插电式混合动力汽车绿色路径规划研究.docx

摘要：为了降低插电式混合动力汽车(Plug-inHybridElectricVehicle,PHEV)在驾驶过程中的能耗，本文对插电式混合动力汽车绿色路径规划问题(PlUg-inHybridEIectricVehicIeGreenRoutingProblem,PHEVGRP)进行了研究。基于脉冲耦合神经网络提出了用时间依赖中继神经网络求解时间依赖车辆路径规划问题。基于可实时获取的道路交通状态量建立PHEV能耗计算模型。采用硬参数共享多任务学习建立道路交通状态量的预测模型。结合两个模型，将时间依赖中继神经网络应用于PHEVGRP的求解。采用真实数据进行试验，结果表明所提出的方法能够求得PHEVGRP的基于预测模型的最优解且求解速度优于启发式算法。1基于PCNN的TDRNN求解TDVRP最优解1.1 PCNN求解静态图最短路径问题脉冲耦合神经网络(PulsedCoupledNeuronNetwork,PCNN)是一种有生物学背景的，拥有脉冲耦合、可变阈值和发放同步脉冲特性的新一代人工神经网络。PCNN最早由Caulfield和Kinser提出用于求解迷宫问题。顾等提出了时延PCNN(DelayPulsedCoupledNeuronNetwork,DPCNN)来求解静态图最短路径问题，解决了Caulfield和KinSer提出的方法中需要大量神经元的问题。DPCNN神经元结构如图1所示。在DPCNN神经元中，内部状态量U用于表示其他神经元的输入，阈值&用于控制脉冲的发放。当Uj大于等于&时，神经元发放脉冲。图1DPCNN神经元结构求解静态网络最短路径问题时，DPCNN以路网结构初始化神经网络的拓扑结构，然后将起点神经元点火并发放脉冲。脉冲沿着所有可能的路径并行传播,分别经过等于各路径长度的时延后，使与其相连的神经元点火并发放脉冲继续在网络中传播，当终点神经元点火时，得到全局最短路径。DPCNN中脉冲的传播具有并行性，求解最短路径问题的效率比传统最短路径算法的效率更高。在静态网络中，最短路径的全局最优解由局部最优解构成。因此在脉冲传播过程中，神经元在第一次点火后将阈值升高到固定值，使神经元不再点火。第一个到达神经元的脉冲所经过的路径即为起点神经元到该神经元的最短路径。1.2 TDRNN求解TDVRP求解时间依赖车辆路径规划问题(TimeDependentVehicleRoutingProblem,TDVRP)需要在空间和时间维度上进行路径搜索，搜索过程中局部最优解并不一定能构成全局最优解。本文基于DPCNN提出了时间依赖中继神经网络(TimeDenpendentRelayNeuronNetwork,TDRNN)用于求解已知网络变化的TDVRPoTDRNN在神经元中记录所有到达的脉冲信息，并根据到达道路的时间实时预测相应的交通状态值生成脉冲。TDRNN包括脉冲中继器PR和神经元集合N,整体结构如图2所示。图2TDRNN网络结构PR包含网络中正在传播的脉冲。N包含网络中的神经元。神经元对应动态网络中的节点。TDRNN的神经元之间并不直接相连，而是通过PR传递脉冲来进行通信。TDRNN的神经元n内部包含了脉冲输入、脉冲过滤器的、记录器nn和输出部分n。，结构如图3所示。n。中的每条输出边对应网络中的边，包含神经元n到其后继神经元m的脉冲长度预测函数fnm(t)、脉冲耗时更新函数k11m(t)o脉冲长度和耗时依赖于神经元点火时间t。前者对应动态网络中边的属性值，后者用于计算t。脉冲P中记录了脉冲的来源神经元ps、脉冲在来源神经元记录器的位置pm、脉冲的目标神经元pd、脉冲进度ecp、脉冲长度ec以及脉冲到达时间窗Pao图3时间依赖中继神经元结构脉冲传播过程中，对PR中的所有脉冲p,以传播速度6对ecp进行更新。当ecp大于等于ec时，PS将P输出到Pd中。在脉冲P输入神经元n时，11pf根据Pa判断是否已经有脉冲在时间窗Pa中到达n。若已有脉冲到达，则神经元不点火;若尚未有脉冲到达，则n在Pa时间窗点火,将Pa和PPl添加到rm中并传递给noon。的每条输出边根据Pa计算出脉冲长度和脉冲耗时，生成脉冲输出到PR中。当求解以时间最短为规划目标的TDVRP时，即边的属性定义为道路的耗时，输出边的fnm(t)和knm(t)仅保留其中一个即可。TDRNN采用中继的方式管理脉冲，能够在脉冲传播阶段对脉冲统一更新，减少了实际运行代码时对神经元的访问次数，提高网络运行的速率。TDRNN求解TDVRP时，使起点神经元S在当前时间窗t点火并发放脉冲。脉冲以速度在网络中传播并激发沿途其他神经元点火发放脉冲。当终点神经元d点火时，得到全局最短路径。求解的具体过程由表1表4中的算法进行说明。表ITDRNN整体算法算法1：隹体网络运行输入：MPRS.d,5.输出：最短路径1 PT=Fin;(-11.lsOQjWN起点神经元点火生成的脉冲2 IorcachpGPTdo3 PR叩PCnd(p,N)Aappend()表示从尾部加入4 PulscUpdate(P.d.N),5 PrIntGCtShonCStl>th(d):表2神经元点火算法算法2：神经元点火输入：MP输出：点火产生的脉冲1 FunctionFirc(PN)：2 PT=。"记录神经元Pd点火产生的脉冲3 “=MPdk4 ifPanPFIhCnw将断住时间窗Pa是否石脉冲到达神经元5 return;6 else:7 nr叩PCnd(P0);8 nrt.apend(p4.pp);9 torcachmEn0do”输出部分生成脉冲10 8=fnm(pa):IlrP=knm(pa).12 c=Pa+%：13 PraPPend(Pdjen(npF),m,0,c.Q)XWen()表示取得长度14 rciu11¾PT,表3脉冲更新算法算法3：脉冲传播输入：PR,d,N输出：完成脉冲传播的神经元集合N1 FunctionPulscUpdalc(PR.,d,N),2 whileTruedo3 FTP=记录单次脉冲更新时神经元点火生成的脉冲4 DT=口;记录到达B标神经元的脉冲5 fbreachpePRdo6 ecpecp+.7 ifCCp=ecthen8 FTPextend(Fire(p,N)Aexlend()表示合并9 DT.叩PCnd(P);10 ifd=dIhCnW目标神经元点火11 return;12 (breachpDTdo13 PR.rcmove(p);remove()表示删除14 IbrcachpFPTdo15 P.appcnd(p);表4输出最短路径算法算法4：输出最短路径输入：目标神经元d神经元集合N输出：最短路径Pa力1 FunctionGetShortestPath(d):2 path=口；3 (iJ)=dw,0;4 ph.inserthead(d);从path头部插入d5 while(i,J)!=(-I,l)do6 (ij)=NiP1.j,7 PaZhnserthead(i);从path头部插入i8 returnpath.TDRNN求解PHEVGRP将脉冲长度定义为PHEV的能耗值，即可将TDRNN应用于求解PHEVGRP,求解过程中需要根据到达时间来对道路的通行能耗进行更新。预测道路某个量在未来时间的值是一个时序数据预测问题，需要结合历史数据来进行预测。某条道路上的通行能耗并非实时可观测的量，无法根据历史数据进行预测。本文通过仿真软件建立能耗数据，基于高德地图API实时获取的道路拥堵系数、平均速度数据，以及地图数据中已知的道路长度和道路限速，建立PHEV能耗计算模型。拥堵系数影响汽车的加减速频率，平均速度反映整体功率需求，两者都是能耗的重要影响因素。同时为每条道路建立硬参数共享多任务学习预测模型，对两个可实时获取的量的未来状态进行预测。结合上述两个模型，实现对未来道路通行能耗的预测。2.1 PHEV能耗计算模型本文采用SUMO仿真软件在广州市海珠区部分路网上进行仿真来获取能耗数据。采用P2插电式混合动力车型作为仿真车型。通过在仿真过程中设置不同的车流来模拟不同的道路拥堵状况。SUMO仿真过程中可提取出车辆所处的道路人在道路上的平均驾驶速度Vmean、道路的通行时间tp以及产生的油耗Cf和电耗Ceo将Cf和Ce的单位统一为千焦（kJ）。同时计算道路的拥堵系数a,计算方式如式（1）所示，其中Ir,tp,Vr分别为的长度、畅通时的通行时间以及最高限速。采用随机森林模型对Cf与Ce进行拟合得到的多输出计算模型fc如式(2)所示。将计算得出的Cf与Ce相加，得到总能耗C计算模型fd,如式(3)所示。由于不同道路状况对PHEV油耗和电耗的影响程度不同，相比直接拟合总能耗的单输出回归模型，多输出回归模型在分别输出油耗和电耗后相加得到的总能耗准确度更高。Cf,Ce=力(6Umean，'r)(2)C=d(,Umean，'r)(3)2.2 硬参数共享多任务学习预测模型多任务学习(MuIti-Task1.earning,MT1.)是一种联合多个任务同时学习的方法。相比单任务学习(SingIe-Task1.earning,ST1.),MT1.可以通过捕捉多个任务之间的关联性来增强模型表示和泛化能力。硬参数共享多任务学习是在参数共享层中将多个任务的数据嵌入到同一个语义空间中，再为每个任务使用一个任务特定层提取任务特定特征表示。本文采用长短期记忆网络(1.ongShortTermMemory,1.STM)作为多任务学习的参数共享层和任务特定层。1.STM改善了循环神经网络RNN中梯度消失和梯度爆炸的情况，能够很好地捕捉时序数据中的时间特征，在时序数据预测上的准确度较高。本文为每条道路建立了一个多任务学习预测模型，以当前时间前20个时间窗道路的拥挤系数和平均速度数据预测下一个时间窗的数据。模型如图4所示。1.STM只能进行固定时间步长的预测，当需要预测的时间步长大于1时，将预测结果与原输入数据结合，进行循环预测。循环预测模型如式（4）所示，其中dr表示道路r在当前时间前20个时间窗的数据，step表示预测的时间步长。,Umean=MT1.r（dr,step）（4）图4硬参数共享多任务预测模型2.3 求解PHEVGRP在TDRNN神经元的输出部分，以式（3）、式（4）结合作为脉冲长度预测函数，以式（1）、式（4）结合作为脉冲耗时预测函数。当脉冲P激发神经元n点火时，以Pa作为Step,结合式（4）预测得到a和Vmean,进一步结合式（3）计算得出能耗作为脉冲长度。结合a和式（1）得到道路的通行时间作为脉冲耗时。根据以上得到的值生成脉冲并传播，实现PHEVGRP的求解。3实验道路网络包含16947条边，7765个节点。通过高德地图开发者API,连续15天间隔2分钟采集每条道路的拥堵系数、平均速度。每条道路共有10080条数据。前14天的数据和第15天的数据分别作为MT1.模型的训练集和测试集。在第15天整天时间范围内间隔20分钟进行一次单步预测来测试模型的泛化效果。每条道路的预测模型共进行72次测试，同时计算测试结果的相对误差，并在每个时间点统计所有道路预测模型的平均相对误差。图5和图6分别为平均速度和拥堵系数在测试时间点的平均相对误差。平均速度的平均相对误差在0.012和0.028之间，拥堵系数的平均相对误差在0032至0.052之间。模型在高峰期（8:00至10:00,18:00至20:00）的相对误差升高，是因为高峰期的道路状况波动较大，模型在该情况下的预测准确度会有所下降。在第15天中随机选择7个出发时间，每个出发时间在路网中随机选择起点和终点，进行7组实验。在实验中，TDRNN将基于平均精度的预测模型进行路径规划。为TDRNN设置三个对照组：（1）对照实验1：根据完整的数据即在己知网络变化的情况下，采用杨传印等提出的基于优先队列的方法求出PHEVGRP的真实最优路径和能耗。（2）对照组2：假设所选地图范围内任意两个点之间的通行时间小于或等于1小时，预测出发时间未来1小时所有道路的平均速度和拥堵系数。以预测得到的数据作为已知网络变化的情况，采用杨传印等提出的方法求解出PHEVGRP基于预测数据的最优路径和能耗作为对照组2o（3）对照组3：以能耗和距离为启发式函数A*算法求解PHEVGRP的路径和能耗，求解过程中根据到达时间实时预测道路的平均速度和拥挤系数并计算能耗。用IP和IR值分别表示路径是否与真实最优解路径、基于预测数据的最优解路径相同,值为1时表示相同,值为0时表示不相同。实验结果如表5所示,TDRNN能够求得基于预测结果的最优路径和能耗，且求解速度优于A*算法，但未必能够求得真实的最优解。由于预测模型存在误差，即使在求得真实最优路径的情况下，TDRNN求得的能耗与真实最优解之间仍然存在误差。0.0140.0120:002:004:006:008:0010:0012:0014:0016:0018:0()20:0022:001:003:W5:007:009:0011:0013:0015:0017:0019:0021:0023:00测试时间点86420822222100oooo0.0.0.0.0.0.图6拥堵系数在测试时间点的平均相对误差图5平均速度在测试时间点的平均相对误差WN三云A表5实验结果实验1实验2实验3实验4实验5实验6实验7对照组136.843.743.928.554.637.556.4能耗对照组235.442.348.427.253.538.458.3ZkJ对照组345.542.355.632.653.545.566.2TDRNN35.442.348.427.253.538.458.3运行对照组387.295.292.488.5102.692.6108.7时间/sTDRNN8.910.29.58.210.89.410.7对照组211011IIIR对照组30I00100TDRNN1I0111IIP对照组30100100TDRNN1111111非高峰期高峰期在高峰期和非高峰期时间段随机各选取了100个出发时间，每个出发时间在路网中随机选择起点和终点，进行200组实验来测试TDRNN基于平均精度的预测模型求解的能耗和真实最优解之间的相对误差，以及相应路径解与真实路径最优解的符合情况。如图7所示，实验中TDRNN求解的能耗与真实最优解之间的相对误差，在非高峰期集中在0.03至0.06之间，在高峰期集中在0.07至0.1之间。如图8所示，TDRNN在大部分实验中能够求解得到真实的最优解。相比非高峰期，TDRNN在高峰期规划的路径更容易偏离真实的最优路径解。0.140.120.100.080.060.040.020.00图7TDRNN的能耗解与真实最优能耗解的相对误差箱形图