从驾驶行为视角探讨自动驾驶车辆对城市交通排放的影响

《TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT》:Impacts of automated vehicles on urban transport emissions from a driving-behavior perspective

【字体: 大 中 小 】 时间:2026年10月24日 来源:TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT 8.7

编辑推荐:

   **摘要** 电气化和自动驾驶正在重塑城市交通系统的排放格局,但其碳减排效益仍受到驾驶行为的强烈影响,包括速度波动、走走停停操作以及加减速强度。本研究基于上海大规模私家车出行记录和自动驾驶轨迹数据,建立了一套多尺度行为建模框架,用于预测城市能耗和二氧化碳(CO2)排放。行程级

  

**摘要** 电气化和自动驾驶正在重塑城市交通系统的排放格局,但其碳减排效益仍受到驾驶行为的强烈影响,包括速度波动、走走停停操作以及加减速强度。本研究基于上海大规模私家车出行记录和自动驾驶轨迹数据,建立了一套多尺度行为建模框架,用于预测城市能耗和二氧化碳(CO2)排放。行程级特征从速度剖面、运行状态和事件强度中衍生,并通过降维和聚类方法识别驾驶风格。采用LightGBM估计单位里程能耗,并将自动驾驶样本映射至人类驾驶风格空间。2024至2050年的情景预测表明,在中渗透率路径下,情境自适应策略使过量能耗和直接道路CO2排放分别降低29.23%和28.78%。生态驾驶上界策略展现出更大的减排潜力,表明减排效益取决于稳定的、低干扰的运行模式。

**1. 引言** 交通部门是全球能源相关二氧化碳排放的主要来源。现有研究表明,2020年全球交通领域CO2排放总量约为72亿吨,若无更有效的减排措施,这些排放预计将持续增长(Ji, Li, Sun, & Duan, 2024)。在中国,私家车减排压力尤为突出。一项覆盖中国295个城市的排放清单显示,2021年全国私家车保有量达2.62亿辆,对应约2.8亿吨CO2排放(Zhao et al., 2025)。根据国际能源署数据,2023年全球CO2排放量约为374亿吨,其中交通部门约占能源相关排放的24%(International Energy, 2024)。因此,道路交通是特别重要的排放来源,燃料相关道路交通排放约占全球排放量的11.9%(Ritchie, 2023)。因此,私家车不应仅仅被视为交通排放研究中的一个普通子类别,而应作为城市低碳交通治理的关键对象来审视。

城市私家车排放呈现出显著的空间异质性。一项利用杭州数百万条GPS轨迹的研究表明,路网结构、城市功能布局和时空变化共同塑造了乘用车CO2排放的空间格局(Zhu, Hu, Chen, Roncoli, & Lee, 2024)。基于情景的中国城市客运交通研究进一步指出,未来能耗和碳排放不仅取决于车辆技术进步,还受出行需求和城市空间结构的制约(Li, Zhao, & Brand, 2018)。深圳的一项情景研究表明,若现行政策轨迹和根深蒂固的出行行为模式持续存在,城市客运交通排放可能不会自然进入下降轨道(S. Zhang & Zhao, 2018)。这些研究表明,城市交通减排不能局限于平均车辆排放因子。路网条件、出行强度、交通状态和城市空间结构共同决定了车辆排放结果。

近年来,驾驶行为成为交通运输环境影响研究中日益重要的焦点。基于中国真实轨迹数据,Xia等人估算,通过改变驾驶行为理论上可避免的累计CO2排放到2050年可达4.005亿吨(Xia et al., 2023)。Suarez等人表明,真实道路上不同驾驶员的加速特性差异导致能耗和CO2排放出现可测量的变化(Suarez et al., 2022)。早期研究也证明,驾驶模式特征显著影响燃油消耗和排放因子(Ericsson, 2001)。生态驾驶研究进一步表明,驾驶行为的差异可以通过车辆特定功率分布来表征,并最终转化为能耗差异(Zhang et al., 2022)。这些发现表明,驾驶行为并非排放模型中的噪声项,而是连接微观车辆运行与宏观环境负担的关键机制。

电气化并未削弱驾驶行为的解释重要性。真实世界电动汽车(EV)研究表明,交通状况和驾驶行为均显著影响车辆能耗,且驾驶行为本身可引发额外的能耗差异(Al-Wreikat, Serrano, & Sodré, 2021)。插电式混合动力电动汽车(PHEV)的行程级模型进一步证明,具体的驾驶过程会直接改变能耗结果(Fiori, Ahn, & Rakha, 2018)。在电气化出行条件下,交通状态也会改变运行条件与能耗之间的关系;相同的车辆技术在不同运行环境下可能产生不同的环境结果(Fiori et al., 2019)。混合动力电动汽车(HEV)研究进一步表明,驾驶波动性显著改变排放速率,激进驾驶行为与更高的环境负担相关(Fernandes, Tomás, Ferreira, Bahmankhah, & Coelho, 2021)。近期研究将分析扩展到制动过程,表明驾驶行为还影响再生制动效率和制动磨损颗粒排放(Hu, Zheng, Chen, Li, & Liu, 2026)。频繁走走停停条件下更有可能实现再生制动潜力(Bj?rnsson & Karlsson, 2016),而更平稳的驾驶通常与更低的总能耗和更高的再生制动利用率相关(Braun & Rid, 2017)。标准驾驶循环与真实世界排放之间的长期差距部分归因于在实验室条件下难以完全复现真实世界驾驶变异性与运行波动(Fontaras, Zacharof, & Ciuffo, 2017)。

自动驾驶和辅助驾驶进一步复杂化了这一问题。真实世界高速公路跟驰研究表明,自适应巡航控制(ACC)对能耗的影响并非固定不变,而是随交通干扰和跟驰状态而变化(He et al., 2020)。车辆自动化和网联化可能改善交通流并减少CO2排放,但这些改善的幅度取决于交通状况、车队构成和自动驾驶车辆渗透率(Makridis et al., 2020b)。同质化的车辆运行也可改变上坡高速公路路段的交通绩效和排放结果(Makridis et al., 2020a)。商用自适应巡航控制系统与人类驾驶员在编队中不表现出相同的运行模式或能耗性能(Apostolakis, Makridis, Kouvelas, & Ampountolas, 2023)。在混合自动驾驶交通中,车辆排列本身也会影响系统级排放(Alhariqi, Gu, & Saberi, 2023)。城市系统级仿真研究表明,自动驾驶车辆(AVs)的碳足迹不一定单调下降,而是由交通组织和出行反馈共同塑造(Patella, Scrucca, Asdrubali, & Carrese, 2019)。关于自动驾驶电动汽车(AEVs)的研究进一步表明,反弹效应可能抵消预期的减排效益(Onat et al., 2023)。综合来看,这些发现表明自动驾驶车辆的环境影响不能仅由车辆自动化来解释,也不能直接等同于技术替代的效益。

现有城市尺度的排放研究已发展出一套成熟的方法体系来刻画城市交通排放的空间特征。多层网络模型揭示了城市出行碳排放的网络组织,表明不同出行连接产生差异化的排放模式(Hong et al., 2023)。基于稀疏轨迹数据的研究表明,当模型结构适当指定时,仍可得到稳定的城市交通碳排放估计(Ma, Liu, Alimo, & Wang, 2024)。在路段尺度上,建成环境特征显著影响道路碳排放水平(Cui, Zhuang, Jiao, Tan, & Li, 2023)。计算城市客运排放的多尺度平台进一步证实了将行程级、区域级和城市级分析相联系的可行方法(J. Liu et al., 2023)。关于家庭私家车使用的研究表明,私家车排放随时空变化显著,且与个体属性和空间特征密切相关(Long et al., 2020)。在国家尺度上,高分辨率排放清单已识别出中国道路车辆CO2排放模式的空间差异(Xu et al., 2021)。车辆使用强度和车队演变也影响长期排放轨迹(Hao et al., 2015, Huo et al., 2012)。

现有研究从多个角度考察了城市交通的环境影响,包括私家车排放的空间特征、驾驶行为的能耗和排放效应,以及自动驾驶和辅助驾驶的环境含义。驾驶行为对车辆能耗和排放的影响已得到充分证实。车辆和行程级研究表明,加减速模式、速度波动、停车暴露和交通运行条件可导致燃油消耗、电力使用和CO2排放出现可测量的差异(Al-Wreikat et al., 2021, Suarez et al., 2022)。在城市尺度上,排放研究主要刻画交通排放的时空分布,将其与出行网络结构、道路运行条件和交通活动的空间组织相关联(Hong et al., 2023, Zhu et al., 2024)。自动驾驶研究更多聚焦于自动化和网联化对交通流效率、能源需求和排放的影响,以及与自动驾驶渗透率、出行需求变化和车辆运行特征相关的综合环境效应(Aittoniemi et al., 2024, Jiang et al., 2025)。相比之下,关于不同交通情境下自动驾驶轨迹与人类驾驶行为模式之间相似性的研究相对有限。此外,行程级行为差异与区域和城市尺度能耗及排放结果之间的联系仍未得到充分探索。

为解决上述缺口,本研究利用上海大规模私家车出行数据和DBNet自动驾驶轨迹数据,开发了一套多尺度框架。该框架将人类驾驶行为识别、行程级能耗估算、自动驾驶行为映射、网格-时间聚合和城市尺度情景分析联系起来。它用于考察动力总成转型、自动驾驶渗透和驾驶行为策略如何共同影响城市能耗和CO2排放。

本研究的主要贡献有三点。第一,将人类驾驶风格识别和自动驾驶行为映射纳入统一的行为表征空间,避免了将自动驾驶简单视为均匀平滑或低碳的驾驶代理。第二,将真实世界行程级燃油消耗、驾驶风格结构和网格-时间运行状态连接起来,使微观驾驶行为能够纳入城市尺度环境核算。第三,长期情景预测解耦了动力总成替代、人类驾驶向自动驾驶转变以及不同驾驶策略的影响,揭示了自动驾驶的低碳效益共同取决于渗透率和行为控制质量。

本文余下部分组织如下:第2节描述研究区域、数据来源和方法论,包括驾驶行为分析、能耗建模和情景预测。第3节呈现关于驾驶风格模式、燃油消耗预测、自动驾驶行为分析和长期情景预测的实证结果。第4节讨论政策含义,第5节总结主要结论。

**2. 研究数据与方法**

**2.1 研究框架** 本研究开发了一套多尺度框架,用于考察人类和自动驾驶行为如何影响城市交通能耗和CO2排放。该方法论包含五个主要阶段。(1)从上海私家车出行数据和DBNet自动驾驶轨迹数据中提取行程级行为特征,包括速度剖面特征、局部相对运行特征和事件强度特征。(2)使用IVIS降维和HDBSCAN聚类识别人类驾驶风格,形成三个运行层级:平静型、中立型和激进型。(3)使用LightGBM从上海燃油消耗记录中估计行程级燃油消耗强度,同时以文献为基础的车队平均技术效率路径表征电动汽车(EV)电力消耗强度,用于长期情景分析。(4)将自动驾驶轨迹映射至人类驾驶参考空间,以评估其在不同交通情境下与三种人类驾驶风格的行为相似性。(5)将行程级结果聚合为网格-时间单元,并结合未来车队演变、自动驾驶渗透率和行为策略情景,估算2024至2050年的城市尺度能耗和排放。所得分析支持低碳城市交通策略的制定,并阐明驾驶行为和自动驾驶影响城市低碳转型的机制。整体研究框架如图1所示。

![图1 研究框架](#)

**2.2 研究区域** 本研究选择上海作为研究区域(图2)。作为中国典型的超大城市,上海具有人口众多、经济密度高和出行需求密集的特征。2024年,上海国内生产总值约为7494亿美元,常住人口达2480.26万人。人口、产业和就业机会的高度集中产生了大量通勤、商务和日常生活出行需求,导致城市交通系统呈现显著的时间和空间波动。

![图2 研究区域](#)

研究区域信息。(a) 上海在中国的地理位置;(b) 上海研究区域的边界;(c) 上海的街道网络与道路等级。数据来源:OpenStreetMap。

上述特征使得上海成为考察超大城市驾驶行为异质性环境效应的典型实证场景。一方面,在超大城市条件下,出行总量高、出行目的多样,驾驶行为的差异更容易在系统层面累积,并转化为可观测的能耗与碳排放变化。另一方面,上海拥有完备的分级路网和显著的区域间交通状态差异,这使得不同驾驶风格能够跨时段和空间单元进行比较。

此外,上海是中国最早推进智能网联汽车测试与示范的城市之一。其开放道路自动驾驶项目、场景化测试环境及累计运营里程已达到相对领先水平。这些特征为在同一城市交通背景下联合分析人类驾驶与自动驾驶样本提供了实践基础。因此,以上海为案例城市,能够识别超大城市驾驶行为异质性的环境效应,并进一步考察自动驾驶发展背景下城市交通低碳转型的潜在路径。

**2.3 数据收集与预处理**

**2.3.1 数据描述**

本研究整合了两类异构多源数据集,分别用于支持人类驾驶行为异质性和自动驾驶行为异质性的分析。人类驾驶数据来自此前基于GPS/OBD的私家车出行研究所使用的轨迹数据平台(https://github.com/HunanUniversityZhuXiao/PrivateCarTrajectoryData)。GPS模块记录车辆行程的时空位置,OBD模块记录车速、行驶里程、燃油消耗及相关运行状态。车辆身份以加密标识符表示。该数据采集系统已在此前的私家车出行行为、车辆空间聚集和城市交通碳排放研究中得到使用(Liu et al., 2025; Xiao et al., 2025),提供了真实城市道路条件下车辆运行状态和时空活动模式的连续观测。

本研究共提取2024年1月至8月在上海记录的13,876,882条行程记录,涉及55,691辆车辆。样本跨越连续八个月,覆盖工作日、周末、一天中的不同时段以及上海全部16个行政区。全部24小时时段均有覆盖,其中工作日行程10,167,068条(73.27%),周末行程3,709,814条(26.73%)。该数据集包含广泛速度等级、交通流状态、停车暴露和驾驶操作强度下的行程,从而支持识别上海城市路网中常见的驾驶行为模式。

需要强调的是,轨迹样本并未按采样车辆数或行程数直接缩放以代表上海所有私家车的总出行活动。相反,轨迹数据主要用于识别驾驶风格、估计驾驶行为与单位里程能耗之间的关系,以及在不同交通背景下构建实证行为组合。在城市尺度核算框架中,车辆保有量、年平均行驶里程和未来车队构成是独立使用外部统计数据与情景假设来确定的。相应地,城市尺度结果并非通过对轨迹样本进行简单比例缩放获得,而是在外部约束的车队规模和出行活动参数下,应用从样本中识别出的行为-能耗关系得到的。

尽管大规模连续轨迹数据集覆盖了上海主要城市道路环境和广泛的驾驶背景,但其主要代表连接GPS/OBD数据平台的车辆。因此,车辆接入条件、使用频率和空间活动范围可能会影响所观察到的不同驾驶风格的比例。该数据集因此被视为上海城市道路上驾驶行为的大范围观测样本,而非所有注册私家车的严格概率样本。

对于任意行程??,令其行驶距离、时长和平均速度分别记为????(km)、????(s)和\(\bar{v}_i\)(km/h)。这些变量预期满足近似关系\(\bar{v}_i \approx 3600 \times D_i / T_i\)。首先剔除重复记录以及距离或时长信息无效的行程。缺失或非正的平均速度通过有效的正行程距离和时长进行代数恢复,共恢复2,981条记录。所有恢复值随后均经过范围和运动学一致性检查,未通过质量控制标准的记录被剔除。恢复仅限于平均速度,而加速、减速、停车和事件相关行为特征仅从质量受控记录中推导,以最大程度降低驾驶风格分类中的潜在偏差(附录图A1和表A1)。

在数据特征方面,私家车数据集记录了真实城市出行过程和行程级运行统计,能够刻画单次行程中的速度变化、停车条件、加速与减速行为以及事件频率(Xiao et al., 2025)。与通过问卷或驾驶模拟器获取的行为数据相比,真实世界GPS/OBD数据更全面地保留了由道路条件、交通状态和时段效应所引发的背景变异,使其特别适合刻画驾驶行为异质性在城市交通系统中的实际表现。鉴于上海出行需求高、分级路网完善且交通状态变化显著,该数据集在空间覆盖和时间连续性方面具有较大的分析价值,支持在行程层面、网格-时间层面和城市尺度长期情景层面进行综合分析。

自动驾驶分析使用DBNet数据集(https://github.com/driving-behavior/DBNet)。DBNet是面向自动驾驶策略学习和驾驶行为分析的公开数据集(Chen et al., 2018)。该数据集包含使用Velodyne激光雷达采集的点云数据、车载摄像头录制的视频数据,以及通过车载传感器获取的同步车辆运行信息,包括车速、转向角和位置信息。该数据集提供时间对齐的视频、点云、GPS和驾驶行为信息,覆盖约100公里的实际道路行驶。DBNet包含多样的道路环境,包括海滨道路、城市主干路、山路、学校区域、窄路和旅游路线,以及轻、中等和重交通条件,从而为映射分析提供了多样的外部行为参考。在本研究中,DBNet行为样本使用与前述相同的行为特征定义进行处理,并映射到从大规模私家车数据集中建立的行为参考空间,以便考察其相对于平静型、中性型和激进型驾驶模式的相对行为相似性。

**2.3.2 变量构建**

城市道路上的驾驶风格无法仅通过平均速度或单一加速阈值稳健刻画(Jia et al., 2025)。低速可能是由拥堵或信号控制引起的,并不一定表示保守驾驶。同样,高速可能源于畅通道路,也不一定表示激进驾驶。因此,行程级行为特征从三个维度构建:速度剖面特征、局部相对运行状态和事件强度。与基于平均速度、最大速度、停车比率和加速/减速事件率的常规行程级汇总描述符相比,所提出的综合速度剖面特征、事件强度和局部相对交通背景的表现形式,在三类聚类稳定性和类别平衡方面有所改进,并在车辆代理隔离的燃油消耗预测中表现更佳(附录表A2)。

速度剖面变量用于描述每次行程的内部运行结构。对于行程??,平均速度、最大速度和最小速度分别记为\(\bar{v}_i\)、\(v_{max,i}\)和\(v_{min,i}\)。速度跨度定义为:

(1) \(R_i = v_{max,i} - v_{min,i}\)

其中\(R_i\)表示行程内速度变化的幅度。

峰值与均值速度比定义为:

(2) \(P_i = v_{max,i} / (\bar{v}_i + \varepsilon)\)

其中\(P_i\)度量最大速度偏离行程平均速度的程度,\(\varepsilon\)为设为\(10^{-6}\)的小正数,用于数值稳定性。该常数仅用于防止分母趋近零时的除零或数值不稳定,不实质性影响计算结果。速度跨度捕获速度变化的整体幅度,而峰值与均值比刻画峰值速度相对于平均运行水平的相对偏差。

此外保留速度标准差和停车比率以描述速度波动和低速/停车特征。假设行程??包含\(n_i\)个轨迹点,其中\(n_i(v < v_0)\)个点的速度低于阈值\(v_0\)。停车比率定义为:

(3) \(S_i = n_i(v < v_0) / n_i\)

其中\(S_i\)越大,表示行程期间经历低速或停车条件的暴露程度越高。

进一步引入局部相对变量以减少道路和时段条件对驾驶风格识别的影响。将研究区域划分为空间网格,并在固定时间窗口内聚合行程观测。由于绝对速度同时受驾驶行为和道路等级、拥堵水平、时段等外部因素共同影响,对处于相同空间网格和时间窗口内的行程构建局部参考组。

对于行程??,令其空间网格和时间窗口分别记为\(g(i)\)和\(\tau(i)\)。相应的局部参考组定义为:

(4) \(G_{g(i),\tau(i)} = \{j | g(j) = g(i), \tau(j) = \tau(i)\}\)

该组包含所有与行程??在相同时空背景下被观测到的行程。每个参考组内的平均速度中位数和四分位距计算如下:

(5) \(m_{g,\tau} = \text{Median}\{\bar{v}_j : j \in G_{g,\tau}\}\)

(6) \(IQR_{g,\tau} = Q_{0.75}\{\bar{v}_j : j \in G_{g,\tau}\} - Q_{0.25}\{\bar{v}_j : j \in G_{g,\tau}\}\)

其中\(Q_{0.25}\)和\(Q_{0.75}\)分别表示第25百分位数和第75百分位数。

行程??的局部相对速度偏差定义为:

(7) \(Z_i = (\bar{v}_i - m_{g(i),\tau(i)}) / (IQR_{g(i),\tau(i)} + \varepsilon)\)

该稳健标准化基于局部中位数和四分位距。\(Z_i\)为正表示行程??的平均速度高于相同时空背景下的中位数,为负则表示运行速度低于中位数。\(|Z_i|\)越大表示与局部典型运行状态的偏离越大。使用四分位距作为尺度项减少了少量异常高或低速度观测对相对偏差度量的影响。

为进一步刻画行程在局部速度分布中的相对位置,定义经验百分位秩:

(8) \(\rho_i = \frac{1}{|G_{g(i),\tau(i)}|} \sum_{j \in G_{g(i),\tau(i)}} \mathbb{I}(\bar{v}_j \leq \bar{v}_i)\)

其中\(\rho_i \in [0,1]\),\(\mathbb{I}(\cdot)\)表示示性函数。\(\rho_i\)越大表示行程??在可比交通条件下的行程中占据相对较高的速度位置。

此外,计算每个参考组内平均速度的方差、四分位距和变异系数,以刻画局部交通状态的离散程度。这些局部相对变量并不直接将较高或较低速度等同于某种特定驾驶风格,而是描述每辆车在可比道路和时段条件下的相对运行位置。

事件强度变量用于刻画短时机动操作的 occurrence,包括快速加速、快速减速、急转弯以及进出停车状态的转换。令\(N_{i,e}\)表示行程??中事件类型\(e\)的发生次数。距离归一化和时间归一化的事件频率分别定义为:

(9) \(F_{d,i,e} = N_{i,e} / (d_i + \varepsilon)\)

(10) \(F_{t,i,e} = 3600 \times N_{i,e} / (t_i + \varepsilon)\)

其中\(d_i\)表示行程距离,\(t_i\)表示行程时长。这两个指标分别从距离和时间归一化的角度刻画事件强度。

进一步引入事件间距来描述驾驶事件在行程内是否在时间上集中。令\(N_i\)表示行程??中检测到的事件总数。平均事件间隔近似为:

(11) \(G_i = t_i / (N_i + 1)\)

其中\(G_i\)越小表示行程中驾驶事件发生越频繁、时间上越集中。

速度剖面变量反映行程的整体运行结构,事件变量捕获局部操作强度,局部相对变量用于控制共同交通背景效应。这三组变量共同构成行程级行为向量\(x_i\)。

驾驶风格识别遵循稳健标准化、非线性降维和基于密度的聚类流程。由于行为变量量纲不同、呈重尾分布且存在共线性,首先应用基于中位数和四分位距的稳健标准化:

(12) \(\tilde{x}_{i,j} = (x_{i,j} - \text{median}(x_j)) / (IQR(x_j) + \varepsilon)\)

随后使用IVIS将高维行为向量映射到低维潜在表示。与PCA、t-SNE和UMAP相比,IVIS更适合在大规模样本条件下实现稳定映射和样本复用,同时保持局部邻域结构(Szubert, Cole, Monaco, & Drozdov, 2019)。低维嵌入表示为:

(13) \(z_i = f_\theta(\tilde{x}_i)\)

在嵌入空间中应用HDBSCAN识别行为聚类,低置信度样本作为噪声处理。在保留的非噪声样本中获得了三个可解释的运行驾驶风格层级:平静型、中性型和激进型。保留的行程级风格标签用于能耗强度分析,相应的人类驾驶原型定义自动驾驶行为映射的参考空间。聚类有效性、重采样稳定性、替代方法稳健性和参数敏感性见附录表A3;上下文内区分度和增量信息检验汇总于附录表A4。

**2.4 行程级能耗与排放建模**

使用LightGBM根据行为变量和运行变量估计行程级燃油消耗强度。

对于电动汽车,电力消耗强度通过基于文献的车队平均技术效率路径来表示,用于长期情景分析 (Ou 等,2021)。燃油和电力消耗分别以 L/100 km 和 kWh/100 km 表示,电力使用进一步转换为汽油当量能量 (Lge/100 km) 以便进行车队级汇总 (中国,2019)。相应的能源使用和 CO2 估计随后被转移到网格 - 时间汇总阶段。对于行程 ??,驾驶行为和运营特征向量记为 ????。模型输入包括平均速度、最大速度、速度波动、停车率、超速事件、快速加速事件、快速减速事件、驾驶风格类别以及时空上下文变量。对于燃油车,上海私家车数据集提供了行程级的燃油消耗记录;因此,采用 LightGBM 模型来估计行程级的燃油消耗强度:(14)???????=?????(????),其中 ??????? 表示行程 ?? 的预测燃油消耗强度,单位为 L/100 km。对于电动汽车,??????? 表示第 ?? 年的基于文献的车队平均电力消耗强度,单位为 kWh/100 km。它被视为外生技术效率参数,而非行程级模型预测。上海数据集不包含适合训练电动汽车能耗模型的一致行程级电力消耗记录。因此,电动汽车电力消耗强度不使用 LightGBM 进行估计,而是在长期情景分析中作为车队平均技术效率参数表示。2024 年至 2050 年的年度电动汽车电力消耗强度通过对先前研究 (Ou 等,2021) 中报告的参考值进行分段线性插值获得,随后根据 GB/T 37340–2019 (中国国家标准化管理委员会,2019) 转换为汽油当量能量。在模型开发和评估中,行程样本按时间顺序划分为训练集、验证集和测试集,比例分别为 60%、20% 和 20%,从而防止后期信息进入模型训练过程。

对于任何一组燃油车行程 ??(例如网格内、时间段内或区域内的行程),总燃油消耗和里程加权燃油消耗强度计算如下:(15)?????=∑??∈?????????????100,?????=100??????∑??∈??????,其中,???? 表示行程距离,????? 以 Lge 为单位,????? 以 Lge/100 km 为单位。该加权过程使用实际车辆行驶公里数作为权重,从而避免高能耗短途行程或低能耗长途行程导致的区域平均值偏差。碳排放根据排放源计算。燃油车产生直接的(尾气管)道路 CO2 排放,而电动汽车在使用点不产生直接的尾气管 CO2 排放。汽油碳排放因子记为 ??,电网排放因子记为 ????。对于行程集 ??,直接道路排放、电力相关 CO2 排放和系统边界 CO2 排放分别记为 ??????、?????? 和 ??????:(16)??????=∑??∈??,????=?????????????????100,??????=∑??∈??,????=???????????????????100,??????=??????+??????。在此公式中,?????? 仅包括燃油车的尾气管排放。?????? 仅在包括发电侧排放时计算,而 ?????? 代表包括电力相关 CO2 排放的系统边界。在长期情景预测期间,如果无法在单个车辆层面识别车辆动力总成类型,则根据车队结构进行里程加权。对于单元 ??,总车辆行驶公里数记为 ????,燃油车和电动汽车的里程份额分别记为 ?????? 和 ??????。在此设置下,复合能耗强度计算为 ??????????????+?????????????????。直接道路排放仅由燃油车里程份额、燃油消耗强度和汽油碳排放因子决定。这种处理方式与行程级核算一致,并使得能够在外推自动驾驶渗透率、电动汽车份额和驾驶风格结构变化的情景。监督燃油消耗强度模型的性能在时间顺序测试集上使用 MAE、RMSE、SMAPE 和 ??2 进行评估。电动汽车电力消耗强度路径是外部情景参数而非监督预测目标,因此不包含在模型性能评估中。随后对聚合阶段的数值一致性进行了检查,涵盖汽油当量能量、直接道路 CO2 排放、电力相关 CO2 排放和系统边界 CO2 排放。

2.5. 城市规模分析的网格 - 时间聚合
行程级模型能够识别单个行程之间的行为差异,但无法直接捕捉局部区域内驾驶风格构成的累积效应。因此,将行程级结果聚合为网格 - 时间单元,以检查驾驶风格混合对区域环境强度的影响。采用 1km×1km 的空间分辨率和 1 h 的时间分辨率。对于每个网格 - 时间单元,计算驾驶风格比例、平均运营状态、风格混合水平和环境结果。生成的网格 - 时间配置文件为城市规模情景分析提供了历史行为和环境输入。对于网格 - 时间单元 ??=(??,??),与三种驾驶风格相关的行程数量分别记为 ????,??、????,?? 和 ????,??,总行程数记为 ????。每种驾驶风格的比例计算如下:(17)????,??=????,??????,??∈{??,??,??},其中 ??、?? 和 ?? 分别代表温和 (Calm)、中立 (Neutral) 和激进 (Aggressive) 驾驶风格。为避免因不同旅行距离的行程简单平均造成的偏差,使用里程加权聚合计算区域环境强度。如果单元 ?? 内的行程集记为 ???,行程 ?? 的旅行距离记为 ????,燃油消耗强度记为 ????????????,直接道路 CO2 排放记为 ?????2??,则网格 - 时间燃油消耗强度和碳排放强度计算如下:(18)????????????=∑??∈????????????????????∑??∈????????????????2??=∑??∈?????????2??∑??∈???????。仅保留至少有两个行程且总旅行距离不小于 0.3 km 的网格 - 时间单元,以减少小样本单元对区域统计的干扰。驾驶风格混合程度使用归一化香农熵测量:(19)????=?1ln?3?∑??∈{??,??,??}????,???ln?(????,??+??)。当 ???? 接近 0 时,该单元由单一驾驶风格主导。当 ???? 接近 1 时,三种驾驶风格高度混合。此外,比例最大的风格被定义为该单元的主导驾驶风格,用于比较不同驾驶风格主导区域之间环境强度的差异。

2.6. 自动驾驶风格映射
自动驾驶样本未经过重新聚类。相反,自动驾驶样本直接映射到预构建的人类驾驶风格空间。采用这种处理方式有两个原因。首先,人类驾驶样本规模大且产生了稳定的驾驶风格原型,可作为行为参考。其次,自动驾驶样本和人类驾驶样本在采样方法、窗口长度和边缘分布上存在差异。直接混合两个数据集进行聚类会使每个聚类的含义对样本构成敏感。因此,自动驾驶数据集不被视为上海本地自动驾驶车队轨迹,也不用于直接外推上海自动驾驶车辆的能耗。仅用作外部自动驾驶策略学习样本,以检查其车辆运营行为在人类驾驶风格空间中的相对位置。仅保留能够在人类驾驶和自动驾驶样本中稳健计算且定义一致的纵向行为变量用于风格映射。这些变量包括平均速度、最大速度、速度跨度代理、峰值与平均速度比、停车率、超速代理以及硬加速和硬减速代理。设自动驾驶窗口 ?? 的原始行为向量记为 ????。为减少人类驾驶和自动驾驶样本之间边缘分布差异的影响,使用分位数对齐将自动驾驶特征映射到与人类驾驶样本相同的尺度。该过程保留了自动驾驶样本在每个行为变量上的秩顺序。换句话说,高波动的自动驾驶样本仍然对应较高的分位数,低波动样本仍然对应较低的分位数。同时,它防止了个别变量因单位、采样频率或窗口分段差异而主导原型距离计算。因此,分位数对齐后的距离应解释为标准化尺度上的驾驶风格相似度,而非两个数据集之间原始分布差异的直接度量。对于第 ?? 个特征,自动驾驶样本的分布函数记为 ????????,人类驾驶样本的分布函数记为 ??????。对齐特征计算如下:(20)?????,??=(??????)?1?(?????????(????,??))。对齐向量 ????? 随后进入标准化特征空间并与人类驾驶风格原型进行比较。设人类驾驶风格 ?? 的原型向量记为 ????。自动驾驶窗口 ?? 与该原型的距离计算如下:(21)????,??=‖??????????‖2。窗口 ?? 的匹配驾驶风格确定如下:(22)?????=arg?min???????,??。为评估映射的稳定性,计算最近原型距离与第二近原型距离之间的差值,定义为原型边距:(23)????=????,(2)?????,(1),其中 ????,(1) 和 ????,(2) 分别表示最小和第二小的原型距离。较大的边距表示映射结果更稳定。还计算了基于距离的软置信度:(24)????,??=exp?(?????,??)∑??′exp?(?????,??′)。匹配风格对应的 ????,??? 值被用作分类置信度。自动驾驶风格可能会随交通状况变化。因此,基于速度等级、交通流状态和速度波动构建交通上下文标签。速度等级分为低速、中速和高速状态。交通流状态分为自由流和走走停停状态。速度波动分为低波动、中波动和高波动状态。这种分类不代表道路类型,而是代表自动驾驶轨迹的运营状态。用于检查自动驾驶轨迹在不同交通上下文下是否始终接近同一种人类驾驶风格。必须强调,自动驾驶风格映射仅代表行为特征相似度。将自动驾驶样本映射到人类驾驶风格并不意味着相应的人类驾驶员主观意图,也不意味着相同的能耗或直接道路 CO2 排放。在本研究采用的电动化自动化情景边界内,自动驾驶样本进入电动汽车车队。因此,生成的特定上下文风格份额作为行为输入转移到第 2.7 节的情景模块中,用于自动驾驶路径分析。

2.7. 情景设计与城市级预测
本节结合历史网格 - 时间配置文件和特定上下文的自动驾驶风格份额,以及未来的车队演变、自动驾驶渗透路径和驾驶行为策略设置。未来车队沿四个维度进行表征:动力总成组成、驾驶代理组成、交通上下文分布和驾驶风格组成。动力总成组成区分燃油车和电动汽车,决定能源使用形式及相应的排放源。驾驶代理指车辆控制的来源,区分人类驾驶车辆和自动驾驶车辆。动力总成和驾驶代理组成共同定义了三种车队类型:燃油人类驾驶车辆、电动人类驾驶车辆和自动驾驶电动车 (AEVs)。自动化燃油车辆未作为主要车队类型包含在情景中。交通上下文分布代表与不同速度等级、交通流状态和速度波动条件相关的出行活动比例。驾驶风格组成描述了每种车队类型在每个交通上下文下温和、中立和激进操作份额。这些维度不被视为独立的修正因子。相反,它们通过车队、上下文和风格特定的权重共同进入城市规模核算。分层聚合和核算框架如图 3 所示。下载:下载高分辨率图片 (422KB) 下载:下载全尺寸图片。图 3. 分层情景聚合与能源 - 排放核算框架。通过共同加权车辆存量、每辆车年均里程、交通上下文份额、驾驶风格比例及相应的单位能耗强度,计算全市年度能源使用和排放。燃油消耗强度以 L/100 km 表示,电力消耗强度以 kWh/100 km 表示。电力使用根据本研究采用的国家标准进一步转换为汽油当量能量。汽油当量能耗提供了比较燃油和电力使用的通用核算基础。直接道路 CO2 仅包括燃油车的尾气管排放。电力相关 CO2 根据电动汽车电力消耗和电网排放因子计算。系统边界 CO2 定义为直接道路排放和电力相关排放之和。该框架用于比较 2024 年至 2050 年车队电动化、自动驾驶渗透和驾驶行为策略的影响。设预测年份为 ??。车队类型集定义为 ??={????,????,????},其中 ???? 代表人类驾驶燃油车,???? 代表人类驾驶电动汽车,???? 代表自动驾驶电动车。对于车队类型 ??,车辆存量记为 ????,??,每辆车年均行驶公里数记为 ????,??。交通上下文集记为 ?,由速度等级、交通流状态和速度波动共同定义。第 ?? 年上下文 ?? 的里程权重记为 ????,??,满足 ∑??????,??=1。驾驶风格集记为 ??={??,??,??},分别对应温和、中立和激进风格。

在情景 $t$ 年、情境 $r$ 下,车队类型 $c$ 的驾驶风格 $s$ 占比表示为 $p_{c,r,s,t}$。单位强度从历史样本中估计。对于燃油车,燃料消耗强度 $q^F_{r,s}$ 采用 LightGBM 模型进行预测,单位为 L/100 km。对于电动车,采用电力消耗强度 $q^E_{t,r,s}$,单位为 kWh/100 km。为确保不同动力总成类型之间的可比性,电动车的电力消耗按第 2.4 节的方法转换为汽油当量能耗。令国家标准换算系数为 $\alpha$。车队—情境—风格层面的统一能源强度表示为:

(25) $i^*_{c,r,s,t} = \begin{cases} q^F_{r,s}, & c = FH \\ \alpha \cdot q^E_{t,r,s}, & c \in \{EH, EA\} \end{cases}$

其中 $i^*_{c,r,s,t}$ 的单位为 Lge/100 km。该公式仅统一了计量单位,并未改变燃油车或电动车的物理含义。燃油车的强度仍由燃料消耗决定,电动车的强度仍由电力消耗决定。两者仅在汽油当量核算框架下进行汇总。

基于此定义,全市年汽油当量综合能耗计算如下:

(26) $Q^*_t = \sum_{c \in \mathcal{C}} \sum_{r \in \mathcal{R}} \sum_{s \in \mathcal{S}} \frac{N_{c,t} \cdot L_{c,t} \cdot w_{r,t} \cdot p_{c,r,s,t}}{100} \cdot i^*_{c,r,s,t}$

该公式表明,全市综合能耗并非简单地用平均强度乘以总里程计算,而是由车队规模、车辆行驶里程、交通情境分布、驾驶风格结构及单位能耗强度共同决定。驾驶行为变量不作为常数校正项进入模型,而是通过影响不同交通情境下驾驶风格的分布,从而改变单位能耗强度的加权汇总。

总碳排放被分解为来源特异性组分,包括直接道路排放和电力相关 CO? 排放。直接道路 CO? 排放仅由人工驾驶燃油车产生:

(27) $C^D_t = \sum_{r \in \mathcal{R}} \sum_{s \in \mathcal{S}} \frac{N_{FH,t} \cdot L_{FH,t} \cdot w_{r,t} \cdot p_{FH,r,s,t}}{100} \cdot \gamma \cdot q^F_{r,s}$

其中 $\gamma$ 表示汽油 CO? 排放因子。电动车不产生直接道路 CO? 排放,因此 $EH$ 和 $EA$ 不纳入 $C^D_t$。当纳入发电侧排放时,第 $t$ 年的电网排放因子记为 $\varphi_t$,系统边界 CO? 排放计算如下:

(28) $C^S_t = C^D_t + \sum_{c \in \{EH, EA\}} \sum_{r \in \mathcal{R}} \sum_{s \in \mathcal{S}} \frac{N_{c,t} \cdot L_{c,t} \cdot w_{r,t} \cdot p_{c,r,s,t}}{100} \cdot \varphi_t \cdot q^E_{t,r,s}$

其中 $C^S_t$ 包含燃油车的直接道路排放和电动车的电力相关 CO? 排放。

自动驾驶渗透率应用于电动车队内部,即自动驾驶车辆进入 $EA$ 车队。这一自动化与电动车队的耦合采用电动化—自动化情景边界,而非预测所有未来自动驾驶车辆必然为纯电驱动。因此,预测结果应理解为在此耦合电动化—自动化路径下的条件性结果。低、中、高渗透路径分别代表自动驾驶的不同扩散速率。这些路径改变 $N_{EA,t}$ 及其在电动车队中的份额,但不改变自动驾驶车辆不产生直接道路 CO? 排放的基本假设。

驾驶风格演化分为人工驾驶和自动驾驶两个组分。人工驾驶风格以基准年观测结构为起点,分别设定稳定、恶化和改善的演化路径。令基准年风格向量为 $\boldsymbol{p}^H_0$,目标年风格向量为 $\boldsymbol{p}^H_T$。第 $t$ 年人工驾驶风格结构表示为:

(29) $\boldsymbol{p}^H_t = (1 - \lambda_t) \cdot \boldsymbol{p}^H_0 + \lambda_t \cdot \boldsymbol{p}^H_T, \quad 0 \leq \lambda_t \leq 1$

在稳定情景中,$\boldsymbol{p}^H_T = \boldsymbol{p}^H_0$。在恶化情景中,激进驾驶的比例增加。在改善情景中,平稳或低波动驾驶的比例增加。这一设定并未假设驾驶行为必然改善,而是将行为结构视为独立的演化变量。

自动驾驶风格由 DBNet 数据集的映射结果确定,并允许在不同交通情境间有所变化。自动驾驶基准情景使用 DBNet 数据集在人工驾驶风格空间中观测到的映射比例。偏平稳情景增加了平稳驾驶的比例。情境优化情景根据交通状况调整风格结构,降低高波动、走走停停或低速扰动条件下激进驾驶的比例。绿色上界情景代表一种理想化状态,即自动驾驶控制在所有情境下均接近低波动运行。这些情景不改变车辆动力总成类型,仅改变 $p_{EA,r,s,t}$ 的构成。因此,自动驾驶的环境影响并非来源于直接道路 CO? 排放的减少,而是来源于电力消耗强度的变化及其与混合交通运行条件的相互作用。

交通情境权重 $w_{r,t}$ 基于历史里程分布,并根据车队规模、自动驾驶渗透率和交通扰动压力进行调整。车辆保有量的增加通常会增大低速、高波动和走走停停情境的权重。如果自动驾驶车辆形成稳定的低波动控制,对高扰动情境的暴露可能减少。在本研究中,情境权重不作为历史常数固定,而是被视为连接驾驶风格与全市平均环境强度的重要中间变量。通过这一处理,情景预测可捕捉两类效应:不同驾驶风格对应的单位强度差异,以及驾驶风格结构变化引起的交通情境再分配。

为识别行为因素对总变化的贡献,进一步构建了行为引起的增量。以相同车队构成和总里程下的低波动驾驶风格结构作为参考情景。相应的综合能耗和系统边界 CO? 排放分别记为 $Q^*_{t,0}$ 和 $C^S_{t,0}$。行为引起的超额能耗和超额排放定义为:

(30) $\Delta Q^B_t = Q^*_t - Q^*_{t,0}, \quad \Delta C^B_t = C^S_t - C^S_{t,0}$

其中上标 $B$ 表示因行为结构偏离参考状态而产生的增量。该指标并不替代总量预测,仅用于分解环境结果的来源。若 $\Delta Q^B_t$ 或 $\Delta C^B_t$ 较高,说明在给定车辆技术和出行规模下,驾驶风格结构仍施加了额外的环境负担。若这些值在自动驾驶情境自适应优化下下降,则说明自动驾驶控制的环境效益主要归因于行为稳定化,而非仅归因于车辆自动化本身。

为反映长期假设中的不确定性,采用 45 组预定义情景组合,对 2024 至 2050 年每年进行结构化确定性敏感性分析,共产生 1,215 个年—情景输出。这些组合在车队活动与构成、电动化与自动驾驶渗透率、行为适应、交通情境再分配、电动车效率及电网脱碳等关键假设方面有所变化。所得范围解释为确定性敏感性包络,而非概率置信区间。完整确定性情景计算的独立复现见附录表 A5.3。

## 3 结果与讨论

### 3.1 人工驾驶风格特征

基于行程级驾驶行为特征,保留的非噪声私家车样本由三个运行驾驶风格层级表示:平稳、中性与激进。三种分类风格的占比如图 4(a) 所示。中性占比最大(53.73%),平稳和激进分别占 25.07% 和 21.20%。这一分布表明,分类后的城市行程以中等运行强度为特征,但低强度和高强度行为模式仍然可观。

中性风格的占优并不意味着城市道路上的驾驶行为是同质化的。相反,这表明在密集路网、频繁信号控制和复杂交通扰动的综合作用下,大多数驾驶员的运行强度集中在中等范围内。这些驾驶员在整个行程中并未始终保持持续的低强度和低波动控制模式,也未持续表现出高频或高强度的操作。尽管平稳和激进风格的占比低于中性风格,但其比例仍然可观。这表明在相同的城市交通条件下,存在可重复且可辨识的行为差异。这些差异并非由少量异常样本引起的统计假象,而是大样本条件下持续存在的行为分层。

中性风格的占优并不意味着驾驶行为同质化。相反,这表明在观测到的城市交通条件下,大量分类行程占据了中等运行区间。补充验证表明,主要行为层级在重复重采样和替代聚类规范下具有可重复性(附录表 A3)。此外,在可比交通情境下,195 次行为比较中有 73.8% 在 Benjamini–Hochberg 校正后仍保持统计显著性,88.2% 保持了预期的平稳—中性—激进排序。在交通情境变量之外添加行为和局部相对信息,使 Macro-F1 提高了 0.072(附录表 A4)。这些结果支持将这些类别解释为情境条件下的运行行为差异,而非单纯的交通状态标签。

三种驾驶风格在低维嵌入空间中的分布如图 4(b) 所示。总体而言,潜在表示呈现可辨识的分层结构,尽管相邻行为层级之间仍存在局部重叠。平稳样本主要分布在嵌入空间的上部,激进样本集中在下部,中性样本分布于两者之间,形成过渡区域。平稳与激进样本之间的分离沿第三嵌入维度最为显著,而中性样本占据中间区域。这一结果表明,本研究构建的多维行为变量有效地保留了驾驶风格在速度剖面特征、局部相对位置和事件强度方面的综合差异。该嵌入因此提供了多变量行为梯度的紧凑可视化。

Emb1、Emb2 和 Emb3 轴代表由 IVIS 从多维驾驶行为特征空间中学习到的三个无量纲嵌入坐标,并不对应任何单个物理变量。潜在空间中样本之间的相对距离反映其总体行为相似性。因此,每种驾驶风格类别的行为解释基于其在原始特征空间中的画像,而非任何单个嵌入坐标的幅值或方向。

还应指出,三种风格在嵌入空间中并未完全分离,某些局部区域仍存在连续过渡。这一模式与真实城市驾驶一致。驾驶行为并非严格离散的标签集合,而是在平稳—中性—激进连续谱上连续变化。中性风格不应被解释为聚类后的模糊残余类别。相反,它代表连接两极的中间行为层,反映了大量驾驶员在实际行程中表现出的中等强度、适度波动且相对平衡的运行状态。总体而言,三种风格具有满意的区分度,同时保留了真实驾驶行为的连续性。

这些识别结果为后续分析提供了直接依据。首先,三种风格具有相对清晰的行为边界,支持不同驾驶风格间能耗和碳排放的比较。其次,低维行为空间保留了风格间的相对距离,因此可用作评估自动驾驶样本与人工驾驶风格之间接近程度的统一参考。换言之,自动驾驶车辆的行为更接近平稳、中性还是激进的人工驾驶,可在同一行为表示框架内直接评估,无需重新定义一组行为类别。

### 3.2 不同驾驶风格下的微观能耗与 CO? 排放

为考察驾驶行为特征对车辆能耗的解释力,本研究构建了一个仅使用驾驶行为变量的燃料消耗强度预测模型。模型输入不包含行程距离、行程时长或实际燃料消耗等结果相关变量,仅保留行为特征,包括速度水平、速度波动、停车比例、超速、急加速、急减速和事件强度。行程距离仅用于样本筛选以及将百公里油耗转换为行程级燃料消耗和碳排放。这一设定避免了将结果变量纳入训练过程所导致的信息泄漏,使驾驶行为本身对燃料消耗强度的解释效应得以更直接地评估。

测试集上观测值与预测燃料消耗强度的密度散点图如图 5 所示。横轴表示根据原始行程级燃料消耗记录计算的燃料消耗强度,纵轴表示模型预测的燃料消耗强度。虚线表示理想的 1:1 参考线,实线表示预测值与观测值之间的拟合线性关系,色标表示样本密度。总体而言,样本点主要沿 1:1 参考线分布,表明模型预测值与观测值之间高度一致。模型 $R^2$ 为 0.955,平均绝对误差为 0.428 L/100 km,均方根误差为 0.588 L/100 km。

这些结果表明,速度波动、停车暴露和密集操作事件等行为变量与现实世界油耗强度之间存在稳定的非线性关系。较高的拟合精度主要归因于真实行程级油耗标签与高频驾驶行为特征之间的强相关性,而非对油耗计算规则的机械复现。插图进一步显示,样本在低油耗范围内呈现明显的集中分布,这与城市出行中中低速、短距离且频繁中断的私家车行程数量众多有关。

下载:下载高分辨率图片(298KB)下载:下载完整尺寸图片

图5. 测试集上观测值与预测值油耗强度的吻合情况。

表1比较了不同预测方法在测试集上估计油耗强度的性能。XGBoost和CatBoost的表现与LightGBM相似,三种集成学习方法均达到了较高的拟合精度。相比之下,线性回归模型的误差明显更大,MAE升至0.769 L/100 km,RMSE达到0.970 L/100 km,R2降至0.873。该结果表明,驾驶行为与油耗强度之间的关系并非简单的线性关系。平均车速、停车比例、速度波动以及急加速/急减速事件之间存在明显的交互作用。在相同的平均车速下,由于加速幅度、制动频率和速度保持能力方面的差异,不同驾驶员可能产生不同的油耗结果。集成学习方法能够有效捕捉此类非线性结构,因此明显优于线性模型。这一结果进一步表明,驾驶行为并非油耗预测中的辅助变量,而是单位里程车辆能耗的重要解释因素。

表1. 测试集上不同模型对油耗强度的预测性能。

方法 | MAE(L/100 km) | RMSE(L/100 km) | R2
LightGBM | 0.428 | 0.588 | 0.955
XGBoost | 0.449 | 0.690 | 0.943
CatBoost | 0.456 | 0.695 | 0.942
线性回归 | 0.769 | 0.970 | 0.873

需要注意的是,本研究使用的油耗强度标签是基于原始数据集中的行程级油耗记录计算得出的,而非根据平均车速、停车比例、急加速或急减速等解释变量推断得出。因此,LightGBM模型并未复现经验油耗公式,而是基于真实油耗标签学习驾驶行为变量与油耗强度之间的非线性关系。为避免标签泄漏,模型输入排除了行程油耗、油耗强度、总行程油耗、道路直接二氧化碳排放、由油耗转换而来的变量以及任何其他直接从因变量衍生出来的字段。行程距离仅用于样本筛选和油耗强度计算,并未作为模型输入使用。训练集、验证集和测试集按时间顺序划分,测试集未用于模型选择或参数调优。

此外,使用独立的时序留出、车辆代理留出、时间-车辆代理联合留出、特征移除以及目标打乱等协议进行了额外的样本外和泄漏审计。在独立留出设置下,模型保持了约0.953–0.956的R2值;移除潜在的机械性特征后R2降至0.867;打乱目标后R2降至?0.007。这些检查表明,报告的精度不能仅由时间混合、重复车辆代理或直接目标泄漏来解释(附录表A6)。

图6比较了绝对预测误差的空间分布与预测油耗强度的空间分布。图6(a)绘制了预测油耗强度与观测油耗强度之间的绝对差值,用于识别预测稳定性相对较弱的位置。图6(b)绘制了预测油耗强度,用于识别高单位里程油耗的空间集中区域。

下载:下载高分辨率图片(361KB)下载:下载完整尺寸图片

图6. 上海地区油耗强度预测误差与预测油耗强度的空间分布模式。

图6(a)显示,油耗强度预测误差在空间上并非均匀分布,而是呈现局部聚集特征。若干区域显示出明显的误差峰值,表明这些空间单元的预测稳定性较弱。图6(b)显示了预测油耗强度的空间分布。与误差面不同,该面直接反映了不同空间单元的单位里程油耗水平。在研究区域内,油耗强度表现出明显的空间异质性。高值区域以连续斑块或带状延伸的形式出现,表明高油耗行程在空间上聚集分布。低值区域表面相对平缓,表明车辆运行更为稳定,单位里程油耗更低。结合驾驶行为特征来看,空间结果表明,高油耗区域通常与更强的速度扰动、更高的停车比例或更频繁的急加速和急减速事件相关。这些发现表明,微观驾驶行为的差异在空间上累积,最终表现为区域能耗差异。

3.3 自动驾驶风格映射与行为一致性

本节的计算结果在分位数对齐后的统一行为尺度上进行。它们反映了自动驾驶行为窗口与上海人类驾驶风格原型之间的归一化相似性。由于分位数对齐保留了自动驾驶样本在每个行为变量上的相对排名,同时减弱了单变量原始分布差异的影响,因此以下结果并未用于比较自动驾驶与人工驾驶样本在原始速度或事件强度上的绝对差异,而是用于识别自动驾驶行为在同一驾驶风格参考体系中的相对归属。

基于2.6节所述的自动驾驶行为映射方法,本节分析了自动驾驶样本在人类驾驶风格空间中的匹配风格构成、交通场景差异以及映射可靠性。在本研究采用的电动化自动化场景下,自动驾驶车辆被纳入电动车队内表示,因此不产生油耗或道路直接二氧化碳排放。本节仅讨论自动驾驶行为样本与人类驾驶风格原型之间的相对相似性,而非比较自动驾驶车辆与人工驾驶车辆之间的油耗或道路直接二氧化碳排放。在后续的能耗和碳排放预测中,自动驾驶风格主要作为行为输入使用,通过影响速度波动、急加速和急减速频率、交通状态传播以及终端电量消耗进入模型。在混合交通中,自动驾驶车辆的运行风格也可能通过交通流稳定性间接影响人工驾驶燃油车辆的排放水平。

交通场景与量化运行指标相关联。平均车速分为低(≤20 km/h)、中(>20–40 km/h)和高(>40 km/h)三级。停车比例分为低停车暴露(≤0.01)、蠕动或连续低速运行(>0.01–0.05)和走走停停条件(>0.05)。速度跨度变异性使用DBNet样本的经验33%和67%分位数划分为低、中和高三级。这些阈值是本研究使用的分析类别,而非通用的交通状态标准。

图7展示了自动驾驶行为样本匹配人类驾驶风格后的整体构成,以及其在不同交通场景中的差异。如图7(a)所示,中性风格在自动驾驶样本中占比最大,为57.0%;激进风格占24.8%,平稳风格占18.2%。该结果表明,自动驾驶行为不能简单地概括为平顺或保守,而是速度水平、速度波动和操作强度方面均呈现出明显的风格异质性。相当比例的样本更接近中性或激进的人类驾驶风格。因此,在后续的能耗和碳排放预测中,仅靠自动驾驶渗透率不足以表征自动驾驶车辆的行为影响,还需考虑其驾驶风格结构。

下载:下载高分辨率图片(253KB)下载:下载完整尺寸图片

图7. 自动驾驶行为样本的人类风格构成。

图7(b)进一步展示了自动驾驶风格映射对交通场景的依赖性。根据表2定义的速度水平、交通流状态和速度波动水平,将自动驾驶行为划分为十种典型交通场景。该分类基于轨迹运行状态构建,因此能够捕捉不同动态交通背景下自动驾驶车辆行为响应的差异。速度水平用于表征整体运行效率,交通流状态用于区分连续行驶与走走停停运行,速度波动用于描述局部扰动强度。

表2. 自动驾驶行为映射的交通场景定义。

场景 | 含义 | 场景特征
场景1 | 中速自由流、高波动场景 | 车辆以中等速度运行,停车扰动有限,但速度跨度较大,表明存在频繁的局部交通扰动或速度调整。
场景2 | 中速自由流、中波动场景 | 车辆以中等速度连续行驶,交通流相对顺畅,速度波动适中。
场景3 | 高速自由流、低波动场景 | 车辆以高速运行,停车比例低,速度变化小,代表相对稳定的高速自由流状态。
场景4 | 中速自由流、低波动场景 | 车辆以中等速度平稳行驶,交通扰动弱,速度调整有限。
场景5 | 高速自由流、中波动场景 | 车辆以较高速度运行,整体交通流顺畅,但存在一定程度的速度波动。
场景6 | 低速走走停停、低波动场景 | 车辆以低速运行,表现出明显的走走停停特征。由于行驶受拥堵或信号控制约束,速度跨度相对较小。
场景7 | 低速自由流、高波动场景 | 车辆平均车速较低,但未表现出明显的停车或排队现象。速度波动较强,可能对应局部扰动、短距离加减速或复杂道路环境。
场景8 | 高速自由流、高波动场景 | 车辆以较高速度运行,同时表现出较大的速度跨度,表明在高速条件下存在较强的速度调整或局部扰动。
场景9 | 低速自由流、中波动场景 | 车辆以低速运行,停车扰动不明显,速度波动适中。
场景10 | 低速自由流、低波动场景 | 车辆以低速连续行驶,速度变化有限,代表低速但相对稳定的运行状态。

从行为解读角度看,低波动自由流场景通常对应稳定的跟车或巡航状态,在此类状态下自动驾驶行为更可能映射为平稳或中性风格。相反,高波动自由流场景表明,虽然车辆并未处于明显的拥堵排队状态,但存在较强的局部速度调整,这可能增加其映射为激进人类驾驶原型的可能性。走走停停场景主要受信号控制、排队消散或局部瓶颈影响,其风格特征因此并非仅由驾驶主体决定,还受到外部交通条件的约束。基于此场景分类,图7(b)进一步揭示了自动驾驶风格并非固定属性,而是随交通状态和局部扰动条件变化的场景依赖性行为表现。

在不同速度水平、交通流状态和速度波动条件下,自动驾驶行为对应的人类风格占比存在显著差异。在高速自由流且速度波动较低或中等的场景中,自动驾驶行为主要映射为中性风格,这表明在稳定且高效的运行条件下,自动驾驶车辆更接近以较高效率和可控操作强度为特征的人类驾驶。在中速自由流低波动场景和低速走走停停低波动场景中,平稳风格占比较高,表明在交通扰动较弱或车辆运行受外部条件约束时,自动驾驶行为更容易表现出低波动和低强度的特征。相比之下,在低速自由流高波动以及低至中速自由流中波动场景中,激进映射的比例显著上升。这些结果表明,自动驾驶风格并非固定不变的,而是由交通状态、速度波动和局部运行环境共同塑造的。

图8比较了三种匹配风格下人类驾驶风格原型的均值与自动驾驶轨迹均值之间的差异。图8(a)和(b)显示,自动驾驶轨迹在平均车速和最高车速方面通常接近其对应的人类风格原型,表明风格映射并非由单一异常速度特征驱动。中性样本的平均车速和最高车速最高,表明这些轨迹更接近以较高速度效率为特征的连续运行状态,而非低速保守驾驶。平稳样本的平均车速和最高车速相对较低,这与低强度运行特征一致。

下载:下载高分辨率图片(543KB)下载:下载完整尺寸图片

图8. 自动驾驶样本与匹配人类驾驶风格原型之间的行为特征一致性。

速度波动和峰值速度特征体现在图8(c)和(d)中。平稳样本的速度跨度和峰值均值比相对较低,表明运行过程中速度波动较弱。

尽管中立驾驶样本的行驶速度水平较高,但自动驾驶轨迹的速度变化幅度低于相应的人类原型,这表明在高速度运行条件下具有一定的操控稳定性。相比之下,激进型自动驾驶轨迹的速度变化幅度和峰值均值比远高于相应的人类原型。这表明映射到激进风格的自动驾驶轨迹并不一定具有最高的平均速度;相反,它们主要以更大的速度调整幅度和更显著的峰值速度特征为标志。在Fig. 8(e)和(f)中进一步揭示了密集驾驶事件的差异。在归一化尺度上,映射到激进风格的自动驾驶样本位于急加速和急减速替代指标的较高分位数位置。这表明某些自动驾驶轨迹在局部复杂场景中表现出更强的动态调整行为,表现为更频繁或更剧烈的加速和减速响应。因此,本研究中所称的"激进型自动驾驶风格"并不意味着自动驾驶车辆与人类激进驾驶者具有相同的主观意图。它仅表明其可观测的行为特征与人类激进原型的更为相似。

自动驾驶行为映射的稳定性从三个互补的角度进行了评估:连续风格指数、原型距离和分类置信度,分别如图9(a)–(c)所示。

下载:下载高分辨率图像(426KB)下载:下载全尺寸图像
图9. 自动驾驶风格映射的可靠性评估。

图9(a)展示了连续风格指数的分布,其中平静、中立和激进的人类驾驶风格分别被赋予参考值0、0.5和1。平静型自动驾驶样本主要分布在低指数区间,中立样本集中在0.5附近,而激进样本呈现出更宽的分布,并向高指数区间有明显的集中趋势。在中间至高指数区间范围内,中立样本与激进样本之间观察到了一定的重叠,表明映射的自动驾驶行为并未形成三个严格离散的类型。相反,它们呈现出从平静到激进操作的连续行为梯度。这一结果与驾驶风格作为相对操作谱而非一组完全分离的行为状态的解释相一致。

图9(b)展示了自动驾驶样本与其匹配的人类驾驶风格原型之间的距离。平静型和中立型样本通常表现出相对较小且集中的原型距离,表明其行为模式与相应的人类驾驶参考特征较为接近。激进样本中也包含了接近激进原型的观测值,但其距离分布明显更加分散,上界范围更长。这种更大的分散性表明组内行为异质性更强。特别地,在图9(a)中位于风格指数激进端附近的一些样本,与典型的人类激进原型仍保持相对较远的距离,表明整体操作强度的相似性并不一定意味着在所有行为维度上的紧密对应。

图9(c)进一步报告了映射结果的分类置信度。平静型和中立型样本表现出相对较高且集中的置信度值,表明其与匹配的人类驾驶原型的分配相对稳定。相比之下,激进样本表现出较低的置信度和更大的分散性,表明有更大比例的过渡性或边界性观测值,其行为特征跨越相邻风格层级而共享。因此,置信度模式与图9(a)中的连续风格指数分布和图9(b)中的原型距离分布相一致。

综合来看,这三个指标提供了关于映射结果的互补性证据。连续风格指数描述了每个自动驾驶样本在平静–中立–激进谱系上的相对行为位置,原型距离衡量其与相应人类驾驶参考特征的距离,分类置信度则反映了分配结果的稳定性。结果表明,自动驾驶轨迹可以相对于人类驾驶风格模式进行定位,但该映射应被理解为归一化参考空间内的行为相似性,而非自动驾驶车辆完全复制人类驾驶风格的证据。这一区别对于激进组尤为重要,该组表现出更大的内部变异性和更高比例的过渡性样本。

总体而言,自动驾驶轨迹并未表现出单一的平顺驾驶模式,而是在不同交通环境中展现了明显的风格分化。中立风格在总体上占主导地位,表明大多数自动驾驶轨迹更接近一种高效运行状态,其操控强度相对可控。平静风格主要出现在低波动场景中,或在受外部交通条件强烈约束的场景中。激进风格则更多地出现在高速波动场景中,或在局部扰动条件更为复杂的场景中。在本研究采用的电动化自动驾驶场景下,自动驾驶车辆被归入电动汽车车队,因此不产生燃料消耗或直接的公路CO2排放;然而,其驾驶风格会影响终端电力消耗,并可能通过交通流稳定性影响混合车队中人类驾驶的燃油车辆运行状态。

**3.4 自动驾驶渗透情景下的城市规模能耗与碳排放预测**

在完成行程级能耗估算、区域驾驶风格混合分析和自动驾驶风格映射之后,本节考察自动驾驶渗透对城市交通的长期环境影响。情景预测覆盖2024–2050年,以上海市私家车出行活动为分析对象。报告的指标包括终端能耗、直接公路CO2排放、电力相关CO2排放和系统边界CO2排放。其目的并非提供单一的确定性技术替代预测,而是考察在不同车队结构、驾驶主体构成和驾驶风格策略下,环境结果如何变化。

基年轨迹样本首先被汇总为1 km网格–1 h单元。对每个单元,记录平静、中立和激进驾驶风格的占比,以及平均速度、停车率、速度波动和燃料消耗强度等运行指标。随后利用历史样本估计驾驶风格混合与交通状态之间的关系,并进一步量化交通状态变化对能耗强度的放大效应。通过这种方式,驾驶行为不再被视为宏观模型之外的常数修正项,而是通过速度水平、停车暴露和速度波动纳入城市平均强度的计算中。更高比例的激进驾驶通常与更强的走走停停扰动和更高的运行波动性相关,而平静风格占比的增加有助于减少强度放大。这一设计使得驾驶风格的变化能够转化为城市规模上能耗和排放的可衡量差异。

为确保车辆类别互斥且可加,车队被划分为三组:燃油车辆、非自动驾驶电动汽车和自动驾驶电动汽车。燃油车辆通过总销量减去新能源汽车销量计算得出。自动驾驶电动汽车指配备城市领航辅助(NOA)或更高级别智能驾驶功能(通常对应SAE Level 2+或Level 3有条件自动化)的电动汽车。非自动驾驶电动汽车定义为排除自动驾驶电动汽车后剩余的电动汽车。在预测过程中,自动驾驶渗透路径参照北京市场发育研究中对自动驾驶汽车扩散趋势的预测进行设定(Mao, Shepherd, Harrison, & Xu, 2024)。总车辆销量、新能源汽车销量和动力总成结构演变则参照关于中国新能源汽车销售、车辆动力总成转型和长期电动化情景的研究(Ou et al., 2021, Wang et al., 2025, Zhang, 2025)。电力消耗转换遵循电动汽车能耗转换的中国国家标准(China, 2019)。汽油排放因子和电网排放因子按照交通运输碳排放研究中常用的燃料燃烧和电力间接排放核算方法确定。

由于本研究的预测目标为上海市的城市规模环境结果,国家级或其他城市参数不被视为上海的直接观测值,而是在构建2024–2050年上海车队结构和运行强度路径时作为外部参考信息和情景约束使用。这些参数约束了燃油车辆、非自动驾驶电动汽车和自动驾驶电动汽车的相对份额,随后纳入能耗、直接公路CO2排放、电力相关CO2排放和系统边界CO2排放的核算中。主要情景参数、构建程序和实证或文献依据汇总于附录表A7。

图10展示了预测期内销售结构发生显著转变的发现。2024年,燃油车辆仍主导车队,非自动驾驶电动汽车已占相当份额,而自动驾驶电动汽车仅占较小份额。2030年左右,电动化成为车队结构变化的主要驱动力,非自动驾驶电动汽车在过渡阶段占据主导地位。到2050年,预计自动驾驶电动汽车将成为主要车型,而燃油车辆和非自动驾驶电动汽车的份额将显著下降。这一转变表明,长期城市交通环境结果将不再仅由燃油车辆的尾气排放决定,而是日益由电力相关CO2排放、终端电力消耗和自动驾驶行为稳定性共同作用的综合机制所支配。

下载:下载高分辨率图像(150KB)下载:下载全尺寸图像
图10. 2024至2050年燃油车辆、非自动驾驶电动汽车和自动驾驶电动汽车销售结构的演变预测。

**3.4.1 自动驾驶渗透路径与行为策略设计**

在上述车队结构和运行强度情景的基础上,进一步构建了上海市电动汽车和自动驾驶汽车的存量份额路径,如图11所示。绿色虚线代表电动汽车存量份额,橙色实线代表中等渗透路径下的自动驾驶汽车存量份额,浅蓝色阴影区域表示低渗透路径与高渗透路径之间的范围。图中所有百分比均指存量份额,即某一年度上海市在用车辆中各车型的比例,而非新车销售份额。

下载:下载高分分辨率图像(151KB)下载:下载全尺寸图像
图11. 2024至2050年上海市电动汽车和自动驾驶汽车存量份额预测。

图11显示,上海市电动汽车存量份额在预测期内持续增长,而自动驾驶汽车存量份额呈现延迟扩散特征,在2030年后进入加速增长阶段。低、中、高渗透路径之间的差距随时间推移而扩大,表明自动驾驶扩散速度存在显著的长期不确定性。这一设定表明,预测早期阶段的环境结果主要受电动化影响。在中后期阶段,随着自动驾驶车队的扩张,驾驶行为优化将产生更为显著的城市规模影响。

进一步设定了三种行为策略。第一种是人类驾驶基准,未来动力总成结构发生变化,但驾驶行为仍由人类驾驶者主导,无自动驾驶行为优化。第二种是情境自适应自动驾驶策略,自动驾驶车辆根据交通状态(如速度水平、停车率和速度波动)动态调整驾驶风格。在低速、走走停停、高波动和拥堵条件下,该策略增加平静控制的占比以减少急加速、急减速和停车暴露。在自由流或稳定运行条件下,保留一定程度的中立驾驶以避免因过度保守控制导致的效率损失。第三种是节能驾驶上限策略,在不显著降低速度、不增加停车暴露和不加剧速度波动的约束下,寻找最大化行为导致能耗和排放减少的驾驶风格组合。该策略并非当前可直接部署的控制方案,而是用于量化自动驾驶节能控制的理论边界。

这三种策略具有不同的含义。人类驾驶基准代表无自动驾驶行为优化的参考水平。情境自适应自动驾驶策略近似一种更具可实施性的折中控制方案,需要同时考虑效率、舒适性和交通适应性。节能驾驶上限策略代表在预设运行约束下的环境最优解。因此,在能耗和排放指标方面,节能驾驶上限策略通常优于情境自适应自动驾驶策略。两者之间的差距可理解为从现实可实施策略相对于理论绿色边界的潜在改进空间。

**3.4.2 行为导致超额直接CO2排放的时间演变**

不同驾驶策略下行为导致的超额直接公路CO2排放的年度变化如图12所示。

图 12(a) 显示了绝对排放水平,图 12(b) 显示了相对于人工驾驶基准的减排率,图 12(c) 显示了 2050 年不同自动驾驶渗透路径下的绝对水平比较。实线代表中等渗透路径,阴影带表示低渗透和高渗透路径之间的预测范围。
图 12. 不同驾驶策略下的行为诱导额外直接 CO2 排放及相对减排率。
图 12(a) 显示,在所有三种策略下,行为诱导的额外直接道路 CO2 排放随时间推移而减少,主要原因是燃油车份额下降和电气化程度提高。在本研究采用的电气化自动驾驶场景中,自动驾驶车辆被归类于电动汽车车队,因此不产生直接道路 CO2 排放。因此,自动驾驶策略之间的差异反映了混合交通运行条件的变化以及由此带来的人工驾驶燃油车燃油消耗强度的变化,而非自动驾驶车辆本身的尾气排放。在这一共同场景边界下,情境自适应策略和生态驾驶上限策略产生的行为诱导额外直接排放低于人工驾驶基准。
图 12(b) 进一步显示,相对于人工驾驶基准,自动驾驶策略的减排率随时间增加。在中等渗透路径下,情境自适应自动驾驶策略在 2030 年、2040 年和 2050 年分别减少了 5.10%、10.40% 和 28.78% 的行为诱导额外直接 CO2 排放。在生态驾驶上限策略下,相应的减排率分别增加至 10.92%、35.74% 和 63.64%。生态驾驶上限策略的优势在后期预测阶段变得更加明显,表明在给定的运行约束下仍存在巨大的绿色优化潜力。
图 12(c) 展示了 2050 年三种自动驾驶渗透路径下策略效果的额外比较。在低、中、高渗透路径下,情境自适应自动驾驶策略下的行为诱导额外直接 CO2 排放减排率分别为 12.92%、28.78% 和 36.13%。在生态驾驶上限策略下,相应的减排率增加至 32.92%、63.64% 和 77.46%。这些结果表明,自动驾驶策略在高渗透条件下更有效。当自动驾驶车队规模有限时,策略优化难以完全转化为城市规模的减排效益。在高渗透条件下,策略差异被放大,行为稳定化对混合交通环境结果的影响变得更加明显。

3.4.3. 行为诱导额外终端能源消耗的策略分解
图 13 进一步从终端能源消耗的角度考察了驾驶策略的影响。堆叠条形图代表中等渗透路径下行为诱导额外能源消耗的年度分解。底部橙色段代表生态驾驶上限策略下的额外能源消耗水平。粉色段代表情境自适应自动驾驶策略相对于生态驾驶上限策略的额外负担。蓝色段代表人工驾驶基准相对于情境自适应自动驾驶策略的额外能源负担。右轴曲线显示两种自动驾驶策略相对于人工驾驶基准的减排率,阴影带表示低渗透和高渗透路径之间的变化范围。
图 13. 不同驾驶策略下的行为诱导额外终端能源消耗及减排率。
图 13 显示,2024 年至 2050 年期间,行为诱导额外终端能源消耗总体呈下降趋势。这一下降趋势表明,车辆能效改进、电气化扩张以及自动驾驶渗透共同降低了行为诱导额外能源使用的基准水平。然而,策略之间仍存在明显的分层。人工驾驶基准产生最高的额外能源消耗,表明在没有自动驾驶行为优化的情况下,激进驾驶、速度波动和频繁的启停操作继续造成能源负担。情境自适应自动驾驶策略减少了部分额外能源消耗,表明跨交通情境调整自动驾驶风格具有实际的节能价值。生态驾驶上限策略产生的额外能源消耗水平最低,反映了在更强生态控制约束下的潜在节能边界。
在 2050 年的中等渗透路径下,情境自适应自动驾驶策略下的行为诱导额外终端能源消耗相对于人工驾驶基准减少了 29.23%。就强度而言,行为诱导额外能源消耗从人工驾驶基准下的 3.135 kWh/100 km 下降到情境自适应策略下的 2.218 kWh/100 km,并进一步降至生态驾驶上限策略下的 1.154 kWh/100 km。这些发现表明,自动驾驶控制的节能效应不仅反映在总量上,也反映在单位距离的运行效率上。
右轴的减排率进一步表明,自动驾驶行为优化的节能效应随时间增强。在早期预测阶段,自动驾驶车辆比例有限,两种自动驾驶策略相对于人工驾驶基准的减排率较低。2030 年后,随着自动驾驶渗透率增加,策略之间的差异逐渐扩大。在后期预测阶段,生态驾驶上限策略的减排率显著高于情境自适应自动驾驶策略。这表明,虽然情境自适应策略已经能够减少额外能源消耗,但与理论绿色边界相比仍存在明显差距。这一差距主要源于两种策略的目标不同:情境自适应策略需要在平顺性、效率和情景适应性之间取得妥协,而生态驾驶上限策略则优先考虑在运行约束下最小化能源消耗。

3.4.4. 自动驾驶渗透路径下的每公里环境强度
图 14 展示了低、中、高渗透路径下行为诱导额外直接 CO2 强度和额外终端能源强度的比较。三个子图对应三种自动驾驶渗透路径。左轴代表行为诱导额外直接 CO2 强度,右轴代表行为诱导额外终端能源强度。条形图以分层形式呈现。橙色段代表生态驾驶上限策略下的最小额外直接 CO2 强度;粉色段代表情境自适应自动驾驶策略相对于生态驾驶上限策略的额外负担;蓝色段代表人工驾驶基准相对于情境自适应自动驾驶策略的额外负担。因此,条形图的总高度可以解释为人工驾驶基准下的行为诱导额外直接 CO2 强度。曲线代表三种策略下的行为诱导额外终端能源强度。
图 14. 情境自适应策略下不同自动驾驶渗透路径的环境强度比较。
在所有三种渗透路径下,行为诱导额外直接 CO2 强度和额外终端能源强度均随时间推移而下降。与年度总量相比,强度指标排除了总出行量变化的影响,更直接地反映了单位距离的运行效率。结果显示,人工驾驶基准始终产生最高的强度,生态驾驶上限策略产生最低的强度,而情境自适应自动驾驶策略介于两者之间。这种模式在低、中、高渗透路径下均观察到,表明驾驶行为优化对单位距离能效和排放效率具有稳定的影响。
渗透路径之间的差异主要出现在后期预测阶段。2040 年后,在高渗透路径下,三种策略之间的差距变得更加明显,表明随着自动驾驶车辆比例增加,行为优化更容易转化为系统级效率改进。在低渗透路径下,自动驾驶车队规模仍然较小;因此,即使单辆车控制策略改进,城市范围内的环境强度仍主要由人工驾驶车辆主导。中等渗透路径介于两者之间,显示出更平滑的过渡模式。这些结果表明,自动驾驶的环境效益需要渗透率和控制策略的共同支持。渗透率决定了策略可以发挥作用的范围,而策略质量决定了每辆车的环保改善程度。

3.4.5. 情境自适应自动驾驶策略下的渗透路径效应
图 15 展示了在固定的情境自适应自动驾驶策略下,低、中、高渗透路径对年度行为诱导环境负担影响的比较。年度行为诱导额外直接 CO2 排放见图 15(a),年度行为诱导额外终端能源消耗见图 15(b)。插图放大了 2024 年至 2029 年早期期间各路径相对于中等渗透路径的偏差。零基准线代表中等渗透路径;正值表示高于中等渗透路径的水平,负值表示较低的水平。
图 15. 情境自适应策略下不同自动驾驶渗透路径的年度环境负担。
结果显示,在所有三种渗透路径下,行为诱导额外直接 CO2 排放和额外终端能源消耗均持续下降。在早期阶段,三条曲线几乎重叠,插图中的偏差较小。这表明当自动驾驶车辆份额较低时,情境自适应策略对整体车队的运行环境结果影响仍然有限。2030 年后,各路径之间的差异逐渐扩大。高渗透路径下降最快,其次是中等渗透路径,而低渗透路径下降较慢。在相同的驾驶策略下,更高的自动驾驶渗透率扩大了受情境自适应行为影响的车队份额,从而产生更明显的长期节能和减排效果。
到 2050 年,与低渗透路径相比,中等渗透路径将行为诱导额外直接 CO2 排放减少约 18.21%,将行为诱导额外终端能源消耗减少约 18.22%。与低渗透路径相比,高渗透路径将这两个指标分别减少约 26.65% 和 26.70%。即使与中等渗透路径相比,高渗透路径仍在行为诱导额外直接 CO2 排放方面产生约 10.31% 的额外减排,在行为诱导额外终端能源消耗方面产生约 10.37% 的额外减排。这些发现表明,在固定的情境自适应策略下,自动驾驶渗透率的边际效益仍然清晰。自动驾驶车辆的车队规模渗透越强,低干扰和情境兼容的驾驶行为越容易转化为系统级环境效益。
该图进一步确认了自动驾驶渗透率与行为策略之间的耦合关系。仅提出优化策略并不足以产生即时的系统级效益。关键条件在于自动驾驶车辆是否在城市车队中达到足够的规模。只有当自动驾驶车辆占有较高比例时,由情境自适应策略所代表的低干扰和场景自适应驾驶行为才能转化为可观察的城市规模环境增益。

3.4.6. 长期累积效益与生态控制潜力
图 16 从累积效益的角度总结了不同自动驾驶策略的长期影响。左面板展示了截至 2050 年行为诱导额外直接 CO2 排放的累积减排量,右面板展示了行为诱导额外终端能源消耗的累积减排量。这两个指标均是相对于人工驾驶基准计算的,并比较了情境自适应自动驾驶策略和生态驾驶上限策略在低、中、高渗透路径下的表现。
图 16. 截至 2050 年行为诱导额外环境负担的累积减排量。
结果显示,累积减排和节能效益随自动驾驶渗透率增加而增加。低渗透路径产生的效益最小,中等渗透路径产生中等效益,高渗透路径产生的效益最大。这表明自动驾驶车辆规模是绿色驾驶策略发挥长期作用的必要条件。在所有渗透路径下,生态驾驶上限策略产生的累积效益均高于情境自适应自动驾驶策略,表明在更强的生态控制约束下仍存在巨大的潜在效益。虽然情境自适应策略的累积效益低于生态驾驶上限策略,但在所有三种渗透路径下仍实现了稳定的累积减排,确认了其节能和减排的实际价值。
情境自适应自动驾驶策略代表了一种相对现实的控制方法。它必须平衡效率、舒适度、安全约束以及对复杂交通情境的适应性,因此它并非在每个场景下都选择最低能耗的驾驶风格。相比之下,生态驾驶上限策略代表了在运行约束下可达到的理论绿色边界,其优化目标更直接地致力于最小化环境结果。因此,生态驾驶上限策略的优越表现并不与情境自适应策略的作用相矛盾。相反,这表明当前可实施的策略仍有改进空间。

这一差距可以作为未来改进自动驾驶节能控制算法的定量参考。上述结果表明,城市交通的环境绩效源于动力总成结构、驾驶行为构成与驾驶风格策略的共同作用。电动化降低了直接道路排放,自动驾驶渗透率的提高拓展了行为优化的空间,而驾驶策略则决定了车辆运行是否更加平顺、能耗更低。因此,即便电动化比例上升,由行为导致的过量能耗与系统边界排放仍然可能存在;而仅靠自动化并不能保证可利用的低碳潜力得以实现。情境自适应自动驾驶策略会根据不同的运行状态调整驾驶风格,并展现出稳定的节能与减排效果。节能驾驶上限策略进一步表明,在不降低速度、不增加停车暴露程度、不加剧速度波动的约束条件下,自动驾驶行为控制仍具有更高的绿色潜力。总体而言,自动驾驶的低碳价值并不等同于车辆自动化本身,而是取决于自动驾驶车辆能否在真实城市交通情境中形成稳定、高效、低干扰的驾驶行为。因此,未来低碳城市交通治理应同时考虑车辆电动化、自动驾驶渗透率以及驾驶行为控制策略,因为单一技术路径不足以解释长期环境效益。

4. 政策启示

本研究的分析结果表明,自动驾驶车辆的低碳价值并不仅由车辆是否具备自动化能力决定,而很大程度上取决于其在特定交通情境下的行为稳定性。分析结果显示,自动驾驶行为在人类驾驶风格空间中并不总是一致的平滑驾驶。在高速波动或局部强干扰场景中,部分自动驾驶样本被映射为更接近激进人类驾驶原型的行为。因此,对自动驾驶绿色绩效的评价不应仅依赖接管频率、事故率、平均车速或交通效率等传统指标,还应纳入行为指标,包括速度波动、停车暴露程度、急加速频率、急减速频率以及由行为导致的过量能耗。对于自动驾驶系统开发而言,算法标定不应仅关注安全边界或乘坐舒适性,还应将低波动运行视为节能控制目标,尤其是在短距离跟车、信号灯交叉口启停、排队消散以及复杂合流等高干扰场景中。

低速走走停停工况被确认为由行为导致的过量能耗的重要来源。分析结果表明,低速并不必然对应低能耗。频繁停车、重新启动以及短暂的强加速等行为可显著增加单位里程能耗。情境自适应自动驾驶策略通过提高此类场景中的平顺控制比例,减轻了部分过量负担。因此,自动驾驶测试不应局限于低干扰、低复杂度的道路环境,还应覆盖信号密集廊道、拥堵瓶颈、潮汐通勤廊道以及频繁走走停停的路段。对于整车制造商和算法开发者而言,拥堵跟车、起步响应、能量回收利用率以及停车暴露控制应被视为节能驾驶控制模块的核心参数,而非仅仅是舒适性或安全冗余方面的考虑因素。

高波动自由流行车场景也应单独识别。分析结果表明,由于大幅速度调整,部分自动驾驶样本在自由流行车条件下仍可能表现出类似激进驾驶的行为。这一发现表明自由流行车并不等同于低能耗运行,中高速条件下的速度不稳定仍可能增加能耗负担。未来自动驾驶的节能控制评价应从单一关注速度效率转向兼顾速度效率与波动约束的综合框架。节能驾驶上限策略可作为控制算法标定的参考。加速-减速响应与速度维持策略应在不显著降低平均车速、不增加停车暴露程度、不加剧速度波动的前提下进行优化。这一方法与简单的保守驾驶不同:它避免了因过度减速造成的效率损失,同时减少了由无效加减速导致的不必要能耗。

自动驾驶渗透率也对环境效益产生了阶段性约束。长期情景预测显示,在低渗透率阶段,自动驾驶策略对城市整体能耗和排放的影响有限;当中高渗透率阶段达到后,不同控制策略之间的差异逐渐转化为系统层面的效益。因此,对自动驾驶的低碳评估不应仅关注车辆渗透率,还必须审视行为质量。在低渗透率阶段,应重点评估单车在复杂场景中的低波动控制能力;在中高渗透率阶段,应更加关注车队层面的速度平顺化、编队稳定性以及自动驾驶车辆对人类驾驶燃油车运行效率的外部效应。在燃油车仍占一定比例的过渡期内,自动驾驶电动车辆(AEV)虽不产生直接道路二氧化碳排放,但其运行模式可能通过混合交通稳定性间接影响人类驾驶燃油车的油耗强度。这一外部效应应纳入自动驾驶绿色运行评估框架。

5. 结论

基于上海大规模私家车出行数据和自动驾驶轨迹数据,本研究建立了城市交通能耗与碳排放的多尺度预测框架。通过该框架,在综合考虑驾驶行为异质性、自动驾驶渗透路径以及驾驶策略优化的情况下,系统量化并阐释了自动驾驶渗透对城市交通的长期环境影响。本研究的主要发现如下。

驾驶风格异质性与交通能源效率及排放差异之间存在系统性关联。高速度波动和频繁的停车暴露持续与较高的单位里程能耗和排放相关,而更为平顺的运行模式则对应较低的环境强度。这些结果强化了将驾驶行为显式表征在出行层面运行差异向区域和城市尺度环境核算传递过程中的重要性。

在归一化行为尺度上,自动驾驶轨迹最常映射为中性驾驶风格,而映射构成在不同交通情境下有所变化。在高波动和复杂干扰条件下,较大比例的自动驾驶样本更接近较高强度的人类驾驶原型。该映射应理解为相对行为相似性,而非对上海未来自动驾驶车队的驾驶风格分布或环境绩效的直接估计。尽管如此,情境依赖性表明,自动驾驶带来的低碳效益取决于控制系统如何应对变化的运行条件。

情景分析表明,电动化是降低直接道路二氧化碳排放的主要路径,而自动驾驶控制可通过行为稳定化提供额外效益。情境自适应策略通过在不同交通情境下调整驾驶行为,减少了由行为导致的过量能耗和排放;而节能驾驶上限策略则揭示了理想化低干扰运行下可获得的额外潜力。这些结果以电动化-自动化情景边界和本研究采用的参数路径为条件。

情景预测进一步显示,自动驾驶的环境效应同时取决于渗透率与控制策略。到2050年,在中渗透率路径下,相较于人类驾驶基线,情境自适应策略将行为导致的过量终端能耗和直接道路二氧化碳排放分别降低了29.23%和28.78%;节能驾驶上限策略则实现了更大的降幅,分别为63.19%和63.64%。在相同的情境自适应策略下,高渗透率路径相较低渗透率路径,在行为导致的过量直接道路二氧化碳排放和过量终端能耗方面额外减少了26.65%和26.70%。这些数值应理解为情景条件下的结果,而非概率性预测。

CRediT作者贡献声明

韦昊:撰写—审阅与编辑、项目管理、资金获取、概念构思。李淑欣:撰写—审阅与编辑、撰写—初稿、可视化、验证、监督、软件、资源、方法论、调查研究、形式化分析。杨云恒:可视化、软件。于斌:撰写—审阅与编辑。张启博:数据管理。张兆磊:撰写—审阅与编辑。

韦昊|李淑欣|杨云恒|于斌|张启博|张兆磊
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号