● 摘要
随着我国城市化进程的加快，各大城市的交通能耗和环境污染问题日益突出，成为全社会共同关注的热点问题。为此我国政府提出建设“智能交通节能减排工程”，希望通过大力发展智能交通技术，提高运输组织效率，降低机动车的能耗和排放水平。
以节能减排为目标的各类智能交通系统，它们的研发与应用都需构建在对交通活动产生的环境影响进行准确测算的基础上。为保障 “智能交通节能减排工程”的实施，迫切需要在各城市建立道路交通能耗的监测体系。然而交通的能耗与排放源主体为路面行驶的车辆，具有数量众多、流动性强等特点，难以通过能耗检测设备进行直接采集监测。因此，如何通过对车辆行驶状态等外在因素的观测来测算道路上行驶车辆的能耗水平，成为应用智能交通系统实现交通节能减排所需解决的关键科学问题。
本文以北京城市路网为典型应用背景，基于大规模路测采集的车辆行驶轨迹数据集和能耗数据集，深入研究道路能耗的时空分布规律，提出和实现一种高精度、细粒度、可实施性强的城市道路交通能耗实时量化测算方法，为政府实施面向节能减排的交通管理策略提供监测和评估手段支持，为节能减排智能交通系统的应用提供技术支撑。本文主要研究成果如下：
1. 大规模能耗影响因素数据集是本文研究道路交通能耗时空分布规律并构建道路能耗模型的基础，但其大数据量和低质量的特点也给数据预处理工作带来了挑战。在数据预处理工作方面，本文首先分析了不同能耗影响因素数据的特点，给出了路网范围道路坡度数据采集等难点问题的解决方案；随后针对传统路径匹配算法处理效率低，难以处理能耗大数据集的问题，提出了基于“跳点法”和MapReduce框架的高效并行路径匹配算法，实现了海量高采样率轨迹数据的高效路径匹配处理；最后针对志愿者上传的能耗数据质量较低，数据错误较隐蔽的问题，设计了基于情景离群点检测的数据去噪清洗方法，提高了能耗数据质量。
2. 充足的能耗轨迹数据样本是研究确定道路上车辆平均能耗分布规律的前提。但由于采集能耗数据的CAN总线设备成本较高，装备的采集车数量少，导致路段上的能耗轨迹数据样本量不足，不能充分反映能耗规律。为此本文提出了一种的能耗数据扩样方法：建立以车辆微观行驶状态为主要参数的高精度车辆能耗模型，将数据保有量更大的GPS数据转换为对应的能耗轨迹数据，从而极大提高能耗轨迹数据的道路覆盖率。在实现过程中，针对现有基于回归分析的车辆能耗模型在应用时需要进行大量模型调试，不适用于大规模路测轨迹数据集处理的情况，本文利用人工神经网络数据驱动自适应学习的特点，提出和实现了一种基于RBFNN的车辆能耗模型，在无需模型调试的情况下获得了高精度的瞬时能耗测算能力。
3. 在大数据量的能耗轨迹数据集支持下，本文通过对路段上的车辆平均通过能耗分布规律的研究，研发了基于人工神经网络的道路能耗模型，实现对道路平均能耗的测算。为此首先分析确定了能反映总体分布规律的能耗轨迹数据样本量下限，随后针对覆盖的能耗轨迹数据量大于样本量下限的路段，研究实现了计算路段平均能耗的统计方法，并通过对这些路段的平均能耗测算，积累大量关于路段类型、车辆均速等输入参数和道路能耗输出参数的观测样本。最后构建了基于人工神经网络的道路能耗模型，通过观测样本的训练，掌握道路能耗影响因素与道路平均能耗之间的相关关系规律，从而可以对路网中其它能耗轨迹样本量不足的路段进行能耗预测，实现了能耗规律的泛化推广。