系統(tǒng)結(jié)合車牌圖像識(shí)別,通過大數(shù)據(jù)挖掘建立路網(wǎng)系統(tǒng)運(yùn)行模式的方法,即通過監(jiān)控系統(tǒng)拍攝車輛,進(jìn)行照牌提取,分析整合車輛日常出行時(shí)間及路線,再通過模糊聚類分析算法進(jìn)行智能優(yōu)化計(jì)算,建立交通路網(wǎng)運(yùn)行模式.這種方法的優(yōu)勢(shì)在于其復(fù)雜度較小,信息量小;可以反映出多層調(diào)節(jié)的關(guān)系;有正常運(yùn)行模式的對(duì)照,可以及時(shí)反映出異常情況.巫錦銘等[20]也曾研究動(dòng)態(tài)預(yù)約模式下的路徑規(guī)劃問題,使用了改進(jìn)遺傳算法,添加了時(shí)間窗和路徑的限制,使規(guī)劃結(jié)果更符合實(shí)際情況;并與貪婪算法的結(jié)果進(jìn)行對(duì)比,結(jié)果顯示有較好的表現(xiàn).Liu等[21]通過設(shè)計(jì)一種稱為流行導(dǎo)線圖的結(jié)構(gòu)來總結(jié)歷史軌跡,并基于歷史軌跡以最小出行成本為目標(biāo)搜索出頻率最高的熱門路徑.基于歷史熱門線路進(jìn)行路徑規(guī)劃大大減少了算例的時(shí)間,為基于歷史熱門路線結(jié)合實(shí)時(shí)交通狀況解決路徑規(guī)劃問題提供了新思路.劉春燕等[22]在開源實(shí)時(shí)處理系統(tǒng)Storm框架的基礎(chǔ)上,設(shè)計(jì)了城市實(shí)時(shí)動(dòng)態(tài)路徑規(guī)劃模型(UR-mode),通過大數(shù)據(jù)進(jìn)行交互處理和道路交通狀況預(yù)測(cè),將出行者的靜態(tài)目標(biāo)與實(shí)時(shí)交通情況的動(dòng)態(tài)目標(biāo)相結(jié)合;同時(shí)還設(shè)置了變化因子,避免在同一時(shí)刻給出相同的路徑規(guī)劃結(jié)果而使該道路因交通量激增造成新的擁堵.張書瑋等[23]考慮了交通環(huán)境實(shí)時(shí)變化的動(dòng)態(tài)特性,基于多目標(biāo)蟻群優(yōu)化算法計(jì)算出最優(yōu)路徑,為出行者提供了包括出行路徑、各路徑上的行駛速度、充電位置與模式等出行要素,并提出了一種在動(dòng)態(tài)隨機(jī)路網(wǎng)環(huán)境下的考慮多目標(biāo)多約束的電動(dòng)車輛出行規(guī)劃策略.

可見,基于傳統(tǒng)理論的簡(jiǎn)單路徑規(guī)劃最常用的方法是基于最短路進(jìn)行路徑規(guī)劃.目前主要有2種方式:①只考慮當(dāng)前車輛的單車路徑規(guī)劃;②考慮全局的多路徑規(guī)劃.前者在進(jìn)行路徑規(guī)劃時(shí)只能考慮到單個(gè)車輛的運(yùn)行軌跡,如果要對(duì)多個(gè)車輛進(jìn)行路徑規(guī)劃,則需要處理的數(shù)據(jù)量會(huì)激增,因此目前這種方法使用率較低;后者是多路徑規(guī)劃,可以同時(shí)獲取路網(wǎng)上各點(diǎn)之間的最短路(不只指路徑最短,根據(jù)不同的目標(biāo),最短路的目標(biāo)可以設(shè)置為時(shí)間、路徑長(zhǎng)度等),該方法為傳統(tǒng)路徑規(guī)劃中比較熱門的方法,也是目前車載導(dǎo)航系統(tǒng)常用的方法.但是,傳統(tǒng)的方法仍然受制于較少的參數(shù)和較小的運(yùn)算量,其運(yùn)算結(jié)果與實(shí)際的路網(wǎng)狀況仍有較大的偏差,不能作為直接使用的路徑規(guī)劃結(jié)果.而基于機(jī)器學(xué)習(xí)的動(dòng)態(tài)路徑規(guī)劃算法是基于歷史數(shù)據(jù)與行為學(xué)習(xí),對(duì)實(shí)時(shí)路況進(jìn)行擁堵預(yù)測(cè),從時(shí)間和空間2個(gè)維度進(jìn)行綜合考量,可以將靜態(tài)目標(biāo)與動(dòng)態(tài)實(shí)時(shí)狀況結(jié)合,給出較為理想的路徑規(guī)劃結(jié)果,避免出現(xiàn)更嚴(yán)重的城市道路交通擁堵狀況,從而獲得用戶或整體的最優(yōu)結(jié)果.目前基于機(jī)器學(xué)習(xí)的動(dòng)態(tài)路徑規(guī)劃在沒有其他限制條件下的表現(xiàn)較傳統(tǒng)路徑規(guī)劃方法的好,路徑規(guī)劃的實(shí)時(shí)性和準(zhǔn)確性在客觀條件下可以得到滿足,但同樣受制于交通參與者個(gè)體因素的影響.現(xiàn)在也已經(jīng)有學(xué)者開始研究個(gè)人傾向以及同時(shí)選擇相同道路的多個(gè)車輛對(duì)路徑規(guī)劃的影響,并提出了簡(jiǎn)單的解決方法.

3 能源消耗模型

純電動(dòng)汽車由于自身的特性在續(xù)航里程以及充電便利性方面具有短板,這是限制純電動(dòng)汽車發(fā)展和影響消費(fèi)者購(gòu)買和使用的關(guān)鍵問題.因此,準(zhǔn)確地預(yù)測(cè)純電動(dòng)汽車的能源消耗具有十分重要的意義.近些年,許多學(xué)者開始對(duì)純電動(dòng)汽車能源消耗模型進(jìn)行研究.影響能源消耗模型的相關(guān)因素可以分為外部因素(如司機(jī)的駕駛習(xí)慣、天氣情況、道路狀況等)和純電動(dòng)汽車相關(guān)內(nèi)部因素(如電池狀況、車輛重量等).

3.1 傳統(tǒng)燃油車能源消耗模型

傳統(tǒng)燃油汽車的續(xù)駛里程長(zhǎng),在路徑規(guī)劃問題研究中一般不考慮中途加油的情況.而純電動(dòng)汽車由于受到電池性能的影響,受續(xù)駛里程限制,故在一定程度上增加了路徑規(guī)劃的復(fù)雜性和難度.在燃油能源消耗方面,許多研究人員發(fā)現(xiàn),建立一個(gè)行駛工況有助于研究能源消耗問題.基于行駛工況參數(shù)(瞬時(shí)速度和加速度),Yao等[24]分別針對(duì)加速、減速、巡航和怠速條件,驗(yàn)證了基于車速和加速度的能源消耗模型;為了研究不同駕駛方式和車型對(duì)油耗的影響,Yuan等[25]將其與基于標(biāo)準(zhǔn)行駛工況的估計(jì)值進(jìn)行了比較,使用從真實(shí)數(shù)據(jù)中提取的個(gè)性化行駛工況來估計(jì)傳統(tǒng)車輛和混合動(dòng)力電動(dòng)車輛的油耗;Liaw等[26]利用模糊邏輯模式識(shí)別技術(shù)進(jìn)行了一次行駛工況分析,研究了基于行駛速度和行駛距離的能源消耗模型;Bektas等[27]考慮車輛荷載、速度和總成本等因素建立了燃油汽車油耗消耗模型,該模型對(duì)于解決以減少碳排放為目的的車輛路徑規(guī)劃問題有指導(dǎo)意義.盡管傳統(tǒng)燃料汽車與純電動(dòng)汽車存在差異,但是基于傳統(tǒng)燃料汽車能源消耗方面的研究對(duì)純電動(dòng)汽車的能源消耗分析具有一定的借鑒意義,此時(shí)建立能源消耗模型時(shí)需考慮包括速度與加速度等在內(nèi)的行駛工況參數(shù).

3.2 考慮外部因素的純電動(dòng)汽車能源消耗模型

研究與司機(jī)駕駛習(xí)慣和充電行為相關(guān)的因素對(duì)計(jì)算純電動(dòng)汽車的能源消耗具有重要意義.Yang等[28]認(rèn)為,由于純電動(dòng)汽車司機(jī)的生活習(xí)慣并沒有發(fā)生很大改變,因此其駕駛模式將類似于傳統(tǒng)燃料汽車,但是不同的駕駛行為會(huì)對(duì)純電動(dòng)汽車的能源消耗產(chǎn)生相應(yīng)的影響;Zou等[29]結(jié)合北京電動(dòng)出租車的運(yùn)行數(shù)據(jù),提出了能源消耗與司機(jī)的行為有著密切的關(guān)系;Bingham等[30]基于車輪轉(zhuǎn)速和電池狀態(tài)等因素進(jìn)行了駕駛實(shí)驗(yàn),發(fā)現(xiàn)駕駛方式對(duì)電池能源消耗有較大影響,適度的駕駛行為與積極的駕駛行為能夠相差近30%左右的能源消耗.

另一方面,學(xué)者們也對(duì)道路狀況、天氣溫度等外部因素對(duì)純電動(dòng)汽車能源消耗的影響展開了研究.Yang等[31]研究了道路坡度對(duì)純電動(dòng)汽車能源消耗的影響,結(jié)果表明純電動(dòng)汽車的總功耗與道路傾角呈正相關(guān);Liu等[32]結(jié)合日本愛知縣道路的GPS數(shù)據(jù)與數(shù)字高程圖模型(digital elevation model,DEM)數(shù)據(jù),研究了道路坡度對(duì)純電動(dòng)汽車用電量的影響;此外,Wang等[33]考慮了環(huán)境溫度對(duì)純電動(dòng)汽車能源消耗的影響,發(fā)現(xiàn)能量效率與環(huán)境溫度之間的關(guān)系呈現(xiàn)不對(duì)稱的“U”形,其最佳能量效率發(fā)生在17.5?C左右;Kambly等[34]綜合考慮天氣、太陽(yáng)能負(fù)荷、駕駛行為、充電行為等外部因素與能源消耗相結(jié)合,提出了一種系統(tǒng)級(jí)的方法,但該方法并未考慮車輛的相關(guān)因素.純電動(dòng)汽車在外部因素不同的情況下能源消耗率變化較大,耗電量也會(huì)隨路況等因素發(fā)生變化,因此僅僅考慮司機(jī)的駕駛習(xí)慣、天氣溫度等外部因素來建立能源消耗模型是不合理的,而應(yīng)結(jié)合車輛相關(guān)因素,如電池狀況、是否打開空調(diào)等.

結(jié)合上述研究可以發(fā)現(xiàn),影響純電動(dòng)汽車能源消耗的外部因素是多方面的,不僅需要考慮司機(jī)的行為習(xí)慣,而且還需要考慮實(shí)際交通環(huán)境下的道路屬性、擁堵程度等.然而外部因素對(duì)于純電動(dòng)汽車的能源消耗仍屬于宏觀的外部條件,精確的能源消耗估計(jì)離不開對(duì)車輛及電池內(nèi)部相關(guān)因素的研究.

3.3 考慮車輛相關(guān)內(nèi)部因素的純電動(dòng)汽車能源消耗模型

考慮到能源消耗因素與純電動(dòng)汽車自身屬性的關(guān)系,鋰離子電池因其高能量密度和低自放電率的性質(zhì)而非常適用于純電動(dòng)汽車動(dòng)力電池[35].Burgess等[36]對(duì)純電動(dòng)汽車的能源需求進(jìn)行了參數(shù)化研究,結(jié)果表明能源需求與純電動(dòng)汽車質(zhì)量成正比,降低純電動(dòng)汽車的質(zhì)量是降低總能源消耗的最有效途徑;Kambly等[37]認(rèn)為,純電動(dòng)汽車的儲(chǔ)能不僅用于牽引,而且還用于車內(nèi)的供暖、通風(fēng)和空調(diào)系統(tǒng),這表明駕駛里程還受限于空調(diào)等車載系統(tǒng)的能源消耗;Fiori等[38]描述了具有瞬時(shí)制動(dòng)能量再生的瞬時(shí)能源消耗模型,研究結(jié)果表明純電動(dòng)汽車在城市行駛環(huán)境中的能量回收率高于公路行駛的情況;張宸維等[39]考慮了整車阻力、能量回收、動(dòng)力電池系統(tǒng)、電驅(qū)動(dòng)系統(tǒng)、電氣系統(tǒng)、充電系統(tǒng)等6個(gè)方面對(duì)能源消耗的影響,建立了純電動(dòng)汽車能源消耗數(shù)學(xué)計(jì)算模型.

此外,應(yīng)用于能源消耗模型的方法主要分為2類:①結(jié)合經(jīng)典理論的模擬實(shí)驗(yàn)分析方法;②數(shù)據(jù)驅(qū)動(dòng)的統(tǒng)計(jì)分析方法.Boubaker等[40]開發(fā)了一個(gè)微觀模擬工具,集成了能源消耗的微觀模型;將混合動(dòng)力汽車和傳統(tǒng)燃料汽車的能源消耗分別置于2種能源消耗模型下,并對(duì)其結(jié)果進(jìn)行了比較,Wu等[41]提出了一個(gè)考慮可行行駛模式和無控制充電情景的能源消耗理論框架,該框架可估算出輕型插電式電動(dòng)汽車的功率和功耗.然而,假設(shè)所有的純電動(dòng)汽車每天同時(shí)開始充電是不合理的.隨著數(shù)據(jù)采集技術(shù)的進(jìn)步,使得對(duì)純電動(dòng)汽車的能源消耗過程有了更全面的了解.以往的研究主要是基于該方法.Wu等[42]建立了一個(gè)純電動(dòng)汽車數(shù)據(jù)采集系統(tǒng),采集時(shí)長(zhǎng)約為5個(gè)月的電動(dòng)汽車行駛數(shù)據(jù),結(jié)果顯示電動(dòng)汽車的能量可以描述為在特定速度、加速度和坡度范圍內(nèi)的正態(tài)分布或?qū)?shù)正態(tài)分布;根據(jù)6個(gè)月內(nèi)使用純電動(dòng)汽車的實(shí)際數(shù)據(jù),Brady等[43]提出了一種適用于評(píng)估影響純電動(dòng)汽車能源經(jīng)濟(jì)性的變量(包括加速度、瞬時(shí)速度和行駛時(shí)間)的行駛工況.近年來,人工智能技術(shù)的迅速發(fā)展,也為研究能源消耗提供了新的途徑.如Felipe等[44]提出了一種計(jì)算能源消耗的模型,即以驅(qū)動(dòng)方式和路徑變量為輸入的人工神經(jīng)網(wǎng)絡(luò)方法,可以提高純電動(dòng)汽車用戶的信心,減少用戶擔(dān)心無法完成行程的焦慮.

雖然基于仿真模擬實(shí)驗(yàn)的能源消耗模型是現(xiàn)今研究純電動(dòng)汽車能源消耗與估計(jì)的主流方法,但是仿真實(shí)驗(yàn)與真實(shí)情況的誤差在需要考慮車輛相關(guān)因素時(shí)被放大,由于基于真實(shí)純電動(dòng)汽車出行數(shù)據(jù)的方法因數(shù)據(jù)量的不足也存在一定的缺陷,因此如何提高能源消耗模型的真實(shí)性與解決純電動(dòng)汽車出行數(shù)據(jù)的局限性是構(gòu)建純電動(dòng)汽車能源消耗模型下一步的研究方向.另外,外部因素與車輛相關(guān)因素都是建立能源消耗模型的關(guān)鍵,如何選擇合適的影響因素以及綜合考慮所選擇的因素對(duì)能源消耗的影響是該領(lǐng)域的難點(diǎn).

4 純電動(dòng)汽車的動(dòng)態(tài)路徑規(guī)劃

一些學(xué)者綜合考慮了部分道路信息與車輛相關(guān)因素構(gòu)建了能源消耗模型,并提出了一些路徑規(guī)劃方法,但是大部分研究?jī)H僅考慮了靜態(tài)的交通信息,并沒有考慮動(dòng)態(tài)交通信息對(duì)于路徑選擇的影響.Guo等[45]認(rèn)為,路徑信息對(duì)于優(yōu)化能源消耗具有非常高的利用價(jià)值,采用動(dòng)態(tài)規(guī)劃方法對(duì)路徑信息進(jìn)行處理,得到了一組最優(yōu)的電荷軌跡狀態(tài),并在此基礎(chǔ)上提出了一種新的基于費(fèi)用約束的成本函數(shù)狀態(tài)估計(jì)方法,但是該方法僅局限于線路固定并重復(fù)的公交車,泛化性欠缺.Basso等[46]把純電動(dòng)汽車路徑規(guī)劃問題創(chuàng)新性地分成了2個(gè)階段,結(jié)合了地形信息、車輛速度分布以及改進(jìn)的能源消耗估計(jì)方法.首先提出了一種計(jì)算路網(wǎng)能源成本系數(shù)的方法;其次,將能源消耗作為目標(biāo)函數(shù),考慮電池余量和時(shí)間窗約束,求解出起點(diǎn)與目的地之間的最佳路徑.雖然該路徑規(guī)劃方法結(jié)合了地理信息與能源消耗估計(jì),但仍只是基于靜態(tài)的交通信息,并沒有考慮交通環(huán)境的變化.Roberto等[47]基于影響車輛能源消耗的因素提出了一種隨機(jī)路徑速度曲線,該方法對(duì)路線而不是司機(jī)進(jìn)行了分析,以確定能源消耗和空氣排放隨機(jī)化的約束和限制,認(rèn)為當(dāng)路線確定執(zhí)行后,人們對(duì)駕駛行為的影響就變得無關(guān),這種概率的方法為純電動(dòng)汽車的路徑規(guī)劃提供了另一種觀點(diǎn).而Yasmin等[48]則相反,認(rèn)為典型的車輛路徑規(guī)劃模型忽略了人為因素,而人為因素才是決定路徑規(guī)劃方法成功與否的關(guān)鍵;通過定義風(fēng)險(xiǎn)承擔(dān)參數(shù)表示規(guī)劃者和駕駛者的自主程度,研究了駕駛者行為對(duì)最優(yōu)路徑的影響;采用2種啟發(fā)式(Greedy和Intra-route鄰域啟發(fā)式)方法,實(shí)現(xiàn)動(dòng)態(tài)編程來確保更新路徑規(guī)劃的輸入數(shù)據(jù);還將其他人類特征(如疲勞、年齡和經(jīng)驗(yàn)水平)整合到能源消耗估計(jì)模型中,以此改善所提出模型的真實(shí)性.

交通狀況預(yù)測(cè)一般設(shè)定在特定區(qū)域,以平均速度為考慮因素;而能源消耗的分析是針對(duì)特定車輛、特定工況,除了考慮數(shù)字高程、車內(nèi)是否開空調(diào)等因素外,對(duì)車輛運(yùn)行狀態(tài)的考量還要重點(diǎn)放在頻繁停車、速度波動(dòng)、最大車速等與瞬時(shí)車速密切相關(guān)的指標(biāo)上.因此,交通狀況預(yù)測(cè)與能源消耗分析二者之間有信息量級(jí)的跨越,如何將二者結(jié)合,基于所預(yù)測(cè)的交通狀況信息來提高能源消耗估計(jì)的準(zhǔn)確性及路徑規(guī)劃算法的真實(shí)性是現(xiàn)階段存在的難點(diǎn).近兩年,已有學(xué)者開始探究將這些因素相結(jié)合,但該研究仍處于初步探索階段,其研究方法存在一定的局限性,并且相關(guān)研究較少.

郇寧等[49]在綜合考慮燃油汽車和純電動(dòng)汽車的出行者行為差異、路段擁堵狀態(tài)、車輛能源消耗、充電設(shè)施布局等因素的基礎(chǔ)上,采用巢式Logit模型描述了包含充電需求判斷、充電設(shè)施和路徑選擇的純電動(dòng)汽車出行聯(lián)合選擇行為,建立了考慮用戶在途中快速充電行為的動(dòng)態(tài)交通流分配模型,該模型可以作為純電動(dòng)汽車動(dòng)態(tài)路徑規(guī)劃的一個(gè)參考.Steinbauer等[50]基于過去用戶出行行為、車輛和動(dòng)態(tài)優(yōu)化的先驗(yàn)信息,提出了一種考慮純電動(dòng)汽車能源消耗的動(dòng)態(tài)路徑規(guī)劃算法,但是該算法在應(yīng)用于電動(dòng)車輛的物流運(yùn)輸規(guī)劃問題時(shí),缺少對(duì)家用純電動(dòng)汽車用戶的出行特征的分析.楊洪明等[51]基于實(shí)時(shí)交通信息,使用矩陣分解獲得交通信息矩陣,在分時(shí)電價(jià)機(jī)制下提出了以用戶出行總成本最小為目標(biāo)的純電動(dòng)汽車充電路徑優(yōu)化模型,但該模型依賴于傳感器與用戶使用手機(jī)提供路段的實(shí)時(shí)交通狀態(tài)信息,具有較大的局限性.蘇栗等[52]選取了包括最大速度、平均速度、環(huán)境溫度等12個(gè)特征參數(shù)行駛工況進(jìn)行了描述,并分析了各特征參數(shù)與能源消耗之間的相關(guān)性;構(gòu)建了純電動(dòng)汽車的動(dòng)態(tài)能源消耗模型,并基于此以出行總距離、總時(shí)間以及充電價(jià)格三者的權(quán)值之和最小為目標(biāo),考慮路徑規(guī)劃以及剩余電量構(gòu)建了純電動(dòng)汽車充電路徑規(guī)劃模型,該模型較好地將交通狀態(tài)信息與能源消耗模型相結(jié)合;提出了一種符合真實(shí)情況的充電路徑規(guī)劃模型,但沒有考慮用戶的出行習(xí)慣等因素且所使用的數(shù)據(jù)為可插入式混合動(dòng)力汽車在純電動(dòng)模式下的行駛數(shù)據(jù),與純電動(dòng)汽車用戶出行數(shù)據(jù)仍存在一定差異.

綜上,學(xué)者們雖然已開始進(jìn)行純電動(dòng)汽車動(dòng)態(tài)路徑規(guī)劃的相關(guān)研究,但仍存在一定的技術(shù)難點(diǎn),應(yīng)綜合考慮如下幾個(gè)方面.①參考傳統(tǒng)燃油汽車的能源消耗模型,考慮純電動(dòng)汽車的能量回收機(jī)制,以能源消耗估計(jì)為目標(biāo)函數(shù),提出一種高泛化性的能源消耗估計(jì)方法;結(jié)合動(dòng)態(tài)交通狀態(tài)信息,考慮動(dòng)態(tài)編程不斷更新輸入的交通狀態(tài)數(shù)據(jù),結(jié)合一些司機(jī)特征約束來增加模型的真實(shí)性;在電池電量不足的情況下,結(jié)合充電樁分布信息更新規(guī)劃路線.②由于純電動(dòng)汽車的數(shù)據(jù)相較于傳統(tǒng)燃料汽車的數(shù)據(jù)在數(shù)量上與質(zhì)量上存在巨大差距,缺少具有代表性的公共數(shù)據(jù)集也是制約其相關(guān)技術(shù)發(fā)展的原因之一.

5 結(jié)論

5.1 已有研究存在的不足

盡管學(xué)者們?cè)诼窂揭?guī)劃、純電動(dòng)汽車能源消耗模型、交通狀態(tài)預(yù)測(cè)等方面都進(jìn)行了研究,但是仍存在如下困難與不足.

(1)純電動(dòng)汽車出行數(shù)據(jù)與傳統(tǒng)的燃油車輛的數(shù)據(jù)相比,不管是在數(shù)據(jù)量上還是數(shù)據(jù)種類上都存在較大的差距.另外,不同地區(qū)純電動(dòng)汽車出行用戶的駕駛特性不同,地域環(huán)境的差異對(duì)純電動(dòng)汽車電量消耗等方面的影響也不同,已有的研究忽略了出行數(shù)據(jù)本身的差異.同時(shí),純電動(dòng)汽車出行數(shù)據(jù)方面缺少一個(gè)優(yōu)秀的公共數(shù)據(jù)集,如何利用具有代表性的出行數(shù)據(jù)構(gòu)建一個(gè)完整、權(quán)威的數(shù)據(jù)集也是亟需解決的難點(diǎn)之一.

(2)目前對(duì)于燃油汽車燃料消耗模型的相關(guān)研究已比較成熟,相較于純電動(dòng)汽車,傳統(tǒng)的燃油車輛能源消耗不需要考慮電池折舊、外界氣溫影響等因素,雖然模型相對(duì)簡(jiǎn)單,但也有一定的借鑒價(jià)值;已有的純電動(dòng)汽車能源消耗方面的研究大多脫離傳統(tǒng)燃油汽車的燃油消耗機(jī)理而單獨(dú)進(jìn)行研究,故應(yīng)結(jié)合純電動(dòng)汽車和傳統(tǒng)燃油汽車的能量回收機(jī)制來進(jìn)行純電動(dòng)汽車能源消耗模型相關(guān)的研究.

(3)大部分研究沒有綜合考慮車輛自身參數(shù)(如電池狀態(tài)、能量回收、是否開啟空調(diào)等),以及外部因素(如交通路況、環(huán)境因素及司機(jī)駕駛特性等)進(jìn)行能源消耗模型的搭建,忽略了純電動(dòng)汽車單位里程能源消耗受動(dòng)態(tài)交通信息、車輛運(yùn)行工況的影響.同時(shí),已有能源消耗模型在復(fù)雜城市工況下的精度有限,如何融入合適數(shù)量的變量來提高模型精度也是已有研究需要進(jìn)一步改進(jìn)的地方.

(4)已有研究對(duì)于能源消耗等模型準(zhǔn)確性的驗(yàn)證方法主要為仿真模擬與數(shù)據(jù)驅(qū)動(dòng),但這2種方法都有各自的優(yōu)缺點(diǎn),已有研究缺少一套標(biāo)準(zhǔn)的驗(yàn)證算法,如何將2種方法結(jié)合或結(jié)合文中所述的公共數(shù)據(jù)集,提出合適的驗(yàn)證算法也是該領(lǐng)域所面臨的問題與難點(diǎn)之一.

5.2 淺談解決措施

在研究電動(dòng)汽車路徑規(guī)劃時(shí),眾多學(xué)者將電動(dòng)汽車在路網(wǎng)上電能損耗整體最優(yōu),或充電網(wǎng)絡(luò)能源消耗分布平均作為路徑規(guī)劃的目標(biāo).但是電動(dòng)汽車除了自身特殊性外,還有一部分特征滿足燃油汽車的規(guī)劃要求,如李鵬程等[53]、張書瑋等[54]在進(jìn)行電動(dòng)汽車路徑規(guī)劃時(shí)考慮了各種電網(wǎng)信息,以及充電約束后又改進(jìn)了Dijistra算法求解優(yōu)化問題.為解決傳統(tǒng)Dijistra路徑規(guī)劃算法在對(duì)電動(dòng)汽車路徑規(guī)劃優(yōu)化時(shí)的局限性,Yu等[55]提出了一種改進(jìn)的遺傳算法對(duì)多模態(tài)路徑規(guī)劃問題進(jìn)行求解;付驍鑫等[56]也在已有的搜索算法上進(jìn)行改進(jìn),獲得了一種優(yōu)化搜索算法.這些改進(jìn)算法為未來研究電動(dòng)汽車路徑規(guī)劃提供了新方法和新思路,在已有算法的基礎(chǔ)上進(jìn)行改進(jìn)會(huì)獲得更好的效果.另外,構(gòu)建基于CAN(controller area network)總線的純電動(dòng)汽車數(shù)據(jù)采集系統(tǒng),能為純電動(dòng)汽車車載信息的采集與數(shù)據(jù)集的構(gòu)建提供新思路.

5.3 未來研究方向

共享、一體化、以人為本、綠色的出行服務(wù)必將是未來智慧交通出行系統(tǒng)的發(fā)展趨勢(shì).不管是現(xiàn)在的純電動(dòng)汽車階段,還是在未來無人駕駛場(chǎng)景下,結(jié)合交通環(huán)境的因素對(duì)純電動(dòng)汽車的行駛能源消耗進(jìn)行準(zhǔn)確預(yù)測(cè),從而對(duì)出行者的路徑規(guī)劃進(jìn)行動(dòng)態(tài)調(diào)整,始終是智能交通領(lǐng)域的研究方向.考慮到已有研究的不足,未來的研究可基于(但不限于)如下4個(gè)方向.

(1)考慮構(gòu)建一套全面的、系統(tǒng)的純電動(dòng)汽車出行公共數(shù)據(jù)集.基于學(xué)者們對(duì)純電動(dòng)汽車能源消耗模型相關(guān)影響因素的研究,考慮將天氣狀況、溫度、道路狀況等外部影響因素與電池狀態(tài)、車載系統(tǒng)能源消耗等內(nèi)部因素融入出行數(shù)據(jù)集.該數(shù)據(jù)集對(duì)于研究不同因素對(duì)純電動(dòng)汽車能源消耗的影響、純電動(dòng)汽車能源消耗模型的驗(yàn)證、純電動(dòng)汽車用戶出行特征的挖掘等方面都有重要的意義.

(2)考慮積累基于傳統(tǒng)燃油汽車的相關(guān)研究,對(duì)純電動(dòng)汽車能源消耗模型進(jìn)行優(yōu)化.傳統(tǒng)燃油汽車在消耗模型方面的研究已非常成熟,故可結(jié)合傳統(tǒng)燃油汽車的相關(guān)研究?jī)?nèi)容,考慮純電動(dòng)汽車的能量回收機(jī)制,進(jìn)行純電動(dòng)汽車能源消耗模型的優(yōu)化;將傳統(tǒng)燃油汽車豐富的出行數(shù)據(jù)融入到純電動(dòng)汽車能源消耗的研究中,提高考慮交通狀態(tài)變化的能源消耗模型的預(yù)測(cè)精度.

(3)考慮結(jié)合已有資源優(yōu)勢(shì)對(duì)純電動(dòng)汽車路徑規(guī)劃算法進(jìn)行優(yōu)化.現(xiàn)今如百度地圖、高德地圖等商業(yè)軟件在交通狀態(tài)實(shí)時(shí)預(yù)測(cè)方面已呈現(xiàn)較好的效果.可考慮結(jié)合相關(guān)軟件的已有技術(shù)優(yōu)勢(shì),通過全面分析影響純電動(dòng)汽車耗電量的行駛工況特征參數(shù),使純電動(dòng)汽車在出行過程中能結(jié)合實(shí)時(shí)交通流信息,更新路徑選擇方案.

(4)考慮進(jìn)行數(shù)據(jù)驅(qū)動(dòng)的純電動(dòng)汽車仿真相關(guān)研究.計(jì)算機(jī)仿真技術(shù)對(duì)純電動(dòng)汽車的路徑規(guī)劃與能源消耗模型的研究起助推作用,特別是能夠較為容易地模擬類似極端天氣狀況、特殊事件等現(xiàn)實(shí)中較難遇見的情況.另外,仿真作為一種較好的評(píng)價(jià)與驗(yàn)證手段,也可在搭建基于真實(shí)路況數(shù)據(jù)的虛擬交通環(huán)境的前提下,提出一套標(biāo)準(zhǔn)的基于仿真的驗(yàn)證方法.

參考文獻(xiàn):[2020-03-15].http://www.nea.gov.cn/2015-11/18/c_134828653.htm.

[3]馮星宇,周晨靜,榮建.基于速度特性的城市快速路常發(fā)性交通擁堵研究[J].交通信息與安全,2014,32(1):29-33.

[4]陳小紅,錢大琳.城市道路交叉路口的擁堵預(yù)測(cè)[J].華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2010,38(7):72-77.

[5]程山英.交通擁堵汽車流量準(zhǔn)確預(yù)測(cè)仿真研究[J].計(jì)算機(jī)仿真,2017,34(10):123-126.

[6]譚娟,王勝春.基于深度學(xué)習(xí)的交通擁堵預(yù)測(cè)模型研究[J].計(jì)算機(jī)應(yīng)用研究,2015,32(10):2951-2954.

[7]劉夢(mèng)涵,于雷,張雪蓮,等.基于累積Logistic回歸道路交通擁堵強(qiáng)度評(píng)價(jià)模型[J].北京交通大學(xué)學(xué)報(bào),2008(6):52-56.

[8]邢珊珊,谷遠(yuǎn)利,沈立杰.基于速度的城市快速路交通擁堵預(yù)測(cè)研究[J].交通信息與安全,2016,34(2):54-60.

[9]劉張,李堅(jiān),王超.基于復(fù)雜城市道路網(wǎng)絡(luò)的交通擁堵預(yù)測(cè)模型[J].電子科技大學(xué)學(xué)報(bào),2016,45(1):19-27.

[10]韋清波,何兆成,鄭喜雙.考慮多因素的城市道路交通擁堵指數(shù)預(yù)測(cè)研究[J].交通運(yùn)輸系統(tǒng)工程與信息,2017,17(1):74-81.

[11]Dijkstra E W.A note on two probles in connexion with graphs[J].Numerische Mathematics,1959,1(1):269-271.

[1]羅艷托,湯湘華.全球電動(dòng)汽車發(fā)展現(xiàn)狀及未來趨勢(shì)[J].國(guó)際石油經(jīng)濟(jì),2018,26(7):66-72.

[2]國(guó)家發(fā)展改革委.電動(dòng)汽車充電基礎(chǔ)設(shè)施發(fā)展指南(2015—2020年)[R/OL].(2020-02-18)[12]Nicholson T A J.Finding the shortest route between the two points in a network[J].The Computer Journal,1966,9(3):275-280.

[13]左秀峰,沈萬杰.基于Floyd算法的多重最短路問題的改進(jìn)算法[J].計(jì)算機(jī)科學(xué),2017(5):238-240.

[14]張德全.最短路問題的Floyd加速算法與優(yōu)化[J].計(jì)算機(jī)工程與應(yīng)用,2006,45(17):41-43.

[15]Hoffman W,Pavley R.A method for the solution of the nth best path problem[J].Journal of the ACM,1959,6(4):506-514.

[16]劉建美,馬壽峰,馬帥奇.基于改進(jìn)的Dijkstra算法的動(dòng)態(tài)最短路計(jì)算方法[J].系統(tǒng)工程理論與實(shí)踐,2011,31(6):163-167.

[17]譚滿春,馮犖斌,徐建閩.基于ARIMA與人工神經(jīng)網(wǎng)絡(luò)組合模型的交通流預(yù)測(cè)[J].中國(guó)公路學(xué)報(bào),2007,20(4):118-121.

[18]胡清準(zhǔn),邱曉暉.遺傳-蟻群算法在智能交通中的應(yīng)用[J].計(jì)算機(jī)技術(shù)與發(fā)展,2020,30(4):120-125.

[19]高忠文,牛孜飏.基于大數(shù)據(jù)的交通流量模式分析[J].哈爾濱理工大學(xué)學(xué)報(bào),2018,23(6):128-131.

[20]巫錦銘,程光權(quán),劉忠.動(dòng)態(tài)預(yù)約模式下車輛路徑規(guī)劃的實(shí)用拓展問題研究[J].小型微型計(jì)算機(jī)系統(tǒng),2018,39(7):247-252.

[21]Liu H,Jin C,Zhou A.Popular route planning with travel cost estimation[C]//International Conference on Database Systems for Advanced Applications.2016:403-418.

[22]劉春燕,鄒承明.基于Storm的城市智能交通規(guī)劃方法[J].武漢大學(xué)學(xué)報(bào)(理學(xué)版),2019,65(5):450-456.

[23]張書瑋,羅禹貢,李克強(qiáng).動(dòng)態(tài)交通環(huán)境下的純電動(dòng)車輛多目標(biāo)出行規(guī)劃[J].清華大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,56(2):130-136.

[24]Yao E,Wang M,Song Y,et al.Estimating energy consumption on the basis of microscopic driving parameters for electric vehicles[J].Transportation Research Record Journal of the Transportation Research Board,2018,2454:84-91.

[25]Yuan X,Zhang C,Hong G,et al.Method for evaluating the real-world driving energy consumptions of electric vehicles[J].Energy,2017,141:1955-1968.

[26]Liaw B Y,Dubarry M.From driving cycle analysis to understanding battery performance in real-life electric hybrid vehicle operation[J].Journal of Power Sources,2014,174(1):76-88.

[27]Bektas T,Laporte G.The pollution-routing problem[J].Transportation Research Part B:Methodological,2011,45(8):1232-1250.

[28]Yang J,Dong J,Zhang Q,et al.An investigation of battery electric vehicle driving and charging behaviors using vehicle usage data collected in Shanghai,China[J].Transportation Research Record Journal of the Transportation Research Board,2018,2672:20-30.

[29]Zou Y,Wei S,Sun F,et al.Large-scale deployment of electric taxis in Beijing:a real-world analysis[J].Energy,2016,100:25-39.

[30]Bingham C,Walsh C,Carroll S.Impact of driving characteristics on electric vehicle energy consumption and range[J].Intelligent Transport Systems,2012,6(1):29-30.

[31]Yang S C,Li M,Lin Y,et al.Electric vehicle’s electricity consumption on a road with different slope[J].Physica A Statistical Mechanics and Its Applications,2014,402:41-48.

[32]Liu K,Wang J,Yamamoto T,et al.Modelling the multilevel structure and mixed effects of the factors influencing the energy consumption of electric vehicles[J].Applied Energy,2016,183:1351-1360.

[33]Wang J B,Liu K,Yamamoto T,et al.Improving estimation accuracy for electric vehicle energy consumption considering the effects of ambient temperature[J].Energy Procedia,2017,105:2904-2909.

[34]Kambly K R,Bradley T H.Estimating the HVAC energy consumption of plug-in electric vehicles[J].Journal of Power Sources,2014,259:117-124.

[35]Capasso C,Veneri O.Experimental analysis on the performance of lithium based batteries for road full electric and hybrid vehicles[J].Applied Energy,2014,136:921-930.

[36]Burgess S C,Choi J M J.A parametric study of the energy demands of car transportation:a case study of two competing commuter routes in the UK[J].Transportation Research Part D:Transport and Environment,2003,8(1):21-36.

[37]Kambly K,Bradley T H.Geographical and temporal differences in electric vehicle range due to cabin conditioning energy consumption[J].Journal of Power Sources,2015,275:468-475.

[38]Fiori C,Ahn K,Rakha H A.Power-based electric vehicle energy consumption model:model development and validation[J].Applied Energy,2016,168:257-268.

[39]張宸維,林方圓.純電動(dòng)汽車能源消耗優(yōu)化仿真與試驗(yàn)研究[J].汽車實(shí)用技術(shù),2019(17):33-35.

[40]Boubaker S,Rehimi F,Kalboussi A.Estimating energy consumption of hybrid electric vehicle and gazoline classical vehicle[C]//2013 International Conference on Advaned Logistics and Transport(ICALT).2013.DOI:10.1109/ICAdLT.2013.6568463.

[41]Wu D,Aliprantis D C,Gkritza K.Electric energy and power consumption by light-duty plug-in electric vehicles[J].IEEE Trans Power Syst,2011,26(2):738-746.

[42]Wu X,Freese D,Cabrera A,et al.Electric vehicles’energy consumption measurement and estimation[J].Transportation Research Part D:Transport and Environment,2015,34:52-67.

[43]Brady J,O’mahony M.Development of a driving cycle to evaluate the energy economy of electric vehicles in urban areas[J].Applied Energy,2016,177:165-178.

[44]Felipe J,Amarillo J C,Naranjo J E,et al.Energy consumption estimation in electric vehicles considering driving style[C]//IEEE International Conference on Intelligent Transportation Systems.2015:101-106.

[45]Guo H,Wang X,Li L.State-of-charge-constraint-based energy management strategy of plugin hybrid electric vehicle with bus route[J].Energy Conversion and Management,2019,199:111972.

[46]Basso R,Kulcs R B,Egardt B,et al.Energy consumption estimation integrated into the electric vehicle routing problem[J].Transportation Research Part D:Transport and Environment,2019,69:141-167.

[47]Roberto′A F,Sergio C C,Francesc C L.A probabilistic approach for determining the influence of urban traffic management policies on energy consumption and greenhouse gas emissions from a battery electric vehicle[J].Journal of Cleaner Production,2019,236:117604.

[48]Yasmin A A H,Mohammed O,Yahya S.Optimising an eco-friendly vehicle routing problem model using regular and occasional drivers integrated with driver behaviour control[J].Journal of Cleaner Production,2019,234:984-1001.

[49]郇寧,姚恩建,楊揚(yáng).電動(dòng)汽車混入條件下隨機(jī)動(dòng)態(tài)用戶均衡分配模型[J].交通運(yùn)輸工程學(xué)報(bào),2019,19(5):150-161.

[50]Steinbauer P,Macek J,Morkus J,et al.Dynamic optimization of the e-vehicle route profile[C]//Proceedings of the SAE 2016 World Congress and Exhibition.2016.DOI:10.4271/2016-01-0156.

[51]楊洪明,李明,文福拴.利用實(shí)時(shí)交通信息感知的電動(dòng)汽車路徑選擇和充電導(dǎo)航策略[J].電力系統(tǒng)自動(dòng)化,2017,41(11):106-113.

[52]蘇粟,楊恬恬,李玉璟.考慮實(shí)時(shí)動(dòng)態(tài)能源消耗的電動(dòng)汽車充電路徑規(guī)劃[J].電力系統(tǒng)自動(dòng)化,2019,43(7):206-217.

[53]李鵬程,叢中笑,楊婧.一種電動(dòng)汽車智能充電最優(yōu)引導(dǎo)優(yōu)化模型[J].電器與能效管理技術(shù),2018,555(18):72-78;87.

[54]張書瑋,馮桂璇,樊月珍.基于信息交互的大規(guī)模電動(dòng)汽車充電路徑規(guī)劃[J].清華大學(xué)學(xué)報(bào)(自然科學(xué)版),2018,58(3):279-285.

[55]Yu H,Lu F.A multi-modal multi-criteria route planning method based on genetic algorithm[J].Acta Geodaetica Et Cartographica Sinica,2014,43(1):89-96.

[56]付驍鑫,江永亨,黃德先.一種新的實(shí)時(shí)智能汽車軌跡規(guī)劃方法[J].控制與決策,2015,30(10):1751-1758.