城市智能交通系统中引导有效性：决定因素、节能与碳减排机制及优化策略

《Green Energy and Intelligent Transportation》：Guidance Effectiveness in Urban Intelligent Transportation Systems: Determinants, Energy-Saving and Carbon-Reduction Mechanisms, and Optimization Strategies

　　

作为智能交通系统中的一项关键技术，速度引导改善了城市地区的车辆生态驾驶，但其潜在的故障可能导致次优性能。作为评估速度引导有效性的宏观评价指标，引导有效性率（GER）对速度引导的优化性能起着关键作用。为解决这一问题，该研究建立了一个涵盖大规模数据采集、算法开发、机制分析和策略设计的研究流程。研究人员开发了一种集成机器学习模型（MVE），用于将单个轨迹点分类为有效/无效引导点，然后从车辆轨迹数据中准确估计行程级引导有效性率（GER）。该模型在实验数据上训练和验证，实现了0.89的召回率。随后，该模型被应用于对来自真实世界速度引导系统的超过110万个轨迹数据点进行分类，随后的行程级统计分析显示平均GER为0.79。分析确定了低GER的两种主要情景：在良好道路上（速度60-80 km/h，加速度<0.3 m/s²）以及在低速拥堵中（速度15-40 km/h，加速度>0.5 m/s²）。此外，激进驾驶的比例在GER约为0.75时达到峰值。最关键的是，车辆能耗和CO₂排放被发现在低速时（<20 km/h）最高，当GER介于0.7和0.9之间时，能耗和CO₂排放也较高（能耗>8 MJ/km，排放>0.5 kg/km）。基于这些发现，研究人员提出了针对速度引导系统的优化策略，包括避免低效场景、提高驾驶员熟练度以及针对高CO₂排放区间。这项研究有助于推进智能交通系统的应用和城市可持续发展。

城市道路交通系统消耗约29%的工业总能耗并排放近四分之一的二氧化碳，智能交通系统（ITS）对绿色可持续发展至关重要。速度引导（如绿灯最优速度建议、可变限速等）是ITS的关键技术，但现有研究多基于仿真，缺乏对真实场景下引导有效性率（GER）的系统分析。驾驶员实际执行引导指令时受主观（如驾驶习惯）和客观（如拥堵）因素影响，导致引导效果欠佳，但GER的检测方法、对生态驾驶的影响机制及优化策略尚未被充分探索。为此，该研究基于部署在山东省淄博市的全路网速度引导系统（SGS），采集了超过110万个真实轨迹点，开发了轻量级GER检测算法，分析了GER与驾驶行为、能耗和碳排放的关联，并提出了优化策略。论文发表在《Green Energy and Intelligent Transportation》上，主要结论包括：系统平均GER为0.79；低GER出现在高速自由流（60-80 km/h，加速度<0.3 m/s²）和低速拥堵（15-40 km/h，加速度>0.5 m/s²）两种场景；激进驾驶比例在GER≈0.75时达到峰值；低速（<20 km/h）和GER在0.7-0.9时能耗和碳排放最高。该研究强调了人因因素在ITS优化中的重要性，为实际部署速度引导系统提供了量化依据和策略建议。

研究人员采用的关键技术方法（不超过250字）：
1. **数据采集**：通过道路测试（淄博市世纪路和S102省道，约144 km，1.5万数据点）获取完全有效/无效引导的黄金标准标签；通过SGS运营商获取28天（2023年4月17-30日及5月8-21日）的匿名车辆轨迹数据，覆盖约1400个交叉口、超过1500辆车，总计110万点，均为轻型汽油车。
2. **GER检测算法**：构建基于随机森林（RF）、XGBoost和支持向量机（SVM）的集成机器学习模型（MVE），输入特征为当前及前两秒的速度和加速度，通过多数投票法融合，实现点级二元分类并聚合为行程级GER。
3. **能耗与碳排放计算**：采用车辆能量守恒方程（VECE）估算瞬时能耗，基于中国《省级温室气体清单编制指南》中汽油的碳排放因子（18.9 g/MJ）计算CO₂排放。

**研究结果**：
**4.1 车辆运动特性**：通过分析110万点数据，发现系统平均GER为0.79（标准差0.12），GER分布峰值在0.8附近。低GER出现在两种场景：高速自由流（60-80 km/h，加速度<0.3 m/s²）和低速拥堵（15-40 km/h，加速度>0.5 m/s²）；高GER常伴随低加速度（<0.3 m/s²）或高速（>80 km/h）。
**4.2 驾驶行为分析**：基于加速度百分位将驾驶行为分为急加速、正常和急减速。研究发现正常驾驶行为比例与GER呈U型关系，急加速和急减速比例呈倒U型，且激进驾驶比例在GER≈0.75时达到峰值，表明部分引导状态（GER中等）时驾驶员频繁切换引导与习惯，导致更多加速/减速事件。
**4.3 生态驾驶分析**：能耗和CO₂排放因子在低速（<20 km/h）时最高，在GER为0.7-0.9时也较高（能耗>8 MJ/km，碳排放>0.5 kg/km）。该区间对应高使用适应期，驾驶员主观尝试遵循引导但出现微小偏差，引发间歇性急加速/急减速，导致能耗上升。
**4.4 影响模式的定量分析**：采用二阶多项式回归建模GER与速度、急加速比例、能耗因子、碳排放因子的关系，所有回归方程F检验p<0.05，表明统计显著，但均为相关关系而非因果关系。
**4.5 优化策略**：基于分析提出三点策略：1）在低效场景（高速自由流和低速拥堵）中限制或动态调整速度引导功能；2）在初始部署阶段优先开展驾驶员培训计划，提高熟练度；3）针对高排放GER区间（0.7-0.9）在智能终端上增加实时速度调整提示，纠正微小偏差。

**讨论与结论**：讨论部分指出，该研究基于观察性数据，所有关系为相关而非因果，受限于数据维度无法排除交通密度、道路几何等混杂因素；模型仅使用速度和加速度特征，虽保障了隐私和通用性，但点级分类精度有限；数据来自淄博市初始部署阶段，结论可能随驾驶员熟练度提高而演变；未来需扩展至更多道路类型、车辆类型（如新能源车）和天气条件，并采用控制实验建立因果关系。结论部分（原文第6章）翻译如下：速度引导算法是智能交通系统中促进城市生态驾驶的关键功能，但算法可能失效，阻碍其完全优化性能。该研究引入一种结合随机森林、XGBoost和支持向量机的检测算法，基于轨迹数据评估速度引导的引导有效性率（GER）。基于道路测量数据确定了检测算法的性能和原理。随后分析了超过110万个车辆轨迹数据点，聚焦GER对生态驾驶模式的影响。主要结论如下：1）提出了一种基于多数投票的检测算法（MVE），结合RF、XGBoost和SVM机器学习模型；2）系统平均GER为0.79，标准差0.12。低GER值主要出现在两种交通场景：速度60-80 km/h且绝对加速度低于0.3 m/s²；速度15-40 km/h且绝对加速度高于0.5 m/s²；3）车辆在低速（<20 km/h）时能耗和碳排放因子最高。当GER在0.7-0.9之间时，能耗和碳排放较高（分别超过8 MJ/km和0.5 kg/km）；4）提出了三种SGS优化策略，包括避免低效场景、提高驾驶员熟练度以及针对高CO₂排放区间。该研究有助于推进智能交通系统的应用和城市可持续发展。