許娟婷 孟恒宇 郭文超

(上海交通大學(xué) 1. 密西根學(xué)院; 2. 航空航天學(xué)院;3. 機(jī)械與動(dòng)力工程學(xué)院， 上海 200240)

1 研究背景

近年來，為了解決傳統(tǒng)內(nèi)燃機(jī)汽車帶來的能源與污染問題，同時(shí)伴隨著智能交通和大數(shù)據(jù)技術(shù)的發(fā)展，汽車的智能化、電動(dòng)化、網(wǎng)聯(lián)化、共享化成為未來汽車發(fā)展的新趨勢(shì)。然而電動(dòng)汽車的普及程度卻遠(yuǎn)遠(yuǎn)不夠，其根本原因在于消費(fèi)者對(duì)電動(dòng)車?yán)m(xù)航里程的擔(dān)憂和公共充電基礎(chǔ)設(shè)施有待進(jìn)一步完善。

車載動(dòng)力電池的荷電狀態(tài)(State of Charge，SOC)是車輛續(xù)航里程的重要指標(biāo)，因而實(shí)現(xiàn)SOC的準(zhǔn)確預(yù)測(cè)是保證電動(dòng)汽車可靠運(yùn)行的前提，也是電池組使用和維護(hù)的重要依據(jù)，更是為駕駛員的駕駛行為提供合理的參考建議。同時(shí)，以“上海市新能源汽車公共數(shù)據(jù)采集與檢測(cè)平臺(tái)”采集的大數(shù)據(jù)為基礎(chǔ)，挖掘車輛行為特征(如車輛出行時(shí)間特征、能耗特征、充電特征[1-2]等),從而使車企更加懂得用戶的出行需求和行為習(xí)慣，對(duì)于進(jìn)一步促進(jìn)汽車的共享化以及電動(dòng)汽車的推廣和發(fā)展具有至關(guān)重要的意義。

2 設(shè)計(jì)原理

2.1 設(shè)計(jì)思路

隨著共享電動(dòng)汽車分時(shí)租賃市場(chǎng)的發(fā)展及私人電動(dòng)汽車的慢慢普及，積累了大量的用戶行為數(shù)據(jù)。本文以純電動(dòng)汽車(BEV)為研究主體，以SOC為研究對(duì)象，首先篩選切割出所需的數(shù)據(jù)集，用數(shù)據(jù)驅(qū)動(dòng)的方法分析車輛行為規(guī)律(包括車輛駕駛行為和充電行為)，從而為廠商更好的服務(wù)于用戶提供實(shí)質(zhì)性建議。同時(shí)采用機(jī)器學(xué)習(xí)的方法結(jié)合駕駛行為估計(jì)車載電池SOC并預(yù)測(cè)出短期內(nèi)SOC的變化規(guī)律，為下一步SOC的預(yù)測(cè)提供指導(dǎo)性建議。

本課題研究?jī)?nèi)容的系統(tǒng)框架如圖1：

圖1 本課題研究?jī)?nèi)容的系統(tǒng)框架圖Fig.1 System framework of this project

本課題的主要研究?jī)?nèi)容包括以下三部分：

(1) 基于大數(shù)據(jù)和統(tǒng)計(jì)學(xué)的方法，分析電動(dòng)汽車的行為，包括駕駛行為和充電行為；

(2) 結(jié)合速度、電池電流電壓等信息采用決策樹方法進(jìn)行車載電池SOC的預(yù)測(cè);

(3) 結(jié)合車輛速度、電池電流電壓等信息采用神經(jīng)網(wǎng)絡(luò)長(zhǎng)短期記憶結(jié)構(gòu)進(jìn)行車載電池SOC的預(yù)測(cè)。

2.2 研究方法

考慮到課題內(nèi)容和龐大的數(shù)據(jù)量，我們選用的軟件工具主要是python；基于本課題的研究?jī)?nèi)容，主要工作分為以下幾塊：

1) 數(shù)據(jù)清洗

本課題提供的數(shù)據(jù)包括：數(shù)據(jù)采集時(shí)間、累積行駛里程、速度、電機(jī)控制器溫度、驅(qū)動(dòng)電機(jī)轉(zhuǎn)速、驅(qū)動(dòng)電機(jī)溫度、電機(jī)母線電流、加速踏板行程、制動(dòng)踏板狀態(tài)、動(dòng)力系統(tǒng)就緒、電池剩余電量(SOC)、電池剩余能量、高壓電池電流、電池總電壓等共24項(xiàng)數(shù)據(jù)；但是原數(shù)據(jù)集存在缺漏、錯(cuò)誤，采樣時(shí)間間隔不一致等情況；因此針對(duì)不同的研究?jī)?nèi)容需對(duì)數(shù)據(jù)進(jìn)行相應(yīng)的清洗。

(1) 針對(duì)車輛使用情況分析：

基于本研究?jī)?nèi)容，篩選出五個(gè)因素：時(shí)間，速度，電池SOC，電池電流，電池電壓；主要根據(jù)速度和電池電流這兩個(gè)因素，將車輛狀態(tài)劃分四種：正常行駛、制動(dòng)行駛、停車、充電。

(2) 針對(duì)SOC的估計(jì)和預(yù)測(cè)：

由于原數(shù)據(jù)集的采樣時(shí)間不一致，根據(jù)數(shù)據(jù)的實(shí)際情況，將車輛正在行駛并且采樣時(shí)間為20s的數(shù)據(jù)切割出來。

2) 基于大數(shù)據(jù)和統(tǒng)計(jì)學(xué)的方法析車輛的使用情況

電動(dòng)汽車行為的動(dòng)態(tài)特性非常強(qiáng)[3]，為分析出車輛的使用情況，我們采用分時(shí)間段來統(tǒng)計(jì)分析。

針對(duì)車輛駕駛行為，從每小時(shí)的平均速度和每小時(shí)的車輛使用率進(jìn)行統(tǒng)計(jì)分析；針對(duì)車輛的充電行為，考慮車輛充電的四個(gè)重要參數(shù)：充電時(shí)長(zhǎng)，開始充電時(shí)間，開始充電時(shí)的SOC，充電結(jié)束時(shí)的SOC。

3) 采用決策樹回歸模型實(shí)時(shí)預(yù)測(cè)車載電池SOC

XGBoost是由 Tianqi Chen http://homes.cs.washington.edu/～tqchen/ 最初開發(fā)的實(shí)現(xiàn)可擴(kuò)展，便攜，分布式 gradient boosting (GBDT, GBRT or GBM) 算法的一個(gè)庫(kù)，可以下載安裝并應(yīng)用于 C++，Python，R，Julia，Java，Scala，Hadoop，現(xiàn)在有很多協(xié)作者共同開發(fā)維護(hù)[8]。XGBoost被廣泛用于kaggle等數(shù)據(jù)科學(xué)競(jìng)賽中，取得了很好的效果。

GB是指Gradient boosting，就是通過加入新的弱學(xué)習(xí)器，來努力糾正前面所有弱學(xué)習(xí)器的殘差，最終這樣多個(gè)學(xué)習(xí)器相加在一起用來進(jìn)行最終預(yù)測(cè)，準(zhǔn)確率就會(huì)比單獨(dú)的一個(gè)要高。之所以稱為 Gradient，是因?yàn)樵谔砑有履Ｐ蜁r(shí)使用了梯度下降算法來最小化的損失。而XGBoost是采用決策樹(CART )的GB 的高效實(shí)現(xiàn)。

在具體操作中，將每一時(shí)刻的參數(shù)值和前一時(shí)刻的soc值作為輸入值，將該時(shí)刻前后時(shí)刻的soc差值的一半作為輸出，借助馬爾可夫假設(shè)將預(yù)測(cè)問題轉(zhuǎn)化為回歸問題，訓(xùn)練決策樹群。

4) 采用長(zhǎng)短期記憶網(wǎng)絡(luò)模型預(yù)測(cè)車載電池SOC

綜合考慮車輛的駕駛行為，準(zhǔn)確預(yù)測(cè)車載電池SOC是目前一大重要課題。準(zhǔn)確預(yù)測(cè)車載電池SOC能指導(dǎo)駕駛員在電量低時(shí)進(jìn)行車輛充電，若能結(jié)合具體的地理位置信息并且知道地理上充電站的分布情況，可以為電動(dòng)汽車充電提出針對(duì)性的方案，從另一個(gè)角度也能為電動(dòng)汽車充電站選址做出貢獻(xiàn)。當(dāng)前對(duì)車輛SOC預(yù)測(cè)的研究主要包括：電池建模法[4]、狀態(tài)轉(zhuǎn)移法[5]、神經(jīng)網(wǎng)絡(luò) [6] 等方法。電池建模法需對(duì)電池進(jìn)行充放電實(shí)驗(yàn)得到準(zhǔn)確的電池模型而后進(jìn)行SOC預(yù)測(cè)，但現(xiàn)實(shí)中很少有實(shí)驗(yàn)室有條件對(duì)車載電池進(jìn)行充放電，因?yàn)殡姵貙?shí)驗(yàn)存在較大的危險(xiǎn)性。由于車輛駕駛行為動(dòng)態(tài)特性非常強(qiáng)，而且數(shù)據(jù)量龐大，本課題中對(duì)SOC的預(yù)測(cè)采用基于神經(jīng)網(wǎng)絡(luò)的方法。我們將其看著時(shí)間序列[7]，采用循環(huán)神經(jīng)網(wǎng)絡(luò)中的長(zhǎng)短期記憶網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行車載電池SOC的預(yù)測(cè)。

5) 判斷準(zhǔn)確率的指標(biāo)

由于原樣本中的SOC數(shù)值的最小單位為1%，所以當(dāng)估計(jì)或預(yù)測(cè)的SOC與真實(shí)值之差小于1%時(shí)，那么認(rèn)為該估計(jì)或預(yù)測(cè)的SOC是準(zhǔn)確的，否則為錯(cuò)誤的，準(zhǔn)確率的計(jì)算公式如下：

準(zhǔn)確率=樣本中SOC準(zhǔn)確估計(jì)的點(diǎn)數(shù)/總樣本點(diǎn)數(shù)*100%

3 研究成果

3.1 數(shù)據(jù)清洗與切割

在本課題中，我們主要研究電動(dòng)汽車的行為和車載電池SOC，因?yàn)檫x用100輛純電動(dòng)汽車數(shù)據(jù)進(jìn)行分析，選用的數(shù)據(jù)有五維，包括時(shí)間、速度、SOC、電池電流和電池電壓。

1) 針對(duì)車輛行為分析

針對(duì)車輛行為，我們根據(jù)車輛速度和車載電池電流這兩個(gè)因素，將車輛狀態(tài)劃分四種：正常行駛、制動(dòng)行駛、停車、充電，對(duì)原數(shù)據(jù)進(jìn)行分類，分別添加標(biāo)簽1，2，3，4。由于車輛行為的動(dòng)態(tài)特性比較強(qiáng)，為準(zhǔn)確分析出其行為，采用分時(shí)間段的方式進(jìn)行統(tǒng)計(jì)分析，每個(gè)時(shí)間段為1小時(shí)。圖2顯示的是數(shù)據(jù)集中車輛四種狀態(tài)的比例。

2) 針對(duì)SOC的估計(jì)和預(yù)測(cè)

為了準(zhǔn)確估計(jì)和預(yù)測(cè)車輛駕駛時(shí)的車載電池SOC，考慮到實(shí)際場(chǎng)景，選擇了有連續(xù)監(jiān)控的片段。連續(xù)監(jiān)控意為這些片段，包含了正常行駛、充電和停車怠速。因此還需要?jiǎng)h除充電，即電量增加的片段。從200輛車的樣本中篩選出294個(gè)樣本。每個(gè)樣本的時(shí)間長(zhǎng)度為500，也即包含了500*20 s總計(jì)10 000 s的數(shù)據(jù)。圖3顯示是樣本數(shù)據(jù)中SOC隨時(shí)間變化的情況。

圖2 數(shù)據(jù)集車輛正常行駛、制動(dòng)行駛、停車、充電四種行為的比例Fig.2 Proportion of four behaviors: driving, braking, parking, and charging

圖3 樣本數(shù)據(jù)中soc隨時(shí)間的變化情況Fig.3 SOC changes over time in sample data

樣本的其他統(tǒng)計(jì)量如下：

統(tǒng)計(jì)量平均速度平均soc初值平均soc終值平均soc消耗均值30.432.120.911.2

樣本統(tǒng)計(jì)量結(jié)果和數(shù)據(jù)來源——城市低速工況下的電動(dòng)車先驗(yàn)一致，初步認(rèn)為采樣合理。

3.2 車輛行為分析結(jié)果

由上面的分析可知，我們將車輛行為分為四種：正常行駛、制動(dòng)行駛、停車、充電。

1) 車輛駕駛行為分析

車輛的駕駛行為主要考慮兩個(gè)：平均速度和車輛使用率；圖4和圖5分別顯示了每小時(shí)內(nèi)車輛使用率和車輛的平均速度曲線。從圖4中可以看出曲線中出現(xiàn)兩個(gè)車輛使用高峰期，分別是在8點(diǎn)和18點(diǎn)左右，與人們?nèi)粘５纳舷掳喔叻宄鲂星闆r相符合，深夜的車輛使用率最低，也符合人們?nèi)粘５某鲂星闆r；這曲線明顯展示出了一天中人們對(duì)電動(dòng)汽車的使用需求情況。但從圖4中我們也看出車輛在高峰時(shí)期的使用率僅為50%，可見車輛還未充分利用。若此信息結(jié)合地理位置信息，可以對(duì)不同地區(qū)進(jìn)行合理的車輛數(shù)量配置以及合理的跨區(qū)域調(diào)度車輛等，以充分利用車輛滿足人們的綠色出行。

圖5中顯示的每小時(shí)車輛的平均速度，該信息在一天中的變化不大，其主要的可能原因是采集數(shù)據(jù)的車輛是共享汽車，主要在城市內(nèi)部駕駛，無法反應(yīng)出高架上車輛的駕駛情況。

圖4 每小時(shí)車輛使用率情況Fig.4 Hourly vehicle usage

圖5 每小時(shí)內(nèi)車輛的平均速度Fig.5 Average speed of the vehicle per hour

2) 車輛充電行為分析

針對(duì)車輛的充電行為，主要考慮車輛充電的四個(gè)重要參數(shù)：充電時(shí)長(zhǎng)，開始充電時(shí)間，開始充電時(shí)的SOC，充電結(jié)束時(shí)的SOC。圖6中展示的時(shí)一天中電動(dòng)汽車開始充電時(shí)間點(diǎn)的分布情況，從圖中可以看出，在晚上電動(dòng)汽車開始充電的車輛數(shù)比較多，在凌晨5點(diǎn)開始充電的電動(dòng)汽車數(shù)量比較少，不到1%；曲線上的數(shù)值表示的該時(shí)間段內(nèi)開始充電的平均充電時(shí)長(zhǎng)，晚上開始充電的充電時(shí)長(zhǎng)也比較長(zhǎng)，此分布情況基本符合人們?nèi)粘Ｉ盍?xí)慣。

圖6 一天中電動(dòng)汽車開始充電時(shí)間點(diǎn)的分布情況Fig.6 Distribution of start-charging time during the whole day

圖7 (a) 表示的是電動(dòng)汽車開始充電時(shí)SOC的分布情況, 圖7 (b) 電動(dòng)汽車結(jié)束充電時(shí)SOC的分布情況。從 (a) 中可看出有接近35%的車輛開始充電時(shí)的SOC低于20%。電池SOC低于20%會(huì)嚴(yán)重?fù)p耗電池壽命，應(yīng)避免此種情況。而上面對(duì)車輛使用率分析時(shí)，最高的車輛使用率不超過50%，可知車輛沒法充分合理利用，存在SOC較高的車輛在閑置，而SOC較低的車輛卻在使用的現(xiàn)象。從 (b) 中可知接近70%的車輛結(jié)束充電時(shí)候的SOC超過50%，這與實(shí)際情況比較符合，但仍然存在12.67%的車輛在結(jié)束充電時(shí)的SOC低于30%，應(yīng)設(shè)置合理的車輛調(diào)度去規(guī)避此類情況的發(fā)生。

(a)

(b)

圖7 (a) 電動(dòng)汽車開始充電時(shí)SOC的分布情況, (b) 電動(dòng)汽車結(jié)束充電時(shí)SOC的分布情況
Fig.7 (a) Distribution of SOC when electric vehicle starts charging, (b) Distribution of SOC when electric vehicle ends charging

3.3 決策樹回歸模型預(yù)測(cè)電池SOC

對(duì)于預(yù)測(cè)SOC而言，有兩種極端情況，一是后一刻的狀態(tài)與前一刻毫無關(guān)系(HMM模型型)，二是后一刻的狀態(tài)與之前的序列整體相關(guān)。真實(shí)情況應(yīng)該介于兩者之間。

為驗(yàn)證前者，同時(shí)研究數(shù)據(jù)的分布情況，用決策樹進(jìn)行回歸。模型的輸入是每一時(shí)刻的各項(xiàng)參數(shù)和上一時(shí)刻的soc值，輸出為上一時(shí)刻與下一時(shí)刻的soc之差的一半。采用了XGBoost進(jìn)行回歸。

圖8 決策樹XGBoost回歸預(yù)測(cè)SOC的曲線圖Fig.8 SOC Prediction of decision tree XGBoost model

測(cè)試集準(zhǔn)確率為55.3%，結(jié)果不如下文的長(zhǎng)短期記憶網(wǎng)絡(luò)模型，出現(xiàn)了精度欠缺和過擬合。可能的問題是輸出數(shù)據(jù)分布單一。受限于測(cè)量精度，soc的變化幅度為1%，要么不變要么突變，導(dǎo)致樣本分布不均衡。在大多數(shù)輸出為0的數(shù)據(jù)訓(xùn)練下，模型傾向于將輸出均為0。

3.4 長(zhǎng)短期記憶網(wǎng)絡(luò)模型預(yù)測(cè)車載電池SOC

準(zhǔn)確預(yù)測(cè)車輛車載電池SOC是一項(xiàng)關(guān)鍵技術(shù)。車輛的駕駛行為對(duì)車載電池的SOC影響很大。在本課題中，綜合考慮車輛駕駛行為和車載電池特性，進(jìn)行車載電池SOC的預(yù)測(cè)，將其看著時(shí)間序列，采用循環(huán)神經(jīng)網(wǎng)絡(luò)中的長(zhǎng)短期記憶網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行車載電池SOC的預(yù)測(cè)。

對(duì)于神經(jīng)網(wǎng)絡(luò)，主要考慮幾個(gè)量：神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、層數(shù)、激活函數(shù)、學(xué)習(xí)率。本課題中選用的長(zhǎng)短期記憶結(jié)構(gòu)有三個(gè)門：輸入門、遺忘門和輸出門，這些“門”結(jié)構(gòu)讓信息有選擇性地影響循環(huán)神經(jīng)網(wǎng)絡(luò)中的每個(gè)狀態(tài)。“門”結(jié)構(gòu)使用sigmoid函數(shù)作為激活函數(shù)，全連接神經(jīng)網(wǎng)絡(luò)會(huì)輸出一個(gè)0到1之間的數(shù)值，描述當(dāng)前輸入有多少信息量可以通過這個(gè)結(jié)構(gòu)。激活函數(shù)Sigmoid 如下：

本神經(jīng)網(wǎng)絡(luò)中共有三層，包括輸入層、隱藏層和輸出層。輸入層用于接收和分發(fā)輸入模式，隱藏層描述輸入/輸出之間的非線性關(guān)系。輸出層產(chǎn)生期望的輸出模式。本神經(jīng)網(wǎng)絡(luò)的隱藏層的神經(jīng)元個(gè)數(shù)為50。學(xué)習(xí)率決定了網(wǎng)絡(luò)中參數(shù)每次跟新的幅度，采用指數(shù)衰減法。輸入特征包括：車輛速度、電池電流 電池電壓、電池歷史SOC； 輸出為電池20s后的SOC，移動(dòng)窗口長(zhǎng)度為10。其公式為：

SOCk+1=fNN(Vk-h+1,…,Vk;Ik-h+1,…,Ik;Uk-h+1,…,Uk;SOCk-h+1,…,SOCk)

這里h=10.

由于這五維數(shù)據(jù)特征表達(dá)不一致，先將五維數(shù)據(jù)進(jìn)行歸一化處理，再進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

(1) 預(yù)測(cè)20 s后車載電池SOC

根據(jù)歷史車輛速度曲線和歷史SOC預(yù)測(cè)下一時(shí)刻SOC，預(yù)測(cè)結(jié)果如9圖所示。綠色曲線是訓(xùn)練集的原數(shù)據(jù)，藍(lán)色曲線是測(cè)試集的原數(shù)據(jù)，紅色曲線是預(yù)測(cè)曲線。

(a) 訓(xùn)練集上的SOC預(yù)測(cè)曲線

(b) 測(cè)試集上的SOC預(yù)測(cè)曲線

根據(jù)2.2中準(zhǔn)確率指標(biāo)的計(jì)算公式來計(jì)算可知，訓(xùn)練集中SOC預(yù)測(cè)的準(zhǔn)確率為93.90%；測(cè)試集中SOC預(yù)測(cè)的準(zhǔn)確率：98.38%。

(2) 預(yù)測(cè)300 s后車載電池SOC

采用長(zhǎng)短期記憶網(wǎng)絡(luò)模型預(yù)測(cè)10分鐘后的車載電池SOC，移動(dòng)窗口長(zhǎng)度h為60，其公式為:

SOCk+n=fNN(Vk-h+1,…,Vk;Ik-h+1,…,Ik;Uk-h+1,…,Uk;SOCk-h+1,…,SOCk)

這里h=60,n=30, 每隔20 s一個(gè)數(shù)據(jù)點(diǎn)，間隔30個(gè)點(diǎn)就是10分鐘

根據(jù)歷史車輛速度曲線和歷史SOC預(yù)測(cè)10min后的SOC，預(yù)測(cè)結(jié)果如下所示。綠色曲線是訓(xùn)練集的原數(shù)據(jù)，藍(lán)色曲線是測(cè)試集的原數(shù)據(jù)，紅色曲線是預(yù)測(cè)曲線。

(a) 訓(xùn)練集上的SOC預(yù)測(cè)曲線

(b) 測(cè)試集上的SOC預(yù)測(cè)曲線

根據(jù)2.2中準(zhǔn)確率指標(biāo)的計(jì)算公式來計(jì)算可知，訓(xùn)練集中SOC預(yù)測(cè)的準(zhǔn)確率為75.06%；測(cè)試集中SOC預(yù)測(cè)的準(zhǔn)確率：73.10%。預(yù)測(cè)10分鐘后的SOC的準(zhǔn)確率降低從側(cè)面反應(yīng)出車輛駕駛行為的動(dòng)態(tài)特性非常強(qiáng)，很難做到長(zhǎng)時(shí)間預(yù)測(cè)。

4 創(chuàng)新點(diǎn)

(1) 基于大數(shù)據(jù)和統(tǒng)計(jì)學(xué)的方法，分析電動(dòng)汽車的行為，包括駕駛行為和充電行為；并從中得出相應(yīng)規(guī)律；

(2) 綜合考慮車輛的駕駛行為和充電行為，結(jié)合車輛速度、電池電流、電池電壓、電池歷史SOC等信息，采用決策樹和神經(jīng)網(wǎng)絡(luò)中長(zhǎng)短期記憶網(wǎng)絡(luò)這兩種方法進(jìn)行SOC預(yù)測(cè)，并對(duì)對(duì)比兩種方法的預(yù)測(cè)結(jié)果。決策樹預(yù)測(cè)SOC的準(zhǔn)確率為55.3%，而長(zhǎng)短期記憶結(jié)構(gòu)預(yù)測(cè)SOC的準(zhǔn)確率高達(dá)98.38%。

(3) 綜合考慮車輛的駕駛行為和充電行為，結(jié)合車輛速度、電池電流、電池電壓、電池歷史SOC等信息，采用循環(huán)神經(jīng)網(wǎng)絡(luò)的長(zhǎng)短期結(jié)構(gòu)進(jìn)行一定時(shí)間內(nèi)的車載電池SOC的預(yù)測(cè), 預(yù)測(cè)的10分鐘后的SOC準(zhǔn)確率為73.10%。

5 結(jié)語

隨著智能交通和大數(shù)據(jù)技術(shù)的發(fā)展，汽車的智能化、電動(dòng)化、網(wǎng)聯(lián)化、共享化成為未來汽車發(fā)展的新趨勢(shì)。本課題以“上海市新能源汽車公共數(shù)據(jù)采集與檢測(cè)平臺(tái)”采集的大數(shù)據(jù)為基礎(chǔ)，以純電動(dòng)汽車為研究主體，以車載SOC為主要研究對(duì)象，用數(shù)據(jù)驅(qū)動(dòng)的方法分析車輛行為規(guī)律，包括車輛駕駛行為和充電行為。車輛駕駛行為主要考慮運(yùn)行中的車輛平均速度和車輛的使用率。車輛充電行為包括充電時(shí)長(zhǎng)、開始充電時(shí)間、結(jié)束充電時(shí)間、開始充電時(shí)的SOC和結(jié)束時(shí)的SOC。從車輛行為分析，我們得出結(jié)論：共享電動(dòng)汽車使用率偏低(不足50%)，卻有接近35%的車輛開始充電時(shí)的SOC低于20%，因而應(yīng)對(duì)不同地區(qū)進(jìn)行合理的車輛數(shù)量配置以及合理的跨區(qū)域調(diào)度車輛。

此外，SOC的準(zhǔn)確估計(jì)和預(yù)測(cè)是保證電動(dòng)汽車可靠運(yùn)行的前提。針對(duì)車輛駕駛過程中車載電池SOC，采用了決策樹的方法和神經(jīng)網(wǎng)絡(luò)長(zhǎng)短期記憶網(wǎng)絡(luò)進(jìn)行SOC的回歸預(yù)測(cè)，并對(duì)比兩種預(yù)測(cè)方法的結(jié)果。預(yù)測(cè)20秒后的SOC，采用決策樹XGBoost進(jìn)行回歸預(yù)測(cè)的準(zhǔn)確率只有55.3%，而長(zhǎng)短期記憶網(wǎng)絡(luò)預(yù)測(cè)SOC的準(zhǔn)確率高達(dá)98.38%，可見長(zhǎng)短期記憶網(wǎng)絡(luò)的預(yù)測(cè)模型更好。預(yù)測(cè)10分鐘后的車載電池SOC，預(yù)測(cè)準(zhǔn)確性為73.10%。預(yù)測(cè)10分鐘后的SOC的準(zhǔn)確率降低側(cè)面反應(yīng)出車輛駕駛行為的動(dòng)態(tài)特性非常強(qiáng)，很難做到長(zhǎng)時(shí)間預(yù)測(cè)。下一步的工作主要考慮優(yōu)化預(yù)測(cè)長(zhǎng)時(shí)間后的車載電池SOC的模型，進(jìn)一步提高預(yù)測(cè)的準(zhǔn)確率。