一种电动汽车出行需求估计和交通传感器放置方法

本发明属于智能电网和交通网领域，特别涉及一种电动汽车交通流出发地-目的地需求估计和交通传感器放置方法。

背景技术：

1、随着城市化进程的加速和电动汽车的日益普及，充分利用智能电网和智能交通网络收集到的数据已成为有效管理交通和智能电网的关键，准确估计出发地-目的地需求和放置电动汽车交通传感器变得至关重要。然而，解决协调电动汽车出发地-目的地需求估计和交通传感器放置的复杂性问题面临着重要的研究挑战。这两个因素之间的相互依赖关系需要一个全面的框架，以捕捉交通流量分布和需求估计之间错综复杂的关系。

2、虽然有一些研究尝试对这个复杂问题进行分析，但仍存在一定的局限性。以往的研究要么忽视了智能电网中电动汽车充电负荷的考虑，没有考虑到电动汽车充电站的影响从而导致次优结果；要么依赖难以处理大规模交通网络的不断增大和复杂化的问题传统算法，影响了可扩展性和计算效率。

技术实现思路

1、为了解决此问题，本发明提出了一种电动汽车交通流出发地-目的地需求估计和交通传感器放置方法。将电动汽车交通传感器布置优化和出发地-目的地需求估计整合到一个综合的三层结构中。在上层，着重确定电动汽车交通传感器的最佳布置策略。该层的目标是通过在交通网络的关键位置策略性地部署传感器，捕捉交通流的复杂分布。随后，双层模型作为中间层起作用解决交通分配的逆问题。鉴于传统方法在处理这一问题的固有复杂性方面存在局限性，本发明引入了基于深度学习的解决方案来克服这些挑战。具体而言，采用深度强化学习来确定交通传感器的最佳位置布置，以在预设预算下最大化出发地-目的地需求估计的准确性。此外，本发明设计了一种基于transformer的编码器-解码器框架，来近似求解二层逆优化问题的解，同时利用transformer提供的多头注意力机制来捕捉其中复杂的关系。

2、本发明采用以下技术方案：

3、一种电动汽车出行需求估计和交通传感器放置方法，包括：首先，本发明收集历史起始-终止点出行需求数据和历史充电负荷与路段流量，根据历史经验分布选取充电负荷典型日；其次，用收集到的数据训练深度强化学习智能体与解码器的transformer，具体为：将出行需求数据、历史充电负荷和路段流量输入到解码器的transformer中，训练网络拟合交通分配问题；将历史充电负荷作为观测，出行需求估计和交通流分布的均方误差损失作为奖励，由智能体输出交通传感器的放置方案，训练深度强化学习智能体；然后，将所选取的充电负荷典型日输入到训练好的智能体中，产生交通传感器放置方案，并且将传感器观测到的交通道路流量数据输入到编码器的transformer中，根据回归损失对编码器的transformer进行训练，得到最终的出发地-目的地精确估计值；最后，将所得到的出发地-目的地估计值作为输入，利用训练好的拟合交通分配网络，得到最终的交通分布和充电负荷估计值。通过以上步骤，本发明得到了得到一种智能电网和智能交通系统中电动汽车交通流出发地-目的地需求估计和交通传感器放置方法，该方法可准确计算出交通传感器放置的最佳位置和电动汽车的出行需求。

4、作为本发明的进一步改进，所训练的解码器的transformer来拟合交通分配问题，根据所收集的出行需求数据作为输入，历史充电负荷，路段流量作为输出，预训练和固定解码器的参数。解码器的transformer的训练算法如下：

5、(1)初始化网络参数θl；

6、(2)对于i从1到n循环；

7、(3)输入历史上的电动汽车出行需求，相关的交通流量和充电负荷作为标签

8、(4)计算损失：

9、

10、(5)更新参数：

11、

12、其中和分别表示电动汽车充电站下电动汽车充电负荷的估计值和实际观测值，xa和分别表示各链路的交通流量估计值和相应的实际观测值，‖ ‖为表示任意数据相似性的度量。

13、作为本发明的进一步改进，将历史充电负荷作为深度强化学习智能体的观测，将出行需求估计和交通分配问题所输出的交通分布和充电负荷估计值与真实值之间的误差作为奖励，将交通传感器的位置与电动汽车出行需求估计问题解耦，从而促进了解决过程训练深度强化学习智能体输出传感器的放置方案，包括：

14、建立无梯度训练算法深度遗传政策，通过随机分配参数进行初始群体的评估，选择排名前t的个体作为下一代的父代对其网络参数应用加性高斯噪声，经过多代迭代后，提高基于预期奖励的交通传感器的选择和部署；深度强化学习智能体的训练算法如下：

15、(1)初始化第一代g0；

16、(2)对于第g代从1到g循环；

17、(3)通过适应度评分来评估第gi-1代；

18、(4)从第gi-1代中选择t个顶尖个体作为第gi代的父代；

19、(5)对于种群从1到p循环；

20、(6)随机选择一个父代，并对其参数添加高斯噪声：

21、θ′＝θ+σεθ～n(0,1)      (a-3)

22、作为本发明的进一步改进，将所选取的充电负荷典型日输入到训练好的智能体中，产生交通传感器放置方案，包括：建立目标函数，最小化交通流量和电动汽车充电负荷的估计与实际观测之间的整体重构损失，目标函数为：

23、

24、

25、

26、其中ua表示在路线a∈a中是否安装了交通传感器，xa和分别表示路线的交通流量估计值和相应的实际观测结果，和分别是对电动汽车充电站k∈k电动汽车充电负荷的估计和实际观测，ud是交通传感器最大数量。

27、作为本发明的进一步改进，根据观测到的不完整的交通道路流量数据训练编码器transformer得到最终的电动汽车出行需求的精确估计值。包括：

28、根据出行需求的估计值与初始值之间的差距，道路流量、充电负荷的观测值和真实值之间的差距作为误差，根据回归损失对编码器transformer进行训练，使观测数据和仿真结果尽可能接近。目标函数为：

29、

30、式中xa为交通流量估计值，为交通流量的实际观测值，ua表示a∈a链路是否安装了交通传感器(ua＝1)，dw为出行需求的最终估计值，为出行需求的初始估计值，为充电负荷估计值，为充电负荷实际观测值，β因子表示函数匹配出行需求初始估计的权重，|| ||为表示任意数据相似性的度量。

31、作为本发明的进一步改进，输入出行需求估计值利用训练好的拟合交通分配网络，得到满足用户均衡条件的交通分布和充电负荷估计值。包括：

32、用数学方法将目标表述为流量分配优化问题，根据给定电动汽车出发地-目的地需求估计，以满足用户均衡条件为目标，通过均衡模型约束获得流量分布和充电负荷的目标函数为：

33、

34、

35、

36、

37、

38、

39、

40、

41、其中fp,w为是出行需求对w路径p上的交通流量，和分别表示每条路径的收费成本和时间。xa是链路a上的交通流量，xk是电动汽车充电站k等待的ev流量，和分别为交通流量fp,w是否通过结点a和电动汽车充电站中的充电站k。ta是在链路a上的交通时间，tk是电动汽车充电站k的等待时间，ca和ck为相关结点和电动汽车充电站的容量，j是等待时间系数。为电动汽车充电站k处的交通流量fp,w的充电负荷。

42、与现有技术相比，本发明的有益效果在于：

43、本发明创新地提出了一种三层框架，用于协调估计电动汽车出行需求和交通传感器放置，提出了到这两个部分之间相互依赖的关系，并在整体的框架方法下提高了智能电网和智能交通网络中整体估计准确性。本发明提出了一种基于深度学习的解决方案，包括将深度强化学习用于优化交通传感器的放置，以及使用基于transformer的编码-解码框架来近似双层逆优化问题的解决方案，能够捕捉到收集到的电动汽车交通数据中复杂的关系，并显著提高性能。本发明可以成功解决电动汽车交通流出发地-目的地需求估计和计算出交通传感器放置最佳方案，从而有效管理交通和智能电网。