CN111354100A - 一种基于轨迹数据的货车油耗关键因子量化分析方法 - Google Patents
一种基于轨迹数据的货车油耗关键因子量化分析方法 Download PDFInfo
- Publication number
- CN111354100A CN111354100A CN202010127418.4A CN202010127418A CN111354100A CN 111354100 A CN111354100 A CN 111354100A CN 202010127418 A CN202010127418 A CN 202010127418A CN 111354100 A CN111354100 A CN 111354100A
- Authority
- CN
- China
- Prior art keywords
- truck
- oil consumption
- fuel consumption
- analyzed
- model
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种基于轨迹数据的货车油耗关键因子量化分析方法,涉及货车油耗管理技术领域。该方法利用货车运行的实时数据,对货车的关键油耗因子进行量化分析,根据不同类型货车的运行平均时速、车货总质量、道路平均纵坡度三个因子,在现有的油耗模型的基础上,构建油耗综合模型。油耗分析和建模的所用到的数据全部来源于运营货车在实际过程中的真实记录,量化分析方法更准确,同时考虑了载重、平均速度、道路平均纵坡度与油耗的关系,更加符合货车运输的真实情况,实用性更高,利于普及,为用户选择油耗最少的路线提供依据,能够大大节约货运油耗成本。
Description
技术领域
本发明涉及货车油耗管理技术领域,具体而言,涉及一种基于轨迹数据的货车油耗关键因子量化分析方法。
背景技术
对货车建立油耗预测模型,一方面可以实现节能减排,另一方面能够帮助用户节约大量成本。
现有技术是通过实验模拟对货车的关键油耗因子进行量化分析,并形成了一些微观模型和宏观模型,对节能减排有重要指导意义。现有油耗关键因子量化分析技术方案包括:(1)对关键因子进行分段,选择每段区间的中值作为代表值,并使用“基本模型与基准值”的方法建立油耗与各因子的基本模型;(2)确定纵坡调整系数后,对其它坡度下,不同车型的车速—交通量模型采用基本模型乘以纵坡调整系数求取以进行修正;(3)采用实证对比分析的方法,给出不同公路条件下,不同车型,不同纵坡下的油耗调整系数,并对相同车速下不同车型的油耗作了分析总结;(4)采用质量和速度因素对油耗影响独立计算的方法,对基本运行条件下的油耗计算过程进行修订,建立基本运行条件下客车燃油消耗量的计算模型。
上述货车油耗关键因子量化分析方法存在以下缺陷:
1)通过实验模拟对关键油耗因子进行量化分析形成了一些微观模型和宏观模型,然而,这些模型都基于实验环境,没有结合实际运作的情况来予以分析,而在货车实际运输过程中,环境以及驾驶习惯的不同货车的相关特性是处于动态变化的,这就导致现有技术的分析方法不准确;
2)现有技术是在没有考虑货车自重的情况下进行分析的,但是由于货车长期是处于载货运输的状态下,因此实用性不高;
3)现有技术是对油耗的单个或者两个因子进行分析,缺少普适性。
发明内容
本发明在于提供一种基于轨迹数据的货车油耗关键因子量化分析方法,其能够缓解上述问题。
为了缓解上述的问题,本发明采取的技术方案如下:
本发明提供了一种基于轨迹数据的货车油耗关键因子量化分析方法,包括以下步骤:
S1、获取所有类型货车的货运出行数据样本,所述货运出行数据样本包括货车出行的位置经纬度、时间戳、油耗及车货总质量;
S2、确定待分析货车的车型,在所述货运出行数据样本中查找待分析货车出行的位置经纬度及时间戳,根据待分析货车出行的位置经纬度及时间戳,计算出待分析货车OD对间的平均速度,根据待分析货车出行的位置经纬度,查找出待分析货车出行的道路平均纵坡度;
S3、在所述货运出行数据样本中查找待分析货车出行的油耗和车货总质量,根据待分析货车的油耗和车货总质量建立待分析货车的车货总质量-油耗回归模型;
S4、根据待分析货车OD对间的平均速度和油耗,建立待分析货车的平均速度-油耗回归模型;
S5、根据待分析货车出行的道路平均纵坡度和油耗,建立待分析货车的道路平均纵坡度-油耗回归模型;
S6、获取油耗模型,根据待分析货车的车货总质量-油耗回归模型、平均速度-油耗回归模型以及道路平均纵坡度-油耗回归模型对所述油耗模型进行修正,根据待分析货车的车货总质量、平均速度、道路平均纵坡度、修正后的油耗模型建立待分析货车的油耗综合模型,完成待分析货车油耗关键因子量化分析。
可选地,所述步骤S3中,车货总质量-油耗回归模型的建立方法是:采用SPSS软件,以车货总质量和油耗为输入,输出车货总质量-油耗回归模型。
可选地,所述步骤S4中,平均速度-油耗回归模型的建立方法是:采用SPSS软件,以平均速度和油耗为输入,输出车货总质量-油耗回归模型。
可选地,所述步骤S5中,道路平均纵坡度-油耗回归模型的建立方法是:采用SPSS软件,以道路平均纵坡度和油耗为输入,输出车货总质量-油耗回归模型。
可选地,所述步骤S6中,油耗综合模型的建立方法是:采用SPSS软件,以车货总质量、平均速度、道路平均纵坡度、修正后的油耗模型为输入,输出油耗综合模型。
可选地,所述油耗模型为世界银行模型或者长平高速模型。
本发明的有益效果是:油耗分析和建模的所用到的数据全部来源于运营货车在实际过程中的真实记录,量化分析方法更准确;同时考虑了车货总质量、平均速度、道路平均纵坡度与油耗的关系,更加符合货车运输的真实情况,实用性更高,利于普及。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举本发明实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本发明实施例的流程图;
图2是本发明实施例中普通车货运出行的车货总质量-油耗散点图;
图3是本发明实施例中普通车货运出行的车货总质量-油耗曲线拟合图;
图4是本发明实施例中普通车货运出行的平均速度-油耗曲线拟合图;
图5是本发明实施例中普通车货运出行的道路平均纵坡度-油耗曲线拟合图;
图6是本发明实施例中牵引车货运出行的道路平均纵坡度-油耗曲线拟合图;
图7是本发明实施例中轻型车货运出行的道路平均纵坡度-油耗曲线拟合图;
图8是本发明实施例中自卸车货运出行的道路平均纵坡度-油耗曲线拟合图;
图9是本发明实施例中货运出行的车货总质量-平均速度-油耗的矩阵散点图;
图10是本发明实施例中货运出行的车货总质量-平均速度-道路平均纵坡度-油耗的矩阵散点图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
实施例
请参照图1,本发明实施例提供了一种基于轨迹数据的货车油耗关键因子量化分析方法,包括以下步骤:
S1、获取所有类型货车的货运出行数据样本,货运出行数据样本包括货车出行的位置经纬度、时间戳、油耗及车货总质量,车货总质量为货车的自重以及其装载货物的重量之和;
S2、确定待分析货车的车型,在货运出行数据样本中查找待分析货车出行的位置经纬度及时间戳,根据待分析货车出行的位置经纬度及时间戳,计算出待分析货车OD对间的平均速度,根据待分析货车出行的位置经纬度,查找出待分析货车出行的道路平均纵坡度;
S3、在货运出行数据样本中查找待分析货车出行的油耗和车货总质量,根据待分析货车的油耗和车货总质量建立待分析货车的车货总质量-油耗回归模型;
S4、根据待分析货车OD对间的平均速度和油耗,建立待分析货车的平均速度-油耗回归模型;
S5、根据待分析货车出行的道路平均纵坡度和油耗,建立待分析货车的道路平均纵坡度-油耗回归模型;
S6、获取油耗模型,根据待分析货车的车货总质量-油耗回归模型、平均速度-油耗回归模型以及道路平均纵坡度-油耗回归模型对所述油耗模型进行修正,根据待分析货车的车货总质量、平均速度、道路平均纵坡度、修正后的油耗模型建立待分析货车的油耗综合模型,完成待分析货车油耗关键因子量化分析。
在本实施例中,车货总质量-油耗回归模型、平均速度-油耗回归模型、道路平均纵坡度-油耗回归模型、油耗综合模型的建立方法均是采用SPSS软件完成,举例如下:
一、车货总质量-油耗回归模型
根据货车运行过程中的受力分析,根据能量守恒方程,可知能耗都是与车货总质量呈线性关系。
W=f*x+mgH+w+mv2#
分析车货总质量对油耗的影响时选择确定线路,确定待分析货车的车型为普通车,并选择在同一速度下不同车货总质量的数据进行分析,以成都至重庆的普通车为例,筛选出的数据如下表所示(仅部分):
表1成都至重庆普通车车货总质量与油耗
将车货总质量和油耗代入SPSS软件进行分析,得到图2所示普通车货运出行的散点图以及图3所示普通车货运出行的曲线拟合图;
再于输出文档中查看参数估计值和R方检验,得到成都至重庆普通车的车货总质量-油耗回归模型
F=0.94m+17.802#
其中:F为货车运行的百公里油耗值;m为货车与货物的总质量。
用同样的方法可得到成都到重庆的牵引车、轻型车、自卸车的车货总质量-油耗回归模型,各车型的系数及R方汇总如表2。
表2成都至重庆不同车型车货总质量-油耗回归模型系数
由表2可知,自卸车和普通车受质量的影响较大,轻型车受质量的影响最小,因为轻型车本身质量较小而且车货总质量相对较低,因此质量的变化幅度较低,导致油耗变化不明显。
二、平均速度-油耗回归模型
已有的速度-油耗模型有:
F=b1*v2+b2*v+c#
其中:F为货车的百公里油耗;v为货车运行的平均速度;b1、b2、c均为参数。
确定待分析货车的车型为普通车,以成都-重庆为例,普通车的平均速度与油耗数据如表3所示:
表3成都-重庆普通车平均速度与油耗
将平均速度和油耗数据代入SPSS进行分析,得到图4所示的普通车货运出行的平均速度-油耗曲线拟合图;
对参数值以及R方进行估计和检验可得,
表4参数估计与R方检验
因此可得成都-重庆的普通车平均速度-油耗回归模型如下:
F=-0.036*v2+12.394#
三、道路平均纵坡度-油耗回归模型
平均的道路平均纵坡度与油耗还有可能存在线性关系、二次关系,因此通过拟合进行参数估算并做R方检验,将四种车型(普通车、牵引车、轻型车、自卸车)的R方求出均值进行比较,确立最优的模型,各车型的曲线拟合图见图5、图6、图7和图8。
将非线性回归的参数估计结果、R方检验值与曲线拟合R方进行分析比较得到如下结果:
表5R方汇总
由表5可知线性关系的拟合度最高,因此道路平均纵坡度-油耗回归模型采用线性型,表6为线性参数汇总表。
表6不同车型参数汇总
以普通车为例,道路平均纵坡度-油耗回归模型为:
F=a*i+b#
其中:
F为货车运行百公里油耗;
i为平均纵坡度;
a、b为回归参数。
将SPSS分析的结果带入模型:
F=231.954*i+521.218#
由曲线拟合的结果来看,曲线较为平缓,而且随着平均纵坡度增加,货车的油耗增加。
三、油耗综合模型
1、道路平均纵坡度-平均速度回归模型
货运车辆在高速公路上运行时,其平均速度与道路平均纵坡度呈线性关系,故将道路平均纵坡度数据与平均速度数据代入SPSS软件进行拟合。
表7道路平均纵坡度-平均速度
表8道路平均纵坡度-平均速度拟合结果
由表8可以看出道路平均纵坡度与平均速度的三次关系模型拟合度最高,因此得到道路平均纵坡度-平均速度回归模型:
v=a*i3+b*i2+c*i+d#
其中:v为平均运行速度;i为平均纵坡度;a、b、c、d为回归参数。
将拟合结果代入该模型可得:
v=48.952*i3-3.269*i2-5.473*i+13.819#
2、车货总质量-平均速度-油耗回归模型
受驾驶***均速度存在内部联系,如图9所示。
对货车车货总质量-平均速度-油耗的矩阵散点图进行观察,可以看出平均速度与车货总质量之间的散点图并非杂乱无章似乎也存在一定的关系,故以成都到重庆的普通车为例对平均速度与车货总质量进行多元非线性回归分析。
表9成都至重庆普通车车货总质量-平均速度参数估算
得到成都到重庆普通车车货总质量-平均速度-油耗回归模型为:
代入参数估算值得到成都至重庆普通车油耗回归模型为:
其中:F为成都至重庆普通车百公里油耗;m为成都至重庆普通车车货总质量;v为成都至重庆普通车平均运行速度;a、b、c、d为参数。
同上,运用同样的方法可以求得其他线路和车型的车货总质量-平均速度-油耗回归模型。
3、油耗综合模型
现存的主要两种形式的油耗模型,为世界银行模型和贾平飞的长平高速模型,采用SPSS软件,利用世界银行模型与长平高速模型对两种形式的油耗模型进行拟合,由于目前高速公路的平整度很高,故在进行多元非线性回归分析时不考虑路面平整度对油耗的影响,路面平整度的参数设为0,综合数据样本如表10所示。
表10综合数据样本
对四种车型(普通车、自卸车、轻型车、牵引车)进行多元回归分析,根据世界银行模型与长平高速模型构建以下两种油耗综合模型。
油耗综合模型1在世界银行模型的基础上进行构建,世界银行模型原型为:
油耗综合模型2根据长平高速模型,进行构建,其原型为F=b*v2+c*v+d*IRI+e*i+f#
其中:F为货运车辆百公里油耗值;v为货运车辆运行过程中的平均速度;i为道路平均纵坡度;IRI为国际平整度指数;b~f为回归系数。
在原世界银行模型和长平高速模型中没有车货总质量这一因子,而本发明的主要研究对象就是货运车辆,货物运输是其主要的功能,故本发明在构建模型是在原世界银行模型中加入了车货总质量这一关键因子。对所有的关键因子与油耗做矩阵散点图,如图10所示。
利用SPSS进行多元非线性回归分析,结果显示如表11所示:
表11多元回归分析参数汇总
由表11可知普通车和自卸车更适用于油耗综合模型2,而牵引车和轻型车更适用于油耗综合模型1。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于轨迹数据的货车油耗关键因子量化分析方法,其特征在于,包括以下步骤:
S1、获取所有类型货车的货运出行数据样本,所述货运出行数据样本包括货车出行的位置经纬度、时间戳、油耗及车货总质量;
S2、确定待分析货车的车型,在所述货运出行数据样本中查找待分析货车出行的位置经纬度及时间戳,根据待分析货车出行的位置经纬度及时间戳,计算出待分析货车OD对间的平均速度,根据待分析货车出行的位置经纬度,查找出待分析货车出行的道路平均纵坡度;
S3、在所述货运出行数据样本中查找待分析货车出行的油耗和车货总质量,根据待分析货车的油耗和车货总质量建立待分析货车的车货总质量-油耗回归模型;
S4、根据待分析货车OD对间的平均速度和油耗,建立待分析货车的平均速度-油耗回归模型;
S5、根据待分析货车出行的道路平均纵坡度和油耗,建立待分析货车的道路平均纵坡度-油耗回归模型;
S6、获取油耗模型,根据待分析货车的车货总质量-油耗回归模型、平均速度-油耗回归模型以及道路平均纵坡度-油耗回归模型对所述油耗模型进行修正,根据待分析货车的车货总质量、平均速度、道路平均纵坡度、修正后的油耗模型建立待分析货车的油耗综合模型,完成待分析货车油耗关键因子量化分析。
2.根据权利要求1所述基于轨迹数据的货车油耗关键因子量化分析方法,其特征在于,所述步骤S3中,车货总质量-油耗回归模型的建立方法是:采用SPSS软件,以车货总质量和油耗为输入,输出车货总质量-油耗回归模型。
3.根据权利要求1所述基于轨迹数据的货车油耗关键因子量化分析方法,其特征在于,所述步骤S4中,平均速度-油耗回归模型的建立方法是:采用SPSS软件,以平均速度和油耗为输入,输出车货总质量-油耗回归模型。
4.根据权利要求1所述基于轨迹数据的货车油耗关键因子量化分析方法,其特征在于,所述步骤S5中,道路平均纵坡度-油耗回归模型的建立方法是:采用SPSS软件,以道路平均纵坡度和油耗为输入,输出车货总质量-油耗回归模型。
5.根据权利要求1所述基于轨迹数据的货车油耗关键因子量化分析方法,其特征在于,所述步骤S6中,油耗综合模型的建立方法是:采用SPSS软件,以车货总质量、平均速度、道路平均纵坡度、修正后的油耗模型为输入,输出油耗综合模型。
6.根据权利要求1所述基于轨迹数据的货车油耗关键因子量化分析方法,其特征在于,所述油耗模型为世界银行模型或者长平高速模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010127418.4A CN111354100A (zh) | 2020-02-28 | 2020-02-28 | 一种基于轨迹数据的货车油耗关键因子量化分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010127418.4A CN111354100A (zh) | 2020-02-28 | 2020-02-28 | 一种基于轨迹数据的货车油耗关键因子量化分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111354100A true CN111354100A (zh) | 2020-06-30 |
Family
ID=71192449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010127418.4A Pending CN111354100A (zh) | 2020-02-28 | 2020-02-28 | 一种基于轨迹数据的货车油耗关键因子量化分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111354100A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971196A (zh) * | 2022-04-29 | 2022-08-30 | 湖北文理学院 | 车型选择方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779411A (zh) * | 2012-08-10 | 2012-11-14 | 北京航空航天大学 | 自动获取道路坡度的方法 |
CN103884396A (zh) * | 2014-03-21 | 2014-06-25 | 浪潮集团有限公司 | 一种基于大数据的汽车油耗智能分析方法 |
CN104715605A (zh) * | 2015-02-16 | 2015-06-17 | 北京交通大学 | 一种基于vsp分布的交通运行数据与排放数据耦合方法与*** |
CN107239844A (zh) * | 2016-03-28 | 2017-10-10 | 武汉长江通信智联技术有限公司 | 一种基于Hadoop的石油运输车辆油耗预测方法 |
DE102017008605A1 (de) * | 2016-09-22 | 2018-03-22 | Scania Cv Ab | Verfahren und System zum Vorhersagen des Kraftstoffverbrauchs für ein Fahrzeug |
CN109493449A (zh) * | 2018-11-23 | 2019-03-19 | 北京航空航天大学 | 一种基于货车gps轨迹数据和高速交易数据的货车载货状态估计方法 |
CN110033112A (zh) * | 2018-01-12 | 2019-07-19 | 吉旗物联科技(上海)有限公司 | 一种百公里油耗预估分析方法 |
-
2020
- 2020-02-28 CN CN202010127418.4A patent/CN111354100A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779411A (zh) * | 2012-08-10 | 2012-11-14 | 北京航空航天大学 | 自动获取道路坡度的方法 |
CN103884396A (zh) * | 2014-03-21 | 2014-06-25 | 浪潮集团有限公司 | 一种基于大数据的汽车油耗智能分析方法 |
CN104715605A (zh) * | 2015-02-16 | 2015-06-17 | 北京交通大学 | 一种基于vsp分布的交通运行数据与排放数据耦合方法与*** |
CN107239844A (zh) * | 2016-03-28 | 2017-10-10 | 武汉长江通信智联技术有限公司 | 一种基于Hadoop的石油运输车辆油耗预测方法 |
DE102017008605A1 (de) * | 2016-09-22 | 2018-03-22 | Scania Cv Ab | Verfahren und System zum Vorhersagen des Kraftstoffverbrauchs für ein Fahrzeug |
CN110033112A (zh) * | 2018-01-12 | 2019-07-19 | 吉旗物联科技(上海)有限公司 | 一种百公里油耗预估分析方法 |
CN109493449A (zh) * | 2018-11-23 | 2019-03-19 | 北京航空航天大学 | 一种基于货车gps轨迹数据和高速交易数据的货车载货状态估计方法 |
Non-Patent Citations (1)
Title |
---|
彭勃: "高速公路汽车油耗模型研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971196A (zh) * | 2022-04-29 | 2022-08-30 | 湖北文理学院 | 车型选择方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ligterink et al. | A velocity and payload dependent emission model for heavy-duty road freight transportation | |
CN112613406B (zh) | 一种基于大数据的商用车多维度运行评估方法 | |
Solmaz et al. | Real-time multiple-model estimation of centre of gravity position in automotive vehicles | |
Stepp et al. | Greenhouse gas mitigation policies and the transportation sector: The role of feedback effects on policy effectiveness | |
Tietge et al. | From laboratory to road | |
Scora et al. | Value of eco-friendly route choice for heavy-duty trucks | |
CN101350138B (zh) | 基于货类反推的海港规划年交通生成量预测方法 | |
CN109238740B (zh) | 一种基于整车质量和体积的汽车滑行阻力综合评价方法 | |
Martin et al. | Can UK passenger vehicles be designed to meet 2020 emissions targets? A novel methodology to forecast fuel consumption with uncertainty analysis | |
Lapapong et al. | Zero-moment point determination of worst-case manoeuvres leading to vehicle wheel lift | |
Mihelic | Fuel and freight efficiency-past, present and future perspectives | |
Lárusdóttir et al. | Effect of driving behavior and vehicle characteristics on energy consumption of road vehicles running on alternative energy sources | |
CN111354100A (zh) | 一种基于轨迹数据的货车油耗关键因子量化分析方法 | |
Sun et al. | Long short-term memory network-based emission models for conventional and new energy buses | |
KR101597446B1 (ko) | 지역의 교통활동도를 고려한 자동차 배출계수 예측장치 및 그 예측방법 | |
Yeow et al. | Comparing commercial vehicle fuel consumption models using real-world data under calibration constraints | |
Selezneva et al. | Long-term pavement performance pavement loading user guide (LTPP PLUG). | |
Levinson et al. | Operating costs for trucks | |
CN115587327B (zh) | 一种考虑Jerk的汽车油耗预测方法 | |
Bhuiyan et al. | Investigating the impact of access-timing-sizing regulations on urban logistics | |
CN113112061B (zh) | 一种预测车辆油耗的方法与装置 | |
Sun et al. | Validation of a statistical-dynamic framework for predicting energy consumption: A study on vehicle energy conservation equation | |
Tanco et al. | Assessment of the effectiveness of a fuel additive to reduce fuel consumption of HDVs highlights the importance of verification programs | |
Dong et al. | Estimating energy efficiency of connected and autonomous vehicles in a mixed Fleet | |
Mao et al. | The evolution of commercial vehicles in China: A retrospective evaluation on fuel consumption standards and recommendations for the future [Publication pending] |
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 |