کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
11019805 | 1717621 | 2019 | 11 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
A data-driven two-level clustering model for driving pattern analysis of electric vehicles and a case study
ترجمه فارسی عنوان
مدل خوشهبندی دوسطحی داده محور برای تحلیل الگوی رانندگی وسیلههای نقلیه الکتریکی و موردکاوی
همین الان دانلود کنید
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
الگوی رانندگی روزانه، وسیلههای نقلیه برقی، خوشهبندی دوسطحی، الگوهای رانندگی چندوجهی
فهرست مطالب مقاله
چکیده
کلمات کلیدی
1.مقدمه
2.الگوهای رانندگی برطبق دادههای رانندگی
1.2. بازه رانندگی
2.2.بازه پارکینگ
شکل 1. الگوی رانندگی پنج روزه EV.
شکل 2. بازه رانندگی روزانه وسیله نقلیه
3.روش تحقیق
1.3. مدل پیشپردازش دادهها
شکل 3. فلوچارت مدل پیشپردازش دادهها.
2.3. خوشهبندی سطح 1
1.2.3. اندازهگیری شباهت
شکل 4. مدل خوشهبندی سطح 1.
2.2.3. اعتبارسنجی خوشه
3.3. خوشهبندی سطح 2
1.3.3. اندازهگیری مشابهت
2.3.3. اعتبارسنجی خوشه
شکل 5. فلوچارت مدل خوشهبندی سطح 2.
4.آزمایشها و تحلیل نتیجه
1.4. دادهها
2.4. خوشهبندی سطح 1
شکل 6. پراکندگی EVها در شهرها.
1.2.4. بازه رانندگی
2.2.4. بازه پارکینگ
شکل 7. حداکثر مسافت طی شده روزانه EV.
جدول 1. پراکندگی حداکثر مسافت طی شده روزانه
شکل 8. شاخص WCBCR سطح 1.
شکل 9. پراکندگی الگوهای رانندگی روزانه. خوشهبندی در هر گروه.
3.4. خوشهبندی سطح 2
شکل 10. نتیجه خوشهبندی سطح 1.
شکل 11. نتایج خوشهبندی برای بازه رانندگی EV در k=5.
4.4. الگوی رانندگی چندوجهی و اقتصادی
شکل 12. پراکندگی PCD پنج الگوی رانندگی روزانه.
جدول 2. نتیجه تحلیل الگوهای رانندگی روزانه.
شکل 13. تناسب چهار نوع الگوی رانندگی چندوجهی در خوشهبندی سطح 2.
شکل 14. نتیجه خوشهبندی سطح 2.
شکل 15. پراکندگی الگوهای رانندگی چندوجهی در چین.
5.نتیجهگیری
کلمات کلیدی
1.مقدمه
2.الگوهای رانندگی برطبق دادههای رانندگی
1.2. بازه رانندگی
2.2.بازه پارکینگ
شکل 1. الگوی رانندگی پنج روزه EV.
شکل 2. بازه رانندگی روزانه وسیله نقلیه
3.روش تحقیق
1.3. مدل پیشپردازش دادهها
شکل 3. فلوچارت مدل پیشپردازش دادهها.
2.3. خوشهبندی سطح 1
1.2.3. اندازهگیری شباهت
شکل 4. مدل خوشهبندی سطح 1.
2.2.3. اعتبارسنجی خوشه
3.3. خوشهبندی سطح 2
1.3.3. اندازهگیری مشابهت
2.3.3. اعتبارسنجی خوشه
شکل 5. فلوچارت مدل خوشهبندی سطح 2.
4.آزمایشها و تحلیل نتیجه
1.4. دادهها
2.4. خوشهبندی سطح 1
شکل 6. پراکندگی EVها در شهرها.
1.2.4. بازه رانندگی
2.2.4. بازه پارکینگ
شکل 7. حداکثر مسافت طی شده روزانه EV.
جدول 1. پراکندگی حداکثر مسافت طی شده روزانه
شکل 8. شاخص WCBCR سطح 1.
شکل 9. پراکندگی الگوهای رانندگی روزانه. خوشهبندی در هر گروه.
3.4. خوشهبندی سطح 2
شکل 10. نتیجه خوشهبندی سطح 1.
شکل 11. نتایج خوشهبندی برای بازه رانندگی EV در k=5.
4.4. الگوی رانندگی چندوجهی و اقتصادی
شکل 12. پراکندگی PCD پنج الگوی رانندگی روزانه.
جدول 2. نتیجه تحلیل الگوهای رانندگی روزانه.
شکل 13. تناسب چهار نوع الگوی رانندگی چندوجهی در خوشهبندی سطح 2.
شکل 14. نتیجه خوشهبندی سطح 2.
شکل 15. پراکندگی الگوهای رانندگی چندوجهی در چین.
5.نتیجهگیری
ترجمه چکیده
الگوهای رانندگی وسیلههای نقلیه برقی شرح میدهند چگونه کاربران از وسیلههای نقلیه خود استفاده میکنند و عادتهای استفادهکنندگان را نشان میدهد. این الگوها اثر مثبت بر مصرف انرژی وسیله نقلیه دارند. در این مقاله، مدل خوشهبندی دوسطحی پیشنهاد میشود تا الگوهای رانندگی وسیلههای نقلیه برقی تعیین شود. ابتدا، مشخصات الگوی رانندگی از مجموعه دادههای وسیلههای نقلیه برقی استخراج میشود. سپس، الگوهای رانندگی شامل الگوهای رانندگی روزانه و الگوهای رانندگی چندوجهی با مدل خوشهبندی دوسطحی به دست میآید. دادههای 1463 وسیله نقلیه برقی در چین از اول سپتامبر 2015 تا اول سپتامبر 2016 گردآوری شده است. با استفاده از مدل پیشنهادی، به پنج نوع الگوی رانندگی روزانه و چهار نوع الگوی رانندگی چندوجهی رسیدیم. در ادامه، ویژگیهای خوشهها استخراج شدند، و تحلیل توزیع جغرافیایی الگوهای رانندگی چندوجهی اجرا شد. نتایج آزمایشی نشان میدهند الگوهای رانندگی زیادی برای وسیلههای نقلیه برقی وجود دارد. علاوه بر این، اثربخشی مدلهای خوشهبندی با این آزمایشها تصدیق شده است. بخشبندی مشتری مبتنی بر الگوهای رانندگی وسیلههای نقلیه برقی اهمیت زیادی برای توسعه استراتژیهای بازاریابی هدفمند و شخصی تولیدکنندگان وسیله نقلیه و بهبود کارآمدی انرژی دارد.
© 2018 شرکت مسئولیت محدود الزویر. تمام حقوق محفوظ است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی انرژی
انرژی های تجدید پذیر، توسعه پایدار و محیط زیست
چکیده انگلیسی
The driving patterns of the electric vehicles describe how users use their vehicles, reflecting the users' habits. These patterns have a positive effect on vehicle energy consumption. In this paper, a two-level clustering model is proposed to determine the driving patterns of electric vehicles. Firstly, the driving pattern characteristics are extracted from the data set of the electric vehicles. Then, the driving patterns including daily driving patterns and multifaceted driving patterns are obtained by a two-level clustering model. The data of 1463 electric vehicles in China were collected from September 1, 2015, to September 1, 2016. Using the proposed model, we obtain five types of daily driving patterns and four types of multifaceted driving patterns. Then, the features of clusters are extracted, and the geographical distribution analysis of the multifaceted driving patterns is conducted. The experimental results reveal that there are many driving patterns of the electric vehicles. Moreover, the effectiveness of the clustering models is verified by the experiments. The customer segmentation based on the driving patterns of electric vehicles is of a great significance for the development of personalized and targeted marketing strategies of vehicle manufacturers and energy efficiency improvement.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Cleaner Production - Volume 206, 1 January 2019, Pages 827-837
Journal: Journal of Cleaner Production - Volume 206, 1 January 2019, Pages 827-837
نویسندگان
Xuefang Li, Qiang Zhang, Zhanglin Peng, Anning Wang, Wanying Wang,