第8章 交通效率与能耗协同优化方法

第8章交通效率与能耗协

同优化方法8.1优化背景城市交通中，传统的节能减排措施更多依赖于信号控制技术，以减少车辆在交叉口的延误达到节能减排的目的。然而，面向随机的车辆到达模式，每个信号周期各进口道车流量、每辆车通过交叉口的时刻无法确定，导致此类控制方法的精度一直难以提升，造成不必要的延误损失。此外，车辆行驶的平稳性对能耗和尾气排放影响甚大，传统方案缺乏可干预到车辆端驾驶行为的技术或措施，仅靠信号控制端的优化，节能减排的成效提升有限。

随着智能交通向纵深发展，智能网联与自动驾驶已成为当前及未来很长一段时间内道路交通发展的主流和趋势，与传统交通相比，网联汽车的高效通信与数据交换有着巨大优势，车辆运行状态的可获取性、CHV驾驶汽车的可诱导性和CAV行驶轨迹的可操控性，不仅能准确预判车辆的到达时间，提升交叉口信号控制的精度；而且，还能依据优化后的信号控制参数，实时优化每一辆车的行驶轨迹，实现节能减排效益的最大化。1.传统能耗模型(1)宏观模型

MOBILE(MOBILESourceEmissionFactor)模型为美国环保局于1978年开发。MOBILE模型对不同的输入数据，需选用相应的修正因子对基本排放因子进行修正，最后得到实际的排放因子，从而计算总体排放水平。该模型综合考虑了车辆的维修保养状况、行驶里程、车辆特性及环境参数等各种因素对排放产生的影响，计算结果具有一定的代表性与较强的可比性。8.2能耗模型1.传统能耗模型(1)宏观模型COPERT(ComputerProgrammetocalculateEmissionsfromRoadTransportation)模型于1987年由欧盟委员会开发，用来估算空气污染物的排放及不同类型车辆产生的温室气体，但未考虑道路坡度和加速度。该模型的原理与MOBILE模型类似，其输入的主要参数包括车辆的平均速度、累计里程、平均出行旅程长度、天气与燃料相关参数等。8.2能耗模型1.传统能耗模型

(2)中观模型

在输入量规模与计算尺度上介于宏观模型与微观模型之间，适用于对局部区域，例如某个街区、某条道路在一天或一小时内的燃油排放进行测算。典型代表为MOVES(DraftMotorVehicleEmissionSimulator)模型，MOVES模型是EPA开发的全面综合性能耗模型，有宏观、中观、微观三个层面。MOVES模型在中观层面上通过车辆比功率(VehicleSpecificPower,VSP)的分布特性来表征不同运行工况下车辆的能源消耗率或污染物的排放，VSP与发动机负载有直接关系，因此相较于速度、加速度更能反映与能耗之间的关系。8.2能耗模型1.传统能耗模型

(3)微观模型

以车辆瞬时能耗与状态参数之间的关系为依据推导得到的模型，适用于估计车辆通过某一路段或交叉口以秒为单位的瞬时能耗及排放。该类模型需要以每辆车的瞬时行驶工况作为输入，例如瞬时速度、瞬时加速度等。代表性的微观能耗模型有：CMEM能耗模型：基于车辆在不同行驶模式下的发动机运行状态参数逐秒计算燃油消耗，可准确反映车辆的排放特征。8.2能耗模型1.传统能耗模型

(3)微观模型VT-Micro能耗模型：将车辆分为加速与减速两种情形，分别进行建模，采用了对数变换的方法，将能耗的对数拟合为速度、加速度幂次乘积的函数，由车辆瞬时速度、瞬时加速度的多项式组成。多项式包括线性项、一次项、二次项和三次项，各多项式拟合系数的实测数据由ORNL(OakRidgeNationalLaboratory)通过底盘测功机所采集，模型的预测精度高。8.2能耗模型1.传统能耗模型

(4)能耗模型对比分析

8.2能耗模型2.混合式能耗模型

(1)组合方法

通过将机器学习方法组合来构建能耗模型，其主要思路为用不同的方法解决不同的问题。尝试用不同的方法提取不同数据源的特征，然后进行组合建模。通过机器学习方法对数据进行降维，挖掘出影响燃油消耗的主要特征，然后作为另一种机器学习方法能耗预测模型的输入，该类组合方法模型能有效提高能耗预测的准确率。

例如从行驶工况特征参数方面分析影响实际能耗的因素，以实际百公里能耗作为评价指标，建立能耗预测模型。引入多个行驶工况特征参数，通过主成分分析法提取部分主成分；利用BP神经网络(BackPropagationNeuralNetwork)基于这部分主成分的得分开展能耗预测。与未经主成分分析的BP神经网络输入神经元数对比，基于主成分分析的BP神经网络输入神经元数减少，从而可降低神经网络的输入维数，简化神经网络的输入单元数，提高收敛速度。利用组合方法预测城市道路实际百公里能耗的精度要高于单一模型。8.2能耗模型2.混合式能耗模型

(2)集成方法Bagging可以看作是一种并行的集成学习方法，即学习器的训练没有先后顺序，可以同时进行。以随机森林(RandomForest,RF)为代表，在能耗预测方面有很好的表现。对公交车能耗进行建模与预测，随机森林模型预测效果与实际能耗误差最小，即使在缺乏关键参数的情形下，也能很好地学习数据的特征，并且能够很好地解释自变量与因变量之间的关系。将支持向量机(SupportVectorMachine,SVM)、RF和人工神经网络(ArtificialNeuralNetwork,ANN)三种机器学习方法应用在卡车能耗建模中，基于英国某货运车队的运行状态数据，同时考虑道路特征的条件下，RF方法善于处理高维数据，并且由于其特征子集是随机选择的，因此不用进行特征选择。且模型具有很强的泛化能力，对于大部分数据缺失的情形也能具有很好的预测精度。Boosting则是基于串行的思想序列化进行，将弱学习器提升为强学习器的算法。以梯度提升(GradientBoosting)与极端梯度增强(eXtremeGradientBoosting,XGBoost)方法为代表，在机动车能耗模型的建模中，有着很好的效果。通过XGBoost，将多个树模型(弱分类器)集成为一个强分类器建立的能耗预测模型，与传统的能耗模型相比准确率更高，拟合系数R2达到0.93，平均绝对百分比误差(MeanAbsolutePercentError,MAPE)达到8.78%。XGBoost方法预测精度高，训练速度快，并且可以自动为特征添加不同的权重，具有很强的解释性。8.2能耗模型2.混合式能耗模型

(3)对比分析8.2能耗模型3.电动汽车能耗模型

纯电动汽车，能耗是在电池端测量的输出功率的积分，且电池的充电和放电模式应单独处理，常见的纯电动汽车能耗模型如下：

放电模式，可以通过将车轮处的牵引功率Pwheel除以动力系统的效率来估计电池的输出功率Pout。车轮上的牵引力是车速v与车轮上的牵引力Fwheel的乘积，Fwheel可以近似为滚动阻力Frr、空气阻力Fad、坡度阻力Frg、加速阻力Faccel之和，输出功率Pout计算如下：

充电模式，通常发生在滑行和制动过程中，此时浪费的动能可部分转换成电能回收，输入功率Pin计算如下：

与纯电动汽车运动相关的电池总能耗Ebatt为电池功率Pbatt的积分：8.2能耗模型1.交通信号与车辆轨迹分层优化

(1)交通信号优化

传统的交通信号周期时长优化目标通常集中在最小化车辆延误或最大化交叉口吞吐量。然而，最小化延误的最优信号配时不一定与最小化能耗和排放的配时方案完全相同。以式(8-20)为代表的改进模型在进一步降低交通延误方面也优于Webster法，尤其是在交通需求较大时。式(8-21)计算最佳周期时长，然后考虑绿灯时间产生的临界车道流量比来计算信号配时，最后根据信号交叉口上游路段的交通流量，计算出每个时段的最优信号配时。8.3交通信号与车辆轨迹联合优化1.交通信号与车辆轨迹分层优化

(2)车辆轨迹优化

一般采用生态驾驶控制器，例如利用交叉口生态协同自适应巡航控制(Eco-CooperativeAdaptiveCruiseControlatIntersections,Eco-CACC-I)计算实时能耗和能量优化的速度曲线，以协助车辆通过信号交叉口。控制区定义为信号交叉口上游的距离(dup)到交叉口下游的距离(ddown)，其中Eco-CACC-I控制器优化车辆进出信号交叉口的速度曲线，车辆在驶近信号交叉口时，根据车速、信号配时、相位、到交叉口的距离、道路等级、车头时距等因素进行加速、减速或保持恒定的速度巡航。若在目标车辆前方没有前导车辆，这样就可以在不考虑其他车辆影响的情况下计算目标车辆的能量优化轨迹。将计算得到的最优速度作为车辆纵向运动的约束之一，除此之外将车辆动力学模型设定的允许速度、稳态跟驰模式、避撞约束以及道路限速等考虑在内，所有这些约束共同作用来控制车辆速度。

当车辆在控制区域内行驶时，行驶模式分两种情况：工况1，车辆不减速通过信号交叉口；工况2，车辆必须减速通过交叉口。两种工况中车辆行驶模式不同，Eco-CACC-I控制策略也有所区分。8.3交通信号与车辆轨迹联合优化1.交通信号与车辆轨迹分层优化

①

工况1—车辆不减速通过信号交叉口。这种情况下，车辆接近红灯时的巡航速度可以通过式(8-22)计算，以最大限度地提高控制区内的平均车速。当车辆进入控制区时，将速度调整到uc。交通灯由红变绿后，车辆按照车辆动力学模型从速度uc加速到最大允许速度(限速uf)，直至离开控制区域。8.3交通信号与车辆轨迹联合优化1.交通信号与车辆轨迹分层优化

②工况2—车辆必须减速通过交叉口。整车能量优化后的速度曲线如图8-1所示。在规划时长T内，初始速度为u(t0)的车辆进入控制区后，需要以加速度a减速制动至t1时刻结束，然后以uc匀速巡航接近信号交叉口。车辆靠近停车线后，根据车辆动力学模型将速度增加到uf(t2时刻为加速过程结束时刻)，然后以uf巡航，直到车辆离开控制区。8.3交通信号与车辆轨迹联合优化2.交通信号与车辆轨迹耦合优化

(1)第一类耦合优化模型

理想的交通信号与车辆轨迹联合优化是将信号优化与自动驾驶汽车轨迹规划相结合。挑战在于获取未来的交通状态信息作为轨迹规划算法的输入。大多数现有的轨迹规划算法都需要确定性的未来信号规划和下游车辆的轨迹作为输入，由于人类驾驶行为和交通需求的随机性，混合交通流很少以确定性的方式表现。为了应对这一挑战，一种典型的耦合优化模型是协同交叉口控制系统，系统包含交通信号优化算法和CAV轨迹规划算法。它计算下一个周期的信号计划，并向预计在下一个相位通过交叉口的CAV推荐轨迹。在更新过程中，控制系统搜索最优相位序列和时序，产生一个能够最大化整体交叉口吞吐量的信号控制方案，并利用动态规划方法进行最优参数搜索。

①协同控制系统。交通信号优化目标：最大化交叉口吞吐量。基于V2V、V2I等技术获取交通数据源，得到交叉口区域内车辆的实时状态(例如速度和位置)，供系统估计这些车辆的未来位置。估计的位置表明目标车辆是否可以在信号周期结束时通过交叉口。

协同控制系统采用动态规划方法计算最优信号方案，这使得它可以生成具有可变相位序列和周期长度的信号规划。此外，动态规划方法易在并行计算框架中实现，可以很大程度上减少计算时间，使得优化能够实时实现。8.3交通信号与车辆轨迹联合优化2.交通信号与车辆轨迹耦合优化

(1)第一类耦合优化模型

轨迹规划采用比例控制器，引导车辆不停车通过路口，减少因车辆减速而造成的能量损失。规划时考虑前面队列的长度和下一个绿色信号的开始时间。这些信息很容易从信号优化过程中获得，具体实现过程如下：

目标车辆采取零加速度，通过求解下列方程得到跟车间距de：8.3交通信号与车辆轨迹联合优化2.交通信号与车辆轨迹耦合优化

(1)第一类耦合优化模型

②实时交通模拟。实时仿真使用高保真汽车跟随模型来描述模拟车辆响应前车、交通控制和道路几何形状的纵向加速和减速。该模型考虑了加速度、系统交互和安全约束。自由加速度分量描述了在没有其他道路使用者或道路几何形状约束情况下的车辆速度。交互组件模拟车辆对前车速度变化的反应和交通控制设备(如交通信号控制器)的命令。安全组件提供给定当前交通状况的最大允许速度，确保模拟车辆无碰撞行为。汽车跟随模型为人类驾驶员和自动驾驶汽车实现单独的算法，能再现真实的交通流。

仿真中通过最优交通信号方案来影响虚拟交通流。交叉口控制算法在每个信号相位结束时计算控制方案。一旦计算完成，它将最优信号计划发送给现实世界的交通管制员和模拟的交通管制员。然后，真实和虚拟控制员执行下一阶段的控制计划。交叉口控制器还将未来的绿灯时间发送给队列的负责人，以便他们规划轨迹。若为模拟CAV，则将信息发送到实时仿真，若为测试CAV，将信息提供给负责人，具体场景示意如图8-3所示。8.3交通信号与车辆轨迹联合优化2.交通信号与车辆轨迹耦合优化

(2)第二类耦合优化模型

电动汽车正越来越多的渗透到道路交通系统，另一种典型的耦合优化模型是以电动汽车行驶总时间(TotalTimeSpent,TTS)和能量消耗(EnergyConsumption,EC)最小为目标的协同网络交通管理框架。由包含交通灯设计的交通控制模型，估计TTS作为网络性能指标的交通流模型，以及估计十字路口EC的电动汽车模型组成。EC函数从弗吉尼亚理工基于功率的电动汽车综合能耗模型(VirginiaTechComprehensivePower-basedEVEnergyconsumptionModel,VT-CPEM)中导出，用于模拟消耗，具体过程如图8-4所示。8.3交通信号与车辆轨迹联合优化2.交通信号与车辆轨迹耦合优化

(2)第二类耦合优化模型TTS计算方法：在系统运行期间，网络所有道路上观察到的车辆数量乘以每个时间步长的总和。然而，由于模拟以空网络开始，因此设置一个预热期，不计算指标。然后，系统运行一次为3600秒，时间步长为1秒。TTS可以通过两个组成部分来描述：运行时间(路段长度与速度之间的比值)和等待(延迟)时间。运行行程时间与能耗直接相关，为了分析TTS与能耗估计的一致性，计算每个环节所有车辆的速度(能耗函数的输入变量)。

定义Δt为时间步长，T1为系统预热阶段，T为系统运行时长，l为路网中具体的路段，nl为路段l上的车辆数，则TTS可表示为：8.3交通信号与车辆轨迹联合优化2.交通信号与车辆轨迹耦合优化

(2)第二类耦合优化模型TTS计算方法：在系统运行期间，网络所有道路上观察到的车辆数量乘以每个时间步长的总和。然而，由于模拟以空网络开始，因此设置一个预热期，不计算指标。然后，系统运行一次为3600秒，时间步长为1秒。TTS可以通过两个组成部分来描述：运行时间(路段长度与速度之间的比值)和等待(延迟)时间。运行行程时间与能耗直接相关，为了分析TTS与能耗估计的一致性，计算每个环节所有车辆的速度(能耗函数的输入变量)。

定义Δt为时间步长，T1为系统预热阶段，T为系统运行时长，l为路网中具体的路段，nl为路段l上的车辆数，则TTS可表示为：

车辆i行驶(进入和退出)路段l的增量时间计算为：

车辆i在路段l上行驶的平均速度为：8.3交通信号与车辆轨迹联合优化2.交通信号与车辆轨迹耦合优化

(2)第二类耦合优化模型

基于电动汽车的能源消耗(EC)是以所有使用电动动力系统的车辆(100%电动汽车率)为基础计算得到的，其数值等于每个环节上所有车辆能量消耗的总和，电动汽车能耗函数估计如图8-5所示。VT-CPEM需将瞬时速度、坡度、车载载荷和车辆特性作为输入，输出为车辆在特定行驶周期内的能耗(EC)，能够准确估计能源消耗，相对于经验数据平均误差约为6%。该模型首先根据路径(如坡度)、轨迹(如速度剖面)和车辆特性计算车轮瞬时功率PW(t)，然后根据车辆效率(发动机、制动系统、电池)确定瞬时所需牵引功率PT(t)，最后在整个驾驶周期内对PW(t)和PT(t)进行积分，计算出能量消耗/恢复以及充电状态的相应变化，给定其在驾驶周期开始时的值。牵引功率PT(t)确定如下：8.3交通信号与车辆轨迹联合优化1.动态规划法8.4

优化算法

定义状态变量sj表示开始优化时刻到第j个阶段结束的时间长度，取值范围由前一阶段的状态变量和当前阶段的决策变量共同决定，将单次优化时长H限定为一个信号周期。决策变量为gj，gj表示第j个阶段(即信号周期中的某个相位)分配的绿灯时长，取值范围限制在最小绿灯时长gj,min与最大绿灯时长gj,max之间，定义Ij为绿灯间隔时间。状态转移方程如下：

状态变量集合Sj、给定状态变量sj下对应的决策变量取值集合Gj(sj)如下所示，Sj表示各个阶段的状态变量取值集合，不同的状态变量值对应不同决策变量值：1.动态规划法8.4

优化算法

目标函数的递推计算过程中，提取规划时长内车辆的速度和加速度计算通行时间和能耗，定义L为交叉口所有车道组的集合，Bl为车道组(相位)l中全部车道的集合，Ibl为车道组(相位)l中车道b全部车辆的集合，w1、w2分别为延误和能耗的权重系数，fj(sj,gj)为阶段目标函数，Fj+1(sj+1)为截止到j+1阶段的累计目标函数：

采用前向递归和后向检索的方式来进行优化。在前向递归过程中，从第一个相位开始，逐步计算每个阶段的状态变量和决策变量，每个相位的绿灯时长会受到前一相位绿灯时长的影响。完成相位的前向递归，通过遍历四个相位的绿灯时长配置组合，得到最终的累计目标函数值F4(s4)，代表整个信号周期内累计的最优通行时间和能耗。然后开始后向检索过程，从最后一个相位开始，逐步回溯到第一个相位，确定每个阶段的最优绿灯时长g*j(sj)和对应的车辆加速时间区间A*ibl(gj)，优化车辆的行驶轨迹。2.GA-PSO算法8.4

优化算法

将遗传算法与粒子群算法混合的启发式算法(GA-PSO)对此类问题进行求解。在求解过程中，基于车辆运动模型的车辆轨迹估计与基于启发式算法的优化计算相互嵌套。每当得到新遗传个体(即新的交叉口信号配时)，算法首先根据信号配时，通过车辆运动模型估计各个单独车辆的行驶轨迹。然后，根据单独行驶车辆排队特性及通过交叉口速度规划模型等，得到各混合组队的最优参考速度轨迹与车辆总能耗。最后根据延误公式计算得到交叉口车辆总延误，并通过目标函数计算这组解的重要性，求解流程如下：2.GA-PSO算法8.4

优化算法Step1：预设遗传迭代总次数Γ，种群规模B；Step2：在满足交通信号约束前提下