基于 Python 的出租车电动车仿真框架

本研究提出了一个基于 Python 的仿真框架，用于建模电动汽车（EV）的按需交通系统，重点优化城市车队运营。该系统构建在面向过程的架构之上，高效地模拟 EV 车队动态，包括乘客匹配、车辆调度和充电策略，同时支持自定义以解决关键挑战，如充电站布局、车队管理和算法性能。我们通过采用 SimPy 异步执行进程并仅更新受影响状态来克服高维状态空间和非马尔可夫系统动态的挑战。因此，该仿真框架能够处理数千次行程的高峰需求场景，并在分钟内完成多天的情景模拟。模块化设计使用户能够实验参数、测试算法并集成自定义数据集，使该工具在多样化的城市背景下具有高度可适应性。通过提供一个真实且可扩展的平台，该可适应、可扩展且开源的框架推进了 EV 车队运营的优化，为决策者和城市规划者在可持续城市交通解决方案的过渡中提供了宝贵资源。我们还 presenting a case study using the NYC taxi dataset evaluating various dispatching algorithms, including closest vehicle dispatch, closest available vehicle dispatch, and power-of-d vehicle dispatch, and exploring charging approaches like continuous and nighttime charging. We propose a novel adaptive power-of-d dispatch policy, which dynamically adjusts to real-time conditions and demonstrates high throughputs when combined with adaptive charging policies that interrupt charging to meet demand during the peak and delay some of the charging to the nighttime.