面向混合车辆公交 fleet 的路线级能耗数据驱动预测

由于对环境影响的日益关注、运营成本与能源安全，公共交通机构正寻求通过采用电动汽车（EV）来降低燃料消耗。然而，由于电动汽车高昂的前期成本，大多数机构只能负担得起内燃机与电动汽车的混合车队。充分利用这些混合车队对机构而言是一项挑战，因为优化车辆到公交路线的分配、充电调度等都需要对电力与燃料消耗进行准确预测。基于传感器的技术、数据分析和机器学习的最新进展使改善这一状况成为可能；然而，据我们所知，尚不存在将全部相关数据整合为公共交通路线级预测模型的框架。在本文中，我们提出一种用于混合车辆公交车队路线级能耗数据驱动预测的新框架，并使用从田纳西州查塔努加公共交通局 CARTA 的公交车队收集的数据进行评估。我们提出一个数据收集与存储框架，用于捕获系统级数据（包括交通与天气状况）以及高频车辆级数据（包括位置轨迹、燃料或电力消耗等）。我们提出用于整合与清洗来自街道和高程地图等多种来源的领域特定方法与算法。最后，我们在整合数据集上训练并评估了包括深度神经网络、决策树和线性回归在内的机器学习模型。我们的结果表明神经网络可提供准确估计，而其他模型可帮助我们发现能耗与道路和天气状况等因素之间的关系。