一种引起旅游能耗模型电动汽车与交通信息

文摘

里程焦虑是最重要的因素之一,影响驾驶体验由于电池容量的限制。健壮的和准确的预测电动汽车的能源消耗的旅程可以指导司机合理分配权力和缓解焦虑的里程。自汽车共享是最大的电动汽车应用程序场景,这是一个关键的挑战股票流动性研究领域。摘要旅游提出了电动汽车能源消耗预测模型以提高共享汽车的流动,减少司机的焦虑,因为他们担心电力不足。复发性神经网络与注意力机制和深层神经网络用于构建模型。验证该模型,模拟了基于交通和车辆信息。后仿真,实验结果表明,该模型具有较高的预测精度,同时我们也通过可视化显示如何发现高相关路段的道路网络模型在处理相应的交通状态输入。

1。介绍

近年来,人们已经充分关注环境污染问题和石油资源的枯竭造成的过度使用化石燃料。纯电动汽车的发展取代传统能源汽车的一个重要的方法来解决这些问题。目前电动汽车商业化的应用是汽车共享,它有很多好处,如环保,节约能源,减少排放1]。然而,目前的电池技术的不足和电池容量约束仍然会导致汽车共享用户体验里程焦虑开车时共享的电动汽车。

有许多现有的应用程序使用电动汽车汽车共享系统显示电动车和汽车共享技术之间的关联度,但由于缺乏讨论里程焦虑引起的限制目前的电池技术和电池容量约束2,3]。纽鲍尔和木材发表了一篇论文检查的敏感性贝福效用范围焦虑和不同的充电设施情况,包括变量的时间安排,功率,和位置(家庭、工作、和公共设施)。结果表明,里程焦虑可以显著的影响,但降低访问额外的充电基础设施(4]。一些先进的作品做出努力解决上述问题,提高电池性能在电池制造业生产链。在[5),基于随机森林的特性分析和建模方法提出了电池制造业,和电池特性的耦合效应是开采和使用毫升量化技术。进一步在6),高斯过程回归模型用于分析电池电极惯性力的影响下底层四个中间生产特征变量的相关性。与此同时,应用先进的电池管理技术是另一种方法来减少里程焦虑。例如,王等人使用按需车辆访问方法缓解电动车里程焦虑,和电池管理策略的帮助下,电动汽车的驾驶范围得到进一步改善(7]。在[8),应用多目标约束非线性优化调整电池充电模式,有效改善电动汽车的节能性能。在[9),电池改变管理策略提出了cooptimize能源消耗和电池退化。在[10),电池充电过程考虑内部温度控制是解决广义预测控制(GPC)。能源消费预测是电动汽车的核心技术为电池管理;除了司机,准确的能耗预测可以有效地减轻司机的焦虑和帮助他们集中精力驾驶车辆。然而,电动汽车的能源消耗是受到很多因素的影响,如交通状态、车辆状态和天气。出于这个原因,旅游能源消费预测一直被认为是一个困难的问题。

在这个问题上已经有许多研究。Carteni等人证明了电动汽车的性能对汽车共享模式产生巨大影响。结果表明,这些模型静态最重要的属性是旅行成本和旅行时间11]。拉尔夫在能源消耗研究估计的导航路线。基于规则的方法用于这项工作,在历史流量和速度限制条件。然而,规则和系数的设置需要的设计专家,应该改变在不同情况下(12]。De Cauwer等人建立的能耗计算模型基于交通信息,车辆参数,道路拓扑,和其他信息。通过多元线性回归模型构建,这是基于车辆动力学方程作为底层物理模型。模型是复杂的,需要广泛的特性数据的预处理(13]。此外,有许多类似的工作车辆的能源消耗预测(14,15]。然而,这是一个复杂的耦合关系驾驶条件和电动汽车的能源消耗。传统方法不能处理非线性回归与时空特性特别是考虑到交通信息。自2006年以来,深度学习已经应用在许多领域,取得了非常成功的成果16),如目标识别(17,18),机器翻译(19),和语音识别20.]。深度学习创建抽象高层特征结合低层特征发现数据的分布式表示,高层特征空间,我们可以执行一些操作,不可能在低层空间完成。深卷积神经网络建立能耗预测方法,提出了考虑车辆速度的影响,牵引力,道路标高(21]。复发性神经网络适应评估电动汽车的能源消耗在特定路线(22]。然而,这些方法不能保证预测精度和鲁棒性,因为它们不影响交通流的车辆操作条件考虑在内,在行驶路线上的交通信息仅仅是考虑在现有的最好的。事实上,整个道路网的交通状态,特别是邻居道路的行驶路线,对电动汽车的能源消耗会很大的影响。然而,整个公路网络是巨大的信息捕捉和提炼深层神经网络的有用的知识。然而,使用此类高维信息需要一个强大的机制来引导模型信息的重要任务。因此,一种自适应加权机制时应该应用严格的道路网络的特性。幸运的是,注意机制有很大的促进效应在序列学习任务,有许多成功的应用在图像领域的标题(23],NLP [24)图形变形金刚(25),和其他领域(26,27),这是一种编码器,模仿人类的行为的关注。然而,基于注意机制的能源消费预测方法尚未构建;进一步,由于道路的交通信息网络还没有完全闲散进一步提高电动汽车的能源消耗的预测精度。出于这一点,我们提出了基于注意力的预测模型来提高交通状态信息提取的鲁棒性和准确性在预测过程中道路网络的不同部分。

因此,深入学习方法用于构造电动汽车能源消耗预测模型基于旅游交通状况和车辆状态本文旨在使一个健壮的和准确的预测车辆的能源消耗在旅途中。在提出的模型中,我们利用交通信息和车辆状态信息,这是两种不同的类型的信息。由于道路网络的交通状况是不断变化的访问期间,交通状况在旅途中被认为是作为一个连续的输入。使用递归神经网络,适用于处理顺序输入,提取整个行程的交通状态的特点。然后,深层神经网络应用于引信车辆状态与交通状态特性和输出特性的预测结果能源消耗的旅行。交通特征提取,道路的交通信息网络作为模型的输入。道路网的交通状况可以帮助提供交通状态变化信息在驾驶车辆的能耗预测旅行的任务。更具体地说,交通拥堵,早上高峰时间,晚上高峰时间是主要的场景将被测试。此外,注意机制是用来帮助模型提取的信息有很大的影响对当前任务从路网的交通状态。因此,我们分别提取这两种信息的特点和保险丝隐藏的空间中提取的特征信息。 Finally, we use the fused feature to predict the energy consumption of the trip. Furthermore, we show how attention mechanism can help the energy consumption forecasting model extract traffic state information and how its attention degree changes in different sections of the road network during the forecasting process.

在本文的以下部分,首先,我们描述了模型的建设。然后,我们进行了对比实验和分析的影响,不同的信息输入和模型结构模型的准确性。最后,我们想象的注意力机制模型并说明注意力机制的特征提取交通特征。

2。方法

旅游车辆的能源消耗主要是由车辆的驾驶周期决定的,和车辆的操作条件是受交通条件和车辆的状态。因此,为了准确地预测电动汽车的能源消耗旅行,我们需要使用这两种信息。在本节中,电动汽车的能耗预测方法的旅行基于深度学习模型结合机制提出了关注。图1给该深度学习的框架体系结构。给出了细节如下。

RNN是一种神经网络,它适用于处理顺序输入数据。隐藏层之间的联系使RNN的记忆前输入数据(25]。道路网络是由许多路段,汽车旅行是几路的顺序组成部分。我们使用路段的交通状态,期间的汽车旅行是RNN的输入。在本文中,我们使用交通流,速度,密度,路段交通状态输入的长度。交通状态输入表示为一个旅行 。 在哪里是旅游和道路段的数量是输入向量的大小。在这篇文章中,等于4正如我们上面描述的。

车辆出行能耗直接影响汽车驾驶周期,和汽车驾驶周期主要是受交通状态。对于旅游能源消费预测任务,未来交通状态信息相应的旅游路线的车辆信息的关键。然而,未来的交通状态的每个道路有复杂的关联与当前交通的道路网络。为了使一个合理和精确解释总交通状态的汽车旅行,我们不仅利用交通路线,而且道路网络的交通状态作为输入。我们代表当前时间交通道路网络 在哪里公路道路网络和数量吗交通状态向量我th道路的道路网络。

对于每一个行程,目前道路网络的交通状况的一些部分可能会影响车辆的道路上的交通状况在未来。然而,很难确定哪些道路我们应该更加注意。为了帮助模型找出高相关道路预测任务,我们使用注意机制模型。注意力被实现为一个隐藏层,它计算分类分布(或分类的层次分布)做一个软阈在源元素(28]。对于每个路段的道路网络,注意机制产生 - - - - - -维积极重 。每个维度的 ,显示为 ,可以解释为相对重要性给道路段在混合 的在一起。

的由注意计算模型我们使用多层感知器(MLP)条件和以前的隐状态 。

一旦计算权重,交通状态表示特性可以计算 在哪里重量和学习吗是两个向量的连接。

最初的隐藏状态计算通过一个延时条件 。

整个旅行的交通状态的特征向量计算递归。

我们使用最后的隐状态交通信息提取器的输出。

旅游能源消耗的其他重要因素是车辆状态。为电动汽车充电状态(SOC),电池温度,电池电压是汽车能耗的关键影响因素。为了结合车辆状态预测模型,我们采用延时器车辆状态。车辆状态 是一个维的向量,其中包含所有车辆能源系统的关键因素,它可以收集。最终的输出通过计算延时条件 。 在哪里和是重量和偏见和中学到了什么(29日)是激活函数。

能源消耗预测的任务是使输出的预测条件交通信息提取器提取器和车辆状态。我们将交通信息提取器的输出器的输出和车辆状态作为并使用它作为输入的预测。我们使用一个深层神经网络(款)预测,和3隐藏层在这个任务应该足够了。能源消费预测的输出是的预测结果的任务。可以训练模型共同通过最小化剩余模型的预测结果和地面之间的真理,和损失函数 在哪里训练集的数量。

在培训过程中,交通信息输入到RNN测序,输出的最后一层,然后特征向量映射到车辆状态向量融合款的输入向量,最终能源消费预测结果是款获得的。因此,损失函数可以计算与地面真理 。虽然反向传播,可以优化神经网络参数优化器RMSprop [30.),学习速率设置为0.00001前10^th时代和0.000001。后100时代,培训过程将被终止,训练神经网络将被测试在测试数据集。

3所示。实验设计

在本节中,我们介绍了建设的过程模型的数据集和实现细节。

3.1。数据描述

我们的模型是一个数据驱动的模型,需要两种类型的数据,路网交通信息和车辆状态。然而,我们很难以获得交通状态数据和车辆状态数据相互对应。我们已经建立了一个仿真平台为电动汽车操作能耗计算数据收集和旅行。

我们利用Quadstone Paramics交通仿真软件构建一个交通仿真模型,从中我们可以收集所有路段交通状态的道路网络和驾驶车辆的周期。此外,我们建立一个车辆仿真模型仿真软件MATLAB /,我们可以收集车辆状态和能耗计算旅行。仿真平台的逻辑图如图2。

3.2。交通仿真模型

Quadstone Paramics交通微观仿真软件,广泛应用于交通的许多方面。Paramics模型为代表的组合“节点、链接和交通区”构建道路网络在现实世界中。通过OD矩阵的设置,用户可以调整交通流在不同的道路。用户还可以改变个人车辆运动模型中通过添加插件。

如图3,我们构建道路网络的交通仿真模型基于道路网北京西北三环。每个路段的道路网络索引从1到n,在那里n的道路在道路网段。在本文中,我们建立一个公路网330公路段和27个旅游地区。从交通仿真模型,我们得到路网的交通信息和驾驶车辆,周期运行在路上。交通信息包含平均交通流量、速度和密度每个路段的道路网的每一分钟。我们随机选择众多的车辆运行在道路的交通仿真模型和记录的驾驶周期粒度0.5年代和道路的索引部分车辆通过。

在进行预测时,我们应该选择一个可能的途径首先,构建交通状态输入基于这条路线。我们还添加车辆位置信息交通状态输入 和一个炎热的编码向量是用来表示位置信息(例如,道路,路网络有5段, 的指数道路的路线是否定的。1)。

3.3。汽车仿真模型

如图4,我们构建一个基于电动汽车在车辆仿真模型仿真软件MATLAB /。

3.3.1。司机仿真模型

驾驶员控制车辆垂直由油门或刹车踏板基于动态反馈的实际速度之间的差异和车辆的预期速度,从而确定驱动或制动力矩,和实时的速度。通常使用比例积分控制器模拟驾驶员的操作,司机的PI控制器原理如下公式所示: 在哪里参考速度,是真正的速度和之间的误差和 , 的天使油门或刹车踏板规范化[−1,1],在[0,1]代表加速和(−1,0)代表减速,一个是全方位的踏板的天使,是成比例的因素,积分因子,然后呢抗饱和积分系数。驱动程序模型调整输出驱动或制动力矩如下:

电动机转矩,在哪里 代表了驱动转矩 代表了制动转矩。

3.3.2。汽车模型

驱动电机采用准稳态方法来模拟电机及其控制器,和准稳态方程所示以下方程:

的公式,驱动电动机的转速,驱动电动机的转矩,主传动电动机的效率。它的效率图如图4:

3.3.3。电池模型

电池模型使用一个R_int模型,它是一种等效电路模型,其特征是开路电压和电阻。电流和功率在这种模式下的计算公式如下:

其中,V_oc是开路电压,R_int电池的内部阻力;他们是电池SOC和温度的函数T。电池的能量消耗可以由以下公式计算:

3.3.4。车辆动力学模型

车辆的动态模型可以计算出车辆的加速度和速度根据行驶阻力平衡方程:

的公式,f滚动阻力,α是道路坡度角(默认值是0),米是控制质量,重力加速度,C_d是空气阻力系数,一个是车辆的迎风面积。

我们随机设置初始SOC和收集的状态的各个关键部件在运行过程中车辆和能耗计算旅行。旅游车辆的能耗结果作为预测模型的地面实况。我们使用收集的数据真实车辆验证车辆仿真模型的准确性。测试结果表明,该旅行能耗的计算误差在±3%的车辆仿真模型。因此,我们可以把真实数据的仿真数据作为替代。

我们做了一个四小时交通仿真和收集了31175汽车驾驶循环利用交通仿真模型。此外,我们计算这些驱动周期的能耗利用车辆仿真模型。稳定的训练过程中,我们正常的数据重新调节数据[0,1]。

4所示。结果分析

我们将数据集划分为无数的30批次的大小。我们做数据集通过结合交通状态信息和车辆信息。模型可以实现一个端到端培训通过最小化损失函数,和我们使用RMSProp优化模型。

我们采用确定性的“软”的关注23在我们的模型中,计算加权期望路网的交通状态。理想情况下,注意力机制应该能够找出高相关道路预测任务,通过设置高价值的相应的道路权重向量。注意机制的可视化图所示5。

我们可以看到在图6整个行程期间,注意机制促进预测模型,更关注目前的交通状态和道路,在车辆上可以达到在短时间内的道路。此外,在初始阶段的旅行(前5分钟图6),模型更关注道路附近车辆的位置。随着汽车旅行预设路线(10∼15分钟图6),注意与主线远离车辆位置。注意机制的模式学习同意交通演化过程的原则。作为路网的交通流动态变化,不久的将来道路的交通状态主要受当前道路本身和道路的交通状态,车辆的道路上可以达到在短时间内,在遥远的未来的道路交通状态进一步受到更广泛的道路网络的交通状态。此外,注意力机制也有助于基于RNN与递归地喂养交通状态预测模型输入到模型中。

为了探索是否注意机制有助于提高模型的预测性能,我们进行比较实验通过删除关注机制从我们的模型但使用相同的数据集进行训练和测试。此外,我们探讨交通信息和车辆信息的重要性我们的模型通过简单地修改我们的模型和培训模型分别通过交通信息和车辆状态。为验证,结果如表所示1和图7。

注意机制的实验结果表明,该模型具有更好的性能比模型没有注意。结合可视化的关注,我们可以知道注意力机制有助于交通状态的模型提取特征。我们验证的重要性的车辆状态信息通过删除车辆状态器模型,我们使用交通状态和距离数据训练模型。验证的交通状态信息的重要性,我们使用车辆状态和距离完成预测任务。对于模型的选择,我们选择一个款有三个隐藏层。的结果,我们知道交通状态信息的关键信息是旅游能源消费预测,模型也表现不佳,没有交通状态信息。性能模型的训练没有车辆状态信息也有下降。本文将交通信息的影响大于从模型中删除车辆状态信息。

5。结论

在这篇文章中,提出了一种交通状态特征提取方法基于注意机制,可从高维交通网络状态数据中提取有效的关键特性和减少无关的干扰特性在旅游能源消耗预测模型。此外,深度学习预测方法基于交通信息的电动汽车能耗。方法集成车辆状态信息和交通网络状态特征。实验结果表明,旅游能源消费预测提出了预测精度较高。本文的想法可以帮助未来的工作旅行能源预测和交通状态预测。除了纯电动车辆外,其他车辆模型如何影响该方法需要在将来的研究中进一步研究。

然而,仍然有一些限制的。该预测模型与数据产生的形式模拟训练,因为交通网络和电动汽车的匹配数据很难获得在现实世界中。为未来的研究,模型与实际数据将进一步研究和测试。此外,空调的使用和司机的影响风格将考虑能耗的预测更准确。

数据可用性

荣威的EV收集的数据用于支持本研究的发现是由上汽在许可下,这些不能免费提供。请求数据,(6/12个月)发表的这篇文章后,会考虑相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由美国国家科学基金会中国没有。61620106002)和中国国家重点研发项目(没有。2019 yfb1600100)。

引用

1. 卢,a . Colorni r·诺切里诺和诉Paruscio,“绿色行动:一个创新的电力vehicle-sharing系统”,Procedia -48卷,第2987 - 2978页,2012年。视图:出版商的网站|谷歌学术搜索
2. s . Carrese t . Giacchetti m . Nigro, s m .髌骨“创新型汽车共享电动汽车系统:一个意大利的经验,“城市交通二十三,第23卷,不。176,245年,页2017。视图:出版商的网站|谷歌学术搜索
3. r . Mounce和j·d·纳尔逊”潜在的单向电动车汽车在未来的移动系统,”交通研究部分:政策和实践卷。120年,相当于17 - 30,2019页。视图:出版商的网站|谷歌学术搜索
4. j·纽鲍尔和大肠木头,“里程焦虑的影响和家庭、工作场所和公共充电设施模拟电池电动车一生效用,”能源杂志卷。257年,12-20,2014页。视图:出版商的网站|谷歌学术搜索
5. 周x k . Liu, h . l .通和j .马可”特性分析和建模的锂离子电池制造业基于随机森林分类”IEEE,没有。99年,2021年。视图:出版商的网站|谷歌学术搜索
6. z z . k . Liu,杨,k . Li“惯性负载预测锂离子电池电极清洁生产:机器学习的方法,”《清洁生产,卷289,不。1,2020。视图:谷歌学术搜索
7. c·王,w . Griggs f -沃斯k .奎因和r .缩短,“缓解一种电动汽车里程焦虑通过按需车辆访问,”国际期刊的控制,卷88,不。4、717 - 728年,2015页。视图:出版商的网站|谷歌学术搜索
8. c . k . Liu邹,k, t·伟嘉,“为锂离子电池充电模式优化electrothermal-aging模型,”IEEE工业信息,14卷,2018年。视图:出版商的网站|谷歌学术搜索
9. k . Liu x, z, y谢,和美国风,“锂离子电池充电管理考虑经济成本的电子能量损失和电池退化,“能量转换和管理卷,195年,第179 - 167页,2019年。视图:出版商的网站|谷歌学术搜索
10. 和c k, k . Li张“约束广义预测控制电池充电过程的热电耦合模型的基础上,“能源杂志卷,347年,第158 - 145页,2017年。视图:出版商的网站|谷歌学术搜索
11. A . Carteni大肠Cascetta, s . De Luca”公园的随机效用模型和车服务和纯对电动汽车的偏好,“交通政策卷,48 49-59,2016页。视图:出版商的网站|谷歌学术搜索
12. 答:拉尔夫,”装置的计算导航路线基于估计的能源消耗,“2009年,美国专利20090254266。视图:谷歌学术搜索
13. c . De Cauwer j . Van Mierlo, t . Coosemans”电动汽车能源消耗预测基于现实世界的数据,”能量,8卷,不。8,8573 - 8593年,2015页。视图:出版商的网站|谷歌学术搜索
14. c . De CauwerW。韦贝克(t . Coosemans s费德山口,j . Van Mierlo”“数据驱动方法能耗预测和节能路由的电动汽车在实际条件下,“能量,10卷,不。5,608年,页2017。视图:出版商的网站|谷歌学术搜索
15. z易和h·鲍尔彼得,”自适应多分辨率为电动汽车能源消耗预测,“IEEE车辆技术,卷66,不。99年,p . 2017。视图:出版商的网站|谷歌学术搜索
16. b . Yoshua“学习深架构AI,”机器学习的基础和趋势®,卷2,不。1、1 - 127、2009页。视图:谷歌学术搜索
17. 在g·罗斯,“快速R-CNN。《IEEE计算机视觉国际会议圣地亚哥,智利,2015年12月。视图:谷歌学术搜索
18. 任,k .他、r . Girshick和j .太阳,“快R-CNN:对与地区建议网络实时目标检测,”IEEE模式分析与机器智能,39卷,不。6,1137 - 1149年,2017页。视图:出版商的网站|谷歌学术搜索
19. r . Collobert和j . Westonet”自然语言处理的一个统一的体系结构:深层神经网络与多任务学习,”美国25日机器学习国际会议赫尔辛基,页160 - 167年,芬兰,2008年7月。视图:谷歌学术搜索
20. h·杰弗里·l·邓d . Yu et al .,“深层神经网络语音识别的声学建模:四个研究小组的共同观点,“IEEE信号处理杂志卷,29号6,82 - 97年,2012页。视图:谷歌学术搜索
21. 莫迪,j·巴塔查里亚,p . Basak”评估电动汽车使用的能源消费深卷积神经网络减少驾驶里程焦虑,”ISA事务卷,98年,第470 - 454页,2020年。视图:出版商的网站|谷歌学术搜索
22. m . Laroui a . Dridi h·阿菲菲h . Moungla m·马罗特和m . a . Cherif”在智能城市电动汽车能源管理:深度学习的方法,”2019年15日国际无线通信和移动计算会议(IWCMC)IEEE,页2080 - 2085年,丹吉尔,摩洛哥,2019年6月。视图:出版商的网站|谷歌学术搜索
23. k .徐j .英航r . Kiros et al .,”节目,参加并告诉:神经图像标题代视觉注意力,”机器学习的国际会议里尔,页2048 - 2057年,法国,2015年7月。视图:谷歌学术搜索
24. c·罗南·w·杰森,k .迈克尔·k . Kavukcuoglu和p . Kuksa”自然语言处理(几乎)从头开始。”机器学习研究杂志》上,12卷,不。1,第2537 - 2493页,2011。视图:谷歌学术搜索
25. d . Bahdanau k .赵,y Bengio”神经共同学习对齐和翻译机器翻译,”2014年,https://arxiv.org/abs/1409.0473。视图:谷歌学术搜索
26. y Lecun (l . Bottou y Bengio, p . Haffner“Gradient-based学习应用于文档识别,”IEEE学报》,卷86,不。11日,第2324 - 2278页,1998年。视图:出版商的网站|谷歌学术搜索
27. k . Yoon d·卡尔·l·黄平君和a . m .,结构化的关注网络施普林格,柏林,德国,2017年。
28. d . c . Plaut和t . Shallice联结主义神经心理学的深层失读症:一个案例研究,“认知神经心理学,10卷,不。5,377 - 500年,1993页。视图:出版商的网站|谷歌学术搜索
29. k . x张,他任美国,j .太阳”深入深入整流器:超越人类表现ImageNet分类,”第1034 - 1026页,2015年,https://arxiv.org/abs/1502.01852。视图:谷歌学术搜索
30. j·马克斯,凯伦,诉安德里亚,a . Zisserman“深结构化输出学习无约束文本识别,”Eprint Arxiv,24卷,不。6,603 - 611年,2014页。视图:谷歌学术搜索

版权

版权©2021沈李等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。