精确的线路能耗预测、安全的在线监测机制、鲁棒的调度策略，是提高电动公交车队运维智能化水平的核心热点问题。受公交路况的随机性、动力电池荷电状态及健康状态的不一致性、调度系统的准点正时性等复杂因素的联合制约，探索适用于现代公交系统的运维最优化理论与方法具有挑战性。针对该领域,赵理副教授团队本年度在ENERGY上发表的论文题为：“A frequency item mining based energy consumption prediction method for electric bus”、 “A frequency item mining based embedded feature selection algorithm and its application in energy consumption prediction of electric bus”、 “Research on personalized charging strategy of electric bus under time-varying constraints ”的系列研究论文，探索出了一条利用频繁模式挖掘和概念漂移检测来提高电动公交车队智能运维系统精确性、安全性、鲁棒性的技术路线。

　　文章链接

　　01：A frequency item mining based energy consumption prediction method for electric bus；

　　02：A frequency item mining based embedded feature selection algorithm and its application in energy consumption prediction of electric bus；

　　03：Research on personalized charging strategy of electric bus under time-varying constraints。

　　文章亮点

　　01：

　　构造高维频繁项数据结构来挖掘过程性输入变量的统计性分布信息。

　　02：

　　利用惩罚函数和最近邻模型产生进化压力来寻优电动公交个性化充电策略。

　　03：

　　揭示资源调度、类库函数引用、数据集分割等随机性因素降低回归学习器性能的机理。

　　内容简介

　　电动公交车辆传感器系统获取的过程性物理量在时域内的统计性分布信息是构造线路能耗回归模型的关键。我们系统地研究了速度、加速度等过程量分布之间的相关性，发现该相关性能有效的反映线路特性、驾驶习惯、高峰时段等随机因素对工况的影响。我们利用电动汽车国家大数据中心的官方数据构造了能反映过程性入输变量之间联合分布的二维频率项组合，发现在使用支持阈值过滤掉联合分布的随机分量之后，利用逐步回归算法能对这些组合进行有效寻优并建立低软/硬件开销、高精度的公交车辆线路能耗回归模型。

　　(a). Distribution comparison of frequent items (different road sections)

　　(b). Distribution comparison of frequent items (different drivers)

　　(c). Distribution comparison of frequent items (different time intervals)

　　Fig. 1. Distribution comparison of frequency items

　　Fig. 2. Schematic of frequent item feature generation

　　电动汽车充电策略种类多、对动力电池循环寿命的影响大。当前电动公交车队普遍使用的单一充电策略降低了电池的使用寿命，加大了车队的运营成本。我们利用新能源汽车大数据联盟、NASA及斯坦福大学提供的数据集构造了充电策略最近邻模型，并将其引入到运维优化系统中构造目标函数，然后利用罚函数来生成剩余容量、允许充电时间、线路能耗等运行工况对优化过程的约束，结果发现使用个性化充电策略能有效延长动力电池使用寿命、在保证准点正时的条件下降低车队的运维成本。

　　Fig. 3. The implementation process of personalized charging strategy

　　在构建电动汽车能耗预测模型的工程实践中，数据集采样、算法初始化、计算平台资源调度等过程中出现的随机因素往往会导致使用相同特征组合构建的回归学习器的多次预测结果出现不一致。我们发现将频繁模式挖掘和概念漂移检测引入进化过程后可以在线修正适应度函数值的抖动，维护特征组合的稳定性；进而，使得到的嵌入式能耗预测模型有效的抵御随机性干扰，得到准确的预测结果。

　　Fig. 4. Randomness in the process of establishing regression models.

　　Fig. 5. Influence of different error threshold ɛ.