Smart charging management for shared autonomous electric vehicle fleets: A Puget Sound case study

Increasingly, experts are forecasting the future of transportation to be shared, autonomous and electric. As shared autonomous electric vehicle (SAEV) fleets roll out to the market, the electricity consumed by the fleet will have significant impacts on energy demand and, in turn, drive variation in energy cost and reliability, especially if the charging is unmanaged. This research proposes a smart charging (SC) framework to identify benefits of active SAEV charging management that strategically shifts electricity demand away from high-priced peak hours or towards renewable generation periods. Time of use (TOU), real time pricing (RTP), and solar generation electricity scenarios are tested using an agent-based simulation to study (1) the impact of battery capacity and charging infrastructure type on SAEV fleet performance and operational costs under SC management; (2) the cost reduction potential of SC considering energy price fluctuation, uncertainty, and seasonal variation; (3) the charging infrastructure requirements; and (4) the system efficiency of powering SAEVs with solar generation. A case study from the Puget Sound region demonstrates the proposed SC algorithm using trip patterns from the regional travel demand model and local energy prices. Results suggest that in the absence of electricity price signals, SAEV charging demand is likely to peak the evening, when regional electricity use patterns already indicate high demand. Under SC management, EVs with larger battery sizes are more responsive to low-electricity cost charging opportunities, and have greater potential to reduce total energy related costs (electricity plus charging infrastructure) for a SAEV fleet, especially under RTP structure.     

基于多智能体深度强化学习的停车系统智能延时匹配方法

“互联网＋”模式下区域停车“用户-资源”优化匹配是解决找车位难问题的有效途径，传统研究主要关注动态匹配机制设计，缺乏对用户匹配时机的考虑。在随机动态环境下，用户到达目的地附近后进行适当的延时等待，往往可以获得更优质的泊位资源，但取决于当前的停车供需模式。据此首次提出智能延时匹配策略，将每个停车用户抽象为智能体，构建多智能体深度Q学习模型(M-DQN)。结合系统的停车供需状态学习，用户自主决策延时等待时间，进入分配池后，系统利用匈牙利算法进行泊位匹配。在智能体总数量可变的环境下，利用集中式训练与分布式执行的框架，实现多智能体协同优化。为对比智能延时策略的效果，设计等待零时长策略(Greedy)和等待最大时长策略(Max Delay)。在算例中，结合同济大学四平路校区实测停车数据，设计3种不同的停车供需模式场景。在工作日早高峰时段，Greedy是最优的匹配策略，M-DQN和Max Delay的平均停车过程总用时会增加，匹配成功率下降；在工作日非高峰时段，M-DQN的平均停车过程总用时相较于Greedy和Max Delay分别减少23.8%和22.4%，效果提升明显；在工作日晚高峰时段，M-DQN的平均停车过程总用时相较于Greedy和Max Delay分别减少了12.8%和14.5%，M-DQN可以结合供需状态学习到最优的匹配策略。研究结果表明：在停车供需相对平衡的环境下，所提出的延时匹配策略和多智能体深度强化学习方法可以有效减少用户停车的平均行驶时间和步行距离，且停车周转率越高效果越好；但延时策略在应用方面仍有一定的局限性，不适用于停车供给紧张，停车周转率较低的场景。     

基于演化博弈的政府鼓励条件下共享停车行为分析

为研究在政府鼓励措施下出行者和车位拥有者参与共享停车时的策略对共享停车匹配结果的影响，建立出行者和车位拥有者演化博弈模型并进行演化稳定状态分析，结合仿真说明不同收益和成本及策略选择对共享停车的影响。研究结果表明：在政府鼓励措施下双方演化博弈中出行者和车位拥有者均能通过不断学习最终演化至稳定均衡状态，但演化速率和演化波动性受双方收益制约；通过分析发现，想要演化至(使用，共享)状态则需要较高初始比例，可以通过提高收益和减少成本等措施诱导出行者和车位拥有者使用共享停车，同时在初始比例较高时收益分配比例对演化过程也有较大影响。研究发现，当共享平台给出合理收益和支出费用时，政府鼓励 政策对共享停车发展起促进作用。     

上海市城市机动车停车场(库)环保设计优化研究

对上海市7家建筑、环评设计院的15位工程师开展问卷调研,运用Cronbach’sα系数量化了问卷的信度,并根据调研结果,随机实测4座停车场16辆车的洗车污水,进行对标分析与Kruskal-Walli test,最终对城市机动车停车场(库)提出了设计优化建议。结果表明:问卷的Cronbach’sα系数为0.639,信度较好。未经过处理的停车场洗车污水样本存在超标现象,COD的超标区间为[4.23%,108.32%],TP的超标率为10.00%,BOD₅的超标区间为[22.40%,139.40%]。COD、BOD₅、SS的检测结果受车型大小的影响,呈正相关关系。建议从洗车设施、绿荫绿化等方面优化城市停车场(库)的环保设计。     

基于强化学习的城轨信息发布策略研究

通过信息发布影响乘客选择行为进而改变路网客流分布，是从需求侧缓解拥堵问题的重要手段之一.本文提出基于强化学习的城市轨道交通信息发布策略生成方法，根据路网各区间客流满载率提取系统状态，再根据系统状态在学习器生成由各OD推荐路径组成的信息发布动作，对乘客进行信息发布；通过发布信息后路网系统状态变化，评估获得实施信息发布动作的奖励值.依托城市轨道交通客流分布动态仿真系统，使用 Q- learning 算法进行训练，获得最优信息发布策略.以实际路网为例进行算例验证，通过对比有无信息发布情景得到，在有信息发布情景下路网客流拥堵情况得到了较大缓解.     

高校校园停车设施调查与分析

随着高等教育事业和小汽车产业的不断发展,高校校园规模不断扩大,小汽车保有量不断增加,高校校园的交通方式发生了重大改变,校园停车问题日益突出。鉴于此,以浙江师范大学为例,对校园停车设施进行了系统的调查和分析,并提出了相应的改进措施。     

优化蚁群算法在最短路径诱导中的应用

最短路径算法在许多应用领域和研究中起着十分重要的作用。现有文献对最短路径问题提出了大量的优化求解方法和算法,大部分研究仅针对固定权值网络,对权值随时间变化等时变情况考虑较少。在通信系统、智能交通系统等实际网络及应用领域中,随着时间的变化,边的权值往往也同时改变。因此,时变网络中最短路径求解问题的研究更具有实用意义。针对一般算法存在的缺陷,现提出三点优化,使算法既能避免陷入局部最优解,又能更快地收敛到全局最优解。     

自行车与公共交通换乘停车设施的选址

自行车与公共交通的衔接换乘,关键是在公共交通站点合理的规划自行车停车设施,方便换乘。通过分析两种自行车停车设施的特点,对西安市轨道交通站点的自行车停车设施现状进行调查,应用TOPSIS法进行换乘停车设施的选址,最后以南稍门站为例进行停车设施的选址分析,为“自行车＋公共交通”的换乘提供一定的理论和实践支持。     

基于道路流量和服务水平的停车需求预测分析

为使停车需求预测更准确,提出基于道路流量和服务水平停车需求预测模型。分析停车需求预测方法的现状,同时引入道路流量和服务水平这两个重要的影响因素,在多元回归模型的基础上,引入停车泊位增加系数,建立改进的停车预测模型。通过大量的调查数据对该模型进行检验,验证模型的准确性,该方法对解决城市中心区的动态交通拥堵具有一定的指导意义。     

基于SP/RP调查的停车设施规划及收费政策研究

针对目前许多城市的停车乱、停车难、路边路外停车设施利用不均等问题,以独山子地区作为案例,研究合理可行的停车设施规划方案及停车政策,以调节路边路外停车比例、规范停车行为.同时,通过RP、SP调查,了解居民停车的影响因素,构建离散选择模型,并确定不同因素对停车选择的影响程度.基于分析结果,提出相应的停车规划及政策建议.