面向共享出行与智能充电的电动自动驾驶网约车系统集成优化控制研究

《Journal of Intelligent and Connected Vehicles》：Integrated Operation and Charging Controls for Ride-Sharing Electric Autonomous Mobility-on-Demand Systems

本研究针对城市交通拥堵与环境污染问题，聚焦于共享出行、电动化、自动驾驶的网约车系统（RE-AMoD），开发了整数线性规划模型和模型预测控制算法，优化车辆调度、路径规划、充电策略与拼车匹配。研究结果表明，智能充电策略对实现拼车优势至关重要，可显著降低车队规模、能耗并提升服务水平。该研究为可持续城市交通系统提供了重要理论支撑与实践路径。

　　

随着全球城市化进程加速，城市交通系统正面临严峻挑战。私人汽车主导的通勤模式不仅造成环境压力——根据美国环保署数据，2022年交通运输贡献了28%的温室气体排放，其中轻型车辆占比过半——还导致巨额经济损耗：2017年美国城市拥堵造成88亿小时额外通行时间和33亿加仑燃油浪费。更值得注意的是，传统车辆约90%生命周期处于闲置状态，这种低效利用模式亟需变革。

在此背景下，按需出行服务（MoD）展现出巨大潜力，包括网约车、分时租赁等形式。而自动驾驶车辆（AVs）的出现彻底改变了游戏规则，自动驾驶按需出行系统（AMoD）不仅能实现全自动导航，还能通过集中控制优化车辆调配效率。更令人振奋的是，将电动车辆（EVs）与拼车服务融入AMoD系统，形成电动自动驾驶拼车按需出行系统（RE-AMoD），有望同时解决交通拥堵、能源消耗和环境污染等多重难题。

然而，现有研究多聚焦单一维度：或探讨AMoD系统运营，或研究电动车辆充电策略，或分析拼车服务效益，缺乏对三者协同优化的系统性探索。特别是充电策略与拼车服务的交互影响，以及实时控制算法的开发，仍是学术界的空白领域。这正是本研究要攻克的核心问题。

研究人员创新性地构建了整数线性规划（ILP）模型，并开发了模型预测控制（MPC）算法，通过五步法实现系统优化：首先建立路网时空图模型，将车辆状态离散化；其次设计车辆守恒约束方程，确保系统平衡；然后构建拼车匹配机制，支持最多两人共乘；接着集成智能充电策略，动态优化充电时机；最后搭建仿真平台，通过滚动时域优化实现实时控制。研究采用旧金山真实出租车数据（11,451个订单）进行验证，比较三种控制策略的绩效差异。

2.1 EV-AMoD模型

该模型针对单乘客电动AMoD系统，通过定义服务车辆数x_ijtb、调度车辆数r_ijtb和充电车辆数c_itb等变量，构建最小化等待时间与运营成本的目标函数。约束条件确保每个站点、每个时刻的车辆流入流出平衡，特别是充电状态车辆的精确追踪。实验显示，该系统虽然能保证服务完成度，但车辆利用效率存在优化空间。

2.2 RE-AMoD模型

扩展模型引入拼车机制，创新性地使用x_ijktb表示载客车辆状态，p_ijktb表示共乘车辆状态，并通过上标区分零占用（zo）和单占用（so）状态。约束方程（13-14）建立双层级车辆守恒机制，既保证空车调度效率，又优化载客车辆路径规划。值得注意的是，该模型通过决策变量细分，实现了中途上下客的精细化管理。

2.3 优化与仿真平台

平台采用MPC框架实现动态优化，每8分钟调用优化器计算40分钟内的最优策略。算法1详细描述了状态采集-模型求解-指令执行的闭环流程，而算法2则聚焦拼车匹配的具体实现，通过高频次匹配确保请求响应效率。特别值得关注的是，系统采用Python对象化建模，车辆与请求作为独立对象，实现多属性实时追踪。

3.1 实验验证

通过5节点全连接网络验证模型有效性。如表1所示，控制器在t₀时刻即预判未来需求，调度车辆从站点4执行x_431t6^(zo)任务，同时从站点0调派空车。在t₀+Δt时刻启动拼车策略，通过p_311t4^(so)实现共乘。更巧妙的是，系统在t₀+2Δt预测到车辆电量不足时，主动触发充电指令c_1t2，展现智能充电的预见性优势。

3.2 旧金山案例研究

实证研究显示，RE-AMoD智能策略相比单乘客系统实现突破性改进：客户平均等待时间降低89%，总行驶距离减少27%，能耗下降31%。如图5所示，拼车系统显著减少重新调度车辆数量，而图6的SOC状态曲线印证智能充电策略能有效维持车队运营能力。特别值得注意的是，启发式充电策略在下午高峰出现服务恶化，突显智能充电的战略价值。

3.2.3 车队规模与电池容量影响

如图7所示，车队规模扩大至300辆时，单乘客系统等待时间可从24分钟降至2分钟，而拼车系统在200辆规模即保持稳定服务水准。电池容量影响相对较小，20kW·h至40kW·h扩容仅带来边际改善，这反证了智能充电策略的有效性——优化器通过精准预测，仅准备40分钟内所需能量，避免过度充电。

本研究通过创新性地融合整数线性规划与模型预测控制，实现了RE-AMoD系统的突破性优化。智能充电策略与拼车服务的协同效应得到实证验证：相比传统策略，等待时间降低83%，能耗再降3.5%。更重要的是，研究揭示单纯电动化而不采用智能充电将导致车辆需求增加，反而加剧拥堵。该成果为《Journal of Intelligent and Connected Vehicles》提供了重要理论贡献，为未来智慧城市交通系统建设指明了方向——下一步可探索充电桩不足、需求预测不确定性等现实约束下的系统韧性，以及大语言模型在运营优化中的创新应用。