一种基于灰色预测和支持向量机的分类型电动汽车需求时空分布动态预测方法与流程

本发明应用于电力系统领域,用于对分类型电动汽车的数量需求进行准确的合理预测,以便于电动汽车的充电负荷的准确分析和充电站点的合理规划建设，具体涉及一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法。

背景技术：

能源产业是国民经济的基础产业，是确保国家战略安全的必要前提，同时也是实现经济可持续发展的重要保障。然而随着我国经济规模的不断扩大，我国对石油等传统能源的需求不但增大，排放到大气中的碳含量也越来越多，使得能源紧缺与生态环境恶化的压力日益增大。而电动汽车以其节能、环保的优势，成为解决能源资源紧张、大气污染严重的有效途径。

电动汽车产业已经列为我国的七大战略性新兴产业，我国政府推出一系列鼓励扶持政策，加速推动电动汽车产业发展。电动汽车保有量快速增长，截至2015年8月底，我国电动汽车保有量达到22.30万辆，国家明确提出到2020年电动汽车保有量达到500万辆。

随着电池寿命的增长、电池容量的增加和充电设施充电时间的缩短等科学技术的进步，同时国家政策的大力引导和政府大力推广，电动汽车数量将会呈现出爆炸性增长的趋势，这将会对充电设施的建设规模和服务能力带来巨大的挑战。为了能够实现电动汽车充电基础设施与电动汽车规模的同步发展的目标，必须对电动汽车的需求增长做出准确的预测，因此非常有必要探索分类型电动汽车需求动态预测的准确方法。

目前国内学者对电动汽车保有量的预测进行了大量的研究，但考虑因素比较单一，也很少进行分类探究，主要利用线性回归等单一方法进行估计，这对分类型电动汽车保有量的预测准确性有一定的影响，并且对于分类型电动汽车需求时空分布动态预测方面的研究仍处于空白。

技术实现要素：

由于之前学者对于电动汽车保有量的预测考虑影响因素单一、准确性较差的、不具有动态性等局限性，本文提出了结合灰色预测法和支持向量机的基于更新替代比例模型的分类型电动汽车需求动态预测的方法，对分类型电动汽车的保有量进行准确的动态预测,在此基础上,结合用户出行规律研究,对电动私人用车和电动出租车的时空分布进行了预测,结合具有固定行驶路径特点的其他类型电动汽车，实现电动汽车需求时空分布动态预测。首先根据电动汽车的行驶特点和功能，可以将电动汽车分为电动公交车、电动出租车、电动专用车、电动公务车以及私人乘用车四类，并探究不同类型的电动汽车的行为模式，利用改进灰色预测模型对分类型汽车数量进行准确预测；然后分析电池寿命增长、电池容量增大、充电设施充电时间缩短等技术进步因素对不同类型电动汽车替代比例的影响，以及国家政策对不同类型电动汽车的引导，构建支持向量机迭代预测模型，对分类型电动汽车替代比例进行预测；接着结合分类型汽车数量预测结果以及分类型电动汽车替代比例预测结果，构件更新替代比例模型，实现对分类型电动汽车需求的动态预测；最后，基于对用户行为规律的研究,结合分类型电动汽车需求的预测结果,对电动私人用车及电动出租车的时空分布特性进行了预测，实现分类型电动汽车需求时空分布动态预测。

本发明属于电力系统技术领域，是一种结合灰色预测法和支持向量机建立的基于更新替代比例模型的分类型电动汽车需求动态预测，并结合用户出行规律对电动汽车需求时空分布进行预测的方法。其步骤如下：

一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法，其特征在于，包括：

步骤1，建立分类型车辆数量预测模型，通过对区域公交车、出租车、专用车、公务车及私人乘用车等不同类型车辆的数据特点分析，选择灰色预测法进行预测；对传统灰色预测法进行研究针对其局限性和不同类型车辆数据特点进行改进，得到高准确性的改进灰色预测模型，构建分类型车辆数量预测模型；将调研所得的区域不同类型车辆的发展趋势，通过分类型车辆数量预测模型，预测该区域不同类型车辆未来的总体发展趋势；

步骤2，建立分类型电动汽车替代比例迭代预测模型，通过对区域电动公交车、电动出租车、电动专用车、电动公务车及私人乘用车等不同类型车辆所占该类型车辆的比例数据的数据特点分析，以及影响因素的非线性特点，选择支持向量机回归法得到决策回归方程，利用预测样本的到分类型电动汽车的替代比例数据预测结果，利用迭代法不断修正预测结果，构建基于svm的电动汽车分类型替代比例迭代预测模型；

步骤3，建立分类型电动汽车需求增长预测模型；结合分类分类型车辆数量预测模型预测结果和分类型电动汽车替代比例迭代预测模型预测结果，将两者预测结果按照汽车类型进行匹配，建立分类型电动汽车需求增长预测模型，对区域内分类型电动汽车数量实现准确的动态预测。

在上述的一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法，所述步骤1中，建立改进灰色预测模型，包括：

步骤2.1、原始数据平滑处理步骤，对生成公式进行如下改进：

原始数据序列两端数据平滑处理方式：

x⁽¹⁾(1)＝(3x⁽⁰⁾(1)+x⁽⁰⁾(2))/4

x⁽¹⁾(n)＝(x⁽⁰⁾(n-1)+3x⁽⁰⁾(n))/4

原始数据序列中间数据平滑处理方式：

x⁽¹⁾(m)＝(x⁽⁰⁾(m-1)+2x⁽⁰⁾(m)+x⁽⁰⁾(m+1))/41＜m＜n

利用以上处理方法来代替传统的累加生成方式，可以得到更加光滑的数据；

步骤2.2、建立灰色微分方程，基于如下公式：

用最小二乘法求出模型参数向量α即得到gm(1,1)模型；

步骤2.3、利用改进后背景值，建立差分方程的步骤，针对高增长的差分方程的背景值进行修正；

针对累加数据呈高增长趋势的情况可以将数据处理为指数形式，即x⁽¹⁾(t)＝μe^at，将该公式带入到积分公式中，即即可以得到

针对平增长或递增长采用紧邻生成序列作为背景值，即：

z⁽¹⁾(k)＝0.5x⁽¹⁾(k)+0.5x⁽¹⁾(k-1)

步骤2.4、对模型进行检验的步骤：对已经建立的模型进行检验，利用测试集检验模型是不是合适，若合适可行，则进行下一步；若不满足误差要求，则返回到第一步，对数据再进行一次平滑处理否则返回到第一步，利用公式对数据再进行一次平滑处理；

步骤2.5、逆生长得到预测结果：对求出的结果进行还原，进行逆生长处理，也就是即累减生成iago，此处要根据累加生成的次数进行，得到真实的预测结果。

在上述的一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法，所述步骤1中，分类型车辆数量预测模型的建立包括：

步骤3.1、对原始数据进行处理：将某一类型的车辆近几年的历史数据作为原始数据，利用改进后的累加生成方法，对原始数据进行平滑处理；

步骤3.2、选择合适的背景值，将微分方程准确转化为差分方程：根据第一步对原始数据的处理，对数据大致增长趋势进行分析，若原始数据为平增长或者低增长，则利用原始方法即利用紧邻生成序列代替背景值，进一步计算；若原始数据为高增长趋势，则利用改进的背景值生成公式，带入后做进一步计算；

步骤3.3、利用最小二乘法，求出待求参数向量α；

步骤3.4、对已经建立的模型进行检验，判断微分方程的解是否合适，若合适，则进行下一步，否则返回到第一步，对数据进一步处理；

步骤3.5、根据建立的合适的差分方程对结果进行预测，即对差分方程进行求解；

步骤3.6、对求出的结果进行还原，进行逆生长处理，也就是累减生成，根据累加生成的次数进行，得到最终某类型车辆数量的预测结果。

在上述的一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法，所述步骤2中，所述支持向量机迭代预测模型中，输入向量x∈r^m为电动汽车替代比例历史数据、技术进步影响因素、政府政策引导等等，输出y为更新替代比例预测值；根据已知数据建立训练样本集和预测样本集，建立svm回归目标函数，解得最优解带回到回归决策函数方程，得到回归预测函数，最后计算预测结果，具体包括：

步骤4.1、对历史数据进行预处理和归一化处理；

其中为归一化后的数据值，xi为实际历史数据，ximin＝min(xi)，ximax＝max(xi)，m为输入向量的维数，即影响预测因素的个数；

步骤4.2、建立预测样本，形成训练样本集和测试样本集；样本输入一般分为以下两类：

a＝{a1,a2,…,ak}，预测年份之前k年的更新替代比例的历史数据；

b＝{b1,b2,…,bt}，预测年的技术因素及政策影响因素，包括电池容量、电池寿命、充电电流、政策规划比例因素；

步骤4.3、建立svm预测模型，根据训练样本建立如下的svm回归目标函数；

其中xi为第i个训练样本的输入，k(xi,xj)为核函数，此处选择径向内积核函数，即对最小优化函数求解，得到最有优解

步骤4.4、确定回归决策函数，将代入下式，得到决策回归函数；

步骤4.5、利用预测样本及上一步得到的决策回归方程对分类型电电动汽车更新替代比例进行预测。

在上述的一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法，所述步骤3中，基于改进灰色预测的分类型车辆数量预测模型和基于支持向量机的分类型电动汽车替代比例迭代模型，结合更新替代比例模型，得到分类型电动汽车需求预测模型，具体是：利用基于改进灰色预测的分类型车辆数量预测模型得到待预测年份分类型车辆总体数据预测结果，结合当前技术进步及政策因素的影响，利用基于支持向量机的分类型电动汽车替代比例迭代预测模型预测相对应的待预测年份的分类型电动汽车更新替代比例，两者预测结果相结合实现动态准确的预测：

(汽车的类型)

其中是指a类型电动汽车第t年的预测保有量，是指a类型汽车第t年的预测保有量，是指a类型电动汽车第t年的预测更新替代比例。

在上述的一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法，还包括：

建立电动私人乘用车及电动出租车的时空分布预测模型的步骤：结合分类型电动汽车需求预测结果，得到电动私人乘用车及电动出租车需求量预测结果，基于对用户出行规律研究，实现对电动私人乘用车及电动出租车需求的时空分布预测，结合具有固定行驶路径特点的其他类型电动汽车，实现电动汽车需求的时空分布预测。

在上述的一种基于灰色预测和支持向量机的分类型电动汽车需求动态预测方法，所述建立电动私人乘用车及电动出租车的时空分布预测模型的步骤基于出行链的空间特性分析，具体包括：

分析条件一，空间转移：定义当前时刻的状态为ei，下一时刻的状态为ej，则马尔科夫链可用条件概率表示

p(ei→ej)＝p(ej/ei)＝pij

若将每个行驶目的地视为一个状态，根据马尔科夫理论，车辆下一个状态(目的地)即由当前状态决定；记为pij从状态ei转为状态ej的状态转移概率，则其一步状态转移概率可写成矩阵形式为,

其中pij满足如下条件：

根据典型出行链中出现的4大场景，通过对该地区居民出行统计数据进行调研，依据上式就可以表示出电动汽车从一个目的地行驶到另一个目的地的一步转移概率为

矩阵中用英文缩写来表示出行链的起点与终点：h代表居民区、w代表工作区/校园区、sr代表商业区、o代表其他区域；

分析条件二，出行距离：定义出行者的出行距离服从一下规律分布，根据出行距离可以将目的地选择范围缩小，使用蒙特卡洛模拟确定具体位置：

式中：fd为出行距离的概率密度；μd为居民平均出行距离；δd为出行距离方差，

然后对电动私人用车及电动出租车进行时空分布预测，具体操作步骤包括：

步骤7.1、初始化待预测地区的地图信息，输入该地区电动私人用车及电动出租车的需求预测估计n；

步骤7.2、抽取起始地点，确定起始点；

步骤7.3、抽取目的地，根据出行距离分析，缩小选择范围，确定终点；

步骤7.4、根据路况信息，选择路径；

步骤7.5、将该地区的n辆电动私人用车及电动出租车进行叠加，得到该类型车辆的时空分布预测结果。

因此，本发明具有如下优点：1、本发明充分考虑不同类型电动汽车发展趋势的不同，将电动汽车分为电动公交车、电动出租车、电动专用车、电动公务车及私人乘用车，对分类型电动汽车需求进行预测。2、充分考虑了政府政策、技术进步等因素对电动汽车需求的影响，更为准确的对电动汽车需求进行预测。3、基于支持向量机的预测模型，可以有效处理电动汽车替代比利时数据较少的情况，对电动汽车需求进行准确预测。4、结合用户出行规律研究，实现分类型电动汽车的需求的时空分布预测。

附图说明

图1是基于改进灰色预测和支持向量机的分类型电动汽车需求时空分布动态预测方法流程示意图。

图2是预测分类型车辆数量示意图。

图3是动态预测支持向量机的分类型替代比例示意图。

图4是分类型电动汽车需求动态预测模型示意图。

图5是典型出行链示意图。

图6是电动私人乘用车及电动出租车时空分布预测示意图。

具体实施方法

一、本发明主要包括以下步骤：

第一步，建立分类型车辆数量预测模型。本文通过对区域公交车、出租车、专用车、公务车及私人乘用车等不同类型车辆的数据特点分析，选择灰色预测法进行预测；对传统灰色预测法进行研究针对其局限性和不同类型车辆数据特点进行改进，得到高准确性的改进灰色预测模型，构建分类型车辆数量预测模型；将调研所得的区域不同类型车辆的发展趋势，通过分类型车辆数量预测模型，预测该区域不同类型车辆未来的总体发展趋势。

第二步，建立分类型电动汽车替代比例迭代预测模型。本文通过对区域电动公交车、电动出租车、电动专用车、电动公务车及私人乘用车等不同类型车辆所占该类型车辆的比例数据的数据特点分析，以及影响因素的非线性特点，选择支持向量机回归法得到决策回归方程，利用预测样本的到分类型电动汽车的替代比例数据预测结果，利用迭代法不断修正预测结果，构建基于svm的电动汽车分类型替代比例迭代预测模型。

第三步，建立分类型电动汽车需求增长预测模型。结合分类分类型车辆数量预测模型预测结果和分类型电动汽车替代比例迭代预测模型预测结果，将两者预测结果按照汽车类型进行匹配，建立分类型电动汽车需求增长预测模型，对区域内分类型电动汽车数量实现准确的动态预测。

第四步，建立电动私人乘用车及电动出租车的时空分布预测模型。结合分类型电动汽车需求预测结果，得到电动私人乘用车及电动出租车需求量预测结果，基于对用户出行规律研究，实现对电动私人乘用车及电动出租车需求的时空分布预测，结合具有固定行驶路径特点的其他类型电动汽车，实现电动汽车需求的时空分布预测。

二、下面结合具体案例对本发明的方法进行详细介绍。

1、基于改进灰色预测法的分类型车辆数量预测模型。

汽车的分类型需求预测是根据过去和现在的电动汽车统计数据来推测其未来的数值，因此可以看出汽车的分类型数量预测的研究对象是随机事件、是不肯定事件，而且汽车未来发展不确定因素非常多。然而灰色系统理论可以很有效的解决即含有已知信息又含有未知或者不确定信息的系统的预测问题，所以选择灰色预测法来构建分类型车辆数量预测模型是合理的。

1.1、改进灰色预测模型。

灰色理论预测模型是通过分析系统数据、因素之间相互影响、相异程度等，利用数据统计的方法，来对系统进行合理预测。其主要过程就是要先做关联度分析，对原始数据进行处理，得到随机性减小规律性增强的生成数据，再根据成熟的生成数据建立相应的微分方程模型，进行分析，从而预测系统未来的发展趋势。由此，可以得出，由该方法分析所得的数据，并不能直接使用，需要经过逆生成即累减生成后才可以使用。

对传统gm(1，1)模型局限性分析，可以分析处该模型具有两个局限：

从gm(1,1)模型建立的过程可以看出，第一步对原始数据的处理是非常重要的，是为了将原始数据的随机性减小，并一定程度上处理掉“坏数据”，并强化原始数据发展趋势的信息。但是传统的灰色预测模型中对数据的处理是直接采用累加生成的方式，这种方式比较简单，一定程度上对原始数据中的“坏数据”处理可能不足，生成数据不够“光滑”，这将影响灰色预测模型后面所有的建立过程，直接影响模型预测的准确性。

gm(1，1)模型的预测结果是由对生成数据建立灰色微分方程，并对方程求解得出的，那么方程中未知系数a,μ的准确性将直接影响最后的求解结果。然而未知系数a,μ的求解与背景值的构造有直接关系，传统灰色预测模型中直接用紧邻均值生成序列即z⁽¹⁾(k)＝0.5x⁽¹⁾(k)+0.5x⁽¹⁾(k-1)构造背景值，这是导致灰色预测模型预测结果误差的主要因素之一。

综上所述，即有两个思路对灰色预测模型进行改进，来提高灰色预测模型预测的准确性。一方面，可以从对原始数据的处理的角度进行，改进生成数据的方法，增加生成数据的光滑度，最大可能的改善原始数据的离散型、随机性，强化原始数据发展变化趋势，提高数据的规律性；另一方面，从gm模型建立的过程入手，提高将灰色微分方程转化为差分方程过程的准确性，减小两个方程之间的差异，即针对背景值的构造进行改善。改进灰色预测模型，可以归纳为以下步骤：

(1)、原始数据平滑处理。

根据前文的分析可以知道，对原始数据处理的目的就是减小原始数据的离散行、随机性，强化原始数据变化趋势的规律性展示，所以非常有必要对原始数据的处理过程进行改进，使得生成数据光滑度更好。于是对生成公式进行如下改进：

原始数据序列两端数据平滑处理方式：

x⁽¹⁾(1)＝(3x⁽⁰⁾(1)+x⁽⁰⁾(2))/4

x⁽¹⁾(n)＝(x⁽⁰⁾(n-1)+3x⁽⁰⁾(n))/4

原始数据序列中间数据平滑处理方式：

x⁽¹⁾(m)＝(x⁽⁰⁾(m-1)+2x⁽⁰⁾(m)+x⁽⁰⁾(m+1))/41＜m＜n

利用以上处理方法来代替传统的累加生成方式，可以得到更加光滑的数据。

(2)、建立灰色微分方程。

用最小二乘法求出模型参数向量α即得到gm(1,1)模型；

(3)、利用改进后背景值，建立差分方程。

背景值的选择，直接关系到将微分方程转化为差分方程的准确性，对于直接用紧邻均值生成序列来代替背景值是不准确的，所以对于背景值的修正是非常必要的。本质上来说，z⁽¹⁾(k)是x⁽¹⁾(t)的近似积分值，即所以直接用紧邻均值生成序列来作为背景值是非常不准确的。为了能将微分方程准确的转化为差分方程，针对高增长、平增长、低增长的差分方程公式应该是存在差异的。很显然针对平增长、低增长的差分方程使用紧邻均值生成序列作为背景值误差较小，但是针对高增长的差分方程用该方法就存在较大的问题，所以这里主要针对高增长的差分方程的背景值进行修正。

针对累加数据呈高增长趋势的情况可以将数据处理为指数形式，即x⁽¹⁾(t)＝μe^at，将该公式带入到积分公式中，即即可以得到

针对平增长或递增长采用紧邻生成序列作为背景值，即：

z⁽¹⁾(k)＝0.5x⁽¹⁾(k)+0.5x⁽¹⁾(k-1)

(4)、对模型进行检验。

利用测试集对已经建立的模型进行检验，判断模型是不是合适，若合适可行，则进行下一步；若不满足误差要求，则返回到第一步，对数据再进行一次平滑处理；

(5)、逆生长得到预测结果。

对求出的结果进行还原，即进行逆生长处理(即累减生成iago)，此处要根据累加生成的次数进行，得到真实的预测结果。

1.2、分类型车辆数量预测模型。

以往年的分类型车辆历史数据作为输入量，分类型车辆预测数量为输出量，基于改进灰色预测模型gm(1,1)，构建分类型车辆数量预测模型。实施步骤总结如下：

第一步，对原始数据进行处理：将某一类型的车辆近几年的历史数据作为原始数据，利用改进后的累加生成方法，对原始数据进行平滑处理。

第二步，选择合适的背景值，将微分方程准确转化为差分方程：根据第一步对原始数据的处理，对数据大致增长趋势进行分析，若原始数据为平增长或者低增长，则利用原始方法即利用紧邻生成序列代替背景值，进一步计算；若原始数据为高增长趋势，则利用改进的背景值生成公式，带入后做进一步计算。

第三步，利用最小二乘法，求出待求参数向量α。

第四步，对已经建立的模型进行检验，判断微分方程的解是否合适，若合适，则进行下一步，否则返回到第一步，对数据进一步处理。

第五步，根据建立的合适的差分方程对结果进行预测，即对差分方程进行求解。

第六步，对求出的结果进行还原，即进行逆生长处理(即累减生成)，此处要根据累加生成的次数进行，得到最终某类型车辆数量的预测结果。

分类型车辆数量预测模型建立示意图如图2所示。

2、基于支持向量机的分类型电动汽车替代比例动态预测模型。

支持向量机是一种非常新的方法，但是这种方法处理问题的能力却一点都不输给传统的预测方法，是一种非常实用的方法。支持向量机是以传统的统计学习理论为基础，从线性可分情况下的最优面分类发展而来的。该方法的核心在于利用机器学习的方法，找到平面内各点的拟合函数，进行较为准确的预测。

支持向量机对于解决有限样本、非线性及高维模式识别等问题具有很大的优势。利用支持向量机可以在数据响度不足的情况下，可以利用小样本更好的寻找到其中的规律，以便进行准确的预测。由于分类型电动汽车更新比例数据存在样本较小、数据不足等情况，选择支持向量机的方法来对其进行预测估计是合理的。

2.1、支持向量机迭代预测模型。

本文建立了支持向量机的分类型电动汽车替代比例迭代预测模型，针对传统预测方法的缺陷，本文提出了包含技术进步及政府政策引导等影响因素。模型中输入向量x∈r^m为电动汽车替代比例历史数据、技术进步影响因素、政府政策引导等等，输出y为更新替代比例预测值。根据已知数据建立训练样本集和预测样本集，建立svm回归目标函数，解得最优解带回到回归决策函数方程，得到回归预测函数，最后计算预测结果。

(1)对历史数据进行预处理和归一化处理。

其中为归一化后的数据值，xi为实际历史数据，ximin＝min(xi)，ximax＝max(xi)，m为输入向量的维数，即影响预测因素的个数。

(2)建立预测样本，形成训练样本集和测试样本集。样本输入一般分为以下两类：

a＝{a1,a2,…,ak}，预测年份之前k年的更新替代比例的历史数据；

b＝{b1,b2,…,bt}，预测年的技术因素及政策影响因素，包括电池容量、电池寿命、充电电流、政策规划比例等因素(归一化后数据)；

(3)建立svm预测模型，根据训练样本建立如下的svm回归目标函数。

其中xi为第i个训练样本的输入，k(xi,xj)为核函数，此处选择径向内积核函数，即对最小优化函数求解，得到最有优解

(4)确定回归决策函数，将代入下式，得到决策回归函数。

(5)利用预测样本及上一步得到的决策回归方程对分类型电电动汽车更新替代比例进行预测。

基于支持向量机的分类型电动汽车替代比例迭代模型具体操作流程如图3所示.

2.2、支持向量机迭代预测模型预测分类型电动汽车更新替代比例的优势。

svm在解决有限样本、非线性及高维识别问题具有明显优势，而影响更新替代比例的因素具有非线性特点，故本文利用支持向量机优越的非线性学习能力及预测性能，提出基于支持向量机的分类型电动汽车替代比例迭代预测模型。

(1)svm采用结构风险最小化原理，成功解决了传统神经网络的过学习与欠学习问题，故将svm应用到电动汽车更新替代比例预测中，可以避免传统方法使用神经网络预测所带来的过学习现象。

(2)svm回归通过核函数，将低维输入空间映射到高维特征空间，再在高维特征空间中进行线性回归。算法最终将转化成为一个二次型寻优问题，从理论上来说，得到的是全局最优解。与传统预测方法中使用的神经网络相比，解决了无法避免的局部极值问题。

(3)svm采用结构风险最小化原理，提高了对未来的样本的泛能力。故采用基于向量机的迭代预测模型可以有效的对电动汽车分类型替代比例进行预测。

3、分类型电动汽车需求动态预测模型。

本文这部分结合基于改进灰色预测的分类型车辆数量预测模型和基于支持向量机的分类型电动汽车替代比例迭代模型，结合更新替代比例模型，得到分类型电动汽车需求预测模型。

首先利用基于改进灰色预测的分类型车辆数量预测模型得到待预测年份分类型车辆总体数据预测结果，结合当前技术进步及政策因素的影响，利用基于支持向量机的分类型电动汽车替代比例迭代预测模型预测相对应的待预测年份的分类型电动汽车更新替代比例，两者预测结果相结合实现动态准确的预测：

(汽车的类型)

其中是指a类型电动汽车第t年的预测保有量，是指a类型汽车第t年的预测保有量，是指a类型电动汽车第t年的预测更新替代比例。

具体操作逻辑如图4所示.

4、电动汽车时空分布预测。

电动公交车、电动专用车具有较为固定的行驶路径和行驶时间即较为固定的时空分布，电动私人乘用车及电动出租车的时空分布与电动汽车用户的驾驶习惯有着密切的联系,然而电动汽车时空分布预测对电动汽车充换电需求预测、电动汽车出行路线推荐以及电动汽车充换电站规划等研究都具有重要意义，所以非常有必要对电动私人乘用车及电动出租车的时空分布进行研究。

首先，对出行者的行为特点、驾驶习惯进行研究，分析出行者的出行终点和起点类型的潜在关系。其次，结合实际路况信息确定出行者出行的具体起点和终点位置，确定出行路线，最终将该区域内所有的电动私人乘用车以及电动出租车进行叠加，得到该区域电动汽车时空电动私人用车以及电动出租车的时空分布情况。

4.1、出行链分析。

出行链是指从初始地出发，经过若干次出行，最后再次回到初始地的整个过程。这种出行链式的方法可以将出行者一天的出行活动进行处理，与人们的日常生活规律基本一致，与出行者实际决策过程十分相近，可以有效地模拟出行者在出行链过程中对各个出行活动的决策过程，从而为分析电动汽车用户的出行规律提供了很大的帮助。经过调研可以得出，典型的出行链如图5所示：

4.2、出行链的空间特性分析。

(1)空间转移。

马尔科夫过程是用于描述具有无后效性的随机过程：若每次状态的转移只与前一刻的状态有关而与过去的状态无关，离散马尔科夫过程称为马尔科夫链。记当前时刻的状态为ei，下一时刻的状态为ej，则马尔科夫链可用条件概率表示

p(ei→ej)＝p(ej/ei)＝pij

若将每个行驶目的地视为一个状态，根据马尔科夫理论，车辆下一个状态(目的地)即由当前状态决定。记为pij从状态ei转为状态ej的状态转移概率，则其一步状态转移概率可写成矩阵形式为,

其中pij满足如下条件：

根据典型出行链中出现的4大场景，通过对该地区居民出行统计数据进行调研，依据上式就可以表示出电动汽车从一个目的地行驶到另一个目的地的一步转移概率为

矩阵中用英文缩写来表示出行链的起点与终点：h代表居民区、w代表工作区/校园区、sr代表商业区、o代表其他区域。

(2)出行距离。

通过研究表明出行者的出行距离服从一下规律分布，根据出行距离可以将目的地选择范围缩小，使用蒙特卡洛模拟确定具体位置。

式中：fd为出行距离的概率密度；μd为居民平均出行距离；δd为出行距离方差。

4.3、电动私人用车及电动出租车时空分布预测。

根据前面的研究分析，可以对电动私人用车及电动出租车进行时空分布预测，具体操作步骤如图6所示：

第一步，初始化待预测地区的地图信息，输入该地区电动私人用车及电动出租车的需求预测估计n；

第二步，抽取起始地点，确定起始点；

第三步，抽取目的地，根据出行距离分析，缩小选择范围，确定终点；

第四步，根据路况信息，选择路径；

第五步，将该地区的n辆电动私人用车及电动出租车进行叠加，得到该类型车辆的时空分布预测结果。

4.4、电动汽车时空分布预测。

通过前文的分析可以知道电动公交车和电动专用车的行驶时间和行驶路径是非常固定的，即这两类型的车辆具有较为固定的时空分布特性，所以可以通过将这两类车的分布特性与电动私人乘用车及电动出租车的时空分布预测结果进行就叠加，来得到电动汽车的时空分布预测。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。