关键词：
电动出租车
充电行为
时空模式挖掘
调度优化
大数据分析
多智能体强化学习
摘要：
推进公共交通电气化是达成碳达峰、碳中和目标的必由之路,电动出租车作为城市公共交通系统的重要组成部分,其充电效率不仅直接影响到出行服务水平和营运收入能力,也会给电动汽车充电站的运营带来影响。实现对电动出租车充电行为时空模式的深刻理解和对充电调度的高效管理,有利于构建一个健康、互利、可持续的电动出租车系统。然而,当前对电动出租车充电行为的空间模式和时间模式尚不明晰,这不利于实现科学高效的车队充电调度管理。因此,对电动出租车充电行为的时空模式挖掘和充电调度优化成为亟待解决的研究问题。在此背景下,本研究融合多源异构大数据集,按照“空间模式挖掘-时间模式挖掘-基于时空模式的充电调度优化”的思路,基于可解释的机器学习模型、统计学模型、逆强化学习和强化学习方法,对电动出租车充电行为的空间模式、时间模式和充电优化进行系统研究。研究成果可以丰富对电动出租车队日常充电行为模式的理解,提高电动出租车队的充电效率、服务水平和整体收益,推进出租车的电气化进程。本文的研究内容总结如下:
首先,本研究针对多源大数据集,开发了一套全面的数据处理、分析与可视化流程。具体涉及:各项数据集的数据清洗与预处理,电动出租车服务、巡游、充电、排队与非工作活动的识别、提取与统计,基于活动事件的出租车日常活动序列构建,基于轨迹数据的活动序列构建,电池电量推断,可视化呈现与分析等。通过上述流程与具体工作,本研究从多源大数据集中获取了丰富的信息,有力支撑了充电行为时空模式分析与大规模充电调度优化研究。
随后,对充电行为的空间模式进行挖掘。空间模式有两个方面的涵义:一是电动出租车在充电前对充电站的空间选择,即选择哪个具体的充电站进行充电;二是选择充电站的行为受到哪些地理空间因素的影响。针对当前对大规模电动出租车队充电行为空间模式的专项研究中缺少对出行需求动态的考量,且现有的对电动汽车用户充电行为影响因素研究中往往预定义线性模型,本研究以充电站的小时利用率为表征,在影响因素中加入了两个与出行需求相关的特征,通过构建随机森林回归模型和SHAP方法解释,探究了影响电动出租车司机选择充电位置的影响因素及其影响机制。选定的影响因素包括建成环境特征、出行需求特征、人口特征等。本研究发现了出行特征、土地利用等因素对充电站利用的显著非线性影响和阈值效应。
接着,对充电行为的时间间模式进行挖掘。时间模式有两个层面的涵义:首先,司机在一天的营运活动中,如何根据出行客流动态,合理安排充电的时机,以减少充电对营运收入带来的负面影响,这涉及到充电频率和充电时间的选择等。其次,在载客和巡游过程中,司机如何根据当前时间状态,制定充电决策。当前对电动出租车充电行为的研究未能将充电行为放到更广阔的营运动态背景中进行分析,且缺少对充电决策行为的深入洞察。对此,本研究设计了一个两阶段研究框架,分别从宏观和微观视角对充电时间模式进行解析。第一阶段利用潜剖面分析模型,根据每日充电频率、充电时长、充电时间分布等将电动出租车队划分为具有显著差异的时间模式,并系统探究了不同时间模式的异质性。第二阶段运用逆强化学习框架,以基于轨迹数据的活动序列作为输入,深入挖掘了不同充电时间模式中司机的决策偏好,揭示了在里程焦虑、搜寻订单等方面的显著差异。
最后,以充电调度为核心,开展充电、服务和再平衡的联合调度优化。研究应用强化学习技术,针对现有研究中强化学习利用实时系统信息不足,集中式强化学习中可扩展性和效率的挑战和非静态问题,构建了一个多智能体强化学习框架。该框架结合了增强的需求感知架构,并引入了未来需求特征预测任务,有效应对了大规模车队集成优化的挑战。实验结果显示,本研究所提出的框架在智能化程度和效率上显著优于传统方法,实现了对电动出租车营运的有效管理。
本研究通过深入分析电动出租车大数据,探究了电动出租车司机充电站选择行为的影响因素,揭示了其日常充电行为的异质性,提供了对其日常营运活动的新见解。研究应用的多智能体强化学习框架有效优化了车队营运,提高了营运效率和收益,为构建更绿色、低碳的城市交通系统提供了实际解决方案。此外,研究结果对于科学规划充电基础设施和推动电动车辆在城市环境中的应用具有重要意义。
欢迎来到三峡大学图书馆！
