基于BP神經(jīng)網(wǎng)絡(luò)的北京市出租車(chē)油耗模型研究

侯亞美， 陳艷艷， 吳克寒， 何 俊

(1.北京市交通工程重點(diǎn)實(shí)驗(yàn)室(北京工業(yè)大學(xué))， 北京 100124; 2.武漢市交通經(jīng)濟(jì)技術(shù)信息中心， 武漢 430015)

?

基于BP神經(jīng)網(wǎng)絡(luò)的北京市出租車(chē)油耗模型研究

侯亞美1， 陳艷艷1， 吳克寒1， 何 俊2

(1.北京市交通工程重點(diǎn)實(shí)驗(yàn)室(北京工業(yè)大學(xué))， 北京 100124; 2.武漢市交通經(jīng)濟(jì)技術(shù)信息中心， 武漢 430015)

從宏觀的角度出發(fā)，在傳統(tǒng)油耗算法研究的基礎(chǔ)上，從影響油耗的道路和交通特性方面，確定了3個(gè)輸入?yún)?shù)，分別是鏈路平均速度、交叉口密度和停駛比，并利用大量出租車(chē)油耗數(shù)據(jù)分析了北京市主干路上這3個(gè)影響因素與油耗之間的關(guān)系，提出了基于BP神經(jīng)網(wǎng)絡(luò)的油耗模型，結(jié)果表明神經(jīng)網(wǎng)絡(luò)具有更高的精度和穩(wěn)定性，針對(duì)北京市路網(wǎng)，選擇具有代表性的長(zhǎng)安街和西大望路進(jìn)行了實(shí)例應(yīng)用. 研究表明：對(duì)城市道路進(jìn)行信號(hào)聯(lián)動(dòng)控制或?qū)?chē)輛進(jìn)行路徑誘導(dǎo)、減少停駛比、提高路段平均速度是降低能耗的一個(gè)有效方法.

BP神經(jīng)網(wǎng)絡(luò)； 油耗模型； 油耗影響因素

0 引言

針對(duì)交通能耗測(cè)算，目前國(guó)內(nèi)外進(jìn)行了很多研究，基本可以分為4類(lèi)，基于發(fā)動(dòng)機(jī)負(fù)載的油耗模型、基于速度-加速度的油耗模型、基于機(jī)動(dòng)車(chē)比功率(VSP)的油耗模型[1]和基于碳平衡法的油耗模型. 基于發(fā)動(dòng)機(jī)負(fù)荷的油耗模型的輸入主要包括車(chē)輛自身特性參數(shù)(車(chē)型、車(chē)齡、排量等)、車(chē)輛行駛狀況參數(shù)、發(fā)動(dòng)機(jī)參數(shù)等，計(jì)算結(jié)果為發(fā)動(dòng)機(jī)負(fù)荷相關(guān)的參數(shù)，進(jìn)而預(yù)測(cè)機(jī)動(dòng)車(chē)行駛油耗值，建立的油耗模型較為成熟的有ADVISOR[2]、CMEM[3]、EcoGest[4]等模型；基于速度加速度的油耗模型特點(diǎn)是輸入?yún)?shù)比較簡(jiǎn)單，將影響油耗的種種因素體現(xiàn)到車(chē)輛的速度和加速度2個(gè)參數(shù)上，如EMIT[5]模型、MODEM[6-7]模型等；基于VSP的油耗模型是將VSP作為聯(lián)系速度、加速度與油耗關(guān)系的中間變量，從而建立機(jī)動(dòng)車(chē)比功率與油耗的關(guān)系，如PERE[8]模型；基于碳平衡法的油耗模型是利用碳在發(fā)動(dòng)機(jī)燃燒前后質(zhì)量相同的原理，通過(guò)尾氣中的碳質(zhì)量推算油耗，這是一種間接算法，日本、歐美等利用碳平衡法制定了汽車(chē)燃油消耗測(cè)定方法. 目前的研究更側(cè)重于車(chē)輛本身的行駛特性如速度、加速度參數(shù)，能計(jì)算出某一類(lèi)車(chē)輛平均每秒的排放，屬于微觀統(tǒng)計(jì)油耗模型；而對(duì)中、宏觀油耗模型的研究較少，一般這類(lèi)模型的計(jì)算方法有2種：一是由油耗因子與車(chē)輛的道路總行駛里程的乘積得到，這類(lèi)模型的輸入主要包括車(chē)輛運(yùn)行狀況(速度、加速度等)、車(chē)輛油耗水平、區(qū)域車(chē)輛構(gòu)成、環(huán)境因素等，輸出為某一類(lèi)型車(chē)的油耗因子，由于油耗因子計(jì)算復(fù)雜，輸入?yún)?shù)較多，實(shí)用性一直以來(lái)存在質(zhì)疑，不被廣泛應(yīng)用于道路油耗的測(cè)算；二是用路段平均速度來(lái)量化路網(wǎng)的平均油耗水平，這種模型輸入?yún)?shù)相對(duì)簡(jiǎn)單，實(shí)用性不強(qiáng). 因此，為了尋求更好的油耗計(jì)算方法，尤其是如何逐漸從微觀的單車(chē)油耗預(yù)測(cè)轉(zhuǎn)變?yōu)橹杏^甚至是宏觀的路網(wǎng)油耗預(yù)測(cè)，進(jìn)而合理制定交通管理策略，本文研究了油耗的影響因素，并對(duì)各影響因素與油耗的關(guān)系進(jìn)行分析，選擇鏈路平均速度、交叉口密度和停駛比做為油耗預(yù)測(cè)模型的輸入，訓(xùn)練測(cè)試油耗預(yù)測(cè)模型，并通過(guò)實(shí)例驗(yàn)證該模型的有效性.

1 油耗影響因素的確定

影響機(jī)動(dòng)車(chē)油耗的因素有很多，主要有車(chē)輛特性、交通狀況、道路條件、駕駛員駕駛行為特性、國(guó)家相關(guān)政策等多個(gè)方面. 從車(chē)輛自身特性上看，主要有車(chē)身質(zhì)量、發(fā)動(dòng)機(jī)燃油效率、附屬設(shè)備等；從交通狀況上看，主要有交通量、路段平均速度等；從道路條件上看，微觀層面主要有道路的坡度、曲率和路面平整度，路網(wǎng)層面上主要有交叉口密度、道路等級(jí)等. 道路和交通條件與車(chē)輛的行駛工況密切相關(guān)，當(dāng)這些條件發(fā)生變化時(shí)，車(chē)輛行駛工況也會(huì)相對(duì)發(fā)生變化，行駛的車(chē)輛發(fā)動(dòng)機(jī)功率和轉(zhuǎn)速也會(huì)發(fā)生變化，其燃油消耗量也隨之發(fā)生變化.

為明確區(qū)分兩個(gè)交叉口之間和多個(gè)交叉口之間的線(xiàn)路，在本文中定義兩個(gè)節(jié)點(diǎn)之間的線(xiàn)路為路段，包含若干個(gè)交叉口一串連通的路段為鏈路.

該模型的輸入主要為道路交通環(huán)境因素，在主干道上行駛的車(chē)輛，其鏈路的燃油消耗外在影響因素主要包括交通量、交叉口類(lèi)型和控制方式、交叉口個(gè)數(shù)和路段長(zhǎng)度，為減少輸入?yún)?shù)的個(gè)數(shù)，使得模型更加簡(jiǎn)單方便且實(shí)用，現(xiàn)將上述6個(gè)影響因素進(jìn)行量化處理，考慮到交通數(shù)據(jù)的獲取方法難易程度、精度以及使用頻率，最終確定3個(gè)出租車(chē)的路段油耗預(yù)測(cè)的參數(shù)輸入.

1.1 鏈路平均速度

鏈路平均速度是路線(xiàn)長(zhǎng)度與車(chē)輛通過(guò)該線(xiàn)路時(shí)間的比值：

(1)

數(shù)據(jù)來(lái)源為GPS浮動(dòng)車(chē)數(shù)據(jù)，浮動(dòng)車(chē)數(shù)據(jù)已廣泛應(yīng)用于北京市交通擁堵?tīng)顟B(tài)的評(píng)價(jià)，為交通部門(mén)提供實(shí)時(shí)可靠交通參數(shù)，數(shù)據(jù)較易獲取且精度有保證.

1.2 信號(hào)交叉口密度

信號(hào)交叉口密度是路段信號(hào)交叉口個(gè)數(shù)與路段長(zhǎng)度的比值：

(2)

其中：D為信號(hào)交叉口密度；n為路段包含的信號(hào)交叉口個(gè)數(shù)；L為路段長(zhǎng)度(km).

信號(hào)交叉口密度與燃油消耗關(guān)系密切，若在主干道上設(shè)置較多的紅綠燈，并且相鄰道路的紅綠燈開(kāi)啟時(shí)間不合理，會(huì)降低汽車(chē)的行駛速度，頻繁的啟動(dòng)和剎車(chē)也會(huì)增加油耗，因此，選擇信號(hào)交叉口密度作為模型參數(shù)之一.

1.3 停駛比

停駛比ρ是指車(chē)輛行駛時(shí)經(jīng)過(guò)某一路段遇到信號(hào)紅燈的個(gè)數(shù)與經(jīng)過(guò)該路段遇到的交叉口之比，用來(lái)表征相鄰交叉口之間的聯(lián)動(dòng)控制狀態(tài)，是一個(gè)動(dòng)態(tài)的油耗影響因素：

(3)

2 油耗與各影響因素的關(guān)系分析

本研究所使用的數(shù)據(jù)來(lái)源于依托于《北京市機(jī)動(dòng)車(chē)行動(dòng)發(fā)展規(guī)劃》項(xiàng)目，數(shù)據(jù)具體獲取流程為通過(guò)在出租車(chē)上安裝CAN總線(xiàn)監(jiān)測(cè)設(shè)備，實(shí)時(shí)監(jiān)測(cè)北京市出租車(chē)的能耗情況和相關(guān)運(yùn)行狀態(tài)，并監(jiān)測(cè)數(shù)據(jù)動(dòng)態(tài)回傳至數(shù)據(jù)中心并存入數(shù)據(jù)庫(kù). 數(shù)據(jù)包括以下內(nèi)容：采集時(shí)間、車(chē)牌號(hào)碼編碼、GPS經(jīng)度、GPS緯度、GPS方向角、轉(zhuǎn)速、扭矩、儀表盤(pán)、瞬時(shí)油耗等. 對(duì)獲取的數(shù)據(jù)進(jìn)行均值濾波，濾除無(wú)效數(shù)據(jù).

在獲得有效數(shù)據(jù)的基礎(chǔ)上，分別開(kāi)展鏈路平均速度、交叉口密度和停駛比對(duì)油耗的影響分析. 在單因素影響分析時(shí)，其他因素的控制為該因素的平均水平下，如交叉口平均間距約為600m，平均停駛比約為0.7等.

圖1為停駛比在0.7時(shí)，在不同的交叉口密度的情況下，鏈路平均速度與油耗的變化關(guān)系曲線(xiàn)圖.

圖1 鏈路平均速度—油耗變化曲線(xiàn)圖

由圖1可以看出，鏈路平均速度與油耗關(guān)系趨勢(shì)是：鏈路平均速度在10km/h時(shí)，油耗最大，隨著鏈路平均速度的增大，油耗逐漸降低，且變化率越來(lái)越小，當(dāng)速度達(dá)到40～50km/h時(shí)，油耗趨于平穩(wěn). 此外，交叉口密度對(duì)百公里油耗也有一定的影響，密度越大，油耗越高.

圖2為當(dāng)停駛比在0.7時(shí)，在不同的速度下，交叉口密度與百公里油耗之間的關(guān)系曲線(xiàn).

圖2 交叉口密度- 油耗變化曲線(xiàn)圖

由圖2可知，交叉口密度與百公里油耗成正相關(guān)關(guān)系，交叉口密度越大，百公里油耗越大，當(dāng)交叉口密度大于2.0時(shí)，油耗增長(zhǎng)變快，在不同的速度區(qū)間下，相同的交叉口密度下，車(chē)輛的油耗是不同的，速度越低，油耗越大.

圖3為交叉口密度約為2，即交叉口平均間距為500～600m時(shí)，鏈路平均速度分別在10km/h和30km/h的情況下，停駛比與百公里油耗的關(guān)系曲線(xiàn)圖.

圖3 停駛比- 油耗的關(guān)系曲線(xiàn)圖

由圖3可知，在交叉口密度一定的條件下，停駛比與油耗幾乎成線(xiàn)性關(guān)系，隨著停駛比的不斷增大，燃油消耗量也不斷增加，同時(shí)，鏈路平均車(chē)速越大，油耗也越大，停駛比為0.8時(shí)，鏈路平均速度為10km/h的百公里油耗比30km/h的百公里油耗多出約7L，這是由于鏈路平均速度較低時(shí)，車(chē)輛怠速、加速時(shí)間長(zhǎng)，因此油耗量較大.

3 模型建立

通過(guò)分析鏈路平均速度、交叉口密度和停駛比與油耗的關(guān)系，能夠預(yù)測(cè)油耗的范圍，說(shuō)明油耗數(shù)據(jù)的準(zhǔn)確性，確定對(duì)油耗影響敏感的因素. 為了進(jìn)一步預(yù)測(cè)油耗，采用BP神經(jīng)網(wǎng)絡(luò)對(duì)油耗影響因素進(jìn)行分析和運(yùn)算，實(shí)現(xiàn)油耗的精確預(yù)測(cè).

3.1BP神經(jīng)網(wǎng)絡(luò)原理

BP神經(jīng)網(wǎng)絡(luò)是目前使用最廣泛的神經(jīng)網(wǎng)絡(luò)之一，廣泛用于不同信息處理領(lǐng)域.BP神經(jīng)網(wǎng)絡(luò)算法是一個(gè)有導(dǎo)師學(xué)習(xí)的多層神經(jīng)網(wǎng)絡(luò)算法，每一個(gè)學(xué)習(xí)訓(xùn)練樣本在網(wǎng)絡(luò)中經(jīng)過(guò)2遍傳遞計(jì)算，由信號(hào)的正向傳播和誤差的反向傳播組成[9]，圖4為BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，設(shè)該網(wǎng)絡(luò)含有N層和L個(gè)節(jié)點(diǎn)的網(wǎng)絡(luò)給定S個(gè)樣本(xk，yk)(k=1,2…L…S)，l-1層的第i個(gè)神經(jīng)元與1層第j個(gè)神經(jīng)元的連接權(quán)值wij.

(4)

(5)

神經(jīng)網(wǎng)絡(luò)的工作過(guò)程分為學(xué)習(xí)期和工作期2個(gè)階段：學(xué)習(xí)期通過(guò)固定的計(jì)算單元狀態(tài)，調(diào)整各連接權(quán)值；經(jīng)過(guò)學(xué)習(xí)期的調(diào)整，工作期的各連接權(quán)值固定，計(jì)算單元變化調(diào)整，以達(dá)到某種穩(wěn)定狀態(tài)[10]，神經(jīng)網(wǎng)絡(luò)具有良好的映射逼近能力、容錯(cuò)能力、并行處理能力、自學(xué)習(xí)能力、自組織能力和自適應(yīng)性等優(yōu)點(diǎn).

3.2BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定

BP神經(jīng)網(wǎng)絡(luò)的精度對(duì)隱含層節(jié)點(diǎn)數(shù)比隱含層數(shù)更敏感，合理的隱含層節(jié)點(diǎn)數(shù)目既能提高網(wǎng)絡(luò)精度，同時(shí)也減小網(wǎng)絡(luò)規(guī)模和學(xué)習(xí)訓(xùn)練時(shí)間. 本文BP神經(jīng)網(wǎng)絡(luò)的輸入主要有3個(gè)，分別為鏈路平均速度、交叉口密度和停駛比，1個(gè)3層的BP神經(jīng)網(wǎng)絡(luò)模型可以實(shí)現(xiàn)任意維的映射，故本BP神經(jīng)網(wǎng)絡(luò)選取1個(gè)隱含層. 確定了隱含層后，需要確定隱含節(jié)點(diǎn)數(shù)目.BP神經(jīng)網(wǎng)絡(luò)的隱含節(jié)點(diǎn)的確定有3個(gè)經(jīng)驗(yàn)公式：

(6)

m=log2n

(7)

(8)

其中：m為神經(jīng)網(wǎng)絡(luò)隱含層數(shù)目；n為神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元數(shù)目；l為輸出層神經(jīng)元數(shù)目；α為1～10的常數(shù).

經(jīng)驗(yàn)公式并不能確定合適的隱藏層神經(jīng)元節(jié)點(diǎn)數(shù)目，往往是在經(jīng)驗(yàn)公式的基礎(chǔ)上，進(jìn)行多次試驗(yàn)，修改隱藏層神經(jīng)元節(jié)點(diǎn)數(shù)目，以達(dá)到最優(yōu)化的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu).

3.3 BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練和測(cè)試

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練前需要設(shè)置期望精度和學(xué)習(xí)

速率，學(xué)習(xí)速率影響每一次訓(xùn)練中神經(jīng)元權(quán)值的變化量，將預(yù)處理后的數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡(luò)，建立基于BP神經(jīng)網(wǎng)絡(luò)的油耗預(yù)測(cè)模型.

輸入層節(jié)點(diǎn)為3，隱藏層節(jié)點(diǎn)數(shù)為15，輸出層節(jié)點(diǎn)為1，輸入層和隱藏層的激活函數(shù)為tansig函數(shù)，訓(xùn)練次數(shù)為50，精度目標(biāo)為0.001，學(xué)習(xí)系數(shù)為0.05. 圖4為隱含層節(jié)點(diǎn)數(shù)為15、訓(xùn)練次數(shù)為50時(shí)訓(xùn)練誤差曲線(xiàn).

圖4 訓(xùn)練誤差曲線(xiàn)

3.4 結(jié)果輸出

對(duì)訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測(cè)試，并利用10%的樣本量進(jìn)行驗(yàn)證，最后結(jié)果見(jiàn)表1.

圖5為神經(jīng)網(wǎng)絡(luò)模型輸出值與實(shí)際油耗值，從圖中可知，模型輸出的百公里油耗與實(shí)測(cè)值比較接近，在實(shí)測(cè)百公里油耗上下波動(dòng).

表1 BP神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)及實(shí)際油耗對(duì)比表

圖5 實(shí)際值和模型輸出對(duì)比(所有橫坐標(biāo)從0開(kāi)始)

圖6是將BP神經(jīng)網(wǎng)絡(luò)輸出值與實(shí)測(cè)油耗值得到絕對(duì)誤差和誤差率，通過(guò)油耗對(duì)比，雖然第5個(gè)樣本的誤差率達(dá)到了5.9%，但經(jīng)過(guò)計(jì)算求得十組輸出的誤差平均值為3.0%，模型輸出值與實(shí)際油耗相差小，絕對(duì)誤差均在1.0以?xún)?nèi)，誤差率均在6%以?xún)?nèi)，預(yù)測(cè)較為平穩(wěn)，滿(mǎn)足實(shí)際工程需要.

4 實(shí)例應(yīng)用

本文實(shí)例應(yīng)用選取的是具有代表性的北京市南北向和東西向重要的主干路西大望路和長(zhǎng)安街，西大望路信號(hào)交叉口為普通控制，相鄰交叉口之間沒(méi)有相互關(guān)系，長(zhǎng)安街信號(hào)交叉口為綠波控制. 實(shí)際的路網(wǎng)示意圖如圖7所示，圖中紅色線(xiàn)段為選擇的主干路上的鏈路，西大望路其范圍從南端松榆南路至九龍山北邊的百子灣南二路，鏈路長(zhǎng)2.5 km，6個(gè)信號(hào)交叉口；長(zhǎng)安街其范圍從西端的西單至王府井，鏈路長(zhǎng)2.9 km，6個(gè)交叉口.

圖6 測(cè)試輸出的誤差率(所有橫坐標(biāo)從0開(kāi)始)

圖7 西大望路、長(zhǎng)安街示意圖

停駛比按照本文所用CAN總線(xiàn)采集的57萬(wàn)條北京市出租車(chē)瞬時(shí)油耗數(shù)據(jù)，將數(shù)據(jù)與GIS路網(wǎng)匹配，選擇早高峰和平峰時(shí)段經(jīng)過(guò)西大望路和長(zhǎng)安街的多條鏈路，計(jì)算停駛比，將平均停駛比作為本模型輸入的數(shù)據(jù)之一，模型的輸入數(shù)據(jù)及其輸出結(jié)果如表2所示.

表2 西大望路和長(zhǎng)安街百公里油耗輸出結(jié)果

對(duì)表2進(jìn)行分析，得到以下結(jié)論：

1) 西大望路鏈路平均速度低于長(zhǎng)安街，而出租車(chē)平均百公里油耗略高，模型輸出的百公里油耗與兩條主干路上出租車(chē)行駛狀況變化趨勢(shì)較為一致，與速度相似，模型輸出的百公里油耗與交叉口密度和停駛比的變化趨勢(shì)也比較一致，證明該模型的計(jì)算結(jié)果符合實(shí)際情況.

2) 西大望路上出租車(chē)高峰小時(shí)比平峰小時(shí)高出53.7%，百公里油耗高出4.4 L；長(zhǎng)安街上高峰小時(shí)比平峰小時(shí)高出53.9%，百公里油耗高出4.1 L. 北京市1.6 L排量的輕型車(chē)平均百公里油耗為8.61 L，考慮到該值沒(méi)有區(qū)分高峰小時(shí)和平峰小時(shí)，所以本文認(rèn)為，模型輸出結(jié)果與實(shí)際結(jié)果比較吻合，證明本模型能較好地反映北京市主干路上出租車(chē)行駛的平均油耗水平.

3) 無(wú)論高峰還是平峰，長(zhǎng)安街上行駛車(chē)輛平均百公里油耗都比西大望路低，造成這一現(xiàn)象的原因是長(zhǎng)安街上的交叉口進(jìn)行了綠波控制，車(chē)隊(duì)通過(guò)每個(gè)交叉口時(shí)基本可以遇到綠燈，與一般主干路如西大望路相比，長(zhǎng)安街的停駛比較低，鏈路平均速度較高，從而燃油消耗較小.

5 結(jié)論

1) 在對(duì)油耗影響因素分析的基礎(chǔ)上，從道路交通環(huán)境的角度出發(fā)，確定了影響鏈路的3個(gè)主要影響因素，也就是BP神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)，分別為鏈路平均速度、交叉口密度和停駛比.

2) 通過(guò)對(duì)樣本數(shù)據(jù)的分析得到：在鏈路平均速度在10～50 km/h時(shí)，隨著鏈路平均速度的增大，油耗逐漸降低，且變化率越來(lái)越小，當(dāng)速度達(dá)到50 km/h時(shí)，油耗趨于平穩(wěn)；隨著交叉口密度的增大，油耗越來(lái)越大，在不同的速度區(qū)間下，相同交叉口密度下，車(chē)輛的燃油消耗量是不同的，速度越低，油耗量越大；停駛比與油耗成正相關(guān)關(guān)系，車(chē)輛在行駛中遇到的交叉口紅燈越多，油耗越大.

3) 在對(duì)BP神經(jīng)網(wǎng)絡(luò)研究的基礎(chǔ)上，確定了油耗模型的結(jié)構(gòu)，建立了一種基于BP神經(jīng)網(wǎng)絡(luò)的油耗模型，該模型具有較高的精度和穩(wěn)定性，可用于對(duì)路網(wǎng)油耗水平的評(píng)價(jià)，并針對(duì)北京市2條典型主干道進(jìn)行了實(shí)例應(yīng)用. 本文實(shí)現(xiàn)通過(guò)道路交通環(huán)境數(shù)據(jù)——鏈路平均速度、交叉口密度、停駛比，應(yīng)用本模型來(lái)實(shí)際量化北京市主要主干路上的出租車(chē)行駛平均油耗水平，可為交管部門(mén)和交通規(guī)劃部門(mén)制定相應(yīng)的交通管理策略和道路設(shè)計(jì)方案提供依據(jù)參考，以期降低高油耗區(qū)域的油耗水平.

[1] 涂釗. 基于浮動(dòng)車(chē)數(shù)據(jù)的輕型機(jī)動(dòng)車(chē)道路油耗算法研究[D]. 北京: 北京交通大學(xué), 2009.

[2] Wipke K B, CaddyandS M R, Burch D. ADVISOR 2.1: A user-friendly advanced powertrain simulation using a combined backward/forward approach[J]. IEEE Transactions on Vehicular Technology: Special Issue on Hybrid and Electric Vehicles, 1999, 48(6): 1751-1761.

[3] Barth M, An F, Younglove T, et al. Comprehensive modal emissions model (CMEM), version 2.02, User’s guide[R]. Univ. of California, Riverside, California, 2001.

[4] Silva C M, Farias T L, J. M. C. Mendes-Lopes. EcoGest-Numerical Modelling of the Dynamic, Fuel Consumption and Tailpipe Emissions of Vehicles Equipped with Spark Ignition Engines[R]. Urban Transport VIII: Urban Transport in the 21st Century, 2002: 523-532.

[5] Alessandra Cappiello, Ismail Chabini, Edward K. Nam, etc. A Statistical Model of Vehicle Emissions and Fuel Consumption[R]. The IEEE 5thInternational Conference on Intelligent Transportation Systems, 2002.

[6] Jost P, Hassel D, Webber F J, Sonnborn. Emission and fuel consumption modeling based on continuous measurements[R]. TUV Rhineland, Cologue, 1992.

[7] Joumard R, Jost P, Hickman J. Influence of instantaneous speed and acceleration on hot passenger car emissions and fuel consumption[J]. Society of Automotive Engineers, Pennsylvania, 1995.

[8] Edward K. Nam. Proof of concept investigation for the physical emission rate estimator (PERE) to be Used in MOVES[R]. USA, 2003.

[9] 毛健, 趙紅東, 姚婧婧. 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J]. 電子設(shè)計(jì)工程, 2011, 19(24): 62-65.

[10] 朱大奇, 史慧. 人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用[M]. 北京: 科學(xué)出版社, 2006.

[11] 凌建群. 載重車(chē)油耗計(jì)算方法與分析[J]. 柴油機(jī)設(shè)計(jì)與制造, 2006, 14(1): 24-25.

[12] 孔祥玉, 胡昌華, 韓崇昭. 系統(tǒng)特征信息提取神經(jīng)網(wǎng)絡(luò)與算法[M]. 北京: 科學(xué)出版社, 2012.

[13] 李松, 劉力軍, 翟曼. 改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)[J]. 系統(tǒng)工程理論與實(shí)踐, 2012, 32(9): 2045-2049.

[14] 楊俊東. 基于BP神經(jīng)網(wǎng)絡(luò)的油耗測(cè)量方法研究[D]. 長(zhǎng)春: 吉林大學(xué), 2010.

[15] 閆琰. 城市公共交通系統(tǒng)能源消耗模型和計(jì)算方法[D]. 北京: 清華大學(xué), 2013.

[16] 劉娟娟. 基于VSP分布的油耗和排放的速度修正模型研究[D]. 北京: 北京交通大學(xué), 2010.

Study on Taxi Fuel Consumption Model in Beijing Based on BP Neural Network

HOU Ya-mei1, CHEN Yan-yan1, WU Ke-han1, HE Jun2

(1.Beijing Key Laboratory of Traffic Engineering， (Beijing University of Technology), Beijing 100124, China; 2.Wuhan Communications E&T Information Center, Wuhan 430015, China)

Based on the research of traditional fuel consumption model, this paper identified three main factors in terms of road and traffic conditions, namely the average speed of the link, the intersection density, and stop ratio. And it analyzed the relationship between the three influence factors and fuel consumption on the main road in Beijing on the base of a large number of the taxi fuel consumption data. Then a fuel consumption model is proposed based on the BP neural network. The results show that the neural network model has a higher accuracy and stability. In view of the Beijing city road network, it applied the representative example of Chang’an Avenue and West Da Wang Road. Research results show that it is an effective method to reduce the energy consumption by using coordinated signal control or dynamic route guidance.

BP neural network; fuel consumption model; fuel consumption influence factors

10.13986/j.cnki.jote.2015.05.008

2015- 04- 15.

北京市基金重點(diǎn)項(xiàng)目(Z1004011201301)

侯亞美(1988—)， 女， 碩士， 研究方向?yàn)榻煌ㄒ?guī)劃與節(jié)能減排. E-mail: hellohym@126.com.

U 491

A

1008-2522(2015)05-43-07