考虑用户出行行为的用户出行能耗预测及路径推荐方法技术

本发明专利技术提供了考虑用户出行行为的用户出行能耗预测及路径推荐方法。包括：将路段车速融入静态路网模型中建立动态交通模型，利用深度优先搜索算法根据动态交通模型和用户数据计算用户未来出行可行路径及其车速变化情况，建立基于时空轨迹空间的路网时空出行链；根据路网时空出行链进行行驶工况分析得到反映行驶工况和能耗影响因素的特征参数；利用神经网络计算用户的未来出行可行路径的能耗；根据用户的偏好对可行路径进行打分，将分数最低的路径作为最优路径推荐给用户。本发明专利技术将静态路网模型转化为动态交通模型，将路网时空出行链应用在未来出行能耗计算与路径推荐中，基于不同用户的偏好，建立路径评价指标，作为最优路径推荐的依据。推荐的依据。推荐的依据。

【技术实现步骤摘要】
考虑用户出行行为的用户出行能耗预测及路径推荐方法


[0001]本专利技术涉及能耗预测
，尤其涉及一种考虑用户出行行为的用户出行能耗预测及路径推荐方法。

技术介绍

[0002]由于非再生能源储藏量的有限性和环境问题给人类社会发展和人类健康造成了严重的负面影响，新能源汽车具有的低碳减排特性进入了人们的视线。以大部分居民出行、工作使用车型为例，微型、小型载客车的日均行驶里程约为49.3km，中型载客车的日均行驶里程约为85.8km，大型载客车的日均行驶里程约为158.9km，公交车的日均行驶里程约为164.4km。大部分居民出行、工作使用车型的日平均行驶里程约为157.4km，若全部使用电动汽车代替，会有较大的电能需求。目前，受到充电基础设施不完备，私人充电桩的安装率不高以及个人习惯的影响，部分电动汽车用户的充电需求难以满足。合理、可靠的出行能耗预测与出行路径规划是电动汽车用户安全出行的前提，因此，有必要准确预测用户出行需求与能耗，并作出切实可行的路径规划。
[0003]电动汽车的能耗影响因素研究是电动汽车行驶能耗计算的基础，电动汽车的能耗影响因素主要包括车辆参数、驾驶习惯、路网交通因素和外界环境因素等方面。针对电动汽车能耗影响因素的研究，国内外学者大多利用电动汽车在等速行驶和多工况行驶等复杂工况下行驶时的续航里程，研究了整车参数、电池参数、电机参数和环境温度对电动汽车续航里程的影响。在能耗计算方面，现有研究多从考虑主要影响因素的角度出发，利用主成分分析等方法提取主要影响因素，计算特定行驶工况下电动汽车能耗。部分学者利用电动汽车实际行驶数据或者特定车型的参数提高电动汽车能耗预测的精度。
[0004]现有技术中的一种电动汽车的能耗预测方法包括：通过对电动汽车的历史行驶数据进行分割处理，得到行程片段数据和动力学片段数据；利用动力学片段数据和马尔可夫
‑
蒙特卡洛方法预测电动汽车工况；利用机器学习方法建立能耗预测模型，将工况预测数据的行驶特征参数输入建立的能耗预测模型，得到能耗预测值。
[0005]上述现有技术中的电动汽车的能耗预测方法的缺点为：用户未来出行模型是连接动态交通模型和计算用户未来出行能耗的纽带，只有针对用户未来出行建立用户未来出行模型，才能对用户在路网中的时空轨迹进行精细化描述，但该方法仅在电动汽车历史行驶数据的基础上进行能耗预测，未考虑用户出行行为特性与动态交通对能耗计算的影响。
[0006]该方法仅用起始点、起始时刻、目的地、结束时刻和行驶里程来模拟用户出行行为，在路网动态变化的情况下会产生较大误差；并且在进行路径推荐时，未考虑不同用户的选择偏好以及用户在不同状态下的偏好差异，推荐路径的普适性较差。

技术实现思路

[0007]本专利技术的实施例提供了一种考虑用户出行行为的用户出行能耗预测及路径推荐方法，以实现根据用户出行能耗为用户推荐最优路径。
[0008]为了实现上述目的，本专利技术采取了如下技术方案。
[0009]一种考虑用户出行行为的用户出行能耗预测及路径推荐方法，包括：
[0010]将路段车速融入静态路网模型中建立动态交通模型，利用深度优先搜索算法根据所述动态交通模型和用户数据计算用户未来出行可行路径及其车速变化情况，根据所述用户未来出行可行路径的车速变化情况建立基于时空轨迹空间的路网时空出行链；
[0011]根据所述路网时空出行链进行行驶工况分析，得到反映行驶工况和能耗影响因素的特征参数；
[0012]基于所述特征参数所述神经网络计算用户的未来出行能耗，根据所述未来出行能耗得到所有可行路径的行程时间、行程距离和行程能耗；
[0013]根据用户的偏好对所有可行路径进行打分，将分数最低的路径作为最优路径推荐给用户。
[0014]所述的将路段车速融入静态路网模型中建立动态交通模型，包括：
[0015]将路网中的路段抽象化为静态路网模型中的边，各路段的属性参数抽象化为边的权值矩阵，将相连接的两个路段的交叉节点抽象化为静态路网模型中的顶点；
[0016]根据所述静态路网模型建立能够体现路网车速动态变化的动态交通模型；
[0017]优选地，将路段车速融入静态路网模型中建立动态交通模型，包括：
[0018]所述动态交通模型的道路车速以6分钟为间隔变化，一天24小时的车速点v共240个；
[0019]优选地，所述的利用深度优先搜索算法根据所述动态交通模型和用户数据计算用户未来出行可行路径的车速变化情况，包括：
[0020]将用户未来出行地点输入动态交通模型，利用深度优先搜索算法对用户出行起点终点间的路径遍历，获得用户未来出行的可行路径以及可行路径的行程距离，将用户的出行时间、可行路径和可行路径的行程距离输入动态交通模型，利用动态交通模型在动态交通约束下模拟用户未来出行，获得用户可行驶路径中各路段的行程时间以及各路段的车速变化数据。
[0021]优选地，所述的根据所述用户未来出行可行路径的车速变化情况建立基于时空轨迹空间的路网时空出行链，包括：
[0022]设置用户的路网时空出行链包含时间参数和空间参数；
[0023]在用户的路网时空出行链中，将用户每到达一个目的地作为一次出行，在动态交通的约束下实现对用户未来出行模拟，建立用户的路网时空出行链；
[0024]将用户的未来出行目的地节点数组和未来出行起始时刻数组输入至动态交通模型中，在动态交通约束下模拟用户未来出行过程中，时间，路网节点以及相应的车速变化，建立用户未来出行的路网时空出行链。
[0025]优选地，所述的根据所述路网时空出行链进行行驶工况分析，得到反映行驶工况和能耗影响因素的特征参数，包括：
[0026]在电动汽车用户纯电动模式下两次充电行为之间的行驶数据为基础，以行驶距离1km为间隔对行驶数据分段，将电动汽车的行驶数据分为多个行驶片段；选择电动汽车的行驶工况的特征参数；
[0027]对电动汽车的行驶工况的特征参数进行标准化处理，并对进行标准化处理后的行
驶工况参数与电动汽车能耗之间的皮尔逊相关性分析；
[0028]对标准化处理后的行驶工况参数进行主成分分析，获得各行驶工况参数的特征值和贡献率，根据各行驶工况参数的特征值和贡献率对电动汽车的行驶工况的特征参数进行降维处理。
[0029]优选地，所述的基于所述特征参数所述神经网络计算用户的未来出行能耗，根据所述未来出行能耗得到所有可行路径的行程时间、行程距离和行程能耗，包括：
[0030]以路段为单位，利用电动汽车经过路段时的车速点变化数据计算电动汽车经过该路段时的行驶工况特征参数，利用环境温度与空调运行功率概率分布获得用户未来出行时的空调运行功率；
[0031]对神经网络进行训练和参数初始化，将电动汽车的行驶工况的特征参数输入到初始化后的神经网络，所述神经网络输出电动汽车的荷电状态SOC变化量，根据所述电动汽车的SOC变化量得到所有可行路径的行程时间、行程距离和行程能耗。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑用户出行行为的用户出行能耗预测及路径推荐方法，其特征在于，包括：将路段车速融入静态路网模型中建立动态交通模型，利用深度优先搜索算法根据所述动态交通模型和用户数据计算用户未来出行可行路径及其车速变化情况，根据所述用户未来出行可行路径的车速变化情况建立基于时空轨迹空间的路网时空出行链；根据所述路网时空出行链进行行驶工况分析，得到反映行驶工况和能耗影响因素的特征参数；基于所述特征参数所述神经网络计算用户的未来出行能耗，根据所述未来出行能耗得到所有可行路径的行程时间、行程距离和行程能耗；根据用户的偏好对所有可行路径进行打分，将分数最低的路径作为最优路径推荐给用户。2.根据权利要求1所述的方法，其特征在于，所述的将路段车速融入静态路网模型中建立动态交通模型，包括：将路网中的路段抽象化为静态路网模型中的边，各路段的属性参数抽象化为边的权值矩阵，将相连接的两个路段的交叉节点抽象化为静态路网模型中的顶点；根据所述静态路网模型建立能够体现路网车速动态变化的动态交通模型。3.根据权利要求2所述的方法，其特征在于，所述的将路段车速融入静态路网模型中建立动态交通模型，包括：所述动态交通模型的道路车速以6分钟为间隔变化，一天24小时的车速点共240个。4.根据权利要求3所述的方法，其特征在于，所述的利用深度优先搜索算法根据所述动态交通模型和用户数据计算用户未来出行可行路径的车速变化情况，包括：将用户未来出行地点输入动态交通模型，利用深度优先搜索算法对用户出行起点终点之间的路径进行遍历，获得用户未来出行的可行路径以及可行路径的行程距离，将用户的出行时间、可行路径和可行路径的行程距离输入动态交通模型，利用动态交通模型在动态交通约束下模拟用户未来出行，获得用户可行驶路径中各路段的行程时间以及各路段的车速变化数据。5.根据权利要求4所述的方法，其特征在于，所述的根据所述用户未来出行可行路径的车速变化情况建立基于时空轨迹空间的路网时空出行链，包括：设置用户的路网时空出行链包含时间参数和空间参数；在用户的路网时空出行链中，将用户每到达一个目的地作为一次出行，在动态交通的约束下实现对用户未来出行模拟，建立用户的路网时空出行链。6.根据权利要求1至5任一项所述的方法，其特征在于，所述的根据所述路网时空出行链进行行驶工况分析，得到反映行驶工况和能耗影响因素的特征参数，包括：在电动汽车用户纯电动模式下两次充电行为之间的行驶数据为基础，以行驶距离1km为间隔对行驶数据分...

【专利技术属性】
技术研发人员：苏粟，贾泽瑞，李泽宁，李玉璟，张仁尊，韦存昊，汤小康，梁方，董刚，王陆飞，
申请(专利权)人：北京超充科技有限公司，
类型：发明
国别省市：