本發明專利技術屬于智能交通系統領域，具體提出一種基于數字孿生的車輛碳排放管控系統及方法，通過引入FoI評估機制。通過量化數據產生后的新鮮度，在一定程度上確保了數字孿生體動態更新以及數據和駕駛決策的時效性和準確性，從而優化系統的可靠性；本發明專利技術融合了邊緣云和中心云的優勢。利用邊緣云提供快速響應的車輛短期決策，滿足車聯網對實時性的需求，同時，中心云基于大量歷史數據并結合車輛短期決策進行深入分析和復雜計算，確保實現區域車輛的長期優化效果；本發明專利技術結合車輛短期決策和區域車輛長期決策。車輛短期決策可以實時減少碳排放，區域車輛長期決策則致力于改善駕駛習慣，兩者結合能夠更快速地從根本上降低由于駕駛行為導致的超額碳排放量。
2、在有效預測和管理碳排放方面，數字孿生技術展現出其獨特的優勢，作為智能交通領域的關鍵數字化解決方案，數字孿生技術能夠為物理系統創建精確的數字模型，深入分析和模擬車輛行為，從而提高系統性能，實現更加精細和動態的碳排放管理。目前，許多研究團隊的工作集中在邊緣計算領域，以滿足車聯網系統對實時性和高效數據處理的需求。然而，這些研究主要側重于邊緣節點的處理能力，忽視了數字孿生技術在全局碳排放管理中可能發揮的協同作用。
>4、所述物理實體層包含物理車輛模塊、邊緣云側物理實體模塊和中心云側物理實體模塊。所述物理車輛模塊包含數據采集單元、車輛物理通信單元和決策執行單元；所述邊緣云側物理實體模塊包含邊緣物理通信單元；所述中心云側物理實體模塊包含云端物理通信單元。5、所述數據采集單元用于搜集車輛的瞬時車速、加速度、海拔增量、每秒行駛距離以及車輛周圍的環境數據。
6、所述車輛物理通信單元用于將車輛與環境數據上傳至邊緣云側物理實體模塊，并接收邊緣云側物理實體模塊下發的所有決策。
7、所述決策執行單元用于執行車輛短期決策和區域車輛長期決策。
8、所述邊緣物理通信單元用于接收車輛與環境數據，將數據通過雙向通信層發送至邊緣云側數字孿生模塊，并且需要接收該數字孿生模塊生成的車輛短期決策，同時將區域中的車輛與環境數據上傳至中心云側物理實體模塊，還負責下發所有決策至物理車輛模塊。
9、所述云端物理通信單元用于接收區域車輛與環境數據，通過雙層通信層將數據發送至中心云側數字孿生模塊，還負責接收該數字孿生模塊生成的區域車輛長期決策，并進行車輛長期決策的下發。
10、所述雙向通信層包含邊緣雙層通信單元和云端雙層通信單元。
11、所述邊緣雙層通信單元用于邊緣云側物理實體模塊向邊緣云側數字孿生模塊傳輸車輛與環境數據，還用于邊緣云側數字孿生模塊向邊緣云側物理實體模塊發送車輛短期決策。
12、所述云端雙層通信單元用于中心云側物理實體模塊向中心云側數字孿生模塊傳輸區域車輛與環境數據，還用于中心云側數字孿生模塊向中心云側物理實體模塊發送區域車輛長期決策。
13、所述數字孿生層包含邊緣云側數字孿生模塊和中心云側數字孿生模塊。所述邊緣云側數字孿生模塊包含邊緣數字通信單元、邊緣數據存儲單元、foi評估單元、機器學習單元、短期決策生成單元；所述中心云側數字孿生模塊包含云端數字通信單元、云端數據存儲單元、機器學習單元以及長期決策生成單元。
14、所述邊緣數字通信單元用于接收車輛與環境數據，還負責通過邊緣雙層通信單元將車輛短期決策發送到邊緣云層物理實體模塊。
15、所述邊緣數據存儲單元用于存儲車輛與環境的數據，并將存儲后的數據傳送至foi評估單元。
16、所述foi評估單元用于評估實時數據的新鮮程度，將評估后的數據傳送至機器學習單元。
17、所述機器學習單元用于基于線性回歸模型對評估后的實時數據進行碳排放量的預測。
18、所述短期決策生成單元用于生成短期決策，實時改善駕駛員行駛速度過高、急剎車和急加速等駕駛行為習慣，提高燃油效率，從而減少碳排放。
19、所述云端數字通信單元用于接收區域車輛與環境數據，還負責通過云端雙層通信單元將區域車輛長期決策發送到中心云側物理實體模塊。
20、所述云端數據存儲單元用于存儲區域車輛、環境以及車輛短期決策數據，并將存儲后的數據傳送至機器學習單元。
21、所述機器學習單元用于基于bp神經網絡模型對碳排放量進行預測。
22、所述長期決策生成單元用于生成區域車輛長期決策，從長遠入手逐漸改善駕駛員不良的駕駛行為習慣，提高燃油效率，從而減少碳排放。
23、本專利技術在碳排放管控場景中引入了數字孿生技術，按照步驟s1至步驟s4構建了基于數字孿生的車輛碳排放管控系統，并利用該系統實現了在數字孿生技術下對于碳排放量的管控方法。
24、步驟s1，物理車輛模塊的數據采集單元通過部署在各個車輛的各類傳感器進行車輛和環境數據的采集。車輛采集到的數據在經過初步預處理，包括數據清洗、歸一化和特征提取，以確保數據格式一致。預處理后的數據通過車輛物理通信單元上傳到邊緣云側物理實體模塊。邊緣云側物理實體模塊接收到數據后，通過邊緣雙層通信單元將數據發送到其對應的數字孿生模塊。此外，邊緣云側物理實體模塊還需將區域車輛與環境數據上傳至中心云側物理實體模塊。中心云側物理實體模塊接收到數據后，通過云端雙層通信單元將數據發送到其對應的數字孿生模塊。
25、步驟s2，邊緣云側數字孿生模塊接收到車輛與環境數據后，將數據存儲到邊緣數據存儲單元中。通過foi評估單元對存儲后的數據進行評估，由信息年齡這一指標來衡量數據的新鮮程度，以滿足系統對實時性的需求。
26、步驟s3，新鮮度評估完成后，利用機器學習單元，即運用基于瞬時車速、加速度、海拔增量和每秒行駛距離相關數據訓練后的線性回歸模型對碳排放量進行預測，預測后的結果通過短期決策生成單元生成車輛短期決策，決策通過邊緣雙層通信單元發送至邊緣云側物理實體模塊。邊緣云側物理實體模塊將接收到的決策下發至物理車輛模塊執行，從而幫助駕駛員減少碳排放。
27、步驟s4，中心云側數字孿生模塊接收到區域車輛與環境數據后，利用其云端數據存儲單元進行存儲。存儲后的數據用于進一步訓練、驗證和測試部署在機器學習單元中的bp神經網絡模型，使用訓練后的模型進行碳排放的預測。同時，結合邊緣云側數字孿生模塊上傳的短期決策，最終生成區域車輛長期決策。生成的決策通過云端雙層通信單元發送到中心云側物理實體模塊，并由該模塊下發至邊緣云側物理實體模塊，最終傳遞到物理車輛模塊，以幫助降低由于駕駛行為習慣導致的超標碳排放。
28、進一步的，步驟s1中，碳排放速率與車速、加速度和比功率(vsp)相關。為了準確監測車輛的碳排放情況，需要實時獲取瞬時車速、加速度、海本文檔來自技高網...
【技術保護點】
1.一種基于數字孿生的車輛碳排放管控系統，其特征在于：
2.根據權利要求1所述的一種基于數字孿生的車輛碳排放管控系統，其特征在于：所述物理車輛模塊中，所述數據采集單元用于搜集車輛的瞬時車速、加速度、海拔增量、每秒行駛距離以及車輛周圍的環境數據；所述車輛物理通信單元用于將車輛與環境數據上傳至邊緣云側物理實體模塊，并接收邊緣云側物理實體模塊下發的所有決策；所述決策執行單元用于執行車輛短期決策和區域車輛長期決策。
3.根據權利要求1所述的一種基于數字孿生的車輛碳排放管控系統，其特征在于：所述邊緣云側物理實體模塊中，所述邊緣物理通信單元用于接收車輛與環境數據，將數據通過雙向通信層發送至邊緣云側數字孿生模塊，并且需要接收該數字孿生模塊生成的車輛短期決策，同時將區域中的車輛與環境數據上傳至中心云側物理實體模塊，還負責下發所有決策至物理車輛模塊。
4.根據權利要求1所述的一種基于數字孿生的車輛碳排放管控系統，其特征在于：所述中心云側物理實體模塊中，所述云端物理通信單元用于接收區域車輛與環境數據，通過雙層通信層將數據發送至中心云側數字孿生模塊，還負責接收該數字孿生模塊生成的區域車輛長期決策，并進行車輛長期決策的下發。
5.根據權利要求1所述的一種基于數字孿生的車輛碳排放管控系統，其特征在于：所述雙向通信層中，所述邊緣雙層通信單元用于邊緣云側物理實體模塊向邊緣云側數字孿生模塊傳輸車輛與環境數據，還用于邊緣云側數字孿生模塊向邊緣云側物理實體模塊發送車輛短期決策；所述云端雙層通信單元用于中心云側物理實體模塊向中心云側數字孿生模塊傳輸區域車輛與環境數據，還用于中心云側數字孿生模塊向中心云側物理實體模塊發送區域車輛長期決策。
6.根據權利要求1所述的一種基于數字孿生的車輛碳排放管控系統，其特征在于：所述邊緣云側數字孿生模塊中，所述邊緣數字通信單元用于接收車輛與環境數據，還負責通過邊緣雙層通信單元將車輛短期決策發送到邊緣云層物理實體模塊；所述邊緣數據存儲單元用于存儲車輛與環境的數據，并將存儲后的數據傳送至FoI評估單元；所述FoI評估單元用于評估實時數據的新鮮程度，將評估后的數據傳送至機器學習單元；所述機器學習單元用于基于線性回歸模型對評估后的實時數據進行碳排放量的預測；所述短期決策生成單元用于生成短期決策，實時改善駕駛員行駛速度過高、急剎車和急加速等駕駛行為習慣，提高燃油效率，從而減少碳排放。
7.根據權利要求1所述的一種基于數字孿生的車輛碳排放管控系統，其特征在于：所述中心云側數字孿生模塊中，所述云端數字通信單元用于接收區域車輛與環境數據，還負責通過云端雙層通信單元將區域車輛長期決策發送到中心云側物理實體模塊；所述云端數據存儲單元用于存儲區域車輛、環境以及車輛短期決策數據，并將存儲后的數據傳送至機器學習單元；所述機器學習單元用于基于BP神經網絡模型對碳排放量進行預測；所述長期決策生成單元用于生成區域車輛長期決策，從長遠入手逐漸改善駕駛員不良的駕駛行為習慣，提高燃油效率，從而減少碳排放。
8.根據權利要求1-7中任一項所述的一種基于數字孿生的車輛碳排放管控系統的管控方法，其特征在于：所述方法包括如下步驟：
9.根據權利要求8所述的一種基于數字孿生的車輛碳排放管控方法，其特征在于：所述步驟S3中，首先，確定線性回歸模型的輸入參數為車速、加速度和比功率，通過歷史數據訓練，模型學習這三個輸入參數與碳排放量之間的關系；同時，采用增量式更新策略，當新數據到達時，模型會計算該數據點的誤差，并根據誤差對系數進行更新，基于梯度下降方法，根據新數據樣本調整系數，不斷優化該模型的預測能力；此外，為了確定具體導致碳排放超標的因素，通過分析線性回歸模型的回歸系數以及進行多因素回歸分析，識別出主要的影響因素，從而生成更有針對性的車輛短期決策；系統的即時播報和反饋機制結合這些分析，幫助駕駛員識別和調整導致碳排放超標的具體因素，并通過車載顯示屏或音響即時播報結果。
10.根據權利要求8所述的一種基于數字孿生的車輛碳排放管控方法，其特征在于：所述步驟S4中，BP神經網絡模型包括一個輸入層、一個隱含層和一個輸出層；模型的輸入參數為車速、加速度和比功率，輸出參數為碳排放量；基于交叉驗證和超參數搜索的結果，隱含層節點數量選擇為13個，以平衡模型復雜度和訓練效果；模型采用結合了梯度下降法和高斯-牛頓法的Levenberg-Marquardt算法進行訓練；訓練過程中，對歷史和實時數據進行統一預處理，包括數據清洗、歸一化和特征提取，以確保數據格式一致；模型的初始訓練使用歷史數據，以學習數據的整體趨勢和規律；在初步訓練完成后，實時數據將逐步引入訓練流程；采用Batch?Training...
【技術特征摘要】
1.一種基于數字孿生的車輛碳排放管控系統，其特征在于：
2.根據權利要求1所述的一種基于數字孿生的車輛碳排放管控系統，其特征在于：所述物理車輛模塊中，所述數據采集單元用于搜集車輛的瞬時車速、加速度、海拔增量、每秒行駛距離以及車輛周圍的環境數據；所述車輛物理通信單元用于將車輛與環境數據上傳至邊緣云側物理實體模塊，并接收邊緣云側物理實體模塊下發的所有決策；所述決策執行單元用于執行車輛短期決策和區域車輛長期決策。
3.根據權利要求1所述的一種基于數字孿生的車輛碳排放管控系統，其特征在于：所述邊緣云側物理實體模塊中，所述邊緣物理通信單元用于接收車輛與環境數據，將數據通過雙向通信層發送至邊緣云側數字孿生模塊，并且需要接收該數字孿生模塊生成的車輛短期決策，同時將區域中的車輛與環境數據上傳至中心云側物理實體模塊，還負責下發所有決策至物理車輛模塊。
4.根據權利要求1所述的一種基于數字孿生的車輛碳排放管控系統，其特征在于：所述中心云側物理實體模塊中，所述云端物理通信單元用于接收區域車輛與環境數據，通過雙層通信層將數據發送至中心云側數字孿生模塊，還負責接收該數字孿生模塊生成的區域車輛長期決策，并進行車輛長期決策的下發。
5.根據權利要求1所述的一種基于數字孿生的車輛碳排放管控系統，其特征在于：所述雙向通信層中，所述邊緣雙層通信單元用于邊緣云側物理實體模塊向邊緣云側數字孿生模塊傳輸車輛與環境數據，還用于邊緣云側數字孿生模塊向邊緣云側物理實體模塊發送車輛短期決策；所述云端雙層通信單元用于中心云側物理實體模塊向中心云側數字孿生模塊傳輸區域車輛與環境數據，還用于中心云側數字孿生模塊向中心云側物理實體模塊發送區域車輛長期決策。
6.根據權利要求1所述的一種基于數字孿生的車輛碳排放管控系統，其特征在于：所述邊緣云側數字孿生模塊中，所述邊緣數字通信單元用于接收車輛與環境數據，還負責通過邊緣雙層通信單元將車輛短期決策發送到邊緣云層物理實體模塊；所述邊緣數據存儲單元用于存儲車輛與環境的數據，并將存儲后的數據傳送至foi評估單元；所述foi評估單元用于評估實時數據的新鮮程度，將評估后的數據傳送至機器學習單元；所述機器學習單元用于基于線性回歸模型對評估后的實時數據進行碳排放量的預測；所述短期決策生成單元用于生成短期決策，實時改善駕駛員行駛速度過高、急剎車和急加速等駕駛行為習慣，提高燃油效率，從而減少碳排放。
7.根據權利要求1所述的一種基于數字孿生的車輛碳排放管控系統，其特征在于：所述中心云側數字孿生模塊中，所述云端數字通信單元用于接收區域車輛與環境數據，還負責通過云端雙層通信單元將區域車輛長期決策發送到中心云側物理實體模塊；所述云端數據存儲單元用于存儲區域車輛、...
【專利技術屬性】
技術研發人員：郭永安，蔡靈姍，房晶晶，王宇翱，孫洪波，
申請(專利權)人：邊緣智能研究院南京有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。