基于BP神经网络的北京市出租车油耗模型研究

侯亚美， 陈艳艳， 吴克寒， 何 俊

(1.北京市交通工程重点实验室(北京工业大学)， 北京 100124; 2.武汉市交通经济技术信息中心， 武汉 430015)



基于BP神经网络的北京市出租车油耗模型研究

侯亚美1， 陈艳艳1， 吴克寒1， 何 俊2

(1.北京市交通工程重点实验室(北京工业大学)， 北京 100124; 2.武汉市交通经济技术信息中心， 武汉 430015)

从宏观的角度出发，在传统油耗算法研究的基础上，从影响油耗的道路和交通特性方面，确定了3个输入参数，分别是链路平均速度、交叉口密度和停驶比，并利用大量出租车油耗数据分析了北京市主干路上这3个影响因素与油耗之间的关系，提出了基于BP神经网络的油耗模型，结果表明神经网络具有更高的精度和稳定性，针对北京市路网，选择具有代表性的长安街和西大望路进行了实例应用. 研究表明：对城市道路进行信号联动控制或对车辆进行路径诱导、减少停驶比、提高路段平均速度是降低能耗的一个有效方法.

BP神经网络； 油耗模型； 油耗影响因素

0 引言

针对交通能耗测算，目前国内外进行了很多研究，基本可以分为4类，基于发动机负载的油耗模型、基于速度-加速度的油耗模型、基于机动车比功率(VSP)的油耗模型[1]和基于碳平衡法的油耗模型. 基于发动机负荷的油耗模型的输入主要包括车辆自身特性参数(车型、车龄、排量等)、车辆行驶状况参数、发动机参数等，计算结果为发动机负荷相关的参数，进而预测机动车行驶油耗值，建立的油耗模型较为成熟的有ADVISOR[2]、CMEM[3]、EcoGest[4]等模型；基于速度加速度的油耗模型特点是输入参数比较简单，将影响油耗的种种因素体现到车辆的速度和加速度2个参数上，如EMIT[5]模型、MODEM[6-7]模型等；基于VSP的油耗模型是将VSP作为联系速度、加速度与油耗关系的中间变量，从而建立机动车比功率与油耗的关系，如PERE[8]模型；基于碳平衡法的油耗模型是利用碳在发动机燃烧前后质量相同的原理，通过尾气中的碳质量推算油耗，这是一种间接算法，日本、欧美等利用碳平衡法制定了汽车燃油消耗测定方法. 目前的研究更侧重于车辆本身的行驶特性如速度、加速度参数，能计算出某一类车辆平均每秒的排放，属于微观统计油耗模型；而对中、宏观油耗模型的研究较少，一般这类模型的计算方法有2种：一是由油耗因子与车辆的道路总行驶里程的乘积得到，这类模型的输入主要包括车辆运行状况(速度、加速度等)、车辆油耗水平、区域车辆构成、环境因素等，输出为某一类型车的油耗因子，由于油耗因子计算复杂，输入参数较多，实用性一直以来存在质疑，不被广泛应用于道路油耗的测算；二是用路段平均速度来量化路网的平均油耗水平，这种模型输入参数相对简单，实用性不强. 因此，为了寻求更好的油耗计算方法，尤其是如何逐渐从微观的单车油耗预测转变为中观甚至是宏观的路网油耗预测，进而合理制定交通管理策略，本文研究了油耗的影响因素，并对各影响因素与油耗的关系进行分析，选择链路平均速度、交叉口密度和停驶比做为油耗预测模型的输入，训练测试油耗预测模型，并通过实例验证该模型的有效性.

1 油耗影响因素的确定

影响机动车油耗的因素有很多，主要有车辆特性、交通状况、道路条件、驾驶员驾驶行为特性、国家相关政策等多个方面. 从车辆自身特性上看，主要有车身质量、发动机燃油效率、附属设备等；从交通状况上看，主要有交通量、路段平均速度等；从道路条件上看，微观层面主要有道路的坡度、曲率和路面平整度，路网层面上主要有交叉口密度、道路等级等. 道路和交通条件与车辆的行驶工况密切相关，当这些条件发生变化时，车辆行驶工况也会相对发生变化，行驶的车辆发动机功率和转速也会发生变化，其燃油消耗量也随之发生变化.

为明确区分两个交叉口之间和多个交叉口之间的线路，在本文中定义两个节点之间的线路为路段，包含若干个交叉口一串连通的路段为链路.

该模型的输入主要为道路交通环境因素，在主干道上行驶的车辆，其链路的燃油消耗外在影响因素主要包括交通量、交叉口类型和控制方式、交叉口个数和路段长度，为减少输入参数的个数，使得模型更加简单方便且实用，现将上述6个影响因素进行量化处理，考虑到交通数据的获取方法难易程度、精度以及使用频率，最终确定3个出租车的路段油耗预测的参数输入.

1.1 链路平均速度

链路平均速度是路线长度与车辆通过该线路时间的比值：

(1)

数据来源为GPS浮动车数据，浮动车数据已广泛应用于北京市交通拥堵状态的评价，为交通部门提供实时可靠交通参数，数据较易获取且精度有保证.

1.2 信号交叉口密度

信号交叉口密度是路段信号交叉口个数与路段长度的比值：

(2)

其中：D为信号交叉口密度；n为路段包含的信号交叉口个数；L为路段长度(km).

信号交叉口密度与燃油消耗关系密切，若在主干道上设置较多的红绿灯，并且相邻道路的红绿灯开启时间不合理，会降低汽车的行驶速度，频繁的启动和刹车也会增加油耗，因此，选择信号交叉口密度作为模型参数之一.

1.3 停驶比

停驶比ρ是指车辆行驶时经过某一路段遇到信号红灯的个数与经过该路段遇到的交叉口之比，用来表征相邻交叉口之间的联动控制状态，是一个动态的油耗影响因素：

(3)

2 油耗与各影响因素的关系分析

本研究所使用的数据来源于依托于《北京市机动车行动发展规划》项目，数据具体获取流程为通过在出租车上安装CAN总线监测设备，实时监测北京市出租车的能耗情况和相关运行状态，并监测数据动态回传至数据中心并存入数据库. 数据包括以下内容：采集时间、车牌号码编码、GPS经度、GPS纬度、GPS方向角、转速、扭矩、仪表盘、瞬时油耗等. 对获取的数据进行均值滤波，滤除无效数据.

在获得有效数据的基础上，分别开展链路平均速度、交叉口密度和停驶比对油耗的影响分析. 在单因素影响分析时，其他因素的控制为该因素的平均水平下，如交叉口平均间距约为600m，平均停驶比约为0.7等.

图1为停驶比在0.7时，在不同的交叉口密度的情况下，链路平均速度与油耗的变化关系曲线图.

图1 链路平均速度—油耗变化曲线图

由图1可以看出，链路平均速度与油耗关系趋势是：链路平均速度在10km/h时，油耗最大，随着链路平均速度的增大，油耗逐渐降低，且变化率越来越小，当速度达到40～50km/h时，油耗趋于平稳. 此外，交叉口密度对百公里油耗也有一定的影响，密度越大，油耗越高.

图2为当停驶比在0.7时，在不同的速度下，交叉口密度与百公里油耗之间的关系曲线.

图2 交叉口密度- 油耗变化曲线图

由图2可知，交叉口密度与百公里油耗成正相关关系，交叉口密度越大，百公里油耗越大，当交叉口密度大于2.0时，油耗增长变快，在不同的速度区间下，相同的交叉口密度下，车辆的油耗是不同的，速度越低，油耗越大.

图3为交叉口密度约为2，即交叉口平均间距为500～600m时，链路平均速度分别在10km/h和30km/h的情况下，停驶比与百公里油耗的关系曲线图.

图3 停驶比- 油耗的关系曲线图

由图3可知，在交叉口密度一定的条件下，停驶比与油耗几乎成线性关系，随着停驶比的不断增大，燃油消耗量也不断增加，同时，链路平均车速越大，油耗也越大，停驶比为0.8时，链路平均速度为10km/h的百公里油耗比30km/h的百公里油耗多出约7L，这是由于链路平均速度较低时，车辆怠速、加速时间长，因此油耗量较大.

3 模型建立

通过分析链路平均速度、交叉口密度和停驶比与油耗的关系，能够预测油耗的范围，说明油耗数据的准确性，确定对油耗影响敏感的因素. 为了进一步预测油耗，采用BP神经网络对油耗影响因素进行分析和运算，实现油耗的精确预测.

3.1BP神经网络原理

BP神经网络是目前使用最广泛的神经网络之一，广泛用于不同信息处理领域.BP神经网络算法是一个有导师学习的多层神经网络算法，每一个学习训练样本在网络中经过2遍传递计算，由信号的正向传播和误差的反向传播组成[9]，图4为BP神经网络模型结构，设该网络含有N层和L个节点的网络给定S个样本(xk，yk)(k=1,2…L…S)，l-1层的第i个神经元与1层第j个神经元的连接权值wij.

(4)

(5)

神经网络的工作过程分为学习期和工作期2个阶段：学习期通过固定的计算单元状态，调整各连接权值；经过学习期的调整，工作期的各连接权值固定，计算单元变化调整，以达到某种稳定状态[10]，神经网络具有良好的映射逼近能力、容错能力、并行处理能力、自学习能力、自组织能力和自适应性等优点.

3.2BP神经网络结构的确定

BP神经网络的精度对隐含层节点数比隐含层数更敏感，合理的隐含层节点数目既能提高网络精度，同时也减小网络规模和学习训练时间. 本文BP神经网络的输入主要有3个，分别为链路平均速度、交叉口密度和停驶比，1个3层的BP神经网络模型可以实现任意维的映射，故本BP神经网络选取1个隐含层. 确定了隐含层后，需要确定隐含节点数目.BP神经网络的隐含节点的确定有3个经验公式：

(6)

m=log2n

(7)

(8)

其中：m为神经网络隐含层数目；n为神经网络输入层神经元数目；l为输出层神经元数目；α为1～10的常数.

经验公式并不能确定合适的隐藏层神经元节点数目，往往是在经验公式的基础上，进行多次试验，修改隐藏层神经元节点数目，以达到最优化的神经网络结构.

3.3 BP神经网络模型的训练和测试

BP神经网络训练前需要设置期望精度和学习

速率，学习速率影响每一次训练中神经元权值的变化量，将预处理后的数据输入BP神经网络，建立基于BP神经网络的油耗预测模型.

输入层节点为3，隐藏层节点数为15，输出层节点为1，输入层和隐藏层的激活函数为tansig函数，训练次数为50，精度目标为0.001，学习系数为0.05. 图4为隐含层节点数为15、训练次数为50时训练误差曲线.

图4 训练误差曲线

3.4 结果输出

对训练完成的BP神经网络模型进行测试，并利用10%的样本量进行验证，最后结果见表1.

图5为神经网络模型输出值与实际油耗值，从图中可知，模型输出的百公里油耗与实测值比较接近，在实测百公里油耗上下波动.

表1 BP神经网络的输出数据及实际油耗对比表

图5 实际值和模型输出对比(所有横坐标从0开始)

图6是将BP神经网络输出值与实测油耗值得到绝对误差和误差率，通过油耗对比，虽然第5个样本的误差率达到了5.9%，但经过计算求得十组输出的误差平均值为3.0%，模型输出值与实际油耗相差小，绝对误差均在1.0以内，误差率均在6%以内，预测较为平稳，满足实际工程需要.

4 实例应用

本文实例应用选取的是具有代表性的北京市南北向和东西向重要的主干路西大望路和长安街，西大望路信号交叉口为普通控制，相邻交叉口之间没有相互关系，长安街信号交叉口为绿波控制. 实际的路网示意图如图7所示，图中红色线段为选择的主干路上的链路，西大望路其范围从南端松榆南路至九龙山北边的百子湾南二路，链路长2.5 km，6个信号交叉口；长安街其范围从西端的西单至王府井，链路长2.9 km，6个交叉口.

图6 测试输出的误差率(所有横坐标从0开始)

图7 西大望路、长安街示意图

停驶比按照本文所用CAN总线采集的57万条北京市出租车瞬时油耗数据，将数据与GIS路网匹配，选择早高峰和平峰时段经过西大望路和长安街的多条链路，计算停驶比，将平均停驶比作为本模型输入的数据之一，模型的输入数据及其输出结果如表2所示.

表2 西大望路和长安街百公里油耗输出结果

对表2进行分析，得到以下结论：

1) 西大望路链路平均速度低于长安街，而出租车平均百公里油耗略高，模型输出的百公里油耗与两条主干路上出租车行驶状况变化趋势较为一致，与速度相似，模型输出的百公里油耗与交叉口密度和停驶比的变化趋势也比较一致，证明该模型的计算结果符合实际情况.

2) 西大望路上出租车高峰小时比平峰小时高出53.7%，百公里油耗高出4.4 L；长安街上高峰小时比平峰小时高出53.9%，百公里油耗高出4.1 L. 北京市1.6 L排量的轻型车平均百公里油耗为8.61 L，考虑到该值没有区分高峰小时和平峰小时，所以本文认为，模型输出结果与实际结果比较吻合，证明本模型能较好地反映北京市主干路上出租车行驶的平均油耗水平.

3) 无论高峰还是平峰，长安街上行驶车辆平均百公里油耗都比西大望路低，造成这一现象的原因是长安街上的交叉口进行了绿波控制，车队通过每个交叉口时基本可以遇到绿灯，与一般主干路如西大望路相比，长安街的停驶比较低，链路平均速度较高，从而燃油消耗较小.

5 结论

1) 在对油耗影响因素分析的基础上，从道路交通环境的角度出发，确定了影响链路的3个主要影响因素，也就是BP神经网络模型的输入参数，分别为链路平均速度、交叉口密度和停驶比.

2) 通过对样本数据的分析得到：在链路平均速度在10～50 km/h时，随着链路平均速度的增大，油耗逐渐降低，且变化率越来越小，当速度达到50 km/h时，油耗趋于平稳；随着交叉口密度的增大，油耗越来越大，在不同的速度区间下，相同交叉口密度下，车辆的燃油消耗量是不同的，速度越低，油耗量越大；停驶比与油耗成正相关关系，车辆在行驶中遇到的交叉口红灯越多，油耗越大.

3) 在对BP神经网络研究的基础上，确定了油耗模型的结构，建立了一种基于BP神经网络的油耗模型，该模型具有较高的精度和稳定性，可用于对路网油耗水平的评价，并针对北京市2条典型主干道进行了实例应用. 本文实现通过道路交通环境数据——链路平均速度、交叉口密度、停驶比，应用本模型来实际量化北京市主要主干路上的出租车行驶平均油耗水平，可为交管部门和交通规划部门制定相应的交通管理策略和道路设计方案提供依据参考，以期降低高油耗区域的油耗水平.

[1] 涂钊. 基于浮动车数据的轻型机动车道路油耗算法研究[D]. 北京: 北京交通大学, 2009.

[2] Wipke K B, CaddyandS M R, Burch D. ADVISOR 2.1: A user-friendly advanced powertrain simulation using a combined backward/forward approach[J]. IEEE Transactions on Vehicular Technology: Special Issue on Hybrid and Electric Vehicles, 1999, 48(6): 1751-1761.

[3] Barth M, An F, Younglove T, et al. Comprehensive modal emissions model (CMEM), version 2.02, User’s guide[R]. Univ. of California, Riverside, California, 2001.

[4] Silva C M, Farias T L, J. M. C. Mendes-Lopes. EcoGest-Numerical Modelling of the Dynamic, Fuel Consumption and Tailpipe Emissions of Vehicles Equipped with Spark Ignition Engines[R]. Urban Transport VIII: Urban Transport in the 21st Century, 2002: 523-532.

[5] Alessandra Cappiello, Ismail Chabini, Edward K. Nam, etc. A Statistical Model of Vehicle Emissions and Fuel Consumption[R]. The IEEE 5thInternational Conference on Intelligent Transportation Systems, 2002.

[6] Jost P, Hassel D, Webber F J, Sonnborn. Emission and fuel consumption modeling based on continuous measurements[R]. TUV Rhineland, Cologue, 1992.

[7] Joumard R, Jost P, Hickman J. Influence of instantaneous speed and acceleration on hot passenger car emissions and fuel consumption[J]. Society of Automotive Engineers, Pennsylvania, 1995.

[8] Edward K. Nam. Proof of concept investigation for the physical emission rate estimator (PERE) to be Used in MOVES[R]. USA, 2003.

[9] 毛健, 赵红东, 姚婧婧. 人工神经网络的发展及应用[J]. 电子设计工程, 2011, 19(24): 62-65.

[10] 朱大奇, 史慧. 人工神经网络原理及应用[M]. 北京: 科学出版社, 2006.

[11] 凌建群. 载重车油耗计算方法与分析[J]. 柴油机设计与制造, 2006, 14(1): 24-25.

[12] 孔祥玉, 胡昌华, 韩崇昭. 系统特征信息提取神经网络与算法[M]. 北京: 科学出版社, 2012.

[13] 李松, 刘力军, 翟曼. 改进粒子群算法优化BP神经网络的短时交通流预测[J]. 系统工程理论与实践, 2012, 32(9): 2045-2049.

[14] 杨俊东. 基于BP神经网络的油耗测量方法研究[D]. 长春: 吉林大学, 2010.

[15] 闫琰. 城市公共交通系统能源消耗模型和计算方法[D]. 北京: 清华大学, 2013.

[16] 刘娟娟. 基于VSP分布的油耗和排放的速度修正模型研究[D]. 北京: 北京交通大学, 2010.

Study on Taxi Fuel Consumption Model in Beijing Based on BP Neural Network

HOU Ya-mei1, CHEN Yan-yan1, WU Ke-han1, HE Jun2

(1.Beijing Key Laboratory of Traffic Engineering， (Beijing University of Technology), Beijing 100124, China; 2.Wuhan Communications E&T Information Center, Wuhan 430015, China)

Based on the research of traditional fuel consumption model, this paper identified three main factors in terms of road and traffic conditions, namely the average speed of the link, the intersection density, and stop ratio. And it analyzed the relationship between the three influence factors and fuel consumption on the main road in Beijing on the base of a large number of the taxi fuel consumption data. Then a fuel consumption model is proposed based on the BP neural network. The results show that the neural network model has a higher accuracy and stability. In view of the Beijing city road network, it applied the representative example of Chang’an Avenue and West Da Wang Road. Research results show that it is an effective method to reduce the energy consumption by using coordinated signal control or dynamic route guidance.

BP neural network; fuel consumption model; fuel consumption influence factors

10.13986/j.cnki.jote.2015.05.008

2015- 04- 15.

北京市基金重点项目(Z1004011201301)

侯亚美(1988—)， 女， 硕士， 研究方向为交通规划与节能减排. E-mail: hellohym@126.com.

U 491

A

1008-2522(2015)05-43-07