CN110175868A - 一种基于碳交易的绿色出行激励***及方法 - Google Patents
一种基于碳交易的绿色出行激励***及方法 Download PDFInfo
- Publication number
- CN110175868A CN110175868A CN201910375730.2A CN201910375730A CN110175868A CN 110175868 A CN110175868 A CN 110175868A CN 201910375730 A CN201910375730 A CN 201910375730A CN 110175868 A CN110175868 A CN 110175868A
- Authority
- CN
- China
- Prior art keywords
- user
- trip
- vehicle
- data
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 79
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000005284 excitation Effects 0.000 title claims abstract description 12
- 238000004891 communication Methods 0.000 claims abstract description 63
- 238000010801 machine learning Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 29
- 239000000523 sample Substances 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 239000000446 fuel Substances 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 7
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 6
- 239000003502 gasoline Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000003245 coal Substances 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 239000002283 diesel fuel Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 239000003350 kerosene Substances 0.000 claims description 3
- 239000003345 natural gas Substances 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000003442 weekly effect Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 abstract 1
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 10
- 229910002092 carbon dioxide Inorganic materials 0.000 description 5
- 230000008901 benefit Effects 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0208—Trade or exchange of goods or services in exchange for incentives or rewards
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0226—Incentive systems for frequent usage, e.g. frequent flyer miles programs or point systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Technology Law (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于碳交易的绿色出行激励***及方法,本发明***包括:移动终端、Wi‑Fi探针、车载GPS模块、车载速度传感器、车载时间模块、车载Wi‑Fi模块、第一无线通信模块、机器学习服务器、第二无线通信模块、用户激励服务器。移动终端采集用户数据,并将数据传输至所述机器学习服务器;车载GPS模块和Wi‑Fi探针记录车辆出行数据和终端MAC地址;车载Wi‑Fi模块将数据上传至机器学习服务器;机器学习服务器处理数据并匹配,使用BP神经网络训练数据,预测用户出行模式,构建激励数据并传输至用户激励服务器;用户激励服务器计算补贴价格并储存;移动终端通过第三无线通信模块与用户激励服务器通信,根据碳交易价格补贴。所述移动终端定期同步区块链账本。
Description
技术领域
本发明涉及碳排放管理技术领域,具体涉及一种基于碳交易的绿色出行激励***及方法。
背景技术
自《京都议定书》通过以来,越来越多的国家采用市场机制控制温室气体排放,以每吨二氧化碳当量为单位,把二氧化碳排放权作为一种商品,从而形成二氧化碳排放权的交易——碳交易。现阶段国内的碳交易可分为两种:一种是一定量级的企业通过购买排放权实现减排目标,另一种是个人投资者投资市场获取利益。两种方式推动了碳交易市场的繁荣,宏观上促进了大企业等巨头的节能减排行为,但并没有深入到居民的日常生活中,没能充分挖掘居民日常出行蕴含的节能减排的巨大潜力。使用碳交易激励乘客绿色出行,可以提高居民的环保意识,让可持续发展的理念深入人心,同时捐赠碳排放额度给福利机构也能有效提升居民整体的幸福感,符合国家现代化建设的战略规划,能够有效降低出行过程产生的温室气体,从而为缓解温室效应做出极大的贡献。
为了使激励绿色出行的数据真实可信,本发明还使用区块链技术,将多个服务器、移动终端、基站等看作区块链网络中的不同节点,将用户、车辆数据匹配,保证了数据的可靠;利用分布式记账和数据加密的思想,确保交易过程公开透明易于追溯,同时也保证了整个网络具有较强的稳健性,数据一经上传难以被篡改。
此外,为了方便记录出行数据,本发明还使用机器学习(如人工神经网络、贝叶斯网络等)对大数据进行训练,当训练精度达到阈值后,能自动辨识乘客出行的终点、出行时间、出行方式等,极大简化了用户的操作步骤。
发明内容
为了解决上述问题,本发明提供了一种基于碳交易的绿色出行激励***及方法。
本发明***的技术方案为一种基于碳交易的绿色出行激励***,其特征在于,包括:移动终端、Wi-Fi探针、车载GPS模块、车载速度传感器、车载时间模块、车载Wi-Fi模块、第一无线通信模块、机器学习服务器、第二无线通信模块、用户激励服务器;
所述移动终端与所述Wi-Fi探针通过无线通信方式连接;所述车载Wi-Fi模块分别与所述的Wi-Fi探针、车载GPS模块、车载速度传感器、车载时间模块通过导线依次连接;所述移动终端与所述第一无线通信模块通过无线通信方式连接;所述车载Wi-Fi模块与所述第一无线通信模块通过无线通信方式连接;所述第一无线通信模块与机器学习服务器通过导线连接;所述第一无线通信模块与所述第二无线通信模块通过无线通信方式连接;所述第二无线通信模块与用户激励服务器通过导线连接;所述第二无线通信模块与所述移动终端通过无线通信方式连接。本发明发方法的技术方案为一种基于碳交易的绿色出行激励方法,其特征在于,包括以下步骤:
步骤1:所述移动终端采集由用户MAC地址、每日活动轨迹数据构成的用户数据集合,并将用户数据集合经由无线传输至所述机器学习服务器;
步骤2:所述车载GPS模块记录车辆数据集合,即车辆出行时间、车辆位置、车辆速度、车辆信息,所述Wi-Fi探针采集用户手机MAC地址;
步骤3:所述车载Wi-Fi模块将数据上传至机器学习服务器;
步骤4:所述机器学习服务器使用采集到的用户数据计算出行距离;
步骤5:所述机器学习服务器将用户数据集合、车辆数据集合以及用户出行距离依次进行匹配,以筛选出合格数据进行数据存储;
步骤6:所述机器学习服务器对训练集数据进行BP神经网络模型训练,将训练集输入到神经网络中重复训练,直到数据的偏差和方差符合要求,每次训练的数据为所有某个星期第几天全部的出行数据;
步骤7:所述机器学习服务器将训练后的神经网络模型投入应用,预测用户的出行方式、出行模式,构建用户激励数据并传输至所述用户激励服务器;
步骤8:所述用户激励服务器根据用户激励数据,计算出行产生的碳排放以及相应的碳交易价格或积分并储存;
步骤9:所述移动终端通过所述第三无线通信模块定期与所述用户激励服务器通信,将碳交易价格的部分补贴为下次出行的车费,或扣除一定数量的积分发放奖励,用户也可将其捐赠给福利机构;所述移动终端间定期相互通信,同步区块链账本。
作为优选,步骤1中所述移动终端查询设备信息得到MAC地址,并通过终端内置定位模块得到每日活动轨迹数据;
步骤1中所述用户第i次出行中t时刻数据集合为:
其中,i∈{1,2,3,…,N}
ID为用户的MAC地址;
Ti为用户第i次出行的出行时间;
为用户第i次出行中t时刻位置坐标;
为用户第i次出行中t时刻速度;
作为优选,步骤2中所述车载GPS模块记录车辆信息、车辆速度、车辆位置;通过车载时间模块获取当前时刻;Wi-Fi探针以一定的频率扫描车内移动终端设备,定时取得车内所有终端设备的MAC地址;
步骤2中所述车辆第j次出行中t时刻数据集合为:
其中,j∈{1,2,3,…,N*}
Ic为车辆信息,即车辆C的种类、核载人数等;
为车辆第j次出行中t时刻的位置坐标;
为车辆第j次出行中t时刻的速度;
为通过所述Wi-Fi探针扫描得到的用户p的MAC地址;
作为优选,步骤3中所述车载Wi-Fi模块通过无线通信方式,将车辆数据集合C经所述第一无线通信模块上传至所述机器学习服务器;
作为优选,步骤4中所述机器学习服务器使用采集到的用户数据计算出行距离为:
用户第i次出行距离Li计算方式如下:
K为一次出行中总的时刻数量;
作为优选,步骤5中所述匹配条件为:
将中ID与中进行MAC地址匹配;
将用户出行距离Li进行距离匹配,H为距离阈值,看是否Li<H米;
与对应的定时位置进行匹配;
统计满足上述3个条件的数据,给定数量阈值β,若满足上述条件的数据数量不小于β,则认为数据集合符合要求,保留作为训练集,否则丢弃。
据按照一段时间内,每个星期相同天在一周内序号的顺序组织。对用户每周第D天,D∈{1,2,…,7},第i次出行t,t∈{1,2,…,K}时刻数据集合进行重复匹配,最终得到N个有效集合A,作为训练集数据;
步骤5中所述存储数据如下:
其中,IDR为用户的MAC地址;
Ic R为车辆信息,即车辆C的种类、核载人数;
Ti R为用户第i次出行的出行时间;
为用户第i次出行中t时刻位置坐标;
为用户第i次出行中t时刻速度;
为用户的出行距离;
作为优选,步骤6中所述BP神经网络模型为:
输入层神经元数量S为5,即出行时间Ti R、出行速度出行距离出行起点车型Ic R,样本数量为D下i次出行,每次K个出行数据的全体。权重分别为
输出层神经元数量O为4,即出行终点Bi、上车时间Ci、下车时间Di、出行方式Ei,权重分别为
隐含层神经元数量为4,由经验计算方法得到;
误差函数模型为其中tn为期望输出,un为实际输出;
使用梯度下降法进行计算;
根据输出进行反馈,调整输入层、输出层及隐含层神经元权重,重复训练,直至预测准确率大于δ;
作为优选,步骤7中所述将训练后的神经网络模型投入应用为:
辨识用户的出行方式、出行模式;
步骤7中所述用户激励数据如下:
Pi={Ai,Bi,Ci,Di,Ei,Fi},i∈[1,N]
其中,N为用户数量,Ai为出行起点坐标,Bi为出行终点坐标;Ci为上车时间,Di为下车时间,Ei为出行方式,Fi为出行速度;
作为优选,步骤8中中所述计算出行产生的碳排放公式如下:
Li=Σj,k,t[T·V·Gj,k,t·Hj,k,t]
其中:
T为车辆的行驶时间;
V为车辆的行驶速度;
Gj,k,t为燃料消耗L/100km;
Hj,k,t为不同燃料的碳排放因子;
j为车辆类型,如轿车、公共汽车;
k为燃料类型,如原煤、汽油、柴油、煤油、天然气;
t为道路类型,如城市,乡村,缺少数据时默认为城市道路;
每吨二氧化碳当量的成交价格可参考当日市场的成交价格,在市场尚未成熟的情况下,也可采用积分制将乘客每次出行产生的碳排放转化成积分计入账户中,以一定积分免去一次乘车费用等作为奖励;
计算碳交易价格或积分的公式如下:
其中:
Lcar为以平均车型小汽车行驶起终点最短路径产生的碳排放;
Lreal为用户出行过程中实际产生的碳排放;
γ为折算成碳交易价格或积分的因子;
为用户本次出行乘坐平均车型小汽车的时间;
为各类型小汽车的平均车速;
为车用汽油在城市道路上平均车型小汽车的燃料消耗;
H为车用汽油的碳排放因子;
当用户出行是步行、骑自行车时,不产生碳排放,此种情况下取最大值,给予用户的价格补贴或积分最多;
当用户出行是乘坐小汽车时,产生的碳排放最多,碳交易价格或积分为0。
本发明的优点在于,推广了碳交易,增强了居民出行的低碳环保意识,鼓励居民乘坐公共交通缓解了交通拥堵问题。
附图说明
图1:为本发明***框架;
图2:为本发明方法流程;
图3:为本发明方法区块链区块示意。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,为本发明的***技术方案为一种基于碳交易的绿色出行激励***,其特征在于,包括:移动终端、Wi-Fi探针、车载GPS模块、车载速度传感器、车载时间模块、车载Wi-Fi模块、第一无线通信模块、机器学习服务器、第二无线通信模块、用户激励服务器;
所述移动终端与所述Wi-Fi探针通过无线通信方式连接;所述车载Wi-Fi模块分别与所述的Wi-Fi探针、车载GPS模块、车载速度传感器、车载时间模块通过导线依次连接;所述移动终端与所述第一无线通信模块通过无线通信方式连接;所述车载Wi-Fi模块与所述第一无线通信模块通过无线通信方式连接;所述第一无线通信模块与机器学习服务器通过导线连接;所述第一无线通信模块与所述第二无线通信模块通过无线通信方式连接;所述第二无线通信模块与用户激励服务器通过导线连接;所述第二无线通信模块与所述移动终端通过无线通信方式连接。
所述移动终端选型为智能手机;所述Wi-Fi探针选型为WP302E;所述车载GPS模块选型为TR130;所述车载速度传感器选型为XHF-F168;所述车载时间模块选型为RX-8731LC;所述车载Wi-Fi模块选型为MU960C;所述第一无线通信模块选型为S7-200CN;所述机器学习服务器选型为EMC PowerEdge R740;所述第二无线通信模块选型为WM-232SM;所述用户激励服务器选型为SPARCM12;
下面结合图1至图3介绍本发明的具体实施方式为:一种基于碳交易的绿色出行激励***及方法,其特征在于,包括以下步骤:
步骤1:所述移动终端采集由用户MAC地址、每日活动轨迹数据构成的用户数据集合,并将用户数据集合经由无线传输至所述机器学习服务器;
步骤1中所述移动终端查询设备信息得到MAC地址,并通过终端内置定位模块得到每日活动轨迹数据;
步骤1中所述用户第i次出行中t时刻数据集合为:
其中,i∈{1,2,3,…,N}
ID为用户的MAC地址;
Ti为用户第i次出行的出行时间;
为用户第i次出行中t时刻位置坐标;
为用户第i次出行中t时刻速度;
步骤2:所述车载GPS模块记录车辆数据集合,即车辆出行时间、车辆位置、车辆速度、车辆信息,所述Wi-Fi探针采集用户手机MAC地址;
步骤2中所述车载GPS模块记录车辆信息、车辆速度、车辆位置;通过车载时间模块获取当前时刻;Wi-Fi探针以一定的频率扫描车内移动终端设备,定时取得车内所有终端设备的MAC地址;
步骤2中所述车辆第j次出行中t时刻数据集合为:
其中,j∈{1,2,3,…,N*}
Ic为车辆信息,即车辆C的种类、核载人数等;
为车辆第j次出行中t时刻的位置坐标;
为车辆第j次出行中t时刻的速度;
为通过所述Wi-Fi探针扫描得到的用户p的MAC地址;
步骤3:所述车载Wi-Fi模块将数据上传至机器学习服务器;
步骤3中所述车载Wi-Fi模块通过无线通信方式,将车辆数据集合C经所述第一无线通信模块上传至所述机器学习服务器;
步骤4:所述机器学习服务器使用采集到的用户数据计算出行距离;
步骤4中所述机器学习服务器使用采集到的用户数据计算出行距离为:
用户第i次出行距离Li计算方式如下:
K为一次出行中总的时刻数量;
步骤5:所述机器学习服务器将用户数据集合、车辆数据集合以及用户出行距离依次进行匹配,以筛选出合格数据进行数据存储;
步骤5中所述匹配条件为:
将中ID与中进行MAC地址匹配;
将用户出行距离Li进行距离匹配,H为距离阈值,看是否Li<H=500米;
与对应的定时位置进行匹配;
统计满足上述3个条件的数据,给定数量阈值β,若满足上述条件的数据数量不小于β,则认为数据集合符合要求,保留作为训练集,否则丢弃。
据按照一段时间内,每个星期相同天在一周内序号的顺序组织。对用户每周第D天,D∈{1,2,…,7},第i次出行t,t∈{1,2,…,K}时刻数据集合进行重复匹配,最终得到N个有效集合A,作为训练集数据;
步骤5中所述存储数据如下:
其中,IDR为用户的MAC地址;
Ic R为车辆信息,即车辆C的种类、核载人数;
Ti R为用户第i次出行的出行时间;
为用户第i次出行中t时刻位置坐标;
为用户第i次出行中t时刻速度;
为用户的出行距离;
步骤6:所述机器学习服务器对训练集数据进行BP神经网络模型训练,将训练集输入到神经网络中重复训练,直到数据的偏差和方差符合要求,每次训练的数据为所有某个星期第几天全部的出行数据;
步骤6中所述BP神经网络模型为:
输入层神经元数量S为5,即出行时间Ti R、出行速度出行距离出行起点车型Ic R,样本数量为D下i次出行,每次K个出行数据的全体。权重分别为
输出层神经元数量O为4,即出行终点Bi、上车时间Ci、下车时间Di、出行方式Ei,权重分别为
隐含层神经元数量为4,由经验计算方法得到;
误差函数模型为其中tn为期望输出,un为实际输出;
使用梯度下降法进行计算;
根据输出进行反馈,调整输入层、输出层及隐含层神经元权重,重复训练,直至预测准确率大于δ;
步骤7:所述机器学习服务器将训练后的神经网络模型投入应用,预测用户的出行方式、出行模式,构建用户激励数据并传输至所述用户激励服务器;
步骤7中所述将训练后的神经网络模型投入应用为:
辨识用户的出行方式、出行模式;
步骤7中所述用户激励数据如下:
Pi={Ai,Bi,Ci,Di,Ei,Fi},i∈[1,N]
其中,N为用户数量,Ai为出行起点坐标,Bi为出行终点坐标;Ci为上车时间,Di为下车时间,Ei为出行方式,Fi为出行速度;
步骤8:所述用户激励服务器根据用户激励数据,计算出行产生的碳排放以及相应的碳交易价格或积分并储存;
步骤8中中所述计算出行产生的碳排放公式如下:
Li=∑j,k,t[T·V·Gj,k,t·Hj,k,t]
其中:
T为车辆的行驶时间,本例中取0.5h;
V为车辆的行驶速度,本例中取40km/h;
Gj,k,t为燃料消耗L/100km,本例中取12L/100km;
Hj,k,t为不同燃料的碳排放因子,本例中取燃料油,为43070kJ/kg;
j为车辆类型,如轿车、公共汽车,本例中取轿车;
k为燃料类型,如原煤、汽油、柴油、煤油、天然气,本例中取汽油;
t为道路类型,如城市,乡村,缺少数据时默认为城市道路,本例中取城市;
燃料类型k默认选取车用汽油,不同燃料的碳排放因子默认采用IPCC2006年度报告中推荐的值;
每吨二氧化碳当量的成交价格可参考当日市场的成交价格,在市场尚未成熟的情况下,也可采用积分制将乘客每次出行产生的碳排放转化成积分计入账户中,以一定积分免去一次乘车费用等作为奖励;
计算碳交易价格或积分的公式如下:
其中:
Lcar为以平均车型小汽车行驶起终点最短路径产生的碳排放;
Lreal为用户出行过程中实际产生的碳排放;
γ为折算成碳交易价格或积分的因子,取0.5;
为用户本次出行乘坐平均车型小汽车的时间,取0.23h;
为各类型小汽车的平均车速,取35.3km/h;
为车用汽油在城市道路上平均车型小汽车的燃料消耗,取15L/100km;
H为车用汽油的碳排放因子,取43070kJ/kg;
汽油密度取0.75kg/L,1kg碳完全燃烧释放32645.83kJ热量。
本例计算得到节省的碳排放量为762.77kg,假设当日碳交易价格为30元/吨,碳交易价格因子为0.5,则本次出行补贴的碳交易价格约为11元。
当用户出行是步行、骑自行车时,不产生碳排放,此种情况下取最大值,给予用户的价格补贴或积分最多;
当用户出行是乘坐小汽车时,产生的碳排放最多,碳交易价格或积分为0;
搭乘使用其他能源驱动的交通工具时,可依据能源类型计算相应的碳排放,如轨道交通可按火力发电计算,将每名乘客每次出行消耗的平均电力转换为火力发电产生的碳排放。
步骤9:所述移动终端通过所述第三无线通信模块定期与所述用户激励服务器通信,将碳交易价格的部分补贴为下次出行的车费,或扣除一定数量的积分发放奖励,用户也可将其捐赠给福利机构;所述移动终端间定期相互通信,同步区块链账本。
尽管本说明书较多地使用了移动终端、Wi-Fi探针、车载GPS模块、车载速度传感器、车载时间模块、车载Wi-Fi模块、第一无线通信模块、机器学习服务器、第二无线通信模块、用户激励服务器等术语,但并不排除使用其他术语的可能性。使用这些术语仅仅是为了更方便的描述本发明的本质,把它们解释成任何一种附加的限制都是与本发明精神相违背的。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发
明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (10)
1.一种基于碳交易的绿色出行激励***,其特征在于,包括:移动终端、Wi-Fi探针、车载GPS模块、车载速度传感器、车载时间模块、车载Wi-Fi模块、第一无线通信模块、机器学习服务器、第二无线通信模块、用户激励服务器;
所述移动终端与所述Wi-Fi探针通过无线通信方式连接;所述车载Wi-Fi模块分别与所述的Wi-Fi探针、车载GPS模块、车载速度传感器、车载时间模块通过导线依次连接;所述移动终端与所述第一无线通信模块通过无线通信方式连接;所述车载Wi-Fi模块与所述第一无线通信模块通过无线通信方式连接;所述第一无线通信模块与机器学习服务器通过导线连接;所述第一无线通信模块与所述第二无线通信模块通过无线通信方式连接;所述第二无线通信模块与用户激励服务器通过导线连接;所述第二无线通信模块与所述移动终端通过无线通信方式连接。
2.一种采用权利要求1所述的基于碳交易的绿色出行激励***进行基于碳交易的绿色出行激励方法,其特征在于,包括以下步骤:
步骤1:所述移动终端采集由用户MAC地址、每日活动轨迹数据构成的用户数据集合,并将用户数据集合经由无线传输至所述机器学习服务器;
步骤2:所述车载GPS模块记录车辆数据集合,即车辆出行时间、车辆位置、车辆速度、车辆信息,所述Wi-Fi探针采集用户手机MAC地址;
步骤3:所述车载Wi-Fi模块将数据上传至机器学习服务器;
步骤4:所述机器学习服务器使用采集到的用户数据计算出行距离;
步骤5:所述机器学习服务器将用户数据集合、车辆数据集合以及用户出行距离依次进行匹配,以筛选出合格数据进行数据存储;
步骤6:所述机器学习服务器对训练集数据进行BP神经网络模型训练,将训练集输入到神经网络中重复训练,直到数据的偏差和方差符合要求,每次训练的数据为所有某个星期第几天全部的出行数据;
步骤7:所述机器学习服务器将训练后的神经网络模型投入应用,预测用户的出行方式、出行模式,构建用户激励数据并传输至所述用户激励服务器;
步骤8:所述用户激励服务器根据用户激励数据,计算出行产生的碳排放以及相应的碳交易价格或积分并储存;
步骤9:所述移动终端通过所述第三无线通信模块定期与所述用户激励服务器通信,将碳交易价格的部分补贴为下次出行的车费,或扣除一定数量的积分发放奖励,用户也可将其捐赠给福利机构;所述移动终端间定期相互通信,同步区块链账本。
3.根据权利要求2所述的基于碳交易的绿色出行激励方法,其特征在于,步骤1中所述移动终端查询设备信息得到MAC地址,并通过终端内置定位模块得到每日活动轨迹数据;
步骤1中所述用户第i次出行中t时刻数据集合为:
其中,i∈{1,2,3,…,N}
ID为用户的MAC地址;
Ti为用户第i次出行的出行时间;
为用户第i次出行中t时刻位置坐标;
为用户第i次出行中t时刻速度。
4.根据权利要求2所述的基于碳交易的绿色出行激励方法,其特征在于,步骤2中所述车载GPS模块记录车辆信息、车辆速度、车辆位置;通过车载时间模块获取当前时刻;Wi-Fi探针以一定的频率扫描车内移动终端设备,定时取得车内所有终端设备的MAC地址;
步骤2中所述车辆第j次出行中t时刻数据集合为:
其中,j∈{1,2,3,…,N*}
Ic为车辆信息,即车辆C的种类、核载人数等;
为车辆第j次出行中t时刻的位置坐标;
为车辆第j次出行中t时刻的速度;
为通过所述Wi-Fi探针扫描得到的用户p的MAC地址。
5.根据权利要求2所述的基于碳交易的绿色出行激励方法,其特征在于,步骤3中所述车载Wi-Fi模块通过无线通信方式,将车辆数据集合C经所述第一无线通信模块上传至所述机器学习服务器。
6.根据权利要求2所述的基于碳交易的绿色出行激励方法,其特征在于,步骤4中所述机器学习服务器使用采集到的用户数据计算出行距离为:
用户第i次出行距离Li计算方式如下:
K为一次出行中总的时刻数量。
7.根据权利要求2所述的基于碳交易的绿色出行激励方法,其特征在于,,步骤5中所述匹配条件为:
将中ID与中进行MAC地址匹配;
将用户出行距离Li进行距离匹配,H为距离阈值,看是否Li<H米;
与对应的定时位置进行匹配;
统计满足上述3个条件的数据,给定数量阈值β,若满足上述条件的数据数量不小于β,则认为数据集合符合要求,保留作为训练集,否则丢弃;
据按照一段时间内,每个星期相同天在一周内序号的顺序组织,对用户每周第D天,D∈{1,2,…,7},第i次出行t,t∈{1,2,…,K}时刻数据集合进行重复匹配,最终得到N个有效集合A,作为训练集数据;
步骤5中所述存储数据如下:
其中,IDR为用户的MAC地址;
Ic R为车辆信息,即车辆C的种类、核载人数;
Ti R为用户第i次出行的出行时间;
为用户第i次出行中t时刻位置坐标;
为用户第i次出行中t时刻速度;
为用户的出行距离。
8.根据权利要求2所述的基于碳交易的绿色出行激励方法,其特征在于,步骤6中所述BP神经网络模型为:
输入层神经元数量S为5,即出行时间Ti R、出行速度出行距离出行起点车型Ic R,样本数量为D下i次出行,每次K个出行数据的全体,权重分别为
输出层神经元数量O为4,即出行终点Bi、上车时间Ci、下车时间Di、出行方式Ei,权重分别为
隐含层神经元数量为4,由经验计算方法得到;
误差函数模型为n∈{1,3,…,N},其中tn为期望输出,un为实际输出;
使用梯度下降法进行计算;
根据输出进行反馈,调整输入层、输出层及隐含层神经元权重,重复训练,直至预测准确率大于δ。
9.根据权利要求2所述的基于碳交易的绿色出行激励方法,其特征在于,步骤7中所述将训练后的神经网络模型投入应用为:
辨识用户的出行方式、出行模式;
步骤7中所述用户激励数据如下:
Pi={Ai,Bi,Ci,Di,Ei,Fi},i∈[1,N]
其中,N为用户数量,Ai为出行起点坐标,Bi为出行终点坐标;Ci为上车时间,Di为下车时间,Ei为出行方式,Fi为出行速度。
10.根据权利要求2所述的基于碳交易的绿色出行激励方法,其特征在于,
步骤8中中所述计算出行产生的碳排放公式如下:
其中:
T为车辆的行驶时间;
V为车辆的行驶速度;
Gj,k,t为燃料消耗L/100km;
Hj,k,t为不同燃料的碳排放因子;
j为车辆类型,如轿车、公共汽车;
k为燃料类型,如原煤、汽油、柴油、煤油、天然气;
t为道路类型,如城市,乡村,缺少数据时默认为城市道路;
每吨二氧化碳当量的成交价格可参考当日市场的成交价格,在市场尚未成熟的情况下,也可采用积分制将乘客每次出行产生的碳排放转化成积分计入账户中,以一定积分免去一次乘车费用等作为奖励;
计算碳交易价格或积分的公式如下:
其中:
Lcar为以平均车型小汽车行驶起终点最短路径产生的碳排放;
Lreal为用户出行过程中实际产生的碳排放;
γ为折算成碳交易价格或积分的因子;
为用户本次出行乘坐平均车型小汽车的时间;
为各类型小汽车的平均车速;
为车用汽油在城市道路上平均车型小汽车的燃料消耗;
H为车用汽油的碳排放因子;
当用户出行是步行、骑自行车时,不产生碳排放,此种情况下取最大值,给予用户的价格补贴或积分最多;
当用户出行是乘坐小汽车时,产生的碳排放最多,碳交易价格或积分为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910375730.2A CN110175868B (zh) | 2019-05-07 | 2019-05-07 | 一种基于碳交易的绿色出行激励***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910375730.2A CN110175868B (zh) | 2019-05-07 | 2019-05-07 | 一种基于碳交易的绿色出行激励***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110175868A true CN110175868A (zh) | 2019-08-27 |
CN110175868B CN110175868B (zh) | 2023-01-03 |
Family
ID=67691228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910375730.2A Active CN110175868B (zh) | 2019-05-07 | 2019-05-07 | 一种基于碳交易的绿色出行激励***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175868B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111292526A (zh) * | 2020-01-16 | 2020-06-16 | 深圳市元征科技股份有限公司 | 车辆限行策略的调整方法、装置、服务器及存储介质 |
CN113554437A (zh) * | 2021-09-17 | 2021-10-26 | 边缘智能研究院南京有限公司 | 一种基于区块链的交易平台 |
CN115018122A (zh) * | 2022-05-05 | 2022-09-06 | 北京航空航天大学 | 一种基于大数据的公共交通出行激励方案优化方法 |
TWI791221B (zh) * | 2021-05-17 | 2023-02-01 | 姚立和 | 碳幣交易之系統及其方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100131343A1 (en) * | 2008-11-24 | 2010-05-27 | International Business Machines Croporation | System and Method for Segmenting Items in a Shopping Cart by Carbon Footprint |
CN109064028A (zh) * | 2018-08-03 | 2018-12-21 | 南方电网科学研究院有限责任公司 | 发电权交易-碳交易藕合模型构建方法与*** |
CN109377748A (zh) * | 2018-12-03 | 2019-02-22 | 武汉理工大学 | 一种基于区块链的乘客出行数据采集存储***及方法 |
-
2019
- 2019-05-07 CN CN201910375730.2A patent/CN110175868B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100131343A1 (en) * | 2008-11-24 | 2010-05-27 | International Business Machines Croporation | System and Method for Segmenting Items in a Shopping Cart by Carbon Footprint |
CN109064028A (zh) * | 2018-08-03 | 2018-12-21 | 南方电网科学研究院有限责任公司 | 发电权交易-碳交易藕合模型构建方法与*** |
CN109377748A (zh) * | 2018-12-03 | 2019-02-22 | 武汉理工大学 | 一种基于区块链的乘客出行数据采集存储***及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111292526A (zh) * | 2020-01-16 | 2020-06-16 | 深圳市元征科技股份有限公司 | 车辆限行策略的调整方法、装置、服务器及存储介质 |
TWI791221B (zh) * | 2021-05-17 | 2023-02-01 | 姚立和 | 碳幣交易之系統及其方法 |
CN113554437A (zh) * | 2021-09-17 | 2021-10-26 | 边缘智能研究院南京有限公司 | 一种基于区块链的交易平台 |
CN115018122A (zh) * | 2022-05-05 | 2022-09-06 | 北京航空航天大学 | 一种基于大数据的公共交通出行激励方案优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110175868B (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175868A (zh) | 一种基于碳交易的绿色出行激励***及方法 | |
CN109034566B (zh) | 一种基于公交站点上下客流的智能调度方法及装置 | |
Bleviss | Transportation is critical to reducing greenhouse gas emissions in the United States | |
KR101980951B1 (ko) | 통근자에게 보상하기 위한 방법 및 시스템 | |
Barrett | Component ecological footprint: developing sustainable scenarios | |
DArNTON et al. | INFLUENCING BEHAVIOURS | |
CN110888908A (zh) | 一种可持续深度学习的充电站/桩推荐***及推荐方法 | |
EP3330917A1 (en) | Method and system for determining traffic service fees | |
CN110225081B (zh) | 充电桩信息推送***及方法 | |
CN107895281A (zh) | 一种信息推送方法、装置及存储介质 | |
CN107045797A (zh) | 信息处理方法及移动终端 | |
CN109141458A (zh) | 一种导航路线规划方法及其*** | |
CN103594000A (zh) | 基于移动网络服务的停车位搜索平台 | |
CN104881800A (zh) | 一种基于移动群智感知的激励机制实现方法 | |
CN105117790A (zh) | 车费预估方法及装置 | |
Torrisi et al. | Strategies and actions towards sustainability: Encouraging good ITS practices in the SUMP vision | |
CN103606299A (zh) | 基于智能手机的停车位信息共享方法 | |
CN106709596A (zh) | 打车平台的车费预估方法及装置 | |
CN115081762A (zh) | 基于城市轨道交通的乘客一体化智慧出行方法和*** | |
CN106909269A (zh) | 一种车型标签的展示方法及*** | |
Markov et al. | Simulation-based design and analysis of on-demand mobility services | |
Liu et al. | A hybrid big-data-based and tolerance-based method to estimate environmental benefits of electric bike sharing | |
WO2020203544A1 (ja) | 情報生成装置、情報生成方法、プログラム、及び記憶媒体 | |
CN104240042A (zh) | 基于公共自行车***的碳排放管理***及其积累方法 | |
Berggren et al. | Exploring waiting times in public transport through a semi-automated dedicated smartphone app survey |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190827 Assignee: CLP Tongtu (Beijing) Technology Co.,Ltd. Assignor: WUHAN University OF TECHNOLOGY Contract record no.: X2023420000265 Denomination of invention: A Green Travel Incentive System and Method Based on Carbon Trading Granted publication date: 20230103 License type: Common License Record date: 20230801 |