一种基于碳排放度量尺度下的路径规划方法与流程

计算;推算;计数设备的制造及其应用技术1.本发明属于道路交通路径规划技术领域，尤其涉及一种基于碳排放度量尺度下的路径规划方法。背景技术：2.为降低生态环境系统对气候变化的影响，全球正在努力实现“碳达峰”和“碳中和”，而全国碳排放权交易市场是实现“碳达峰”和“碳中和”目标的核心政策工具之一。面对全国统一碳市场的大趋势，发电、钢铁、石化、化工、建材、有色、造纸、民航等能耗和排放较为集中的行业，未来将面临“碳约束”带来的新挑战。3.交通行业作为一个重要的碳排放领域，如何有效控制交通行业领域的碳排放工作，至关重要。目前在交通行业领域，关于碳排放的相关技术方案大多数均为汽车碳排放量的检测方法，如现有技术公开了申请号为201410036312.8的一种汽车碳排量提取方法、装置及系统，该发明通过汽车碳排量提取装置从第二代车载自诊断系统obdii采集汽车燃料消耗量，然后根据燃料消耗量计算二氧化碳排放量，再根据二氧化碳排放量计算得到碳排放量，不需要采用专用仪器检测二氧化碳排放量，能实时方便采集汽车碳排放量。现有的专利，对于影响交通排放的影响因素列举不够全面，且主要都为汽车的碳排放检测方法，未对其他能源汽车进行考虑，单纯从技术的解决目的来看，我们应将技术重点放在通过基于碳排放量尺度下的路径规划方法，最小化汽车的碳排放量，最终辅助推动我国实现“碳达峰”、“碳中和”的目标。技术实现要素：4.本发明要解决的技术问题是：本发明针对现有技术的局限和不足，提供一种基于碳排放度量尺度下的路径规划方法，以解决车辆在道路行驶中最小化汽车的碳排放量，最终辅助推动我国实现“碳达峰”、“碳中和”的目标。5.本发明的技术方案是：一种基于碳排放度量尺度下的路径规划方法，包括如下步骤：6.step1：数据采集环节：在若干城市或若干区域内，收集所行驶的海量通行车辆所通行的道路信息、车辆信息、能耗信息、环境信息、载重信息，并保存至数据库；7.step2：模型构建环节：8.step 2.1：数据预处理环节：对step1所采集的信息中需要进行处理的数据进行数据预处理；9.step 2.2：二氧化碳排放量计算环节：计算二氧化碳排放量；10.step 2.3：特征选择环节：构建数据集，选择其中主要特征作为样本数据集；11.step 2.4：模型训练环节：根据经特征选择后的样本数据集，结合二氧化碳排放量计算环节所计算的二氧化碳排放量，构建最优的二氧化碳排放量预测模型；12.step3：路径规划：根据用户的出行信息，生成若干条行驶路径，根据构建的二氧化碳排放量预测模型将若干条行驶路径按照二氧化碳排放量进行从小至大排序，选择碳排放量最少的行驶路径推荐给用户。13.具体地，step1的具体实施步骤如下：14.step1.1：道路信息采集环节；采用自动化或人工方式定期采集，所采集的参数包括：路段名称、路段长度、路面pqi系数、每个坡道的坡度系数及坡长、红绿灯个数、路段车道数；以具体车辆行驶路线为依据，累计计算其所行驶路段的路段名称集合、路段总长度、路面平均pqi系数、所有坡道的坡度系数及坡长集合、红绿灯总个数、路段平均车道数；15.step1.2：车辆信息采集环节；由智能传感系统和车载自诊断系统odb接口经物联网系统进行自动采集，所采集的参数包括：车牌、车型、燃油汽车或天然气汽车的平均排量、电动汽车的平均输出功率、净重、平均车速；以具体车辆行驶路线为依据，累计计算其所行驶路段的以上部分参数信息；16.step1.3：能耗信息采集环节；由车载自诊断系统odb接口经物联网系统进行自动采集，所采集的参数包括：燃油汽车的平均油耗、电动汽车平均电耗、天然气汽车的平均气耗；以具体车辆行驶路线为依据，累计计算其所行驶路段的以上参数信息；17.step1.4：环境信息采集环节；由车载自诊断系统odb接口经物联网系统进行自动采集，所采集的参数包括：车内平均温度、车外平均温度、车灯使用时间；由交通管理部门公开的道路数据平台，经互联网系统进行自动采集，所采集的参数包括：交通气象平均指数、路况气象平均指数、交通拥堵平均指数；以具体车辆行驶路线为依据，累计计算其所行驶路段的以上部分参数信息；18.step1.5：载重信息采集环节；由智能传感系统、动态称重系统经物联网系统进行自动采集，所采集的参数包括：实载人数、实载重量；以具体车辆行驶路线为依据，累计计算其所行驶路段的以上参数信息。19.具体地，step2中：20.step 2.1的具体实施步骤如下：21.step2.1.1：将道路信息采集所采集的所有坡道的坡度系数及坡长集合转变为路段坡道因子，其具体计算如式(1)所示；其中，f为路段坡道因子，g为坡度系数，g的计算如公式(2)所示，上坡g为正值，下坡g为负值，l为坡长，d为该路段的坡道数量，h为坡面的铅直高度，f为水平宽度，单位统一为米；[0022][0023][0024]step2.1.2：将车辆信息采集所采集的车型信息使用one-hot方式表示；[0025]step2.1.3：将车辆信息采集所采集的排量信息使用one-hot方式表示；[0026]step2.1.4：将车辆信息采集所采集的输出功率信息使用one-hot方式表示；[0027]step2.1.5：使用环境信息采集所采集的车内平均温度、车外平均温度计算出车内外平均温度差；[0028]step2.1.6：货车直接使用载重信息采集环节中动态称重系统所采集的重量作为车辆实载重量；其他车辆一般不经过动态称重系统，故使用车辆信息采集环节所采集的净重，以及载重信息采集环节所采集的实载人数，应用“实载重量＝车辆净重+实载人数×人均重量”的方式估算出车辆实载重量；[0029]step 2.2的具体实施步骤如下：[0030]如公式(3)所示，其中y为二氧化碳排放量；r为能耗信息采集环节所采集的能耗信息，其中燃油汽车对应平均油耗、电动汽车对应平均电耗、天然气汽车对应平均气耗；α为能耗信息所对应的二氧化碳排放系数缺省值，具体取值参考ipcc标准。[0031]y＝r×αꢀꢀ(3)[0032]具体地，所述step2.3的具体实施步骤如下：[0033]step2.3.1：构建数据集；如公式(4)所示，记x为样本数据集，n为样本数量，x(i),1≤i≤n为每个样本数据，为样本数据x(i)所包含的随机变量：路段总长度、路面平均pqi系数、路段坡道因子、红绿灯总个数、路段平均车道数、车型、燃油汽车或天然气汽车的平均排量、电动汽车的平均输出功率、净重、平均车速、车内平均温度、车外平均温度、车内外平均温度差、车灯使用时间、交通气象平均指数、路况气象平均指数、交通拥堵平均指数、实载人数、车辆实载重量，p为随机变量的个数，此处p＝19，xj,1≤j≤p为将所有样本数据的随机变量按照列为单位组成的向量；[0034][0035]step2.3.2：标准化处理；对样本数据集中每个样本数据进行标准化处理，如公式(5)所示；其中为样本数据集x每一行数据的平均值、方差，表示矩阵中的元素；[0036][0037]step2.3.3：计算样本数据集x的协方差矩阵ω；矩阵ω的第i行第j列元素的计算如公式(6)所示；[0038]cij＝cov(xi,xj)＝e{[xi-e(xi)][xj-e(xj)]}ꢀꢀ(6)[0039]step2.3.4：计算协方差矩阵ω的p个特征值λi,1≤i≤p和特征向量a；[0040]step2.3.5：计算每个特征的贡献率，如公式(7)所示；[0041][0042]step2.3.6：选择主要特征；设置主要特征的个数b，其中b≤p；将特征按照其贡献率从大到下排序，选择前b个特征作为主要特征。[0043]具体地，如公式(8)所示，step2.4，模型训练环节将经特征选择环节后由前b个特征组成的优化样本数据集x′，结合二氧化碳排放量计算环节所计算的二氧化碳排放量y，使用线性回归对其进行多个模型训练，之后将多个模型进行bagging集成学习方法融合，构建二氧化碳排放量预测模型，其具体实施步骤如下：[0044][0045]step2.4.1：定义模型如公式(9)所示，hθ(x)为模型，x为特征变量的值，θ为模型代求参数；[0046][0047]step2.4.2：定义损失函数如公式(10)所示，n为样本数量，(x(i),y(i))表示第i个实例样本；[0048][0049]step2.4.3：由最小二乘法求得模型代求参数θ，即对公式(10)所示损失函数求偏导并令其为零时所得到的θ，如公式(11)所示，此时模型如公式(12)所示；[0050][0051][0052]step2.4.4：为提高模型预测精准率，使用bagging集成学习方法对传统模型进行融合，在特征选择环节将选择m个不同的主要特征的个数b1,b2,…,bm，根据特征的个数不同，经过step step2.4.1～step2.4.3训练m个模型，m≤b，如公式(13)所示；[0053][0054]step2.4.5：将m个模型的预测值求平均，即为bagging集成学习方法融合后的最终模型，如公式(14)所示，[0055][0056]具体地，step3路径规划环节的具体实施步骤如下：[0057]step3.1：手机获取用户输入的出发位置、到达位置、车型、燃油汽车或天然气汽车的排量、电动汽车的输出功率、净重、实载人数参数；[0058]step3.2：根据出发位置、到达位置结合地图开放api生成若干条行驶路径；[0059]step3.3：将行驶路径的道路信息参数、能耗信息参数、车辆信息参数、环境信息采集、载重信息采集输入至模型训练环节所训练的模型中，预测出二氧化碳排放量；[0060]step3.4：将若干条行驶路径按照二氧化碳排放量进行从小至大排序，选择碳排放量最少的行驶路径推荐给用户。[0061]本发明的有益效果是：[0062]第一，数据集由道路、车辆、能耗、环境、载重等多维度特征构成，训练数据更全面；第二，使用主成分分析法筛选主要特征，无需标注数据，并采用bagging集成学习方法对多模型进行融合，使其预测值更加精准；第三，将碳排放量预测模型应用于路径规划中，实现路径碳排放量的量化评价。附图说明[0063]图1是本发明总流程示意图；[0064]图2是本发明特征选择环节流程示意图；[0065]图3是本发明模型训练环节流程示意图；[0066]图4是坡道示意图。具体实施方式[0067]为使本发明的目的、技术方案和优点更加清楚，下面通过附图和具体实施例，对本发明作进一步详细说明。[0068]实施例1：如图1-4所示，一种基于碳排放度量尺度下的路径规划方法，包括如下步骤：[0069]step1：数据采集环节：在若干城市或若干区域内，收集所行驶的海量通行车辆所通行的道路信息、车辆信息、能耗信息、环境信息、载重信息，并保存至数据库；[0070]step2：模型构建环节：[0071]step 2.1：数据预处理环节：对step1所采集的信息中需要进行处理的数据进行数据预处理；[0072]step 2.2：二氧化碳排放量计算环节：计算二氧化碳排放量；[0073]step 2.3：特征选择环节：构建数据集，选择其中主要特征作为样本数据集；[0074]step 2.4：模型训练环节：根据经特征选择后的样本数据集，结合二氧化碳排放量计算环节所计算的二氧化碳排放量，构建最优的二氧化碳排放量预测模型；[0075]step3：路径规划环节：根据用户的出行信息，生成若干条行驶路径，根据构建的二氧化碳排放量预测模型将若干条行驶路径按照二氧化碳排放量进行从小至大排序，选择碳排放量最少的行驶路径推荐给用户。[0076]进一步地，数据采集环节将在若干城市或若干区域内，收集所行驶的海量通行车辆所通行的道路信息、车辆信息、能耗信息、环境信息、载重信息，并保存至数据库；具体实施步骤如下：[0077]step1.1：道路信息采集环节；采用自动化或人工方式定期采集，所采集的参数包括：路段名称、路段长度(单位：千米)、路面pqi系数、每个坡道的坡度系数及坡长(单位：千米)、红绿灯个数(单位：个)、路段车道数(单位：个)；以具体车辆行驶路线为依据，累计计算其所行驶路段的路段名称集合、路段总长度(单位：千米)、路面平均pqi系数、所有坡道的坡度系数及坡长(单位：千米)集合、红绿灯总个数(单位：个)、路段平均车道数(单位：个)；[0078]具体地，某路段可能包含多个坡道，需记录所有坡道的坡度系数及坡长；坡度系数的绝对值越小则坡越陡；[0079]step1.2：车辆信息采集环节；由智能传感系统和车载自诊断系统odb接口经物联网系统进行自动采集，所采集的参数包括：车牌、车型、排量(燃油汽车、天然气汽车)、输出功率(电动汽车)、净重、平均车速(单位：千米/小时)；以具体车辆行驶路线为依据，累计计算其所行驶路段的以上部分参数信息；[0080]具体地，智能传感系统可采用街道公共摄像头，也可由采集人员安装专业摄像设备；另外，对于燃油汽车和天然气汽车采用排量，对于电动汽车采用输出功率；[0081]step1.3：能耗信息采集环节；由车载自诊断系统odb接口经物联网系统进行自动采集，所采集的参数包括：平均油耗(燃油汽车、单位：升/百千米)、平均电耗(电动汽车、单位：度/百千米)、平均气耗(天然气汽车、单位：方/百千米)；以具体车辆行驶路线为依据，累计计算其所行驶路段的以上参数信息；[0082]具体地，燃油汽车采集平均油耗(单位：升/百千米)，电动汽车采集平均电耗(单位：度/百千米)，天然气汽车采集平均气耗(单位：方/百千米)；[0083]step1.4：环境信息采集环节；由车载自诊断系统odb接口经物联网系统进行自动采集，所采集的参数包括：车内平均温度(单位：摄氏度)、车外平均温度(单位：摄氏度)、车灯使用时间(单位：小时)；由交通管理部门公开的道路数据平台经互联网系统进行自动采集，所采集的参数包括：交通气象平均指数(1～5级，级别越高气象对交通影响越大)、路况气象平均指数(1～5级，级别越高气象对路况影响越大)、交通拥堵平均指数(1～5级，级别越高越拥堵)；以具体车辆行驶路线为依据，累计计算其所行驶路段的以上部分参数信息；[0084]具体地，交通气象指数是根据雨、雪、雾、沙尘、阴晴等天气现象对交通状况的影响进行分类；路况气象指数是根据天气的变化，结合当日天气现象和前12小时的天气现象对路面状况的影响而提出的一种指数；[0085]step1.5：载重信息采集环节；由智能传感系统、动态称重系统经物联网系统进行自动采集，所采集的参数包括：实载人数、实载重量；以具体车辆行驶路线为依据，累计计算其所行驶路段的以上参数信息。[0086]具体地，货车一定要经动态称重系统采集实载重量；除货车外，其他车辆一般不经过动态称重系统，故不需采集实载重量；[0087]所述模型构建环节是对数据采集环节所采集的数据进行分析和建模，所述数据预处理环节的具体实施步骤如下：[0088]step2.1.1：将道路信息采集环节所采集的所有坡道的坡度系数及坡长(单位：千米)集合转变为路段坡道因子，其具体计算如式(1)所示；其中，f为路段坡道因子，g为坡度系数，g的计算如公式(2)所示，上坡g为正值，下坡g为负值，l为坡长，d该路段的坡道数量，h为坡面的铅直高度，f为水平宽度，单位统一为米；[0089][0090][0091]具体地，若现有三个坡道，坡度系数及坡长(单位：千米)分别为(15、0.5)、(100、1)、(-25、2)，则根据式(1)可计算出该路段的路段坡道因子为-36.67；[0092]step2.1.2：将车辆信息采集环节所采集的车型信息使用one-hot方式表示；[0093]step2.1.3：将车辆信息采集环节所采集的排量信息使用one-hot方式表示；[0094]step2.1.4：将车辆信息采集环节所采集的输出功率信息使用one-hot方式表示；[0095]step2.1.5：使用环境信息采集环节所采集的车内平均温度、车外平均温度计算出车内外平均温度差；[0096]step2.1.6：货车直接使用载重信息采集环节中动态称重系统所采集的实载重量作为车辆实载重量；其他车辆一般不经过动态称重系统，故使用车辆信息采集环节所采集的净重，以及载重信息采集环节所采集的实载人数，应用“车辆实载重量＝车辆净重+实载人数×人均重量”的方式估算出车辆实载重量；[0097]具体地，假设人均重量为60kg，则车辆实载重量＝净重+实载人数×60kg；[0098]所述二氧化碳排放量计算环节的具体实施步骤如下：[0099]如公式(3)所示，其中y为二氧化碳排放量；r为能耗信息采集环节所采集的能耗信息，其中燃油汽车对应平均油耗、电动汽车对应平均电耗、天然气汽车对应平均气耗；α为能耗信息所对应的二氧化碳排放系数缺省值，具体取值参考ipcc标准。[0100]y＝r×αꢀꢀ(3)[0101]进一步地，所述特征选择环节是由现有特征筛选出权重比较大的重要特征进行后续流程，主要使用主成分分析法，其具体实施步骤如下：[0102]step2.3.1：构建数据集；如公式(4)所示，记x为样本数据集(此数据集中的数据为step1中采集的数据，如果用到需要进行预处的数据，则采用预处理后的数据)，n为样本数量，x(i),1≤i≤n为每个样本数据，为样本数据x(i)所包含的随机变量(路段总长度、路面平均pqi系数、路段坡道因子、红绿灯总个数、路段平均车道数、车型、平均排量(燃油汽车、天然气汽车)、平均输出功率(电动汽车)、净重、平均车速、车内平均温度、车外平均温度、车内外平均温度差、车灯使用时间、交通气象平均指数、路况气象平均指数、交通拥堵平均指数、实载人数、车辆实载重量)，p为随机变量的个数(此处p＝19)，xj,1≤j≤p为将所有样本数据的随机变量按照列为单位组成的向量；[0103][0104]step2.3.2：标准化处理；对样本数据集中每个样本数据进行标准化处理，如公式(5)所示；其中为样本数据集x每一行数据的平均值、方差；[0105][0106]step2.3.3：计算样本数据集x的协方差矩阵ω；矩阵ω的第i行第j列元素的计算如公式(6)所示；[0107]cij＝cov(xi,xj)＝e{[xi-e(xi)][xj-e(xj)]}ꢀꢀ(6)[0108]step2.3.4：计算协方差矩阵ω的p个特征值λi,1≤i≤p和特征向量a；[0109]step2.3.5：计算每个特征的贡献率，如公式(7)所示；[0110][0111]step2.3.6：选择主要特征；设置主要特征的个数b，其中b≤p；将特征按照其贡献率从大到下排序，选择前b个特征作为主要特征。[0112]进一步地，如公式(8)所示，模型训练环节将经特征选择环节后由前b个特征组成的优化样本数据集x′，结合二氧化碳排放量计算环节所计算的二氧化碳排放量y，使用线性回归对其进行多个模型训练，之后将多个模型进行bagging集成学习方法融合，使其预测值更加精准，其具体实施步骤如下：[0113][0114]step2.4.1：定义模型如公式(9)所示，hθ(x)为模型，x为特征变量的值，b为特征变量的个数，θ为模型代求参数；[0115][0116]step2.4.2：定义损失函数如公式(10)所示，n为样本数量，(x(i),y(i))表示第i个实例样本；[0117][0118]step2.4.3：由最小二乘法求得模型代求参数θ，即对公式(10)所示损失函数求偏导并令其为零时所得到的θ，如公式(11)所示，此时模型如公式(12)所示；[0119][0120][0121]step2.4.4：为提高模型预测精准率，使用bagging集成学习方法对传统模型进行融合，在特征选择环节将选择m个不同的主要特征的个数b1,b2,…,bm，根据特征的个数不同，经过step2.4.1～step2.4.3训练m个模型，m≤b，如公式(13)所示；[0122][0123]step2.4.5：将m个模型的预测值求平均，即为bagging集成学习方法融合后的最终模型，如公式(14)所示。[0124][0125]具体地，可定义主要特征的个数分别为b＝13、b＝10、b＝7训练模型，共计三个模型；之后在预测时分别将参数传入各模型预测出三个输出值，求其三个输出值的平均值作为最终模型的预测输出值。[0126]进一步地，路径规划环节为用户真正使用该系统时，为其规划出碳排放量最少的行驶路径，其具体实施步骤如下：[0127]step3.1：手机获取用户输入的出发位置、到达位置、车型、排量(燃油汽车、天然气汽车)、输出功率(电动汽车)、净重、实载人数等参数；[0128]step3.2：根据出发位置、到达位置结合地图开放api生成若干条行驶路径；[0129]step3.3：将行驶路径的道路信息参数、能耗信息参数、车辆信息参数、环境信息采集、载重信息采集至模型训练环节所训练的模型中，预测出二氧化碳排放量；[0130]step3.4：将若干条行驶路径按照二氧化碳排放量进行从小至大排序，选择碳排放量最少的行驶路径推荐给用户。[0131]本发明侧重于实现车辆在路径规划中碳排放量的最小化，最终辅助推动我国实现碳排放的量化评价。[0132]以上所述实施例仅表示本发明的实施方式，其描述较为具体和详细，但并不能理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变型和改进，这些都属于本发明保护范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!