Energy load forecasting of highway facilities in response to integration transportation and energy needs
-
摘要: 为准确预测用能负荷，通过调研高速公路典型构造物用能负荷历史数据，分析了交通量、天气状况、星期、月份以及节假日/工作日等多重因素对用能负荷的影响，采用主成分分析(PCA)方法对这些影响因素进行降维处理，消除原始序列的冗余性；分析了节假日/工作日属性和天气状况等因素对用能负荷特征的影响，提出了高速公路用能负荷预测模型候选数据集(CD)构建策略，在此基础上，采用长短时记忆(LSTM)网络模型对多变量用能负荷预测进行了动态时间建模，并依托广西桂柳高速公路实测数据对提出的预测模型进行了验证。分析结果表明：交通量、天气状况、星期、月份、节假日/工作日这5个主成分累计贡献率为85.54%，是高速公路用能负荷主要影响因素；隧道、收费站和服务区用能负荷的高峰时段分布各异，隧道用能负荷高峰时间波动较小，收费站用能负荷高峰集中在10:00~21:00，服务区用能负荷高峰时间段最短，仅集中出现在11:00~12:00；在不同季节测试日中，采用候选数据集构建策略及PCA处理后，提升了训练集数据的针对性，预测结果的精度也得到了提高，平均绝对百分比误差不超过12.33%，均方根误差不超过3.86，提出的预测模型在不同典型场景的负荷预测中均具有良好的适用性，可为高速公路自洽能源系统设计提供理论支撑。Abstract: To accurately predict the energy load, historical energy load data of typical highway structures were investigated, and the influences of multiple factors on energy load, including traffic volume, weather condition, week, month, and holiday/workday, were analyzed. The principal component analysis (PCA) method was applied to reduce the dimensionality of these influencing factors, thereby eliminating the redundancy in original sequences. The effects of holiday/workday attributes and weather condition on energy load characteristics were examined, and a strategy for constructing a candidate dataset (CD) for energy load forecasting models of highways was proposed. On this basis, the dynamic time modeling for multivariate energy load forecasting was performed by using a long short-term memory (LSTM) network model. The proposed forecasting model was validated by using empirical data from the Guilin-Liuzhou Highway in Guangxi. Analysis results show that the cumulative contribution rate of the five principal components of traffic volume, weather condition, week, month, and holiday/workday, is 85.54%, and they are the primary influencing factors of energy load on highways. The peak energy load periods for tunnels, toll stations, and service areas vary, with tunnel energy load peaks showing minimal fluctuations, toll station peaks concentrated between 10:00-21:00, and service area peaks occurring within the shortest period, only concentrated between 11:00-12:00. Across different seasonal test days, the application of CD construction strategy and PCA processing improves the specificity of the training data, resulting in enhanced prediction accuracy, with the mean absolute percentage error not exceeding 12.33% and the root mean square error not exceeding 3.86. The proposed prediction model demonstrates strong applicability for load prediction in various typical scenarios and provides theoretical support for the design of self-consistent energy systems for highways.
-
0. 引言
车联网技术通过车辆、路侧设备间信息的交换, 能够显著提高公路交通系统的安全性, 提高运输效率, 起到节能减排的目的[1]。由于网络性能和容量限制, 单一网络接入技术, 如专用短程通信(Dedicated Short-Range Communication, DSRC) [2]、长期演进(Long Term Evolution, LTE) [3]和基于电器和电子工程师协会802.11协议族的无线局域网技术(Wi-Fi) [4]等已经难以满足车联网复杂条件下, 各类应用的网络性能需求。为此, 车载异构网络正在受到越来越多研究人员的关注[5]。车载异构网络能够融合不同的接入技术, 通过网络间的垂直切换, 为车联网应用提供透明传输, 提高网络服务质量, 保证各类车联网安全、非安全交通应用的正常运行。相较于其他异构网络系统, 车载异构网络有着较高的终端密度、快速变化的网络拓扑以及与生命财产安全的高度联系。这些特性使得普遍的异构网络组织和切换方法无法较好地适用于车载异构网络。为此, 设计一种能够适应车联网环境特性的车载异构网络选择方法就显得尤为必要。
在传统异构网络研究初期, 网络选择算法主要依据接收信号强度(Received Signal Strength, RSS) 和负载均衡。前者选择具有较高RSS的网络进行数据传输, 后者将无线网络带宽对终端进行均匀分配。Ylianttila等提出了基于驻留定时器的切换算法, 在目标网络RSS大于现有网络一定时间后进行切换[6]; Buddhikot等提出了基于门限电瓶的算法, 在目标网络RSS高于目前网络一定值后进行切换[7]; Haider等提出了动态驻留定时器方法, 结合RSS的变化趋势、自适应门限调整和驻留定时器, 减少了不敏感的切换算法造成的系统性能下降问题, 同时抑制乒乓效应[8]; Niyato等提出了基于演化博弈论的异构网络选择方法, 从网络容量负载均衡的角度对异构网络选择进行建模[9]; Ma等设计了一种融合Wi-Fi和无线城域网的协同工作垂直切换方法, 引入实时可用带宽作为性能评价指标[10]; Sepulcre等提出了基于环境感知的车路通信异构网络组织方法, 认为网络吞吐量是关于终端设备与路侧设备距离的减函数[11]。以上方法不能满足车联网对网络性能, 特别是车联网应用对传输时延和丢包率的需求。
基于性能评价的网络选择方法能够对不同网络的实时性能进行评价, 促使终端选择具有较高评价的网络。Tian等采用一种扩展仿生吸引子选择模型, 通过基于网络性能参数的多准则决策(Multiple Criteria Decision Making, MCDM) 选择目标网络[12]; Marquez-Barja等将网络性能参数与车联网环境、应用需求和用户偏好相结合, 设计了基于Wi-Fi、无线城域网和蜂窝网络相结合的车载异构网络系统[13]; Wang等提出了一种基于自选决策树的车载异构网络垂直切换方法, 综合考虑RSS、传输速率、误包率以及车辆运动趋势等参数, 执行网络切换[13]。这些利用MCDM的网络选择能够充分考虑网络性能和其他因素, 将车载异构网络的网络性能、环境因素、用户偏好等指标量化, 按照特定权重相加, 判定最优目标网络后进行切换, 能够较好地胜任车载异构网络选择任务。
最新的异构网络研究在MCDM的基础上引入了博弈论和智能算法。Awad等通过实时电量、实时用户预算和应用偏好更新MCDM中的能耗、价格和性能权重, 实现了动态变化偏好条件下优化网络性能和网络选择的目的[15]; Kim运用委托-代理理论, 提出了一种异构网络带宽管理方法, 利用网络带宽和接入价格作为终端收益, 构建博弈模型, 从而利用交互反馈实现网络系统的性能均衡[16]。研究人员还提出了面向不同网络应用场景的异构网络组织切换方法。Agrawal等提出了高速公路场景下车载异构网络端到端联接方案, 实现不同终端、不同网络间设备的直接通信[17]; Dey等提出了面向路侧设备信息采集应用的异构网络切换方法, 针对交通数据采集应用中出现的异常状况, 主动触发网络切换[18]。此类面向特定应用的方法无法实现车载异构网络复杂应用场景的可靠网络服务。Syfullah等提出基于分簇的车载异构网络结构, 设计了簇内、簇与簇之间、簇与路侧节点之间以及簇与云端之间的四级通信服务方式[19]; Charitos等提出了车载异构网络的簇组织和维护方法[20], 但通过分簇结构进行网络信息传输会使簇头的通信压力和成本增加, 网络系统的不公平可能导致该系统难以实际推广和应用[21]。
上述方法的最主要问题在于将网络性能视为恒定不变的参数, 此问题广泛存在于包括上述方法在内的异构网络选择方法中[22, 23, 24]。在真实场景中, 网络性能会随环境的变化而改变。网络终端数量、噪声、遮蔽或其他环境因素均可能造成网络性能的不稳定。Liu等指出当一定数量的终端同时切入到相同网络时, 会导致目标网络性能降低[25], 但并未对此问题进行深入阐述; Liu等在每次网络选择进行时, 对网络性能加入随机噪声[26], 强调了网络动态变化的不确定性, 而没有考虑其中可知可控的部分。事实上, DSRC、LTE和Wi-Fi等网络性能随网络负载的增大而降低。对于车联网系统, 由于终端对网络的需求较为稳定, 这种变化体现为网络性能随终端数量的增加而降低[27, 28, 29]。也就是说, 在采用这几种接入技术的车载异构网络系统中, 车辆密度较大、网络较为拥挤时, 终端的网络选择行为会对网络性能造成显著的影响。
针对上述问题, 本文面向车载终端的基本安全信息(Basic Safety Message, BSM) 广播应用, 通过演化博弈对车载异构网络进行建模, 利用演化博弈参与者的有限理智特性[30]将终端网络选择过程描述为一种多次非协同博弈过程。终端为博弈参与者, 所选网络为博弈策略, 所选网络的评价指标为收益。通过多次博弈使得异构网络系统能够在不发生大规模切换的同时, 逐渐逼近系统的理想状态, 从而提高网络系统评价。同时, 为了充分利用车联网环境内的终端数量信息, 实现在极端拥堵情况下至少一种网络的正常工作, 并保证系统网络接入的公平性, 改进了演化博弈方法。通过保持附着于DSRC网络终端总数, 保证DSRC网络性能; 借鉴长期演进-车对车(Long Term Evolution-Vehicle to Vehicle, LTE-V2V) 通信中时频资源的分配方式, 设计了公平性算法, 使得区域内终端都有机会广播BSM消息[31]。基于此模型, 本文设计了结合DSRC、LTE和Wi-Fi的车载异构网络系统, 并通过MATLAB对系统进行仿真验证。相较于此前工作, 本文首次描述了基于MCDM的单次博弈网络选择方法在变化网络性能条件下的不稳定性; 创新地提出了考虑拥堵和系统公平的车载异构网络选择方法, 该方法不仅可以克服传统方法存在的稳定性问题, 还能在兼顾公平性的同时, 保证极端拥堵情况下DSRC的正常工作。
1. 车载异构网络稳定性问题
对于一个车载异构网络系统, 假设接入网络组成集合N, 车载终端组成集合M, 任意车载终端为i, 同时与集合N中所有网络保持连接。终端i仅在集合N中选择唯一的网络j发送数据, 并通过所有网络接收数据, 称终端i附着在网络j中, 在网络j中附着的终端总数计为nj。假设系统切换周期为T, 网络选择依据为[22, 23, 24]
j*i=arg[max(Ei,j)] (1)
式中: ji*为终端i的网络选择目标, 即在切换周期内, 终端i采用网络ji*进行信息发送; Ei, j为终端i对网络j的综合评价指标。
由式(1) 可知, 网络选择方法总是将网络切换到拥有最佳评价指标的网络中。一般地, 基于MCDM方法计算网络评价指标的依据为
Ei,j=Ρi,j+Ci,j+Ri,j (2)
式中: Pi, j为网络性能评价指标, 代表终端i对网络j性能的量化指标; Ci, j为网络环境评价指标, 代表终端i对网络j环境的量化指标; Ri, j为偏好评价指标, 代表终端i的用户和应用对网络j的偏好的量化指标。
由式(2) 可知, Ei, j是基于网络性能、网络环境和用户偏好的综合评价指标。相较于Pi, j, Ci, j和Ri, j变化较慢。故可以认为, 在较短的时间内, 仅有Pi, j影响终端的切换决策, 即网络性能评价指标决定综合评价指标。客观地, Pi, j由网络中终端数量、信噪比、遮蔽等条件决定, 在实际应用中, 往往通过可测得的网络性能参数计算, 如传输时延、丢包率以及时延抖动等。根据以上几点, 可得
Ei,j=Ρi,j=G(xi,j)=F1(si,j) (3)
式中: G (xi, j) 为通过网络性能参数向量xi, j计算网络评价指标的函数; F1 (si, j) 为环境条件向量si, j关于网络评价指标的函数。
而在向量si, j中, 网络j的终端数量nj相较于其他元素存在特殊性, 因为其直接由网络切换算法所决定。基于此, 式(3) 可以表述为
Ei,j=f(nj)+F2(s′i,j) (4)
式中: f (nj) 为nj与Ei, j的关系函数; s′i, j为si, j除nj外的其他元素组成的向量; F2 (s′i, j) 为s′i, j与Ei, j的关系函数。
对于一个无线网络系统, 由于媒介接入控制层的复用技术特点, 网络中的终端数量越小, 网络性能越好。反之网络中的终端数量越大, 网络性能越差[26, 27, 28], 故f (nj) 为减函数。
假设存在一车载异构网络系统。有A、B两种接入网络, 所有终端对特定网络的评价指标相同。系统在t0时刻处于稳定, 即对于任意异构网络终端, 有网络A与网络B评价指标相等, 即EA, t0=EB, t0。此时, 系统中共有n个车载终端, a个车载终端附着于网络A, b个车载终端附着于网络B。假设在t时刻, 网络A的性能由于环境的变化而降低, 导致终端对网络A的评价指标突然降低ΔE。也就是在t时刻系统状态遵循
{EA,t=EA,t0-ΔEEB,t=EB,t0 (5)
式中: EA, t为t时刻终端对网络A的评价指标; EB, t为t时刻终端对网络B的评价指标。
根据式(1), 在下一个周期, 即t+T时刻, 所有附着于网络A的终端将同时切换到网络B, 根据式(4), 在t+T时刻, 系统状态遵循
{EA,t+Τ=EA,t0-ΔE+fA(0)-fA(a)EB,t+Τ=EB,t0+fB(n)-fB(b) (6)
在此次切换后, 网络A的评价指标上升了fA (0) -fA (a), 网络B的评价指标下降了fB (b) -fB (n)。此时, 若EB, t+T≥EA, t+T, 则系统状态趋于稳定; 若EB, t+T < EA, t+T, 即ΔE < fA (0) -fA (a) +fB (b) -fB (n)。根据式(1), 所有的网络终端将切回网络A, 造成无法遏制的乒乓效应。fA (nA) 和fB (nB) 分别是关于网络A终端数nA、网络B终端数nB的减函数, 可知fA (0) -fA (a) +fB (b) -fB (n) > 0。由于ΔE > 0, 在网络评价指标变化较小时, 极为可能出现fA (0) -fA (a) +fB (b) -fB (n) > ΔE, 从而导致系统不稳定。
基于以上分析发现, 这种不稳定产生的原因是: 过多的终端从评价指标下降的网络切换到评价指标较高网络, 使较高网络的评价指标下降, 致其网络评价指标低于评价下降的网络, 造成系统难以稳定。为此, 需要选定适量网络终端, 从评价指标下降网络切换到评价指标较高网络。对于上述问题, 假设使s个终端由网络A切换到网络B, 使得对于任意终端, 有EB, t+T=EA, t+T。即
fA (a-s) -fA (a) +fB (b) -fB (b+s) =ΔE (7)
在式(7) 中, ΔE是网络评价指标的变化值, 由计算可得; a和b可以通过终端通信感知。但在实际应用中, 由于大量随机因素影响, 无法获知fA (nA) 和fB (nB)。为了解决这一问题, 通过演化博弈模型对车载异构网络进行建模, 利用演化博弈中参与者的有限理智, 使每次切换仅有较少的终端切换到最优网络, 达到逐渐逼近理想均衡状态的目的。同时, 充分利用车载异构网络能够获取周围环境终端数的特点, 优化传统演化博弈, 使选择算法以更快的速度实现均衡, 更能适应网络环境快速变化的车载异构网络。
2. 系统模型与仿真平台
首先为考虑拥堵与系统公平的车载异构网络选择方法设置车载异构网络系统模型。选取DSRC、LTE与Wi-Fi作为异构网络系统的接入网络。车载异构网络系统拓扑结构见图 1, 虚线框为LTE基站覆盖范围。车载终端同时接入3种网络, 并选择其中一种以10 Hz频率向周围环境广播BSM, 终端同时在3种网络上接收BSM。其中, 车载终端用于进行信息广播的网络被认为是其附着的网络。对于DSRC, 车载终端直接向周围环境广播信息; 对于LTE和Wi-Fi, 车载设备先将信息发送给基站或接入点, 基站或接入点再将消息打包后广播给其他终端设备。此机制可以保证车载终端仅在信息广播时占用无线网络的时频资源, 信息接收不占用资源。假设所有终端共享相同的网络环境, 即对于所有终端, 同种网络的评价指标相同。在每个周期开始时, 车载终端处理上个周期接收到的所有其他终端广播的BSM数据, 计算网络评价指标并做出网络选择决策, 最后利用所选网络进行BSM广播。下个周期重复此流程。
图 1 车载异构网络系统拓扑结构Figure 1. Topological structure of heterogeneous vehicular network system由于本文考虑网络性能的动态变化, 车联网中每个终端的网络应用需求类似, 没有突变的网络负载。在本系统中, 认为网络性能是关于网络中附着终端数的单调递减函数。网络中的所有终端共享相同的网络环境, 即对于任意2个终端, 同种网络的评价指标相同, 网络感知到的终端数量相同。基于此原则, 为了在便于分析的同时体现网络性能与终端数量的关系, 构建DSRC、LTE和Wi-Fi这3种网络综合评价指标和网络终端数量g的关系函数, 分别为D0 (g)、D1 (g)、D2 (g), 其具体取值分别为
D0(g)={-0.001g+10≤g<50-0.019g+1.950≤g<1000g≥100 (8) D1(g)={-0.006g+0.950≤g≤1580g>158 (9) D2(g)={-0.018g+0.90≤g<500g≥50 (10)
根据以上取值构建出的3种网络终端数量与网络评价指标的关系见图 2, 可以看出: 3种网络在终端数量较少的情况下, DSRC性能最优, Wi-Fi性能较差; 随着网络终端数量的增加, LTE由于网络容量较大, 性能下降较慢, Wi-Fi性能下降最快; 所构建的函数能够基本体现3种网络特点, 可以用于网络仿真中网络评价指标的构建。所构建函数的具体数值并不能准确反映真实场景中3种网络在不同终端数量下真实的网络性能, 在实际应用中, 网络性能评价可通过基于传输时延、丢包率以及时延抖动等性能参数确定。
图 2 终端数量与网络评价指标的关系Figure 2. Relationship between terminal number and network evaluation index为了验证本文所提出算法的有效性, 开发了动态网络性能条件下, 车载异构网络选择方法测试平台。仿真平台功能模块见图 3: 平台共包含3个功能模块, 分别是选择算法模块、限制条件模块和选择流程模块。选择算法模块执行不同的车载异构网络选择算法, 该模块以网络状态与车载终端此前的网络选择决策作为输入, 以新的选择决策作为输出; 限制条件模块基于选择算法提供的选择决策输出不同网络的评价指标, 在本文中, 限制条件模块遵循图 2所示的终端数量与网络评价指标的关系; 选择流程模块用于维护选择算法和限制条件2个模块的运行流程并记录产生的数据, 用于可视化输出。在每个仿真周期中, 多个选择算法模块同时运行, 以模拟系统中多个终端独立地进行网络选择。
3. 面向用户均衡的演化博弈
演化博弈论最早是一种用于生物学的博弈模型, 由一组参与者、参与者的策略、策略对应的收益与最终的解组成。采用演化博弈论, 主要利用模型中参与者的有限理智。一般的车载异构网络选择方法期望通过单次博弈使所有终端切换到最佳网络。与其不同的是, 面向用户均衡的演化博弈方法在每次切换时, 仅使少量终端切换到评价指标较优网络, 并在下个周期继续收集数据, 进行选择决策。从而使系统逐渐逼近稳定状态。通过这种方式可以有效地克服前文所提及的网络稳定性问题。
对于本文车载网络系统, 演化博弈模型定义如下。
参与者: 每一个可以连接多种网络的车联网车载设备(On-Board Unit, OBU)。参与者与其他参与者竞争, 以通过具有更高收益的网络广播BSM。
策略: 所有可选网络。对于本文所描述系统, 策略是3种可选接入网络, 即DSRC、LTE和Wi-Fi。
收益: 终端所选网络的综合评价指标。采用图 2所示的终端数量与网络评价指标的关系描述不同网络的收益。
最终解: 用户均衡为此博弈的最终解, 即所有参与者的收益相同。
在博弈中, 所有参与者共享网络环境, 网络评价指标由附着于特定网络的终端数量决定。即对于任意参与者i, 当前所选网络j对应的收益Ei, j=Dj (nj)。结合式(8) ~ (10) 可得具体评价指标数值。所有参与者的平均收益-π为
-π=∑iEi,jn (11)
依照上述模型, 车联网终端i的基于演化博弈的网络选择方法流程见图 4, R为[0, 1) 之间的随机数, μ为概率修正参数。将基于演化博弈论的方法与MCDM方法对比。MCDM方法所得的网络综合评价指标同样通过式(8) ~ (10) 获得, 车载终端依照式(1) 进行网络选择。初始状态下网络终端总数量n=80, DSRC终端数量n0=20, LTE终端数量n1=30, Wi-Fi终端数量n2=30, 概率修正参数μ=1。基于演化博弈方法的网络选择仿真结果与基于多准则决策方法的网络选择仿真结果见图 5、6。
图 4 基于演化博弈的网络选择方法流程Figure 4. Flow of network selection method based on evolutionary game由图 5可知: 在网络评价指标随着终端数量增大而减小的场景下, 本文所提出的基于演化博弈的方法能够使各个网络中的终端数量在5个周期趋于稳定, 实现各个网络的网络评价指标趋于一致; 由于网络参数是关于终端数量的离散值, 网络中的终端数量和网络评价指标在达到稳定状态后仍有波动; 在系统趋于稳定后, 不同网络的评价指标不完全一致, 仍有较小概率产生新的切换行为, 切换概率与网络评价指标差距正相关, 这种较小的切换概率不会产生大规模的乒乓效应。综上所述, 本文所提出的基于演化博弈的网络选择方法, 能够适应网络评价指标随终端数量增多而下降的场景。
图 5 基于演化博弈的网络选择方法仿真结果Figure 5. Simulation results of network selection method based on evolutionary game
图 6 基于多准则决策的网络选择方法仿真结果Figure 6. Simulation results of network selection method based on MCDM由图 6可知: 在整个仿真过程中, 基于多准则决策的网络选择方法产生了严重的乒乓效应, 且并没有实现稳定; 系统中80个终端不断地从DSRC切换到LTE, 再切换回DSRC; 由于在终端数量为0时, Wi-Fi的网络评价指标相较于DSRC和LTE较差, 即整个仿真过程中, 总有一种网络评价指标优于Wi-Fi, 使得附着于Wi-Fi的终端数量始终为0, 网络资源产生严重的浪费。
基于演化博弈和MCDM方法的终端平均网络评价指标见图 7, 可知: 演化博弈方法使网络中终端的平均网络评价指标远高于MCDM方法, 且具有更高的稳定性; 演化博弈方法在系统状态趋于稳定之前, 终端的平均网络评价指标优于稳定之后的平均网络评价指标。产生这一现象的原因是, 演化博弈促使系统趋于用户均衡状态, 即所有终端所选网络评价指标一致, 而不是趋于系统最优状态, 即所有终端的平均网络评价指标最高。用户均衡状态中, 系统的公平性得以保证, 但总体评价指标下降。当终端数量过高, 尤其是所有网络都出现拥堵时, 面向用户均衡的系统可能导致所有网络同时陷入拥堵, 车联网系统瘫痪。
图 7 演化博弈和MCDM方法终端平均网络评价指标Figure 7. Terminal average network evaluation indexes between evolutionary game and MCDM method针对上述问题, 提出基于双层博弈的方法, 通过控制附着于DSRC的终端数量, 保证在任何总终端数量下, DSRC的正常工作, 系统由用户均衡状态向系统最优状态转移。在此基础上, 系统通过终端主动切换, 保证DSRC资源的公平分配。
4. 面向系统最优的双层博弈
提出一种面向系统最优的双层博弈车载异构网络选择方法, 以优化基于演化博弈的选择方法。考虑到车联网中每个终端的网络应用需求类似, 没有突变的网络负载, 实际网络性能在一定程度上仅与终端数量相关。对于一个车联网系统, DSRC不受路侧设备条件限制, 车载设备可以直接与其他车载设备通信, 因此, DSRC网络性能与车联网中采用DSRC广播信息的终端数量有着直接的联系。基于此, 可以通过控制附着于DSRC中的车联网终端总数来保证DSRC的网络评价指标, 防止可能出现的拥堵。LTE和Wi-Fi往往具有大量非交通信息负载, 且网络的覆盖状况和性能得不到可靠保障, 故极端拥堵场景中不对其BSM传输能力做任何要求。通过此方式, 可以保证在任何程度的拥堵条件下, DSRC都能以最佳性能、最大容量工作, 保证部分车辆BSM广播的需求。
由于部分车辆在采用DSRC进行信息广播, 其他车辆无法保证可靠的通信服务, 需要额外考虑系统公平性问题。对于公平性问题的解决, 参照LTE-V2V的“覆盖范围外”模式对网络资源的随机分配方式[30]。在LTE-V2V的“覆盖范围外”模式中, 终端每隔100 ms生成一个随机数, 以决定是否重新选择用于广播车联网信息的网络时频资源。这种方式能够使LTE-V2V终端在一定程度上保持现有资源分配的稳定, 同时使部分终端放弃所占用资源, 提供给其他终端。通过这种方式既能保证LTE-V2V时频资源的利用率, 也保证了系统的公平性。参照这一特性, 当DSRC终端在数量大于或等于理想数值时, 附着于DSRC的终端在每个周期开始时生成随机数, 决定是否切出当前网络, 为附着于其他网络的终端提供切入DSRC的机会。
4.1 DSRC终端数量的保持
为了保持DSRC终端数量, 需要为网络选择方法补充逻辑, 使得在拥堵条件下, 终端以更慢的速度切入DSRC, 同时保证超过理想DSRC数量的终端选择其他网络进行BSM广播。这种设置理想DSRC终端数量的方式是基于DSRC只有交通应用负载, 网络性能仅与终端数量相关的条件决定的。保持终端数量主要通过2种方式: 当DSRC终端数小于理想值时, 降低切入DSRC速度; 当DSRC终端数大于理想值时, 切出多余终端。仅当DSRC为最佳网络时, 执行网络选择中DSRC终端保持算法。假设DSRC的理想容量为nL, 当前附着在DSRC的终端数为n0, h为网络评价指标低于ˉπ的所有网络。当nL > n0且终端根据网络评价指标计算出的切换目标网络为DSRC时, 引入第2层切换概率, 以降低终端切入DSRC的概率。切换到DSRC网络的概率P1为
Ρ1=ρ(nL-n0)(-π-Ei,j)-π∑hnh (12)
式中: ρ为修正参数。
通过此方式可以实现终端数量越多, 每个终端切换到DSRC的概率越低; DSRC的可用网络容量越大, 即现有DSRC终端数量较理想数量越少, 切入概率越大。
当nL < n0时, 切出多余终端。对于OBU, 附着在DSRC的网络终端数可以通过对从DSRC接收到的BSM计数获得。对于给定的nL, 在每个周期切换出DSRC网络的概率P2为
Ρ2=θ(n0-nL)n0 (13)
式中: θ为修正参数。
当网络中DSRC为评价指标最高的网络时, 通过非DSRC终端以式(12) 中的概率切入DSRC, DSRC中的终端以式(13) 中的概率切入到除DSRC外的最佳网络, 可以有效保持DSRC终端数量。
4.2 公平性算法
为了保证系统的公平性, 参考LTE-V2V的网络资源分配算法, 分配车载异构网络的DSRC系统资源。LTE-V2V中的“覆盖范围外”模式网络资源分配方法为: 在保持“覆盖范围内”模式资源分配结构的基础上, 使部分没有获得资源分配的终端获得资源, 同时使部分已有资源分配的终端失去资源, 从而保证系统的公平性。参照此结构设计了车载异构网络公平性保证算法。当DSRC为最佳网络时, 附着于DSRC中的OBU切入到除DSRC外的最佳网络的概率P3为
Ρ3=σnL (14)
式中: σ为修正参数。
4.3 仿真验证
上述考虑拥堵和公平的双层博弈方法的选择流程见图 8。将提出的双层博弈方法与之前的演化博弈方法进行对比仿真。初始状态下, 网络中终端总数量n=80, DSRC终端数量n0=20, LTE终端数量n1=30, Wi-Fi终端数量n2=30, 理想DSRC终端数量nL=50, 演化博弈中概率修正参数μ=1, 双层博弈中ρ=5, θ=1, σ=1。一般场景下基于演化博弈的网络选择方法和双层博弈的网络选择方法仿真结果见图 9、10, 演化博弈方法能够实现终端网络评价指标的用户均衡, 且网络终端数量较为稳定, 3种网络评价指标趋于一致; 双层博弈方法并未实现终端网络评价指标的用户均衡, DSRC网络评价指标高于LTE和Wi-Fi; 附着于各个网络的终端数量产生了一定的波动, 但波动并未被放大; DSRC终端数量能够控制在理想终端数量附近。
图 9 一般场景下基于演化博弈的网络选择方法仿真结果Figure 9. Simulation results of network selection method based on evolutionary game in regular scenario
图 10 一般场景下基于双层博弈的网络选择方法仿真结果Figure 10. Simulation results of network selection method based on two-layer game in regular scenario一般场景下双层博弈和演化博弈终端平均网络评价指标对比见图 11, 演化博弈方法平均网络评价指标上出现了由状态迁移造成的用户平均评价指标先上升再下降的情况; 双层博弈方法的平均网络评价指标保持在较高水平, 相对采用单纯演化博弈方法的网络评价指标提高19.5%。根据以上仿真结果可以得出, 双层博弈方法相较于演化博弈方法, 在给定场景下牺牲了部分系统稳定性, 提高了系统终端平均网络评价指标。
图 11 一般场景下双层博弈和演化博弈终端平均网络评价指标Figure 11. Average network evaluation indexes between two-layer game and evolutionary game in regular scenario在网络拥堵场景下, 对比双层博弈方法与演化博弈方法, 其中, 网络综合评价指标通过式(8) ~ (10) 获得, 初始状态下网络终端总数量n=190, DSRC终端数量n0=70, LTE终端数量n1=90, Wi-Fi终端数量n2=30, 理想DSRC终端数量nL=50;演化博弈中μ=0.5, 以防止因网络评价参数差距过大造成的不稳定; 双层博弈中ρ=5, θ=1, σ=1。拥堵场景下基于演化博弈方法的网络选择仿真结果和拥堵场景下基于双层博弈方法的网络选择仿真结果见图 12、13。
图 12 拥堵场景下基于演化博弈的网络选择方法仿真结果Figure 12. Simulation results of network selection method based on evolutionary game in congestion scenario
图 13 拥堵场景下基于双层博弈的网络选择方法仿真结果Figure 13. Simulation results of network selection method based on two-layer game in congestion scenario由图 12、13可知: 2种方法都有较高的稳定性, 能够遏制切换过程中可能存在的乒乓效应; 基于演化博弈的方法可以使所有终端所有网络的评价指标趋于一致, 但3种网络的评价指标均较低, 在实际应用中, 通信系统将难以支持BSM广播所需的网络服务质量; 而双层博弈中, DSRC保持在理想终端数量nL=50附近, DSRC网络评价指标始终保持在较高状态, DSRC网络评价指标约为演化博弈方法中DSRC网络评价指标的2.18倍; 更多的终端附着在LTE和Wi-Fi中, 使得LTE和Wi-Fi网络性能下降明显。2种方法中所有终端平均网络评价指标见图 14, 采用双层博弈方法的终端平均网络评价指标略高于演化博弈方法约10.3%。
图 14 拥堵场景下双层博弈和演化博弈终端平均网络评价指标Figure 14. Average network evaluation indexes between two-layer game and evolutionary game in congestion scenario为了验证系统的公平性, 对上述拥堵场景下1 000个BSM周期(100 s) 内所有终端附着于DSRC的周期数进行了统计, 拥堵场景下双层博弈和演化博弈方法公平性对比见图 15, 可知: 演化博弈方法在1 000个周期内, 终端附着于DSRC的周期数分散在[0, 1 000], 而采用双层博弈算法的终端附着于DSRC的周期数集中在[0, 600];85%的终端附着在DSRC的周期数为100~400。双层博弈较演化博弈显著提高了系统的公平性。但需要注意的是, 本方法实际应用中需要根据DSRC网络评价指标对理想状况下DSRC数量这一参数进行调整, 才能达到最佳效果。
图 15 拥堵场景下双层博弈和演化博弈方法公平性对比Figure 15. Equality comparison between two-layer game and evolutionary game in congestion scenario在验证网络性能随终端数量变化场景的基础上, 为了模拟真实场景中由于网络随机变化因素, 如道路结构、干扰, 以及车辆运动造成的网络性能随机变化, 将随机系数引入到仿真系统中, 验证本文所提出的双层博弈方法的稳定性。构建如图 16所示的3个独立的随机向量作为网络评价系数。在仿真时, 针对不同周期, 将网络综合评价与该周期对应的网络向量中的元素相乘, 通过该乘积进行网络切换的运算。向量中关于DSRC的向量均匀分布在[0.8, 1) 内, 关于LTE和Wi-Fi的元素均匀分布在[0.6, 1) 的范围内, 以模拟在实际应用中, DSRC性能相对较稳定, LTE和Wi-Fi性能相对不稳定的特点。
初始状态下, 网络中终端总数量n=190, DSRC终端数量n0=70, LTE终端数量n1=90, Wi-Fi终端数量n2=30, 理想DSRC终端数量nL=50。演化博弈中概率修正参数μ=0.5, 以防止因网络评价参数差距过大造成的不稳定; 双层博弈中ρ=5, θ=1, σ=1。基于双层博弈方法的随机性能场景终端数量见图 17, 基于双层博弈方法的随机性能场景网络评价指标见图 18。
图 17 随机性能场景下基于双层博弈的终端数量Figure 17. Fig. 17 Terminal numbers based on two-layer game in random-performance scenario
图 18 随机性能场景下基于双层博弈的网络评价指标Figure 18. Network evaluation indexes based on two-layer game in random-performance scenario由图 17、18可知: 基于双层博弈的车载异构网络选择方法在随机性能场景中, 终端数量抖动和网络评价指标抖动较一般场景加剧; 网络评价指标抖动和随机向量参数变化趋于一致, 系统并未放大网络评价指标波动, 造成系统无法实现系统最优的问题。本文所提出的基于双层博弈的车载异构网络选择方法能够适应随机变化的网络评价指标参数, 即能够适应如道路结构、干扰, 以及车辆运动造成的网络性能随机变化等。
5. 结语
(1) 对基于单次博弈的车载异构网络选择方法应用于变化网络性能环境可能产生的乒乓效应和稳定性问题建模, 提出了变化网络性能条件下的车载异构网络仿真流程。流程和模型可以指导面向真实场景的车载异构网络选择方法的仿真和研究。
(2) 提出的基于演化博弈的方法采用分布式的切换逻辑, 能够实现不额外增加网络负载、在动态变化的网络性能条件下系统内终端网络评价指标的用户均衡。
(3) 提出的基于双层博弈的方法能够实现动态变化的网络性能条件下, 系统评价最优; 同时, 在极端拥堵条件下, 各车载终端能够分享DSRC网络资源, 较为公平地完成BSM消息广播, 保证车联网基本服务的正常运行。
(4) 目前缺乏构建符合真实网络场景的网络终端数量和网络性能关系相关研究。在今后的工作中, 将本方法与实际网络测试结果相结合, 通过实测网络性能评价函数约束切换方法, 并对演化博弈和双层博弈方法进行优化。
-
图 6 隧道不同节假日/工作日用能负荷曲线
Figure 6. Energy load curves of tunnels on different holidays/weekdays
图 7 收费站不同节假日/工作日用能负荷曲线
Figure 7. Energy load curves of toll stations on different holidays/weekdays
图 8 服务区不同节假日/工作日用能负荷曲线
Figure 8. Energy load curves of different holidays/weekdays in service areas
表 2 不同日期属性对应天气的天数
Table 2. Numbers of days corresponding to different date attributes for weather
d 天气 晴 多云 阴 阵雨 小雨 中雨 大雨 暴雨 总计 工作日 23 116 13 21 44 14 9 3 243 周末 9 46 3 5 17 2 1 1 84 3天假期 7 2 9 4天及以上假期 3 9 1 2 4 19 特殊日 2 3 3 2 10 合计 35 180 20 31 65 18 10 6 365 
下载: 导出CSV
表 3 用能负荷影响因素
Table 3. Influencing factors of energy load
名称 描述 月份 1~12月 季节 4个季节 星期 周一至周日 节假日/工作日 工作日/非工作日 交通量 交通量数据 最高温度 单日最高温度 平均温度 单日平均温度 最低温度 单日最低温度 天气状况 晴、多云、阴、阵雨、小雨、中雨、大雨、暴雨等
下载: 导出CSV
表 4 用能负荷影响因素主成分分析
Table 4. Principal component analysis of influencing factors of energy load
主成分排名 名称 特征值 贡献率/% 1 交通量 3.75 37.60 2 天气状况 1.50 15.04 3 星期 1.26 12.64 4 月份 1.03 10.36 5 节假日/工作日 0.98 9.90
下载: 导出CSV
表 5 前5个主成分特征值对应的特征向量
Table 5. Eigenvectors corresponding to first five principal component eigenvalues
主成分1 主成分2 主成分3 主成分4 主成分5 0.368 0.142 0.256 -0.408 0.079 -0.010 0.113 0.467 0.654 0.253 0.095 -0.250 -0.621 -0.073 -0.058 0.004 -0.079 -0.260 -0.028 0.944 -0.196 -0.614 -0.083 0.382 -0.106 0.284 -0.527 0.170 0.016 -0.044 -0.489 -0.014 0.095 -0.189 0.034 -0.495 0.044 -0.001 -0.095 0.001 -0.499 0.013 0.050 -0.147 0.018 0.050 0.489 -0.462 0.430 -0.140
下载: 导出CSV
表 6 用能负荷预测模型参数
Table 6. Parameters of energy load forecasting model
参数名称 输入层时间步数 输入层维数 隐藏层数目 每个隐藏层维数 输出变量维数 参数值 5 5 1 100 24
下载: 导出CSV
表 7 隧道用能负荷预测结果
Table 7. Forecasting results of tunnels energy load
预测模型 春季 夏季 秋季 冬季 4月3日 6月3日 8月3日 10月3日 2月3日 12月3日 M/% R M/% R M/% R M/% R M/% R M/% R LSTM 46.25 32.93 31.16 41.93 41.93 28.54 39.45 29.17 41.93 30.20 36.41 27.47 PCA-LSTM 45.93 32.44 30.44 41.84 41.84 29.03 38.77 28.62 41.84 30.46 35.26 26.05 CD-LSTM 7.85 2.17 4.88 7.64 7.64 3.12 6.88 2.47 7.64 2.53 3.98 1.37 CD-PCA-LSTM 7.15 2.07 2.42 5.00 5.00 2.22 4.12 1.33 5.00 1.54 3.26 0.99
下载: 导出CSV
表 8 收费站用能负荷预测结果
Table 8. Forecasting results of toll stations energy load
预测模型 春季 夏季 秋季 冬季 4月3日 6月3日 8月3日 10月3日 2月3日 12月3日 M/% R M/% R M/% R M/% R M/% R M/% R LSTM 16.39 2.99 15.84 2.78 23.87 3.29 27.86 3.59 15.70 2.45 11.68 1.67 PCA-LSTM 15.87 2.56 15.64 2.62 23.72 3.27 26.36 3.38 15.05 2.33 10.56 1.52 CD-LSTM 13.51 1.26 4.48 0.68 3.09 0.48 4.77 0.52 10.60 1.69 2.61 0.33 CD-PCA-LSTM 12.33 1.17 3.60 0.56 2.86 0.44 4.65 0.50 10.44 1.64 2.11 0.27
下载: 导出CSV
表 9 服务区用能负荷预测结果
Table 9. Forecasting results of service area energy load
预测模型 春季 夏季 秋季 冬季 4月3日 6月3日 8月3日 10月3日 2月3日 12月3日 M/% R M/% R M/% R M/% R M/% R M/% R LSTM 26.67 13.13 29.73 12.98 21.39 11.45 34.57 14.36 19.37 11.17 21.21 11.06 PCA-LSTM 26.19 12.87 28.54 12.68 20.99 11.18 28.21 12.60 18.08 10.50 20.95 10.91 CD-LSTM 5.84 2.03 16.17 4.61 6.10 2.09 7.76 2.24 7.66 2.74 14.58 3.88 CD-PCA-LSTM 4.32 1.54 13.03 3.86 4.20 1.37 3.23 1.12 6.70 2.41 7.88 2.30
下载: 导出CSV
-
[1] 贾利民, 师瑞峰, 吉莉, 等. 我国道路交通与能源融合发展战略研究[J]. 中国工程科学, 2022, 24(3): 163-172.JIA Li-min, SHI Rui-feng, JI Li, et al. Road transportation and energy integration strategy in China[J]. Strategic Study of CAE, 2022, 24(3): 163-172. (in Chinese) [2] ZHAO Shi-yong, XIAN Rong, JIAO Li-chao, et al. Analysis of energy consumption level and influencing factors of highway service area[J]. IOP Conference Series: Earth and Environmental Science, 2021, 825(1): 012005. doi: 10.1088/1755-1315/825/1/012005 [3] QIU Feng, LI Wen-quan, XIE Qiu-feng, et al. Calculation and prediction of energy consumption for highway transportation[C]//IET. 7th Advanced Forum on Transportation of China (AFTC 2011). London: IET, 2011: 226-231. [4] CANSIZÖ F, ÜNEŞ F, ERGINER İ, et al. Modeling of highways energy consumption with artificial intelligence and regression methods[J]. International Journal of Environmental Science and Technology, 2022, 19(10): 9741-9756. doi: 10.1007/s13762-021-03813-1 [5] KOU G, YVKÇEL S, DINSER H. Inventive problem-solving map of innovative carbon emission strategies for solar energy-based transportation investment projects[J]. Applied Energy, 2022, 311: 118680. doi: 10.1016/j.apenergy.2022.118680 [6] ZHANG Tian-jian, ZHANG Jing-pei, LIU Yan-bo, et al. Design of linear regression scheme in real-time market load prediction for power market participants[C]//IEEE. 2021 11th International Conference on Power and Energy Systems (ICPES). New York: IEEE, 2021: 547-551. [7] JI Yu-qi, PANG Chen-yang, LIU Xiao-mei, et al. Combined forecasting model based on time series characteristics of power load curve[C]//IEEE. 2022 IEEE International Conference on Power Systems and Electrical Technology (PSET). New York: IEEE, 2022: 303-309. [8] SONG Feng, LIU Jun-xu, ZHANG Ting-ting, et al. The grey forecasting model for the medium-and long-term load forecasting[J]. IOP Conference Series: Materials Science and Engineering, 2020, 740(1): 012076. doi: 10.1088/1757-899X/740/1/012076 [9] MI Jian-wei, FAN Li-bin, DUAN Xue-chao, et al. Short-term power load forecasting method based on improved exponential smoothing grey model[J]. Mathematical Problems in Engineering, 2018, 2018: 3894723. [10] WANG Zheng-yu, HUO Yue-ying, LIU Zhen-yu. Prediction model on energy consumption of highway transportation in inner Mongolia based on ARMA[C]//WANG W, BENGLE K, JIANG X. International Conference on Green Intelligent Transportation System and Safety. Berlin: Springer, 2018: 105-114. [11] 李钷, 李敏, 刘涤尘. 基于改进回归法的电力负荷预测[J]. 电网技术, 2006, 30(1): 99-104.LI Po, LI Min, LIU Di-chen. Power load forecasting based on improved regression[J]. Power System Technology, 2006, 30(1): 99-104. (in Chinese) [12] DAI Li-xin, HU Fang-fang. Application optimization of grey model in power load forecasting[J]. Advanced Materials Research. 2012, 347-353: 301-305. [13] JIN Xin, DONG Yao, WU Jie, et al. An improved combined forecasting method for electric power load based on autoregressive integrated moving average model[C]//IEEE. 2010 International Conference of Information Science and Management Engineering. New York: IEEE, 2010: 476-480. [14] 赵晓华, 姚莹, 伍毅平, 等. 基于主成分分析与BP神经元网络的驾驶能耗组合预测模型研究[J]. 交通运输系统工程与信息, 2016, 16(5): 185-191, 204.ZHAO Xiao-hua, YAO Ying, WU Yi-ping, et al. Prediction model of driving energy consumption based on PCA and BP network[J]. Journal of Transportation Systems Engineering and Information Technology, 2016, 16(5): 185-191, 204. (in Chinese) [15] LIU Chang, ZHANG Yuan-liang, CHEN Wei-song, et al. A short term forecasting method for regional power consumption considering related factors[J]. Journal of Physics: Conference Series, 2022, 2195(1): 012022. doi: 10.1088/1742-6596/2195/1/012022 [16] CHEN Hua-xi. Prediction method of energy consumption in industrial production based on improved grey model[J]. International Journal of Global Energy Issues, 2023, 45(2): 101-112. doi: 10.1504/IJGEI.2023.129503 [17] 李晓娟, 张芳媛, 喻玲. 基于主成分分析-BP神经网络的风电备件需求预测[J]. 科学技术与工程, 2024, 24(1): 281-288.LI Xiao-juan, ZHANG Fang-yuan, YU Ling. Wind power spare parts demand forecasting based on PCA-BP neural network[J]. Science Technology and Engineering, 2024, 24(1): 281-288. (in Chinese) [18] BIAN Hai-hong, WANG Qian, TIAN Lin-lin. Research on short-term load forecasting based on PCA-GM[C]//Springer. International Conference on Multimedia Technology and Enhanced Learning. Berlin: Springer, 2020: 169-177. [19] 石海波. PCA-SVM在电力负荷预测中的应用研究[J]. 计算机仿真, 2010, 27(10): 279-282.SHI Hai-bo. Power load forecasting based on principal component analysis and support vector machine[J]. Computer Simulation, 2010, 27(10): 279-282. (in Chinese) [20] 党存禄, 杨海兰, 武文成. 基于LSTM和CatBoost组合模型的短期负荷预测[J]. 电气工程学报, 2021, 16(3): 62-69.DANG Cun-lu, YANG Hai-lan, WU Wen-cheng. Short-term load forecasting based on LSTM and CatBoost combined model[J]. Journal of Electrical Engineering, 2021, 16(3): 62-69. (in Chinese) [21] YU Yong, SI Xiao-sheng, HU Chang-hua, et al. A review of recurrent neural networks: LSTM cells and network architectures[J]. Neural Computation, 2019, 31(7): 1235-1270. doi: 10.1162/neco_a_01199 [22] BEZERRA F E, GRASSI F, DIAS C G, et al. A PCA-based variable ranking and selection approach for electric energy load forecasting[J]. International Journal of Energy Sector Management, 2022, 16(6): 1172-1191. [23] 商立群, 李洪波, 侯亚东, 等. 基于特征选择和优化极限学习机的短期电力负荷预测[J]. 西安交通大学学报, 2022, 56(4): 165-175.SHANG Li-qun, LI Hong-bo, HOU Ya-dong, et al. Short-term power load forecasting based on feature selection and optimized extreme learning machine[J]. Journal of Xi'an Jiaotong University, 2022, 56(4): 165-175. (in Chinese) [24] LUO Yi, WU Yong, YE Yan-feng, et al. Short-term load forecasting based on PCA-ILSTM[C]//IEEE. 2023 IEEE 2nd International Conference on Electrical Engineering, Big Data and Algorithms (EEBDA). New York: IEEE, 2023: 1075-1079. [25] CUI Can, HE Ming, DI Fang-chun, et al. Research on power load forecasting method based on LSTM model[C]//IEEE. 2020 IEEE 5th Information Technology and Mechatronics Engineering Conference (ITOEC). New York: IEEE, 2020: 1657-1660. [26] HUANG Song-tao, SHEN Jun, LYU Qing-quan, et al. A novel NODE approach combined with LSTM for short-term electricity load forecasting[J]. Future Internet, 2023, 15(1): 15010022. [27] 陆继翔, 张琪培, 杨志宏, 等. 基于CNN-LSTM混合神经网络模型的短期负荷预测方法[J]. 电力系统自动化, 2019, 43(8): 131-137.LU Ji-xiang, ZHANG Qi-pei, YANG Zhi-hong, et al. Short-term load forecasting method based on CNN-LSTM hybrid neural network model[J]. Automation of Electric Power Systems, 2019, 43(8): 131-137. (in Chinese) [28] ZHANG Qing-hu, MAO Hai-bo, SHAN Ze-long, et al. An artificial intelligent load forecast method using image based LSTM[C]//IEEE. 2022 China Automation Congress (CAC). New York: IEEE, 2022: 5318-5321. [29] LI Shan, LU Xin, OUYANG Jian-na, et al. K-means clustering algorithm and LSTM based short-term load forecasting for distribution transformer[C]//IEEE. 2023 5th Asia Energy and Electrical Engineering Symposium. New York: IEEE, 2023: 1152-1156. [30] CHEN Kun-jin, CHEN Kun-long, WANG Qin, et al. Short-term load forecasting with deep residual networks[J]. IEEE Transactions on Smart Grid, 2018, 10(4): 3943-3952. [31] 徐先峰, 赵依, 刘状壮, 等. 用于短期电力负荷预测的日负荷特性分类及特征集重构策略[J]. 电网技术, 2022, 46(4): 1548-1556.XU Xian-feng, ZHAO Yi, LIU Zhuang-zhuang, et al. Daily load characteristic classification and feature set reconstruction strategy for short-term power load forecasting[J]. Power System Technology, 2022, 46(4): 1548-1556. (in Chinese) 期刊类型引用(1)
1. 刘伟. 赣南某高速公路非对称高填路基变形和稳定性研究. 价值工程. 2025(04): 133-135 . 
百度学术其他类型引用(0)
-
下载:
百度学术
点击查看大图
计量
- 文章访问数: 451
- HTML全文浏览量: 184
- PDF下载量: 7
- 被引次数: 1
