Consumer purchase intentions for electric vehicles: Is green more important than price and range?

In view of global warming and climate change, a transition from combustion to electric vehicles (EVs) can help to reduce greenhouse gas emissions and improve air quality. However, high acquisition costs and short driving ranges are considered to be main factors which impede the diffusion of EVs. Since electricity needs to be produced from renewable energy sources for EVs to be a true green alternative, the environmental performance of EVs is also presumed to be an important factor. This paper investigates the role of environmental performance compared to price value and range confidence regarding consumer purchase intentions for EVs. To develop our hypothesis, we interview 40 end-user subjects about their beliefs toward EVs. Then, we perform 167 test drives with a plug-in battery EV and conduct a survey with the participants to test the hypothesis. Results of a structural equation modeling support the hypothesis that the environmental performance of EVs is a stronger predictor of attitude and thus purchase intention than price value and range confidence.     

基于EKF学习方法的BP神经网络汽车换道意图识别模型研究

实时准确地识别驾驶人的换道意图有助于提高车辆行驶的安全性,达到安全辅助驾驶的目的。文中提出了一种基于EKF（extended kalman filter）学习方法的BP神经网络模型,用于识别驾驶人的换道意图,并进行短时行为预测。通过实验采集了20组高速公路实车行驶数据,利用前方车头时距、转向盘转角值、驾驶人头部水平位置数据,以及车道偏离量4类数据样本进行训练得到结果。实验结果表明：本模型较传统的神经网络识别模型具有更短的识别时间,且模型的可信度更高。在车辆换道和直线行驶2种工况下,本模型对换道意图的识别准确率达到了95％。     

基于长短期记忆网络的换道意图识别方法

准确识别周围车辆的换道意图将有助于自动驾驶系统决策,从而提升安全性和舒适性。提出一种基于长短期记忆（Long Short-term Memory,LSTM）网络的换道意图识别方法,能够较为准确地识别周围车辆的换道意图。该方法先通过构造收益函数来描述目标车辆（被预测的车辆）与其邻域车辆之间的交互关系,得到目标车辆左换道、右换道和车道保持的收益值,并将该收益值作为交互特征输入到意图识别网络;在意图识别网络中,引入注意力机制,通过网络自学习得到的权重对LSTM层各个时刻的输出加权求和,能够对编码信息进行有效利用,提高换道意图的识别性能;由于车辆的换道意图存在较强的前后依赖性,引入条件随机场（Conditional Random Field,CRF）,采用意图转移特征函数对各个时刻换道意图进行联合建模,并构建负对数似然损失函数作为整个网络的损失。为了验证所提方法的有效性,基于NGSIM数据集训练并评估模型。结果表明：所提方法对换道意图识别的准确率、宏观F1分数、测试集损失分别为0.916 4、0.874 6和0.168 3,均优于支持向量机（SVM）、隐马尔可夫模型（HMM）和LSTM模型。同时,所提模型对左换道和右换道的平均换道提前识别时间分别为3.08、2.33 s,综合换道提前识别时间为2.81 s,优于基线模型,能够为主车的决策提供充足的冗余时间。通过消融分析可知,引入的交互作用模块、注意力机制和条件随机场对准确率的贡献分别为0.012 2、0.004 3和0.011 0,印证了相关模块的有效性。最后由场景验证的案例可以得出,所提方法在准确率、稳定性和换道提前识别时间等指标上优于对比模型。     

基于双层隐式马尔科夫模型的驾驶意图辨识

构建了一种双层隐式马尔科夫模型结构,用于实时辨识驾驶员复合工况下的驾驶意图,并在驾驶模拟器上对坡道起步、紧急避障和弯道制动等复合工况进行了验证。结果表明,该模型可准确、高效地辨识各个单一和复合工况下的驾驶意图,为线控汽车的集成控制奠定基础,提高线控汽车的安全性和减轻驾驶员负担。     

居民轨道选择意向建模与应用研究

基于轨道交通大发展的背景,对居民选择轨道交通出行的意向进行建模分析,旨在为大城市的轨道交通建设提供依据。通过分析居民出行交通方式选择的影响因素（传统的出行方式、出行费用、性别等）,构建了居民轨道选择意向转移模型,并确定模型的输入输出向量,利用MATLAB-ANN的BP网络,求解模型效用值,最后结合苏州市进行应用研究。     

基于制动驾驶意图辨识的纯电动客车复合制动控制策略

为了研究纯电动客车复合制动系统制动力分配比例,提出了基于制动驾驶意图辨识的复合制动控制策略。基于隐形马尔科夫理论建立了双层制动驾驶意图辨识模型,运用道路试验数据对模型进行辨识验证。基于辨识出的驾驶意图和车速,以前后轮制动力分配比例、ECE 法规、电机特性、滑移率、蓄电池特性、超级电容特性与传动系统特性为约束条件,制定了复合制动系统制动力分配策略,在9种工况下,应用Simulink对复合制动系统进行建模仿真。仿真结果表明：应用基于制动驾驶意图的纯电动客车复合制动控制策略后,在各种工况下,摩擦制动系统和电机再生制动系统能够协调稳定地工作,在保证制动安全性的前提下最大限度地回收了制动能量。低车速轻微制动时能量回收效率最高,可达到43．84％。高车速紧急制动时能量回收效率最低,仅为0．89％。     

新能源汽车再生制动能量回收研究综述

续驶里程及蓄电池供电技术是目前制约新能源汽车普及的主要因素。再生制动技术作为提高整车能量利用率的有效方案，为新能源汽车续驶里程的提高提供了一条切实可行的解决思路。针对再生制动关键技术，分别阐述了再生制动控制策略研究和再生制动能量管理研究两个方面的研究成果。针对再生制动策略问题，分别从制动意图识别、制动力分配以及轮缸压力控制三方面总结了再生制动相关控制策略；针对能量管理问题，分别从制动能量回收潜力与能量回收效果评估两方面对研究成果进行了总结。分析了通过能量流机理计算车辆节能潜力的方法，并对未来再生制动关键技术的研究与发展趋势进行了展望。