基于神经网络的城市范围内轻型车辆运行模式分布估计
机器学习
2025-04-08 v2
摘要
驾驶循环是一组驾驶条件，对现有的排放估计模型至关重要，通过将其与平均速度匹配来计算车辆性能、燃油效率和排放所涉及的运行模式，如制动、怠速和巡航。虽然现有的排放估计模型，如 Motor Vehicle Emission Simulator（MOVES），是强大的工具，但其依赖预定义的驾驶循环，这些循环往往不准确地代表区域化的驾驶条件，使得该模型在进行城市范围内分析时效果有限。为此，本文提出一种基于模块化神经网络（NN）的框架，用于估计城市范围内的运行模式分布，绕过驾驶循环开发阶段，利用速度、流量和链路基础设施属性等宏观变量。该方法使用美国 Brookline MA 的经过良好校准的微观仿真模型进行验证。结果表明，所提出的框架优于基于默认驾驶循环的 MOVES 计算的运行模式分布，能够更贴近来自轨迹数据的实际运行模式分布。具体而言，所提出的模型在预测运行模式分布方面的平均 RMSE 为 0.04，而 MOVES 的 RMSE 为 0.08。该方法对排放物的平均误差为 8.57%，低于 MOVES 的 32.86%。特别是对于 CO2 的估计，所提出的方法误差仅为 4%，而 MOVES 的误差为 35%。该所提出的模型可用于实时排放监测，通过提供快速且准确的排放估计，并利用易于获取的输入。
引用
@article{arxiv.2503.22118,
title = {Estimating City-wide Operating Mode Distribution of Light-Duty Vehicles: A Neural Network-based Approach},
author = {Muhammad Usama and Haris N. Koutsopoulos and Zhengbing He and Lijiao Wang},
journal= {arXiv preprint arXiv:2503.22118},
year = {2025}
}